Simulation d'audience: Les LLM peuvent-elles prédire le comportement humain ?

En marketing, évaluer avec quelle précision les LLMs prédisent le comportement humain est crucial pour estimer leur efficacité à anticiper les besoins du public et pour reconnaître les risques de décalage, de communication inefficace ou d'influence non désirée.

La simulation d'audience avec des LLMs permet de modéliser des publics virtuels, aidant les organisations à anticiper les réactions à un contenu ou à un produit sans recourir à des enquêtes ou des groupes de discussion coûteux.

Nous avons testé la capacité des modèles d'IA à prédire lequel de deux posts LinkedIn d'un même auteur obtiendra le plus d'engagement (likes, commentaires, partages), simulant ainsi le comportement d'un public humain.

Résultats du benchmark de simulation d'audience

Raisons des différences de performance entre les LLMs

Les grands modèles de langage montrent des niveaux de précision différents lorsqu'il s'agit de prédire lequel de deux posts LinkedIn d'un même auteur recevra le plus d'engagement. Ces différences proviennent de la manière dont chaque modèle traite les données d'entrée décrites dans le benchmark et de sa capacité à identifier les facteurs qui influencent les réactions du public.

Compréhension des signaux d'engagement

Le benchmark demande aux modèles d'évaluer des indices subtils qui prédisent l'engagement. Les modèles plus performants tendent à détecter ces indices avec plus de précision. Parmi ces indices, on trouve la capacité du post à :

• Présenter une leçon ou une réflexion personnelle
• Poser une question directe
• Être accessible à un large public
• Sembler promotionnel
• Avoir une structure qui capte l'attention du lecteur

Des modèles comme DeepSeek Chat V3 et Claude Opus 4 obtiennent de bons résultats parce qu'ils identifient ces indices avec une plus grande constance.

Utilisation des informations contextuelles

L'évaluation inclut plusieurs éléments contextuels pour chaque post, et les modèles diffèrent dans leur capacité à les exploiter. Chaque modèle reçoit :

• Le texte du post
• Le type de média (texte, image, vidéo ou lien)
• La tranche d'abonnés de l'auteur

Une prédiction précise exige que le modèle combine ces informations. Les modèles plus performants reconnaissent des schémas, comme un engagement plus faible pour les posts avec lien et un engagement plus fort pour les récits introspectifs. Les modèles moins performants traitent souvent les données isolément ou ignorent leurs interactions.

Interprétation du comportement humain

Prédire l'engagement nécessite de raisonner sur les préférences du public. Quelques modèles font preuve d'une forte capacité dans ce domaine. Beaucoup de modèles restent proches du seuil de 50 % car le comportement de l'audience est variable et dépend de facteurs psychologiques difficiles à déduire du seul texte.

Les modèles qui obtiennent environ 52 % montrent une compréhension partielle de ces indices. Ils peuvent identifier des tendances générales mais peinent dans les cas limites. Les modèles aux scores faibles, comme o1, semblent mal évaluer les moteurs d'engagement habituels et favorisent souvent l'option la moins engageante.

Influence des données d'entraînement

On constate que les résultats des modèles reflètent les données sur lesquelles ils ont été entraînés. Si les données d'entraînement ne représentent pas un large éventail de styles de communication ou de groupes démographiques, le modèle peut mal interpréter certains types de contenu. Ces différences d'entraînement contribuent directement à la dispersion des résultats du benchmark.

Les modèles entraînés sur des jeux de données plus larges ou plus conversationnels tendent à mieux approximer les réactions des utilisateurs. Les modèles entraînés sur des données plus restreintes s'appuient souvent sur des caractéristiques superficielles qui ne sont pas bien corrélées avec l'engagement réel.

Généralisation entre auteurs

Le jeu de données inclut des posts de 50 auteurs ayant des nombres d'abonnés, des préférences de média et des styles d'écriture variés. Les modèles doivent généraliser à travers ces différences. Les modèles plus performants forment des attentes cohérentes sur ce qui stimule l'engagement, quel que soit l'auteur.

Les modèles moins performants appliquent des critères incohérents d'un auteur et d'un post à l'autre.

Consultez notre méthodologie pour comprendre comment nous calculons ces mesures.

Qu'est-ce que la simulation d'audience ?

