Parler de projets IA plutôt que d’Intelligence Artificielle
Comme le souligne Philippe Harel, leader Data & IA chez onepoint : « Je préfère toujours parler de projets d’IA plutôt que d’Intelligence Artificielle seule, ceci pour une raison simple : la réussite de ce type de projet dépend tout autant de la technique (c’est-à-dire les algorithmes, les données) que de la démarche, la méthodologie et la communication employées. C’est vrai bien sûr pour tout projet, mais particulièrement important quand il y a de l’IA en jeu car les technologies dans ce domaine évoluent vite, et la capacité des différents intervenants à appréhender les bénéfices, les risques et les défis sont plus grands. Notre rôle chez nos clients est de développer et mettre à l’échelle ces solutions dans une démarche de co-construction, en établissant une confiance avec l’ensemble des personnes impliquées, et une méthode qui permettra la réussite de ces projets. »
Cette démarche permet notamment de mieux collaborer entre les experts techniques (data scientists, Machine Learning engineers, architectes IA) et les experts métier, pour une compréhension commune de la problématique, des enjeux, des priorités et des défis. Cela réduit les risques et permet d’accélérer les développements de par une communication plus fluide.
Comment démystifier l intelligence artificielle
Mais dans la conception même d’un projet d’IA, les opportunités les plus intéressantes vont souvent au-delà de l’évidence : grâce aux avancées de ces derniers mois et années, de nouveaux cas d’usages apparaissent. Ainsi, avec la bonne démarche, un projet d’IA peut aboutir à une valeur ajoutée certaine et différenciante. Voici quelques exemples d’applications :
- L’analyse d’emails entrants, permettant un routage simple en fonction du contenu du message ou des pièces jointes. L’IA peut bien sûr classifier ces emails, mais peut aussi aller plus loin : elle peut rédiger une réponse et la laisser sous forme de brouillon, prête à être validée et envoyée par un humain ; ou si la criticité de la réponse le permet, envoyer directement cette réponse.
- La détection d’anomalies sur des lignes de production, où l’humain ne peut pas visuellement vérifier tous les produits finis en bout de chaîne: une IA peut analyser un flux vidéo en temps réel pour détecter un problème sur l’un des produits, évitant de mettre sur le marché un produit défectueux. Mais en allant au-delà, l’IA peut anticiper ces anomalies et recommander les bonnes actions à prendre pour réduire leur survenance.
- La recommandation de produit, où l’IA peut proposer les produits les plus pertinents. Là encore, les récentes avancées permettent maintenant de réfléchir à l’hyper-personnalisation des produits ; c’est-à-dire que l’IA ne recommande plus un produit provenant d’un catalogue, mais recommande un produit (ou un service) hyper-personnalisé et unique selon l’utilisateur.
L’intelligence artificielle, abordée de manière holistique, co-construite avec les clients et avec la bonne démarche (on parle souvent de DataOps et de MLOps), favorise l’idéation et la détection des cas d’usages vraiment pertinents.
Comment fonctionne l’IA dans une application concrète ?
Réseaux de neurones et algorithmes
Les réseaux de neurones sont souvent considérés comme étant le cœur de l’intelligence artificielle. Mais ils ne sont qu’une petite partie d’un ensemble plus grand mêlant :
- en amont : sources de données, flux d’informations, quantité de transformations et de préparations,
- les algorithmes, ou souvent des enchaînements d’algorithmes plus ou moins complexes,
- et en aval : des résultats vers les humains ou les systèmes (classifications, anomalies, recommandations, etc), mais aussi enregistrement de tout une séries d’informations connexes telles que la confiance dans les résultats, la détection de déviation par rapport à un fonctionnement normal, etc.
Une des définitions de l’IA souvent donnée est le fait de simuler l’une ou plusieurs des fonctions du cerveau humain, comme analyser une image ou un son. Mais si la fonction elle-même est essentielle, il ne faut pas oublier les sens (la vue, l’ouïe) qui fourniront en amont les données, et en aval les actions qui découlent du résultat (un geste, une émotion).
L’algorithme, quant à lui, une fois les données disponibles, apprend la fonction demandée selon différentes méthodes. L’une de ces méthodes est l’apprentissage supervisé, où l’on fournit des exemples qui permettent à l’algorithme de détecter tel ou tel objet. Pour détecter une voiture sur une image, « en fournissant plusieurs milliers d’images, l’IA analyse chaque image en profondeur, pour apprendre à reconnaître les caractéristiques qui existent lorsqu’une voiture est présente. Si assez de caractéristiques sont présentes, la voiture est considérée comme visible dans l’image »
Avec les images ou les vidéos, les réseaux de neurones sont souvent utilisés. Néanmoins d’autres types d’algorithmes existent avec de nombreuses variantes, et la recherche reste très active à l’heure actuelle. On peut citer parmi d’autres les algorithmes génétiques, parfois utilisés pour des problématiques d’optimisation.
