Pourquoi ce défi? Trouver des modèles de correspondance pertinents et congruents entre: * les membres potentiels d'une équipe OU * des sponsors ou des investisseurs désireux d'investir de manière vertueuse et dans des investissements durables ou des start-ups Objectif du défi Constitution de base(s) de données non biaisées afin de : * Faire un bon machine learning * Trouver de nouveaux modèles de matching valables (qualité des données) Description Trouver un moyen d'obtenir des données en dehors des modèles habituels (en utilisant ceux qui "sortent des sentiers battus"), obtenir une meilleure qualité de données afin de pouvoir faire du machine learning qui mène réellement à de nouveaux modèles au lieu de renforcer des modèles obsolètes ou des discriminations Approches possibles * Programmation d'un chatbot qui collecte de manière conversationnelle des éléments/données dans des contextes définis. Par exemple, un chatbot qui interroge les membres d'une startup utilisant la NLP, pour faire ressortir leur valeur ajoutée personnelle et collective et leur potentiel sur le marché -> Création, perfectionnement et utilisation de modèles (Apprentissage automatique) *Collecte de données primaires existantes en ligne * Commencez par les cas qui ont réussi à "truander le système" (mauvais choix évidents ?) Perimètre linguistique La plateforme tungXten ayant été développée pour un public francophone, anglophone, germanophone ou italophone, nous souhaitons utiliser autant que possible des bases de données dans les différentes langues. La priorité étant donnée au français et à l'anglais. Délimitations - Gestion des données personnelles et d'entreprise - Respect du GDPR et du cadre éthique - Lieu de stockage des données