Top 7 des méthodes pour l'analyse des sentiments audio

À mesure que le nombre de consommateurs augmente et que les données des utilisateurs s’accumulent quotidiennement, une explosion des données n’est pas surprenante. Les entreprises utilisent la collecte et l’analyse de données pour améliorer les ventes, la connaissance client ou la réputation de la marque. Même si les données vocales sont le retour le plus direct que les entreprises reçoivent de leurs clients, elles en négligent souvent l’importance.

Pour mieux comprendre comment les clients évaluent les produits & services, découvrez comment analyser le sentiment dans les fichiers audio, et les huit principales méthodes que les entreprises peuvent mettre en œuvre :

Qu’est-ce que l’analyse des sentiments audio ?

Les méthodes traditionnelles d’analyse des sentiments reposent principalement sur des textes écrits tels que les avis, les commentaires, les enquêtes, etc. Cependant, comme le langage humain est complexe, des nuances telles que l’ironie, le sarcasme ou les intentions ne sont pas toujours facilement comprises dans le contenu écrit.

Le ton acoustique dans les fichiers audio véhicule des informations plus riches et donne de meilleures indications sur les sentiments.¹ Les informations de sentiment peuvent être recueillies à partir de diverses caractéristiques vocales, telles que²

• hauteur
• intensité sonore
• ton de la voix
• autres mesures liées à la fréquence

Ainsi, les émotions peuvent être mieux reconnues en combinant l’analyse du ton de la parole et du contenu écrit qu’en ne considérant que les commentaires écrits.

Ces dernières années, les entreprises ont commencé à mettre en œuvre des méthodes d’analyse des sentiments audio pour mieux comprendre les sentiments de leurs clients et leur offrir une meilleure expérience.

Comment fonctionne l’analyse des sentiments audio ?

Figure 1. Comparaison simplifiée de l’analyse des sentiments du contenu écrit et multimodal (texte + audio)

Source : CM-BERT : Cross-Modal BERT for Text-Audio Sentiment Analysis.³

Les étapes de l’analyse des sentiments audio sont :

1. Collecte de l’audio

Collecte de l’audio

Commencez par collecter l’audio. Vous pouvez utiliser des enregistrements en direct, des fichiers préenregistrés ou de l’audio provenant de plateformes en ligne.

Garantir la qualité

Un audio clair est essentiel. Essayez de réduire le bruit de fond et de garder un son net. Assurez-vous également que vos données sont diversifiées : différentes voix, tonalités et émotions aideront votre modèle à mieux apprendre.

Prétraitement

Une fois collecté, nettoyez l’audio. Cela comprend la suppression du bruit, le réglage du volume et la coupe des silences. Ces étapes préparent l’audio pour les phases suivantes.

2. Transcription en texte

Conversion de l’audio en texte

Les outils de reconnaissance vocale transforment les mots parlés en texte. Whisper d’OpenAI reste un choix courant, mais les versions actuelles, telles que large-v3 et la plus rapide large-v3-turbo, ont remplacé la version de 2022 que la plupart des guides citent encore. Les options plus récentes, notamment les modèles de transcription GPT-4o d’OpenAI, ajoutent un étiquetage intégré des locuteurs. Cela élimine le besoin d’un outil distinct pour distinguer la voix d’un agent de celle d’un client dans un appel enregistré.

Nettoyage du texte

Le texte transcrit peut nécessiter une mise en forme. Vous pouvez supprimer la ponctuation superflue, mettre tous les mots en minuscules ou nettoyer les caractères spéciaux.

3. Choix du modèle

Choisissez un modèle qui fonctionne bien avec l’audio et le texte. Certains modèles sont entraînés sur un langage émotionnel ou parlé. Choisissez-en un avec une bonne précision et une bonne flexibilité.

4. Interprétation et utilisation des résultats

Comprendre les résultats

Utilisez les données pour apprendre ce que ressentent les gens. Cela est utile dans des domaines comme le service client, le marketing et les retours du public.

Visualisation des résultats

Affichez les scores de sentiment dans des graphiques, des tableaux ou des tableaux de bord. Cela aide à voir rapidement le ton émotionnel de l’audio.

7 méthodes pour réaliser une analyse des sentiments audio

Il existe sept méthodes principales pour réaliser une analyse des sentiments audio.

