Mis à jours 5 septembre 2022 L’intelligence artificielle, l’apprentissage automatique et l’apprentissage en profondeur ne sont pas des solutions magiques. On va vous expliquer ce que chaque entreprise devrait savoir avant d’investir dans l’IA.
Comment pouvez-vous dire si une technologie émergente telle que l’intelligence artificielle vaut la peine d’investir du temps quand il y a tellement de battage publicitaire publié quotidiennement ? Nous sommes tous enchantés par certains des résultats étonnants tels que AlphaGo battant le champion Go, les progrès dans les véhicules autonomes, la reconnaissance vocale effectuée par Alexa et Cortana, et la reconnaissance d’image effectuée par Google Photos, Amazon Rekognition, et d’autres applications de partage de photos.
Lorsque de grandes entreprises techniquement puissantes comme Google, Amazon, Microsoft, IBM et Apple montrent du succès avec une nouvelle technologie et que les médias la glorifient, les entreprises pensent souvent que ces technologies sont disponibles pour leur propre usage. Mais est-ce vrai ? C’est le type de question que les Directeurs des systèmes d’information (DSI) pensent à chaque fois qu’une nouvelle technologie commence à devenir dominante.
Pour un DSI, s’agit-il d’une technologie à laquelle il doit investir, faire de la recherche, faire attention ou ignorer ? Comment explique-t-il à ses chefs à quel point la technologie est applicable à l’entreprise et si elle représente une opportunité concurrentielle ou une menace potentielle ?
Pour les employés les plus curieux, comment peuvent-ils simplifier ce que la technologie fait dans des termes compréhensibles et différencier le battage médiatique, la réalité d’aujourd’hui et son potentiel futur ?
Lorsque certains employés du personnel manifestent de l’intérêt pour l’exploration de ces technologies, devraient-ils être favorables, à quel problème devraient-ils les orienter et quels aspects de la technologie devraient-ils consacrer du temps à l’apprentissage ?
Lorsque les fournisseurs démontrent que leurs capacités sont influencées par la technologie émergente et qu’ils ont des docteurs experts parmi leur personnel soutenant le développement du produit, comment évaluent-ils ce qui est réel par rapport aux services qui sont trop tôt pour tirer parti des autres ?
Qu’est-ce que l’intelligence artificielle ? Et comment est-elle arrivée ?
La technologie de l’IA existe depuis un certain temps, mais elle a connu un grand succès en 1968-69 quand le système de traitement automatique des langues (SHN) de SHRDLU est apparu, des articles de recherche sur les perceptrons et la rétro-propagation ont été publiés à travers HAL en 2001 : Une Odyssée de l’Espace (A Space Odyssey). Les prochaines grandes percées peuvent être épinglées à la fin des années 1980 avec l’utilisation de la rétro-propagation dans les algorithmes d’apprentissage, puis leur application à des problèmes tels que la reconnaissance de l’écriture manuscrite. À la fin des années 1990, l’IA a relevé des défis à grande échelle avec le premier chatbot (ALICE) et Deep Blue qui a battu Garry Kasparov, le champion du monde d’échecs.
À l’université de l’Arizona, nombreux programmaient des réseaux de neurones en C pour résoudre des problèmes de reconnaissance d’images dans les domaines de la médecine, de l’astronomie et d’autres domaines de recherche. Nous avons expérimenté divers algorithmes d’apprentissage, des techniques pour résoudre les problèmes d’optimisation et des méthodes pour prendre des décisions sur des données imprécises.
Si nous faisions des réseaux neuronaux, nous avons programmé les mathématiques du perceptron à la main, puis avons bouclé les couches du réseau pour produire la sortie, puis nous avons fait une boucle pour appliquer les algorithmes de rétro-propagation pour ajuster le réseau. Nous avons alors attendu de longues périodes pour que le système stabilise sa sortie.