Les algorithmes génétiques
Inspirés des phénomènes biologiques du vivant, les algorithmes génétiques permettent de rechercher une solution la plus optimale possible dans un problème complexe. « Imaginons une usine de production avec ses matières premières et son carnet de commandes. Selon chaque situation quotidienne et en fonction des matières premières disponibles, du carnet de commande avec les prix et la marge sur les produits, l’IA peut déterminer la marge optimale que l’usine peut réaliser et donner aux équipes la marche à suivre. L’IA peut aussi s’adapter aux aléas et mettre à jour ses recommandations, un peu comme un GPS recalcule immédiatement la route optimale entre deux points si l’on rate un virage. » s’enthousiasme Philippe Harel.
Préserver l’éthique tout en avançant sur les capacités de l’Intelligence Artificielle
Personne aujourd’hui ne peut ignorer que la data et l’IA doivent être encadrées par une éthique pour éviter de tomber dans des pièges, comme celui d’un manque de données dans certaines catégories qui désavantagerait des individus, ou encore celui de données sources qui seraient elles-mêmes biaisées. Les exemples sont nombreux dans divers domaines, souvent médiatisés, et notre conviction chez onepoint est qu’« en termes d’IA, nul n’est censé ignorer l’éthique ».
Appliquer cette conviction consiste à aborder un projet d’IA par « l’Ethic by design ». Avant de créer un algorithme ou même le système pour le supporter, nos experts réfléchissent aux éléments qui pourraient induire des biais. En cela onepoint vise à créer une démarche dans la création d’algorithmes qui pour entraîner le moins de biais possibles, et surtout identifier les biais le plus vite possibleLes clients sont même souvent demandeurs d’actions comme des audits et des recommandations pour des IA plus responsables. Cela se traduit par la validation des projets par différents intervenants à la fois des métiers directement concernés, et des professions techniques.
Par exemple, dans le cadre d’un Smart Building, onepoint fait intervenir dans sa réflexion aussi bien « l’architecte que le plombier ou l’électricien, ou encore l’occupant final ». Cela permet d’engendrer de la cohérence dans chaque couche du projet. Bien sûr, les cas d’usages les plus sensibles sont ceux mettant en jeu des décisions impliquant des personnes, comme dans la banque, l’assurance, le travail.
Évangéliser les entreprises sur la data et l’IA
Ce sont avant tout les cas d’usages qui déterminent quelles sont les données à récolter pour envisager un projet d’IA. Souvent, cela dépend du niveau de maturité du client : certains sont déjà dotés d’instances tels que Datalab ou IA Factory, quand d’autres débutent à peine cette démarche.
Pour les y aider, onepoint propose :
- des ateliers découverte, chez le client, pour découvrir une problématique en profondeur. Ces ateliers sont souvent concrétisés par des visites d’usines, d’entrepôt ou les autres lieux de travail. « Ce faisant, on découvre des opportunités ou au contraire des freins. D’une certaine manière, on essaie de se mettre à la place des métiers pour voir quels pourraient être les axes d’optimisation et faciliter le quotidien ».
- des hackathons, avec une approche design thinking appliquée à l’IA qui permet l’idéation et la découverte d’opportunités,
- ou encore des bootcamps plus techniques, permettant aux participants de créer une solution d’IA de bout en bout sur un sujet précis, ce qui leur permet ensuite de réfléchir à comment pourrait se structurer ce type de projet dans leur entreprise.
Pour toutes les entreprises, quelles que soient leur taille et leur niveau d’expertise sur le sujet, les possibilités de l’IA sont vastes, encore grandement sous-évaluées, et les meilleures opportunités restent encore à découvrir.
De nouveaux cas d’usage qui émergent
Onepoint réalise une veille technologique poussée, pour engranger toujours plus de connaissances et garder un temps d’avance. Avec des méthodes, langages et plateformes qui évoluent tous les jours d’une part, et des entreprises, des métiers et marchés qui évoluent également, s’informer en permanence sur ces deux axes est indispensable.
On peut citer parmi les grandes avancées récentes et prometteuses tout ce qui rapporte aux algorithmes Transformers et leurs applications dans le traitement du langage naturel, ou aux algorithmes quantiques (ou du moins inspirés de la mécanique quantique).
Les enjeux de l’IA n’ont donc pas fini de donner des idées aux experts onepoint pour vous accompagner dans vos besoins spécifiques.