1- Reconnaissance automatique de la parole (ASR)

Figure 2. Un exemple de fonctionnement de l’ASR

Source : Extraction de sentiments à partir de flux audio naturels⁴

Processus : ASR transcrit les phrases prononcées en texte à l’aide de la reconnaissance vocale. Le texte transcrit est ensuite analysé pour le sentiment à l’aide de techniques de traitement automatique du langage naturel (NLP).

Exemple : Dans les centres d’appels, l’ASR peut transcrire les conversations clients, permettant aux modèles d’analyse des sentiments de déterminer le sentiment global de l’interaction.

2- WaveNet (Analyse brute de la forme d’onde audio)

Processus : WaveNet analyse directement les formes d’onde audio brutes pour extraire des caractéristiques audio à l’aide de réseaux de neurones profonds. Cette méthode ne nécessite pas de transcription audio et peut capturer des détails complexes dans le signal audio. C’est une méthode probabiliste qui offre des résultats de pointe avec un dataset multimodal (texte+audio).

Exemple : WaveNet peut détecter différentes émotions à partir du ton et de la hauteur de l’audio, offrant une bonne représentation de l’état émotionnel du locuteur.

WaveNet a été principalement conçu pour générer de la parole, pas pour évaluer le sentiment. Les équipes qui travaillent aujourd’hui sur le sentiment par forme d’onde brute se tournent plus souvent vers des encodeurs auto-supervisés tels que Wav2Vec 2.0 ou HuBERT, entraînés spécifiquement pour représenter à la fois le contenu vocal et les indices vocaux comme le ton.⁵ L’idée centrale de WaveNet, apprendre directement de la forme d’onde plutôt que de caractéristiques construites manuellement, tient toujours. Le modèle spécifique a largement été remplacé par ces nouveaux encodeurs.

3- Représentations d’encodeur bidirectionnel intermodal issues des transformers (CM-BERT)

Figure 3. L’architecture du réseau CM-BERT

Source : CM-BERT : Cross-Modal BERT for Text-Audio Sentiment Analysis.³

Processus : L’approche CM-BERT repose sur l’interaction entre le texte et l’audio et ajuste dynamiquement le poids des mots en comparant les informations provenant de différentes modalités. Elle utilise des modèles d’apprentissage automatique pour analyser à la fois le signal audio et sa transcription, en tirant parti des forces des deux modalités.

Exemple : Dans un projet analysant des enregistrements audio de podcasts, CM-BERT peut fournir des informations sur le sentiment exprimé à la fois dans les mots parlés et dans les caractéristiques audio.

4- Coefficients cepstraux de fréquence Mel (MFCCs)

Processus : Les MFCCs sont utilisés pour représenter le spectre de puissance à court terme du son. Ils sont extraits des enregistrements audio et utilisés comme caractéristiques pour les modèles d’analyse des sentiments.

Exemple : En analysant les MFCCs, les modèles d’apprentissage automatique peuvent reconnaître différents états émotionnels dans les fichiers audio, tels que la joie, la tristesse ou la colère.

Les MFCCs fonctionnent toujours comme un ensemble de caractéristiques léger et rapide, et restent un choix par défaut raisonnable pour les équipes disposant de budgets de calcul limités. Les modèles auto-supervisés plus récents, tels que Wav2Vec 2.0, HuBERT et emotion2vec, surpassent désormais les systèmes basés sur les MFCCs sur la plupart des benchmarks publiés, car ils apprennent les caractéristiques directement à partir de l’audio brut plutôt qu’en s’appuyant sur une formule fixe.⁶ Les équipes qui recherchent une précision maximale ont tendance à choisir l’un de ces modèles à la place.

5- Analyse des caractéristiques prosodiques

Processus : Cette méthode analyse des caractéristiques prosodiques telles que l’intonation, l’accentuation et le rythme dans la parole. Ces caractéristiques sont cruciales pour comprendre le ton émotionnel dans les enregistrements audio.

Exemple : L’analyse des caractéristiques prosodiques peut être utilisée dans les interactions de service client pour identifier le stress ou la frustration dans la voix d’un client, contribuant ainsi à améliorer l’interface utilisateur et les stratégies de réponse.