La simulation d'audience consiste à utiliser des populations synthétiques pilotées par des modèles, parfois appelées publics virtuels, pour prédire comment de vraies personnes pourraient réagir à un contenu, un produit ou une idée de politique avant leur diffusion. Au lieu de mener des tests en direct avec des enquêtes ou des groupes de discussion coûteux, les organisations peuvent créer des personas proxy leur public cible et observer leurs réponses simulées.

Cette technique s'appuie sur des méthodes issues de la modélisation basée agents, des grands modèles de langage et de la simulation de personas. Chaque agent ou persona simulé est conçu avec des attributs tels que des données démographiques, des préférences ou des tendances comportementales. Ensemble, ces personas interagissent, produisant des données synthétiques qui approximent le comportement d'un groupe de vrais clients ou citoyens placés dans la même situation.

Comment fonctionnent les outils de simulation d'audience ?

Le mécanisme de la simulation d'audience dépend des outils utilisés, mais la plupart des approches partagent des composantes communes :

• Conception des personas : Les chercheurs définissent des personas à partir de données démographiques, psychographiques ou de segments de marché spécifiques. Ces personas peuvent aller de simples agents basés sur des règles à des personas IA détaillés, enrichis de biographies et de capacités conversationnelles.
• Génération de données synthétiques : Les grands modèles de langage aident à simuler des dialogues, des réponses à des enquêtes ou des comportements de publication. Par exemple, Artificial Societies fait fonctionner 100–300 personas IA qui lisent, réagissent et repartagent des posts LinkedIn pour simuler la dynamique de réseau.
• Modélisation des interactions : Les personas n'agissent pas isolément. Ils interagissent, s'influencent mutuellement et forment des schémas tels que des chambres d'écho, des cascades de repartages ou des changements d'opinion publique. Cela permet aux simulations de saisir à la fois les réactions individuelles et les phénomènes de groupe.
• Test de scénarios : En faisant varier des éléments comme le cadrage du message, le type de média ou les questions d'enquête, les organisations peuvent observer comment les publics simulés répondent à ces variations. Ces scénarios aident à formuler des hypothèses et à tester des idées dans un environnement sûr avant de s'adresser à de vraies personnes.
• Analyse des données : Les résultats sont analysés à l'aide de techniques comme les nuages de mots, l'analyse de sentiment et le score de précision. Les résultats peuvent montrer les gagnants probables entre deux variantes de post, les thèmes récurrents dans les retours, ou le point de vue d'un persona sur la raison pour laquelle une idée résonne plus qu'une autre.

Exemple concret : Simulations d'agents génératifs de Stanford

Une équipe de recherche de l'Université de Stanford a développé une architecture d'agent qui convertit des données d'entretiens qualitatifs en représentations de personnes réelles alimentées par des LLM.

Plutôt que de construire des personas à partir de simples étiquettes démographiques, chaque agent est ancré dans un entretien de deux heures avec la personne qu'il représente. Testés par rapport au General Social Survey, les agents ont reproduit les réponses de leurs individus sources quasiment aussi bien que ces mêmes individus reproduisaient leurs propres réponses lors d'un nouvel entretien deux semaines plus tard.

L'architecture a également montré un biais de prédiction réduit entre les groupes raciaux et idéologiques par rapport aux approches de personas spécifiques à une démographie, ce qui suggère qu'elle peut modéliser des populations diverses de manière plus fidèle que des méthodes plus simples.¹

Cas d'usage de la simulation d'audience

Marketing et publicité

Les marques peuvent tester des slogans, des visuels ou le positionnement d'un produit auprès d'un public virtuel avant d'investir dans une diffusion à grande échelle. Au lieu de s'appuyer uniquement sur des réponses d'enquêtes classiques, elles peuvent générer des données synthétiques à partir de personas IA et comparer les performances entre les groupes.

Par exemple, les marketeurs peuvent déterminer si un produit résonne davantage auprès de la Gen Z qu'auprès de professionnels plus âgés et ajuster leur stratégie créative en conséquence. Cette capacité à valider les campagnes en phase de test permet de réaliser des économies et un ciblage plus précis.

Exemple concret : Focus Agent

Des chercheurs de la KU Leuven ont construit un système multi-agent qui reproduit entièrement la structure d'un groupe de discussion traditionnel dans un logiciel, y compris les participants et le rôle de modérateur.

