Quelques pistes pour développer « votre » intelligence artificielle

⏱ 6 min

[vc_row][vc_column][vc_column_text]David Cahané
Manager Wavestone
David.Cahane@wavestone.com

Le rythme des innovations dans le domaine de l’intelligence artificielle (IA) peut laisser croire qu’il est facile de développer ses propres solutions. C’est tout le contraire. Il est pourtant effectivement stratégique de savoir saisir ces opportunités. Mais pas n’importe comment.  Comment faire pour que ces développements soient les plus profitable possibles ?

Le délai entre une découverte fondamentale en intelligence artificielle et son application à grande échelle se raccourcit sans cesse. Cela se traduit par des faits d’armes hautement médiatisés comme des machines qui conduisent un véhicule, jouent au jeu de Go, analysent des radiographies… et des espoirs toujours plus importants.

Néanmoins, il est vital de garder les pieds sur terre. Jamais la distance entre les attentes des utilisateurs, alimentées par certains éditeurs de solutions ou startups, et la réalité n’a été aussi grande !

Pour de nombreuses entreprises, il est complexe de s’orienter dans ce nouveau far-west technologique, de saisir les opportunités à portée de bras tout en construisant une trajectoire durable. Nous partageons ici quelques points de repères pour vous permettre de développer « votre » intelligence artificielle et prendre votre destin en main sur ce sujet stratégique.

L’IA n’est pas un mythe !

L’IA n’est pas nouvelle.
Derrière les dernières avancées (cf encart) se cachent des algorithmes très performants permettant d’apprendre des règles de prédiction à partir d’informations plus ou moins structurées. Mais cela ne date pas d’hier : la première révolution, au tournant des années 1960, a été celle du Machine Learning qui permet à un programme d’apprendre à réaliser une tâche à partir d’exemples au lieu de suivre une « recette ». La seconde révolution est la découverte plus récente du Deep Learning, en 2006: cela a permis d’atteindre des performances remarquables dans des domaines où les données sont en quantité massive et présentent une hiérarchie interne comme c’est le cas des images, des sons ou des textes.

Il n’existe pas « une » IA mais des dizaines d’approches complémentaires.
Les prouesses actuelles sont le fruit de la mise en commun de données (souvent massives), d’expertise humaine et d’algorithmes soigneusement conçus pour répondre à une tâche avec le maximum de performance. Ainsi les IA actuelles sont des IA « faibles », c’est-à-dire capables uniquement de performance dans le domaine où elles ont été définies et dépourvues de « sens commun ». Malgré des travaux [1] prometteurs sur le sujet, le transfert de connaissance d’un domaine à un autre n’en est qu’aux balbutiements. De même, les systèmes généralistes « auto-apprenants », capables de trouver la meilleure structure à adopter, par exemple, la structure de réseau de neurones à privilégier, sont encore à l’état de R&D.[2]

Non, l’ordinateur n’est pas capable de penser, percevoir et décider… au sens humain du terme.
Les dernières avancées ont été un terreau formidable pour l’imagination, laissant penser que l’on pourrait attribuer des capacités « cognitives » à un algorithme entrainé pour répondre à une problématique précise. Ce n’est pas le cas. En pratique, la plupart des algorithmes d’IA actuellement utilisées (marketing prédictif, détection d’anomalie, classification automatique…) optimisent une série de paramètres pour détecter au mieux des caractéristiques présentes au sein des données.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Au cœur de l’IA

• Le Machine Learning est une branche de l’IA, qui a la capacité d’apprendre grâce à un algorithme d’apprentissage et à partir de données massives, dans le but de réaliser des analyses explicatives, prédictives ou préventives.
• Le Deep Learning est une discipline du Machine Learning qui regroupe des méthodes d’apprentissage automatique basées sur des réseaux de neurones profonds. Cette discipline a un grand potentiel pour des problématiques à base d’images ou de paroles par exemple

[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image= »12205″ img_size= »large » alignment= »center »][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Comment devenir « IA first » ?

L’IA n’est pas un sujet comme les autres. C’est un choix stratégique : il crée un gouffre entre les entreprises sachant l’exploiter et les autres. C’est aussi un choix exploratoire : il requiert une ambition scientifique et technologique initiale. Comment tenir ce cap ? Quelles sont les méthodes des entreprises « IA-first », ayant réussi à en faire un levier de performance ? Quelles sont les bonnes questions à se poser ?

Faire de vos données un enjeu business.
Les données que ce soit de marketing, liées à la production ou aux infrastructures sont encore trop souvent considérées comme des informations d’ordre seulement techniques. Elles constituent, en réalité, un actif immatériel majeur de l’entreprise, un véritable enjeu business à même de permettre le lancement de nouveaux services si elles sont judicieusement mises à profit dans une IA. A titre d’exemple, la startup Deepki propose des prédictions et recommandations sur l’amélioration de la performance énergétique de parcs d’habitations à l’aide de données climatiques, physiques et énergétiques… autant de données qui étaient en parti déjà dans les mains d’autres acteurs. Leur différence ? Avoir vu dans ces données un gisement de valeur business. Ainsi, la première étape indispensable consiste à prendre conscience des données disponibles et à réaliser un diagnostic rapide de leur qualité et pertinence. Il faut par ailleurs être conscient qu’il est bien plus avantageux de valoriser des données internes plutôt que d’utiliser des données externes, qu’elles soient achetées ou libres.

Parmi vos données concernant vos activités, vos clients, vos opérations, quelles sont celles dont vous ne tirez pas encore profit ?