6- Réseaux de neurones profonds (DNNs)

Processus : Les DNNs peuvent être entraînés sur de grands datasets d’enregistrements audio pour reconnaître des motifs et classer les sentiments. Ils sont capables d’apprendre des représentations complexes des données audio.

Exemple : Les DNNs peuvent être employés dans des projets d’analyse des sentiments où une grande précision est requise, comme dans les publications audio sur les réseaux sociaux pour évaluer l’opinion publique.

emotion2vec, publié en 2024 et activement maintenu jusqu’en 2026, est un modèle open source entraîné spécifiquement pour extraire les signaux émotionnels de l’audio brut.⁷ Il fonctionne sur un seul GPU, est gratuit d’utilisation, et est devenu une référence courante dans la recherche sur les émotions vocales : le rôle que joue Whisper pour la transcription.

7- Réseaux de neurones récurrents (RNNs) et réseaux à mémoire à long court terme (LSTM)

Figure 4. Réseaux de neurones récurrents avec deux couches cachées

Source : Classification et prédiction de systèmes chaotiques ondulatoires avec des techniques d’apprentissage automatique.⁸

Processus : Les RNNs et les LSTMs sont conçus pour traiter des données séquentielles, ce qui les rend adaptés à l’analyse des dépendances temporelles dans les signaux audio. Ils peuvent capturer la progression des émotions.

Exemple : Dans l’analyse de longs enregistrements audio comme des entretiens ou des discours, les RNNs et les LSTMs peuvent suivre les changements de sentiment tout au long du fichier audio.

8- Grands modèles audio-langagiers (LALMs)

Processus : Un grand modèle audio-langagier lit l’audio et le texte en une seule passe, au sein d’un même modèle. Les méthodes plus anciennes divisent le travail en deux : un modèle transforme la parole en texte, et un modèle distinct lit ce texte pour le sentiment. Diviser le travail fait perdre de l’information ; un « C’est super » plat et monocorde peut être interprété comme positif lorsque les mots sont évalués seuls. Un grand modèle audio-langagier conserve ensemble le ton, le rythme et le choix des mots, ce qui lui permet de détecter ce décalage.

Parmi les exemples en production figurent les modèles OpenAI GPT-4o Audio, Google Gemini 2.5 et Alibaba Qwen2.5-Omni. Chacun accepte directement un extrait audio et renvoie une transcription, une étiquette d’émotion, ou les deux, sans exposer d’étape de transcription distincte.

Exemple : Une plateforme d’assistance achemine directement un appel client vers l’un de ces modèles. Elle renvoie une transcription, un score de sentiment et une note indiquant où le ton a changé pendant l’appel, le tout en une seule passe sur l’audio.

Compromis : Ces modèles coûtent plus cher à exécuter par minute d’audio que les modèles plus petits et spécialisés. Les équipes qui traitent des volumes d’appels élevés exécutent souvent un modèle open source léger, comme emotion2vec, en première passe, puis envoient les appels signalés vers un modèle plus grand pour une lecture plus approfondie.⁹

Top 8 des applications de l’analyse des sentiments audio

L’analyse des sentiments audio a un large éventail d’applications dans divers domaines, améliorant les processus et fournissant des informations précieuses dans tous les secteurs.

1- Centres d’appels

Dans les centres d’appels, l’analyse des sentiments audio est utilisée pour analyser les interactions avec les clients. En effectuant une analyse des sentiments sur les enregistrements audio, les entreprises peuvent déterminer le sentiment exprimé pendant les appels, qu’il soit positif, négatif ou neutre. Ces informations peuvent contribuer à améliorer le service client :

• Identification des problèmes : Détecter tôt les sentiments négatifs permet aux agents des centres d’appels de traiter les préoccupations des clients plus efficacement.
• Fins de formation : Comprendre les états émotionnels des clients pendant les appels peut servir à former les agents, améliorant ainsi leur capacité à gérer différentes émotions.
• Assurance qualité : Les résultats de l’analyse des sentiments peuvent être utilisés pour surveiller et maintenir la qualité du service, garantissant une satisfaction client constante.

