Implémentation d'un réseau de neurones pour de meilleures prédictions de cycles. Histoire de succès du client

Client

Flo is a smart period tracker that accurately predicts women's menstrual cycles, ovulation and fertile days.

Défi : Améliorer les prédictions des cycles irréguliers pour les utilisateurs de l'application

Environ 30 % des femmes à travers le monde font face au défi des règles irrégulières, mais la majorité des applications mobiles de suivi des règles ne peuvent pas faire de prédictions précises pour ces femmes.

When Flo decided to partner with DataSqueeze pour l'implémentation de réseaux neuronaux et modélisation prédictive, plus de 450 Go d'informations utilisateur étaient stockés dans leur base de données. Chaque jour, les femmes saisissent manuellement environ 1,4 M de nouveaux points de données incluant l'historique du cycle, les résultats des tests d'ovulation et de grossesse, l'âge, la taille, le poids, le mode de vie, les statistiques sur le sommeil, l'activité et la nutrition. De plus, d'autres données proviennent de dispositifs portables tels que Fitbit et Apple Watch.

Une formule créée pour une « femme moyenne » ne peut rivaliser avec les réseaux neuronaux lorsqu'il s'agit du volume, de la vélocité et de la variété des données.

Solution : Mise en œuvre de réseau de neurones pour de meilleures prédictions du cycle menstruel

Flo's neural network has 442 input units that receive a variety of features engineered using the information women have supplied to the app. The combination of features is unique for every woman and each feature has a different impact on predictions.

Le travail difficile de la priorisation des fonctionnalités et de la prédiction de la durée des cycles est effectué par le réseau de neurones. Il apprend en continu en comparant ses prédictions aux résultats réels (enregistrés manuellement par les utilisateurs) et ajuste les interconnexions entre ses unités d'entrée et de sortie au fil du temps.

La couche de sortie est représentée par une seule unité qui transmet le nombre de jours prévu dans le cycle.

DataSqueeze a trouvé la source de nouvelles fonctionnalités dans le caractère unique des utilisatrices de l'application. Les femmes enregistrent manuellement leur humeur, leur activité physique, des symptômes comme des maux de tête, de la fatigue ou de l'acné, qui forment parfois un schéma stable se répétant certains jours du cycle.

Ces motifs uniques et répétables sont tellement individuels qu'aucun humain ne peut créer suffisamment de règles pour les capturer tous, mais ils peuvent être tellement évidents et stables pour une femme particulière que, en les analysant, le réseau neuronal peut faire une meilleure prédiction. C'est pour cette raison que l'équipe de science des données travaillant sur le projet a développé un algorithme d'apprentissage automatique capable de capturer les schémas uniques du cycle menstruel de chaque femme.

Techniquement, cela se réalise à travers un processus en deux étapes :

• Des motifs uniques sont reconnus par modèles d'apprentissage automatique individuels.
• Les modèles sont transformés en caractéristiques pour le réseau neuronal.

Ainsi, une sortie d'un algorithme devient une caractéristique supplémentaire pour le réseau neuronal.

The beauty of Flo's neural network is that it knows overall statistics and common rules that work for the 5+ million women using the app, but it still treats every woman as a unique person with her unique body characteristics and lifestyle.

Résultat : Amélioration des prédictions de cycles irréguliers

The current version of Flo's neural network by DataSqueeze peut améliorer les prédictions de cycles irréguliers jusqu'à 54,2 % selon la qualité des données d'entrée, avec une réduction de l'erreur de prédiction de 5,6 à 2,6 jours.

Flo became the most downloaded app worldwide in its category within months after neural network intégration dans son algorithme de prédiction.

En tant qu'entreprise en croissance, nous avons trouvé l'expertise en science des données de DataSqueeze inestimable. En près de deux ans de coopération, ils nous ont aidés à définir notre stratégie d'analyse de données, à construire un pipeline de données extensible et à améliorer les prédictions du cycle menstruel à l'aide d'un réseau neuronal sophistiqué.

– Victor Nguyen, Head of Data Science, Flo