Les entreprises et les administrations disposent d’énormément de données brutes et la question de base reste toujours la même : Comment faire pour que ces données apportent davantage de valeur ?
L’Intelligence Artificielle (IA) et le Machine Learning (ML) consistent à faire réaliser par un ordinateur des tâches complexes qui précédemment n’étaient réalisées que par le cerveau humain et ses capteurs (œil, oreille, etc.). Le domaine connexe de la Robotique est exclu du propos de ce document. Exploiter le potentiel de l’IA demande un effort important d’imagination pour rapprocher les besoins métiers des solutions disponibles. Or les techniques très récentes, dites d’apprentissage profond (le “deep learning”) permettent d’atteindre des performances quasi-humaines voire au-delà.
Citons les principales :
- Vision artificielle, classification d’image, reconnaissance de caractères et de patterns, amélioration de qualité, re colorisation
- Traitement du langage, prédiction de mots, analyse de sentiments, reconnaissance de contenu d’un texte, authentification
- Analyse de parole, traitement du son, sonorisation
- Moteurs de recherche sémantiques
- Analyse de données : prédiction de valeur, prédiction de comportement, classification, détection de structure.
Des premières applications sont apparues en entreprise :
- Ventes : analyse comportementale, prévisions, découverte de relations et corrélations
- Marketing : recommandations de produits par affinités, publicité personnalisée, – Logistique / Transport / Industrie /
- Construction : prédiction d’itinéraire, de parcours en entrepôt, optimisation de stocks, maintenance prédictive
- Administration et Finance : analyse de document, extraction de données, authentification, classement
- Banque : lutte anti-blanchiment, gestion d’actifs, trading algorithmique, – Assurance : primes « comportementales », estimateur de confiance, assurance objets connectés
- Telecom : prévision de rotation clients Une métrique importante à considérer est le gain de temps apporté aux processus opérationnels. Soit par le remplacement direct des actions soit, pour les étapes longues et coûteuses de collecte de données, de remplacer des valeurs exactes par des estimations de valeurs basées sur l’historique des transactions, en respectant la qualité des processus. Réduire les temps d’attente des utilisateurs est un objectif clé. Un deuxième critère est la qualité des décisions pour disposer d’un deuxième avis, basé sur 100% des données disponibles, apporte la valeur sur les capacités d’anticipation (estimations de valeurs et de catégories, etc.). L’idée est de mettre à disposition des utilisateurs des « assistants décisionnels ». Une fourchette à retenir : 90-95%, c’est la précision minimale des prévisions obtenues aujourd’hui en mobilisant les techniques adéquates.
Un troisième critère est d’améliorer la compréhension de son activité par une approche IA itérative : les nouveaux services produisent des nouvelles données qui enrichissent les modèles initiaux et permettent ainsi l’amélioration continue des processus et la création de nouveaux services originaux basés sur l’IA. La mise en œuvre réussie de l’IA repose sur des critères précis : Planifier : l’accent est parfois trop mis sur la fonction collecte / stockage « Big Data » des données sans avoir une vision complète des applications et de leur déploiement en vraie grandeur, au-delà des approches de POCs et autres tests. Or la sélection précise des domaines d’application à traiter de bout en bout est un critère majeur de succès. Impliquer : L’implication de tous les acteurs, notamment des acteurs métiers, dans la sélection des domaines d’application en insistant sur la valeur réelle apportée par les solutions et la crédibilité des échéances prévues. Valoriser les données. Les données sont au cœur du projet. C’est à partir des données que vont s’établir les règles de gestion, ce qui est l’inverse de l’approche classique. Quelle que soit leur taille, et souvent le côté « Big Data » n’est pas le critère majeur, la qualité, la disponibilité des données brutes et des informations complémentaires associées à ces données (la « labélisation ») sont des éléments majeurs. Voir grand, démarrer petit : débuter par une fonction particulière permet d’enrichir la connaissance et d’engager une démarche agile d’amélioration continue avec la flexibilité apportée par le Cloud Réutiliser : profiter de l’existence de jeux de données et d’algorithmes pré-entrainés (« Transfer Learning ») proposés par les plateformes les plus avancées. Investir dans des ressources capables d’insuffler une culture IA aux organisations, entre les métiers et les Ingénieurs Data et les Data Scientists. Identifier les implications dans les domaines éthiques, sociaux et légaux des initiatives.
Comment s’assurer de prendre les bonnes décisions ? La démarche doit reposer sur une coopération étroite entre des acteurs métiers responsables des résultats opérationnels et des acteurs techniques. Les consultants apportent la vision externe confrontée aux meilleures pratiques et la capacité d’assister pour « traduire » les besoins métiers en besoins techniques. Cela inclut notamment :
- Présentation des applications clés du secteur
- Identification des champs d’application prioritaires
- Formalisation des macro-processus candidats
- Cartographie des données disponibles, identification des méthodes d’apprentissage
- Potentiels et limites des techniques algorithmiques à utiliser
- Estimations économiques et Analyses de la Valeur
- Construction du Schéma Directeur IA
- Accompagnement opérationnel au projet