2- Reconnaissance des émotions

Détecter différentes émotions dans les enregistrements audio peut améliorer considérablement les interfaces utilisateur et créer des systèmes d’IA plus empathiques. La reconnaissance des émotions par l’analyse des sentiments audio implique :

• Expériences personnalisées : Adapter les réponses en fonction des émotions détectées afin d’offrir une expérience utilisateur plus personnalisée et engageante.
• Applications de santé mentale : La surveillance des états émotionnels peut aider les applications de santé mentale en reconnaissant des signes de stress, d’anxiété ou de dépression dans les enregistrements audio.
• Assistants virtuels : Améliorer les interactions des assistants virtuels en leur permettant de répondre de manière plus appropriée au ton émotionnel de l’utilisateur.

3- Étude de marché

Dans les études de marché, l’analyse des sentiments audio de fichiers audio issus de groupes de discussion ou de retours clients peut fournir des informations précieuses. En analysant les sentiments dans les réponses orales, les entreprises peuvent :

• Comprendre les préférences des consommateurs : Obtenir des informations sur les opinions des clients concernant les produits ou services, aidant les entreprises à prendre des décisions éclairées.
• Développement de produits : Utiliser les données de sentiment pour orienter le développement et l’amélioration des produits en fonction des retours clients.
• Perception de la marque : Surveiller et analyser le sentiment du public envers une marque, permettant aux entreprises d’ajuster leurs stratégies en conséquence.

4- Surveillance des réseaux sociaux

L’analyse des sentiments audio peut également être appliquée à des fichiers audio provenant de podcasts ou de contenus vidéo partagés sur les plateformes de réseaux sociaux. Cette application aide à :

• Analyse de l’opinion publique : Analyser les sentiments dans les contenus parlés pour évaluer l’opinion publique sur divers sujets.
• Stratégie de contenu : Influencer les stratégies de création de contenu en comprenant les réactions émotionnelles de l’audience face à différents types de contenu.
• Analyse des tendances : Identifier les tendances émergentes et les sentiments dans les conversations sur les réseaux sociaux, permettant aux entreprises de garder une longueur d’avance dans leurs efforts marketing.

5- Santé

Dans le secteur de la santé, l’analyse des sentiments audio peut être appliquée aux interactions patient-médecin, aux consultations de télémédecine et aux retours des patients. Cela peut conduire à :

• Soins aux patients améliorés : Comprendre les émotions des patients peut aider les prestataires de soins à offrir des soins plus empathiques et personnalisés.
• Détection précoce de troubles : Reconnaître les changements dans l’état émotionnel d’un patient peut contribuer à la détection précoce de problèmes de santé mentale ou d’autres affections.
• Satisfaction des patients : Analyser les retours des patients pour améliorer la qualité des services de santé et garantir la satisfaction des patients.

6- Éducation

Dans le cadre éducatif, l’analyse des sentiments audio peut être utilisée pour analyser les interactions des étudiants, les retours des enseignants et les discussions en classe. Cela peut soutenir :

• Engagement des étudiants : Comprendre les réactions émotionnelles des étudiants peut aider les enseignants à adapter leurs méthodes pédagogiques pour maintenir l’engagement des étudiants.
• Suivi des performances : Surveiller le sentiment dans les retours des étudiants peut donner un aperçu de l’efficacité des programmes éducatifs et des stratégies pédagogiques.
• Soutien émotionnel : Identifier les étudiants qui pourraient avoir besoin d’un soutien émotionnel supplémentaire, permettant une intervention rapide.

7- Industrie du divertissement

L’industrie du divertissement peut tirer parti de l’analyse des sentiments audio pour analyser les réactions du public aux films, à la musique et à d’autres contenus médiatiques. Cela peut conduire à :

• Amélioration du contenu : Utiliser les résultats de l’analyse des sentiments pour améliorer les scénarios, les dialogues et le contenu global en fonction des réactions du public.
• Stratégies marketing : Adapter les campagnes marketing pour mieux résonner avec les réponses émotionnelles du public.
• Engagement du public : Créer un contenu plus engageant et émotionnellement résonnant en comprenant les sentiments du public.

8- Ressources humaines

Dans les ressources humaines, l’analyse des sentiments audio peut être appliquée aux retours des employés, aux entretiens et aux évaluations de performance. Cela peut améliorer :

• Satisfaction des employés : Analyser les sentiments dans les retours des employés pour améliorer les conditions de travail et répondre aux préoccupations.
• Processus de recrutement : Comprendre les réponses émotionnelles des candidats pendant les entretiens pour prendre de meilleures décisions d’embauche.
• Gestion de la performance : Utiliser les données de sentiment pour appuyer les évaluations de performance et fournir un feedback constructif.