Lorsque les premiers résultats ont échoué, nous ne savions jamais si nous appliquions les mauvais algorithmes d’apprentissage, n’accordions pas notre réseau de manière optimale au problème que nous essayions de résoudre ou si nous avions simplement des erreurs de programmation dans les algorithmes perceptron ou backpropagation.
Aujourd’hui, il est facile de voir pourquoi il y a un bond exponentiel des résultats de l’IA au cours des dernières années grâce à plusieurs avancées.
Tout d’abord, il y a le cloud computing, qui permet d’exécuter de grands réseaux neuronaux sur un cluster de machines. Au lieu de boucler les perceptrons un à la fois et de ne travailler qu’avec une ou deux couches de réseau, le calcul est réparti sur un grand nombre de nœuds de calcul. Cela permet des algorithmes d’apprentissage en profondeur, qui sont essentiellement des réseaux de neurones avec un grand nombre de nœuds et de couches qui permettent le traitement de problèmes à grande échelle dans des délais raisonnables.
Deuxièmement, il y a l’émergence de bibliothèques et de services commerciaux et open source comme TensorFlow, Caffe, Apache MXNet et d’autres services permettant aux data scientists et aux développeurs de logiciels d’appliquer des algorithmes d’apprentissage automatique et d’apprentissage profond à leurs ensembles de données sans avoir à programmer les sous-jacents mathématiques ou permettre le calcul parallèle. Les futures applications d’intelligence artificielle seront pilotées par l’IA sur une puce ou un tableau piloté par l’innovation et la concurrence entre Nvidia, Intel, AMD et autres.
Ne confondez pas le battage médiatique avec les réalités de l’IA
Une fois que vous avez une connaissance de l’histoire et une compréhension de la technologie, il est souvent utile d’examiner où une technologie émergente est dans son cycle de vie.
Gartner a l’apprentissage automatique et l’apprentissage profond au sommet de leurs cycles de battage et prévoit que l’IA générale (IA appliquée à tout problème d’intelligence) émergera après 2020. Venture Scanner montre qu’environ les deux tiers du financement de démarrage en IA vont connaître les premières rondes (semences, séries A et séries B), ce qui indique que de nombreuses entreprises qui vendent ou commercialisent des solutions d’IA sont en avance dans leurs cycles de développement et de vente. McKinsey affirme que seulement 20% des entreprises sensibilisées à l’Intelligence Artificielle l’adoptent et que plus de 50% des investissements dans l’IA proviennent de géants de la technologie et de startups par rapport aux entreprises qui utilisent la technologie.
Ces statistiques devraient donner une pause à tout dirigeant d’entreprise ou chef d’entreprise avant de se lancer d’investir dans l’IA. Bien que cette dernière soit prometteuse, l’application commerciale de ces algorithmes à grande échelle est encore relativement récente.
Et les premiers gagnants sont des entreprises de haute technologie et des startups avec le talent, le financement et la patience pour expérimenter de nouvelles technologies. La plupart des entreprises et des sociétés moyennes n’ont tout simplement pas ces luxes et commencent tout juste leurs voyages d’IA.
L’IA est une technologie très perturbatrice, vous ne devriez donc pas l’ignorer. Procédez judicieusement et évitez d’être hypnotisé par le battage médiatique.
Par exemple, lorsque la voix devient une meilleure interface homme-machine que les écrans et les claviers pour certaines applications ou que les robots deviennent plus intelligents et plus rapides que les agents de service à la clientèle, de nombreuses entreprises devront améliorer leurs expériences utilisateur avec ces technologies.
De même, lorsque les algorithmes d’apprentissage en profondeur parviennent mieux à détecter les fraudes, les transactions risquées ou les menaces de sécurité, les entreprises doivent être prêtes à utiliser ces approches.
Et lorsque vous commencez à tirer le meilleur parti du langage parlé, de l’audio et de la vidéo avec des données plus structurées, l’utilisation de ces capacités offre des avantages compétitifs significatifs à un grand nombre d’entreprises.