Le système a été validé en menant cinq véritables groupes de discussion avec 23 participants humains sur les mêmes thèmes de discussion, puis en comparant les résultats à ceux générés par les seuls participants IA. Les opinions produites par l'IA étaient étroitement alignées sur celles des répondants humains.

Au-delà du remplacement des participants, le modérateur LLM a également offert des avantages pratiques par rapport à une modération humaine, comme un pilotage des sujets plus cohérent et une meilleure gestion du temps.²

Médias et édition

Les entreprises de médias peuvent simuler la performance de différents formats de contenu (par exemple, posts courts, articles longs, vidéos explicatives) auprès de leurs audiences.

La simulation de personas permet aussi de tester comment les titres influencent le taux de clic ou comment le ton affecte les partages. En anticipant les réactions, les rédacteurs peuvent prioriser les sujets les plus susceptibles de se diffuser, au lieu d'attendre les métriques post-publication.

Politiques publiques et recherche

Les gouvernements et les think tanks peuvent utiliser la simulation d'audience pour tester des idées de politiques publiques. Des populations synthétiques modélisées d'après des données démographiques spécifiques peuvent illustrer comment différentes communautés réagiraient à une nouvelle taxe, une réglementation de santé ou une initiative climatique. Des chercheurs ont appliqué des simulations génératives pour explorer des problèmes comme la polarisation et la désinformation.

Cette approche facilite la génération d'hypothèses et offre un environnement plus sûr pour anticiper les conséquences inattendues avant d'interagir avec de vraies personnes.

Développement de produits

Les entreprises peuvent simuler comment des personas proxy des données démographiques spécifiques parlent d'une nouvelle fonctionnalité ou d'un nouvel appareil. Par exemple, une entreprise technologique pourrait comparer si les propriétaires de petites entreprises, les étudiants ou les responsables d'entreprise trouvent plus de valeur dans une nouvelle mise à jour logicielle.

Les informations issues de la simulation peuvent éclairer les décisions de conception et réduire le risque de lancer des fonctionnalités qui ne trouvent pas d'écho auprès du public visé.

Formation et éducation

Les universités et les entreprises peuvent utiliser des simulations pour créer des environnements de pratique où les apprenants interagissent avec des personas IA. Un négociateur stagiaire peut s'exercer avec des interlocuteurs simulés, ou un étudiant en médecine tester des stratégies de communication avec des patients synthétiques.

Ces scénarios de formation offrent une gamme réaliste de réponses, permettant aux apprenants de perfectionner leurs compétences avant de rencontrer de vrais individus.

Agences d'études de marché

Les enquêtes et les groupes de discussion traditionnels peuvent être coûteux et lents. Les agences d'études de marché peuvent les compléter par la simulation d'audience pour générer des données synthétiques qui fournissent des indications directionnelles rapides.

Bien que les simulations ne remplacent pas l'engagement avec de vrais clients, elles peuvent réduire la dépendance à des panels onéreux et accélérer les tests en phase précoce.

Outils de simulation d'audience

Si vous cherchez un outil dédié à la simulation d'audience au lieu d'utiliser des LLMs, voici quelques options :

Artificial Societies

Artificial Societies permet aux utilisateurs de décrire un public cible en langage courant ou d'en générer un à partir d'interactions sur les réseaux sociaux. Il construit ensuite une « société » de personas et exécute des simulations pilotées par l'IA.

Chaque simulation inclut des tests A/B automatiques, qui génèrent des variantes d'un message dans le style de l'utilisateur et les testent auprès du public. Les résultats sont présentés avec des scores, des commentaires et des résumés, permettant une interprétation rapide. Les cas d'usage couvrent les relations publiques, le développement de produits, l'image de marque, le marketing, le journalisme et les réseaux sociaux.

Figure 1 : Tableau de bord de simulation d'Artificial Societies.

Exemple concret : Teneo

Teneo, une entreprise de relations publiques, s'apprêtait à lancer une nouvelle stratégie technologique et devait tester si ses messages résonneraient auprès des principales parties prenantes avant de l'annoncer publiquement. L'entreprise était cependant confrontée à plusieurs contraintes :

• La stratégie était confidentielle, ce qui limitait les méthodes de recherche traditionnelles.
• Le calendrier était serré, rendant difficiles les enquêtes à grande échelle.
• Les publics importants, tels que les décideurs politiques, les leaders du secteur et les parties prenantes spécialisées, étaient quasiment impossibles à atteindre via les panels d'études de marché conventionnels.