Règles à connaître avant de déployer l’analyse des sentiments audio dans l’UE

La législation de l’UE sur l’IA interdit un usage précis de cette technologie : déduire les émotions d’un employé à partir de sa voix au travail. Cette interdiction, au titre de l’article 5(1)(f), fait partie des dispositions relatives aux pratiques interdites de la loi, et elle s’applique depuis le 2 février 2025.¹⁰ Les régulateurs nationaux, dont la CNIL française, ont publié des orientations pour se préparer à l’application, à mesure que le reste de la loi entre en vigueur : les règles sur l’IA à usage général sont arrivées en août 2025, et la plupart des dispositions restantes seront pleinement applicables le 2 août 2026.

Ce qui est interdit

• Lire les émotions à partir de la voix, du visage ou d’un autre signal biométrique d’un employé pendant les tâches professionnelles, les entretiens ou les évaluations de performance.

Ce qui n’est pas couvert par l’interdiction

• Les systèmes qui transcrivent une réunion en texte.
• Les systèmes axés sur la sécurité, comme les outils qui détectent la fatigue du conducteur.

Les deux exceptions

• Usage médical.
• Usage de sécurité.
• Évaluer le niveau de stress d’un agent du service client à des fins de coaching ne relève d’aucune des deux.

L’usage orienté client est traité différemment : Lire l’humeur d’un client pendant un appel d’assistance n’est pas interdit par le droit de l’UE. En dehors de l’interdiction sur le lieu de travail et l’éducation, certains déploiements de reconnaissance des émotions peuvent toutefois être considérés comme à haut risque au titre d’une partie distincte de la loi (annexe III) et peuvent entraîner des obligations de transparence supplémentaires au titre de l’article 50. La classification dépend du déploiement spécifique, et non du cas d’usage dans son ensemble.¹¹

Sanctions : Les amendes en cas de violation de l’interdiction sur le lieu de travail peuvent atteindre 35 millions d’euros ou 7 % du chiffre d’affaires annuel mondial d’une entreprise, le montant le plus élevé étant retenu.¹² Avant même l’existence de cette interdiction, l’autorité hongroise de protection des données a ordonné à une banque de cesser d’analyser le ton de la voix des employés en vertu de règles distinctes du RGPD, dans ce que l’on appelle désormais l’affaire Budapest Bank : un signe que les régulateurs traitaient déjà ceci comme un problème au regard de l’ancienne législation sur la vie privée.¹³

Ce que cela signifie pour les méthodes ci-dessus

• Évaluer le sentiment des clients dans un centre d’appels reste faisable dans toute l’UE, sous réserve des contrôles de haut risque et de transparence mentionnés ci-dessus.
• Appliquer la même évaluation à la voix d’un agent, pour suivre l’humeur ou le stress pendant un service, est interdit au titre de l’article 5(1)(f), sauf si l’exception médicale ou de sécurité s’applique.
• Les cas d’usage d’entretien et d’évaluation de performance, mentionnés dans la section ressources humaines ci-dessus, sont généralement purement interdits plutôt que simplement à haut risque. Traitez-les comme interdits dans les déploiements dans l’UE sans justification médicale ou de sécurité confirmée, et non comme un « à examiner avant lancement ».

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

Quel est le succès des outils d’analyse des sentiments audio ?

Un benchmark de 2025, AHELM, a testé la manière dont les grands modèles audio-langagiers gèrent spécifiquement la détection des émotions, aux côtés de neuf autres tâches de compréhension audio.¹⁴ Le modèle Google Gemini 2.5 Pro a mené le groupe dans l’ensemble, se classant premier dans cinq des dix catégories, dont la détection des émotions. Aucun modèle unique n’a mené toutes les catégories. Le choix d’un modèle dépend toujours du cas d’usage spécifique, et non d’un classement unique.