« Quand » est le mot important ?
La plupart des entreprises devraient viser à devenir des suiveurs rapidement et non des adopteurs précoces. Cela signifie qu’il faut prêter attention et même expérimenter avec l’IA pendant ces premiers jours, mais en attendant de compter sur l’IA jusqu’à ce que la technologie soit suffisamment mature, éprouvée et capable de livrer à grande échelle.
Au fur et à mesure que vous apprenez les capacités de l’IA, recherchez des outils et des exemples pratiques pour aider à évaluer les applications de l’Intelligence Artificielle et leur maturité. Ces exemples comprennent :
- Forrester définit neuf technologies essentielles de l’IA et propose un modèle de base qui commence par des hypothèses et des recherches et se termine par trois niveaux d’application pragmatique.
- Workday a publié son modèle de maturité qui applique l’IA à l’automatisation et informe les personnes avant la découverte et la transformation de l’application. Ceci est logique car il est plus facile d’évaluer les résultats de l’IA lorsqu’ils sont appliqués à des problèmes déjà résolus.
- Il existe de nombreux exemples d’industrie, y compris l’assurance, les soins de santé, les banques, l’agriculture, le droit, la publicité, la construction, les organismes de bienfaisance et les médias.
Commencez votre programme d’IA avec des objectifs commerciaux fondamentaux
Le battage autour de l’IA et de l’apprentissage automatique pousse certains leaders de la technologie et des affaires à se lancer dans une stratégie axée sur la technologie. Si vous commencez votre voyage en expérimentant des librairies d’apprentissage automatique ou des marchands ambulants qui battent les tambours AI, vous manquez des étapes de démarrage clés.
Pour éviter cela, commencez par examiner les problèmes et les opportunités d’affaires avec des avantages significatifs pour compenser les coûts de recherche et de développement. Ces opportunités doivent être soutenues par de très grands ensembles de données que vous possédez déjà ou que vous pouvez acquérir et que les données peuvent facilement intégrer. Inspirez-vous à la manière dont d’autres industries où d’autres entreprises non-technologiques démontrent le succès.
Une raison pour commencer avec une opportunité commerciale définie est que vous pourriez trouver des solutions qui ne nécessitent pas les dernières technologies AI. Si une certaine forme d’IA est requise, cette approche d’opportunité commerciale définie vous permet de classer le type de solutions et d’évaluer la maturité globale de l’IA requise.
Par exemple, si vous essayez d’automatiser un processus métier hautement manuel impliquant une inspection visuelle des pièces provenant d’une chaîne de montage, vous pouvez identifier une combinaison de reconnaissance d’image et d’automatisation de processus robotique dans le jeu de solutions. Les deux sont des zones IA plus matures, comme en témoigne la variété des succès et des solutions des fournisseurs dans ce domaine.
D’un autre côté, si la solution nécessite une évaluation cognitive et une réflexion significatives, vous vous dirigez vers un espace IA immature.
Une façon d’évaluer la maturité de l’IA est de regarder les différents paysages de fournisseurs publiés sur les startups d’IA, tels que ceux de Venture Scanner, l’état actuel de l’intelligence artificielle, le paysage de bot d’O’Reilly et le paysage fintech d’IA. En examinant ces listes, vous verrez que de nombreuses startups ont concentré leurs solutions sur des ensembles de problèmes distincts plutôt que sur des solutions cognitives généralisées.
Ne vous laissez pas berner quand un vendeur dit quelque chose comme : « Jetez simplement vos données sur notre IA » et attendez-vous à ce que l’intelligence des experts soit renvoyée. Cela n’arrivera pas.
Pour la faire vraiment fonctionner, votre IA aura besoin de beaucoup de données
Cela amène la deuxième condition préalable à la réussite de l’IA : vous avez besoin de grandes quantités de données relativement propres pour former des solutions AI et évaluer les résultats.