Se différencier.
La valeur d’une solution IA n’est pas uniquement dans l’algorithme et dans les données choisies, elle est dans l’identification de la solution la plus performante en fonction des données disponibles et du cas d’usage.. Ainsi, la plupart des acteurs qui parviennent à faire la différence grâce au Machine Learning le font en s’appuyant sur un ou plusieurs facteurs :

• • L’utilisation de donnéespropriétaires (ex : MeilleursAgents.com valorise le marché immobilier en complétant les données notariales publiques avec des données privées venant d’agences immobilières)
  • Une démarche de R&D sur les algorithmes et les modèles (ex : Après des années d’expertise et de R&D sur la génération de texte en langage naturel, YSEOP maitrise un noyau IA suffisamment modulaire et puissant pour permettre le déploiement de nouvelles langues en quelques mois)
  • La mobilisation d’expertises métiers fortes (ex : Grâce à de nombreuses règles ‘métier’ écrites par des experts en cybersécurité, l’éditeur Splunk a lancé un module « User Behavior Analytics » permettant de détecter des comportements de fraudes)

Vos projets IA sont-ils différenciant ? Utilisez-vous pleinement l’originalité de vos données, de votre expertise métier ? Votre socle scientifique et technologique est-il suffisant ?

Penser sur le long terme.
Par nature, tout projet IA ambitieux est porteur d’un risque scientifique et technologique. Pour maximiser les bénéfices en minimisant les risques, il est nécessaire de se constituer un portefeuille de projets innovants étudiés au stade de Proof Of Concept (POC). L’objectif ? Concilier l’obtention de résultats « rentables » à court-terme avec une cible réellement ambitieuse à moyen / long-terme. Par exemple, la startup Récital qui a pour ambition de révolutionner la génération de contenus grâce à l’IA développe une stratégie « en escalier » : les premières solutions de traitement de mails sont simples et immédiatement applicables ; elles permettent de financer et de densifier l’expertise pour développer les produits suivants…
Quelle trajectoire d’intelligence artificielle définir pour atteindre vos objectifs à long terme ?

Exploiter l’innovation IA à la source.
Tout au long de la chaîne de valeur de l’IA (cf encart), une dizaine de grands laboratoires publics et privés tiennent le haut du pavé au niveau international (Google Brain, Facebook FAIR, Microsoft, Canadian Institute For Advanced Research, Stanford, Paris-Saclay…). Les acteurs du numérique (Google, Apple, Microsoft…) disposaient déjà d’une force de frappe de premier plan sur l’IA. Les derniers mouvements stratégiques font écho d’une accélération majeure : jamais les investissements sur l’IA n’ont été aussi importants et concentrés. Et paradoxalement, grâce à la culture Open-Source de ces acteurs et en raison d’une lutte d’influence farouche, jamais la connaissance n’a été aussi accessible. Ainsi, les dernières innovations de l’apprentissage automatique sont partagées directement avec la communauté par le biais de conférences et de publications, et mises en pratique immédiatement dans des librairies dédiées comme TensorFlow. La distance entre l’état de l’art de la R&D mondiale et la mise en application par les acteurs traditionnels n’a jamais été aussi courte.
Êtes-vous en mesure d’exploiter au maximum les performances de l’IA, au plus près de l’état de l’art ?[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_single_image image= »12206″ img_size= »large » alignment= »center »][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]Choisir la solution adaptée à chaque projet.
Au vu de la complexité du sujet, il est tentant d’externaliser son IA. C’est une approche souvent raisonnable, en particulier pour :
– Les projets ciblant les fonctions corporate (RH, paye, contrôle de gestion…) où les standards IA du marché sont établis et suffisants
– Les problématiques matures ou sans impact métier direct comme la reconnaissance de caractères (OCR)
– Cependant, peut-on externaliser sans comprendre la nature exacte du service rendu par un prestataire ? Peut-on déléguer un service stratégique touchant à ses clients (marketing prédictif, chatbot), à ses infrastructures (maintenance prédictive), à sa sécurité (détection des fraudes) ? Non ! L’IA est un sujet où l’expertise interne est indispensable pour garder son destin en main. Ainsi, les « makers » (ceux qui comprennent ou créent des solutions d’IA) ont un rôle à jouer en interne pour :
– Créer et garder la souveraineté sur les datas de l’entreprise et sur son métier ; développer un avantage concurrentiel, sa propriété intellectuelle, profiter des dernières innovations sur l’IA ; et surtout comprendre les modèles construits et les résultats obtenus.
– Monter en compétence, autrement dit devenir un « acheteur » de plus en plus éclairé sur l’IA.
– Pouvoir ouvrir d’autres voies de développement et en tirer le maximum de valeur comme l’achat de startup, le capital risque, le recrutement, le consulting en IA, le montage de partenariats avec des spécialistes, des laboratoires…
Savez-vous trouver la meilleure approche pour chaque projet en fonction de la nature du besoin et de son importance stratégique, en combinant les expertises internes et externes, en étant un acheteur éclairé et un créateur ?[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]

Tenir le cap sur l’IA

L’IA est un actif d’entreprise, qui doit être compris, développé et protégé : il permet de se différencier grâce aux données, à l’utilisation ou à la création de modélisations avancées et à une expertise métier. Chaque projet doit permettre de construire un socle (de savoir, de technologie, de données) sur lequel s’appuyer ensuite en conciliant une ambition à long terme et des réussites immédiates. Pour y arriver, il faut démystifier l’IA, être un acheteur averti, un créateur le cas échéant, comprendre la position réelle des acteurs dans l’écosystème et éviter les partenariats désequilibrés.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text][1] One Model to learn them all, Google Brain 2017 [https://arxiv.org/pdf/1706.05137.pdf]

[2] Neural Architecture Search with Reinforcement Learning, Quoc Le 2017 [https://arxiv.org/pdf/1611.01578.pdf][/vc_column_text][/vc_column][/vc_row]