Une expérience de benchmarking de 2026 a évalué dans quelle mesure les modèles modernes détectent le sentiment directement à partir des signaux vocaux.¹⁵ Les résultats montrent que l’analyse des sentiments basée sur l’audio peut capturer des indices émotionnels tels que le ton, la hauteur et la vitesse d’élocution. Ces indices sont souvent perdus lorsque la parole est convertie en texte.

L’étude a testé plusieurs modèles vocaux bien connus, notamment HuBERT,¹⁶ Wav2Vec,¹⁷ et Whisper.¹⁸ Lorsque les modèles ont analysé des phrases courtes prononcées avec différents tons émotionnels, les performances étaient relativement bonnes. La précision variait de 78–91 %, ce qui indique que ces modèles peuvent détecter des signaux émotionnels clairs dans une parole contrôlée.

Cependant, les performances ont chuté lorsque les modèles ont été testés sur des phrases plus complexes et variées. Dans ces cas, la précision est tombée à environ 54–60 %. Les modèles ont eu des difficultés car le sens de la phrase, le style du locuteur et le contexte variaient davantage.

Dans l’ensemble, les résultats suggèrent que les outils d’analyse des sentiments audio peuvent bien fonctionner lorsque les indices émotionnels sont clairs. Cependant, leurs performances diminuent dans les conversations réalistes. Pour cette raison, de nombreux systèmes combinent les signaux audio et l’analyse de texte afin d’améliorer la fiabilité.

Lectures complémentaires

• Outils d’analyse des sentiments open source
• Tests de benchmark d’analyse des sentiments
• Outils d’optimisation pour moteurs de réponse
• Outils d’IA émotionnelle testés

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{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{Top 7 des méthodes pour l'analyse des sentiments audio}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/audio-sentiment-analysis}},
  note   = {AIMultiple. Consulté le 3 Juillet 2026}
}

Journal des modifications

5 mises à jour

1. 202610 Mar

   Un lien vers un article connexe a été supprimé dans la section « Choisir un modèle d'analyse des sentiments ».

2. 202516 Juil

   Added the "Audio sentiment analysis steps" section.

3. 2 Juil

   Suppression du graphique de la Figure 1 de la section Qu'est-ce que l'analyse des sentiments audio ?

4. 20246 Août

   La section « 7 méthodes de réalisation de l'analyse des sentiments audio » a été enrichie de quatre nouvelles méthodes.

5. 202229 Sep

   Réduction du nombre de méthodes d'analyse des sentiments audio de quatre à trois.

Liens de référence

1.

APA PsycNet

2.

Towards Discriminative Representation Learning for Speech Emotion Recognition | IJCAI

3.

CM-BERT | Proceedings of the 28th ACM International Conference on Multimedia

4.

Cerrar este diálogo

5.

Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT

6.

https://www.isca-archive.org/interspeech_2025/uniyal25_interspeech.pdf

7.

Speech emotion recognition using fine-tuned Wav2vec2.0 and neural controlled differential equations classifier - PMC

8.

[1908.04716] Classification and prediction of wave chaotic systems with machine learning techniques

arXiv preprint arXiv:1908.04716

9.

emotion2vec (emotion2vec)

10.

EU AI Act Article 5: The Complete Guide to Prohibited AI Practices – eyreACT: AI Compliance Automation Platform

11.

Article 5: Prohibited AI Practices | EU Artificial Intelligence Act

12.

Article 99: Penalties | AI Act Service Desk

13.

DataGuidance

14.

AHELM: A Holistic Evaluation of Audio-Language Models

15.

Sentiment Analysis with Text and Audio Using AWS Generative AI Services: Approaches, Challenges, and Solutions | Artificial Intelligence

16.

[2106.07447] HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units

17.

[2006.11477] wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations

18.

GitHub - openai/whisper: Robust Speech Recognition via Large-Scale Weak Supervision · GitHub

Ezgi Arslan, PhD.

Analyste du secteur

Suivre

Ezgi est titulaire d'un doctorat en administration des affaires avec une spécialisation en finance et travaille comme analyste du secteur chez AIMultiple. Elle pilote la recherche et les analyses à l'intersection de la technologie et des affaires, avec une expertise couvrant la durabilité, les enquêtes et l'analyse des sentiments, les applications d'agents IA dans la finance, l'optimisation des moteurs de réponse, la gestion des pare-feu et les technologies d'approvisionnement.

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