Une des raisons pour lesquelles les véhicules autonomes sont possibles est les 4000 Go générés à partir d’une heure de conduite générée par lidar et d’autres capteurs trouvés dans ces voitures. Il y a beaucoup de données utilisées pour faire ce qui est vraiment juste une poignée de décisions fondamentales pour savoir si la voiture doit tourner, accélérer, ralentir ou s’arrêter complètement.
Beaucoup de solutions d’IA réussies tombent dans cette même catégorie de grandes quantités de données à un nombre fini de décisions. Dans la reconnaissance d’image, par exemple, est-ce que je regarde une image qui vous contient ou pas ? Dans le filtrage collaboratif, un article récemment publié est-il plus pertinent en fonction de vos expériences de lecture antérieures par rapport à d’autres options de lecture ? Lors de l’évaluation d’une transaction, a-t-elle des modèles similaires à des transactions frauduleuses ?
L’IA “dans l’offre” essaie d’approcher une courbe pour prendre ces décisions. Dans l’apprentissage en profondeur, par exemple, le nombre de couches et de neurones dans le réseau peut approcher des courbes très complexes pour différencier les résultats. Pour développer ce réseau, vous avez besoin d’un grand ensemble de données étiquetées afin que le réseau puisse être formé en comparant ses résultats calculés avec votre résultat qui est étiqueté avec le résultat souhaité. Les erreurs sont ensuite utilisées pour ajuster le réseau à l’aide de la rétropropagation ou d’autres algorithmes d’apprentissage, et l’exercice est répété plusieurs fois sur toutes les données étiquetées jusqu’à ce que le réseau se stabilise à une courbe optimisée. Ce sont des solutions d’apprentissage supervisé, développées à partir d’un ensemble de formation.
Si les données ne sont pas étiquetées, les réseaux peuvent utiliser des approches d’apprentissage non supervisées qui reposent sur des expressions entropiques évaluant les résultats. Par exemple, lorsque DeepMind de Google a été utilisé pour apprendre à jouer au jeu Atari Breakout, il a utilisé le score pour évaluer les résultats.
Au-delà des ensembles de données, votre organisation a besoin d’une capacité d’intégration et d’automatisation des données afin de pouvoir déplacer les données dans et hors de tout moteur de traitement AI. Si votre organisation a l’habitude de faire exécuter des scripts manuellement pour pousser les données, il est fortement conseillé d’investir dans l’automatisation avant de plonger dans des solutions AI.
Vos options pour expérimenter avec AI
Une fois que vous avez identifié des opportunités commerciales et que vous disposez de grands ensembles de données nettoyés, vous êtes prêt à envisager un parcours d’IA. Ces deux étapes sont des prérequis pour préparer votre organisation à l’intelligence artificielle. Les principales étapes suivantes consistent à considérer le type de solution AI et sa mise en œuvre. Si vous avez du talent, vous pouvez expérimenter avec TensorFlow ou l’un des autres moteurs AI. Si vous n’avez pas l’expertise, pensez deux fois à essayer de recruter pour cela ; les géants de la technologie paient d’énormes salaires pour de rares talents d’IA, et les coûts sont énormes pour entrer dans le jeu.
Une deuxième option consiste à utiliser des fournisseurs qui ont intégré l’IA dans leurs solutions. Un exemple est Salesforce Einstein, une plate-forme AI qui peut effectuer des prévisions et d’autres fonctions en plus des données CRM stockées dans Salesforce. De même, vous pouvez regarder des solutions spécifiques à l’industrie, telles que Neo for financial tech (fintech) de Synechron.
Une fois que vous vous êtes arrêté sur une ou plusieurs approches, il est important de définir des attentes réalistes avec les parties prenantes. Investir dans l’IA nécessite un engagement à l’expérimentation agile, car vous risquez de rencontrer de nombreuses impasses et des expériences qui nécessitent de nombreuses courses avant d’être optimisées. Définissez ces attentes en termes de budget, de délai et de talent.