Pour relever ces défis, Teneo s'est associé à Artificial Societies. Le processus comprenait :

• Création de personas IA : Plus de 5 000 personas IA ont été générés. Ces personas étaient basés sur des profils démographiques et psychographiques réels, éclairés par la veille sur les réseaux sociaux et la recherche qualitative.
• Construction de « sociétés » spécialisées : Des sociétés IA distinctes représentaient différents groupes de parties prenantes, notamment :
  • Les consommateurs
  • Les pairs du secteur
  • Les décideurs politiques, les lobbyistes et les influenceurs politiques.
• Test des récits de message : Les chercheurs ont testé six récits technologiques concurrents en utilisant des enquêtes et des expériences au sein de chaque société IA.
• Analyse des réactions : Les réponses ont été analysées à la fois au niveau agrégé et au niveau de chaque persona, ce qui a permis à l'équipe de comparer les réactions entre les segments d'audience.

La simulation a produit des informations à grande échelle plus rapidement que les méthodes de recherche traditionnelles. Les principaux résultats comprenaient :

• 189 756 réponses uniques générées par les simulations IA.
• Des informations basées sur 30 questions de recherche approfondies sur six récits.
• L'identification du récit le plus efficace et de messages adaptés à chaque segment d'audience.
• La livraison des résultats via une plateforme d'analyse interactive et un rapport écrit.³

Ask rally

Ask Rally est un simulateur d'audience virtuel qui permet aux utilisateurs de tester des questions, du contenu et des idées avec des personas IA conçus pour ressembler à de vrais publics.

Les utilisateurs créent ou modifient des personas, ou les clonent à partir de données existantes comme des entretiens ou des enquêtes. Après avoir défini un public, ils peuvent poser des questions et recevoir des réponses générées par les personas, allant de 5 à 100. La plateforme agrège les réponses, fournit des informations clés et permet aux agents de voter sur des options.

Les fonctionnalités clés incluent :

• Réponses multi-agents avec des résumés agrégés et des informations.
• La mémoire des personas, alimentée par Mem0, permet aux personas de conserver le contexte et les schémas comportementaux, aidant à simuler des réactions d'audience plus cohérentes et réalistes.
• Quatre niveaux de sophistication de l'audience permettent aux utilisateurs de modéliser des publics avec différents niveaux d'expertise ou de familiarité avec un sujet.
• La simulation de réaction vidéo permet aux équipes de tester comment les publics pourraient réagir à du contenu vidéo tel que des publicités, des supports de campagne ou des présentations.
• L'accès API permet aux équipes d'intégrer le simulateur dans les flux de travail de recherche, les outils internes ou les pipelines de test automatisés.
• Environnements de test pour les sites web, les campagnes et les médias.
• Capacités supplémentaires telles que les jumeaux numériques, les environnements de simulation et la calibration par rapport aux données du monde réel.
• Forfait gratuit pour l'expérimentation et les tests précoces.

Generative Audiences de Dentsu

Generative Audiences est un outil d'intelligence marketing par IA qui crée des audiences de consommateurs simulées à partir de données réelles. Il aide les marques à améliorer le ciblage d'audience, la planification média et la performance des campagnes en permettant aux marketeurs d'interagir avec ces personas IA et d'analyser leurs réponses.⁴

• Données déterministes et pilotées par l'IA : Combine des données déterministes basées sur les personnes avec des signaux comportementaux pilotés par l'IA pour modéliser avec précision le comportement du public.
• Informations consommateurs interactives : Les marketeurs peuvent interagir avec des personas simulés pour explorer les motivations et les comportements, par exemple pour tester comment les publics pourraient réagir à de nouveaux messages, des idées de produits ou des événements d'actualité.
• Intégration de données multi-sources : Synthétise plusieurs sources de données (statiques et en temps réel) et s'intègre aux données client existantes.
• Planification et activation média : Les informations issues des audiences IA peuvent être utilisées pour élaborer des stratégies média ciblées et activer des campagnes.
• Modélisation d'audience respectueuse de la vie privée : Étant basée sur des simulations statistiques plutôt que sur des identifiants personnels, la solution peut étendre le ciblage d'audience tout en restant plus conforme aux réglementations sur la vie privée.

Electric Twin

Electric Twin est une plateforme d'audience synthétique qui crée des populations numériques à partir de données réelles.⁵

• Modélisation d'audience synthétique : Crée des populations numériques qui représentent des groupes démographiques réels et simulent le comportement humain.
• Retour d'audience en temps réel : Les utilisateurs peuvent poser des questions et recevoir des réponses immédiates des personas simulés, au lieu de mener des enquêtes.
• Test de scénarios et de messages : Les équipes peuvent évaluer des concepts de produits, des campagnes, des stratégies de prix et des propositions de politiques avant de les lancer.
• Enquêtes et groupes de discussion simulés : Prend en charge les sondages rapides, les entretiens et les discussions de type groupe de discussion avec des personas IA.
• Audiences personnalisées et préconstruites : Les organisations peuvent construire des audiences en utilisant leurs propres données d'enquête ou utiliser des populations démographiques prêtes à l'emploi dans plusieurs pays.
• Moteur de prédiction : Compare les résultats avec des données d'enquête du monde réel pour estimer les réponses probables des consommateurs.
• Environnement de recherche préservant la vie privée : Les populations synthétiques permettent de tester des idées sans exposer de données sensibles ou personnelles.

Simile IA

Créé par des chercheurs de Stanford, Simile vise à simuler de grands groupes, voire des sociétés entières, pour prédire comment les gens pourraient réagir à des produits, des politiques ou des décisions d'entreprise.⁶

• Personas jumeaux numériques : Crée des agents IA qui représentent des individus réels à partir de données comportementales et d'entretiens.
• Simulations de comportement humain à grande échelle : Modélise les interactions entre des milliers d'agents pour prédire les décisions des consommateurs ou les résultats sociaux.
• Prévision de scénarios : Les entreprises peuvent anticiper des événements tels que des changements de la demande des consommateurs ou des questions d'analystes lors des conférences sur les résultats.
• Architecture d'agents génératifs : Les agents IA planifient des actions, forment des opinions et interagissent les uns avec les autres pour produire des dynamiques comportementales réalistes.

Méthodologie du benchmark de simulation d'audience

Notre question de recherche pour ce benchmark était « Les modèles d'IA peuvent-ils prédire quel post LinkedIn obtiendra le plus d'engagement avant sa publication ? » Pour cela, nous avons évalué dans quelle mesure les modèles d'IA peuvent prédire lequel de deux posts LinkedIn d'un même auteur générera le plus d'engagement total (likes + commentaires + partages) dans les 7 jours suivant la publication.

Nous avons utilisé les posts de 50 auteurs pour notre jeu de données. Chaque ligne contient une paire de posts du même auteur avec les caractéristiques suivantes :

• Contenu du post : Texte brut des deux posts
• Type de média : texte/image/vidéo/lien pour chaque post
• Contexte de l'auteur : Tranche d'abonnés (par exemple, « 1k-5k », « 5k-20k »)
• Vérité terrain : Chiffres d'engagement réels et étiquette du gagnant (A ou B)

Exemple de données :

Post A (Gagnant – 156 engagements) : « Après trois startups échouées, voici ce que j'aurais aimé qu'on me dise sur l'adéquation produit-marché : Arrêtez de créer des fonctionnalités pour les cinq utilisateurs bêta qui vous les ont demandées. Commencez à obséder sur le problème auquel 95 % de votre marché cible est réellement confronté. J'ai fait cette erreur pendant 2 ans. Ne la répétez pas. Quelle est la plus grande leçon produit que vous avez apprise à vos dépens ? »

• Média : texte
• Abonnés : 5k-20k

Post B (84 engagements) : « Heureux de partager notre nouveau tableau de bord d'analyse alimenté par l'IA ! Jetez un œil à la démo et dites-nous ce que vous en pensez. »

• Média : lien
• Abonnés : 5k-20k

Analyse : Le post A a gagné car il fournit des conseils spécifiques et actionnables tirés d'un échec personnel, pose une question engageante et offre un contenu auquel on peut s'identifier. Le post B est une promotion générique avec un potentiel d'engagement plus faible.

Évaluation du benchmark de simulation d'audience

Pour l'évaluation, chaque modèle reçoit ces informations pour les deux posts :

• Texte du post
• Type de média
• Tranche du nombre d'abonnés de l'auteur

Avec ces informations, les modèles doivent prédire si le post A ou B est le plus performant. Ils peuvent nous montrer leur raisonnement, mais nous n'avons pas évalué leur raisonnement dans ce benchmark.

Étant donné que les modèles ont 50 % de chance de deviner correctement le meilleur performeur (il y a deux choix), nous envisageons de considérer à l'avenir un indicateur de « gain par rapport au hasard (précision moins 50 %, qui est la base de la supposition aléatoire) ».

Toutefois, dans ce jeu de données, nous n'avons pas observé de supposition aléatoire ; tous les modèles ont expliqué leur raisonnement, que leurs réponses soient justes ou fausses.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Quels sont les défis potentiels de la simulation d'audience ?

Malgré ses promesses, la simulation d'audience doit être abordée avec prudence.

Validation par rapport aux vrais clients

Les prédictions des publics virtuels doivent être comparées aux résultats réels. Sans benchmarks, les résultats peuvent créer une fausse confiance. La validation est cruciale pour s'assurer que les personas synthétiques reflètent fidèlement le comportement des personnes réelles.

Biais dans les modèles de langage

Les personas IA sont façonnés par les données qui ont entraîné les modèles de langage sous-jacents. Si ces données sous-représentent certains groupes, les personas résultants peuvent déformer la manière dont des données démographiques spécifiques sont dépeintes. Cela peut affecter la façon dont les réponses aux enquêtes ou l'opinion publique sont simulées.

Interprétabilité

Bien que les conversations des personas ou les nuages de mots puissent montrer des thèmes communs, il n'est pas toujours clair pourquoi des résultats spécifiques émergent. La complexité des réponses des LLM peut rendre difficile l'explication ou la validation du comportement de l'audience.

Directives éthiques

L'utilisation de données synthétiques pour la recherche client ou la recherche sur les politiques exige de la transparence. Les organisations doivent s'assurer qu'elles ne présentent pas les simulations comme un substitut aux vrais clients et doivent respecter les limites éthiques dans la définition des personas.

Généralisabilité

Les simulations dépendent fortement du périmètre de conception des personas. Un modèle entraîné sur des fondateurs de startups technologiques basés aux États-Unis ne peut pas automatiquement prédire les réponses de la Gen Z en Asie. La surgénéralisation est un risque lorsqu'on étend les conclusions à des populations qui n'étaient pas représentées dans la simulation.

Coût computationnel

Exécuter des simulations détaillées avec des milliers de personas peut nécessiter des ressources importantes. Bien que les outils d'IA améliorent l'efficacité, les expériences à grande échelle exigent encore du temps, des connaissances techniques et une infrastructure.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{ermut2026,
  author = {Ermut, Sıla and Alper, Şevval},
  title  = {{Simulation d'audience: Les LLM peuvent-elles prédire le comportement humain ?}},
  year   = {2026},
  month  = apr,
  howpublished    = {\url{https://aimultiple.com/audience-simulation}},
  note   = {AIMultiple. Consulté le 28 Avril 2026}
}

Liens de référence

1.

https://arxiv.org/pdf/2411.10109

2.

https://arxiv.org/pdf/2409.01907

3.

Artificial Societies

Artificial Societies

4.

Dentsu Launches Generative Audiences: AI-Powered Growth Intelligence That Thinks Like Consumers  | News | dentsu

5.

Electric Twin - Synthetic Audiences for Instant Consumer Insights

Electric Twin

6.

Home | Simile

Sıla Ermut

Analyste sectoriel

Suivre

Sıla Ermut est une analyste sectorielle chez AIMultiple couvrant les modèles d'IA, l'infrastructure d'IA, la gouvernance de l'IA et les applications d'IA en entreprise. Ses recherches se concentrent principalement sur l'utilisation de l'IA dans le marketing, la santé, les chaînes d'approvisionnement et la durabilité. Elle a précédemment travaillé comme recruteuse dans des sociétés de gestion de projet et de conseil. Sıla est titulaire d'un Master en psychologie sociale et d'une Licence en Relations Internationales.

Voir le profil complet

Recherche effectuée par

Şevval Alper

Chercheur en IA

Suivre

Şevval est analyste chez AIMultiple, spécialisé dans les outils de codage IA, les agents IA et les technologies quantiques.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire