Nous sommes parfois interrogés sur la meilleure façon de conduire un projet d’intelligence artificielle au sein de son entreprise. Il est vrai que l’IA semble souvent laisser les spectateurs de son déploiement sur le bord de la route, médusés qu’ils sont par ce qu’ils lisent de-ci de-là à son propos. L’IA serait en passe, comme une lame de fond sans précédent et sans égale, de tout bonnement changer le monde.

Mais alors, il est urgent de réagir ! Que dois-je faire, comment le faire, avec qui ? Dois-je établir un contrat de travail à cette « intelligence artificielle » dont on parle tant pour qu’elle vienne bosser pour moi aussi ?

IA: le mythe de la techno « Y a qu’à Faut qu’on »

D’abord, soyez rassuré. On en parle beaucoup mais peu de gens savent ce dont il s’agit vraiment. Les compétences sont rares en la matière et, en tant que non-sachant – vous n’êtes certainement pas un cas isolé (là, on se sent déjà moins seul, non ? ;-).

Si de nombreuses entreprises ont leur patron des systèmes d’information ou délègue à telle ou telle agence cette prestation en externe, les pros du numérique ne sont pour l’heure eux-mêmes généralement pas des pros de l’IA (WebDev, AdminSys, DevOp …) et le Chief Artificial Intelligence Officer (le futur métier à la mode dont on parle) n’est à ce jour qu’un concept.

Partant de là, comment donc implémenter de l’IA dans mes systèmes, simplement ? Puis-je acheter le soft quelque part et le lancer sur mon réseau via un fichier autoexe?

Que nenni.  On n’installe pas une techno liée à l’IA comme on achèterait un logiciel « sur l’étagère ». S’il suffit de se procurer un PC pour se servir d’un Windows préinstallé, l’on ne s’équipe en revanche pas d’IA comme d’un Operating System « ready-to-go ». Ceci pour deux raisons essentielles :

  • le monde de l’IA, quoi qu’ayant un peu plus de 60 ans, n’en est encore qu’à ses balbutiements et l’artisanat technologique qui l’entoure prévaut. Il s’apparente même sur certains projets, beaucoup plus à du bricolage qu’à du déploiement industriel.
  • le terme d’intelligence artificielle au singulier est un abus de langage journalistique. En effet, cette dernière est toujours dite « distribuée », c’est-à-dire qu’elle met en jeu plusieurs agents ayant chacun sa mission dans une stratégie bâtie sur mesure en fonction des besoins du clients et plus précisément d’un problème spécifique. Il n’y a donc pas une intelligence artificielle mais des intelligences artificielles qui, mises bout à bout, permettent d’atteindre (parfois) le but recherché.

Conduire une voiture n’est, par exemple, pas un problème spécifique bien défini. Mais il peut être décomposé en problèmes spécifiques qui eux le sont : planification d’un itinéraire, identification des panneaux routiers, identification des obstacles (y compris les autres véhicules et les piétons), détection des dérapages, gestion des freins, etc. Nous avons là un exemple de système multi-agents.

Un architecte de l’IA ou data scientist à asseoir autour de la table

Un esprit critique pourrait considérer qu’un IBM – au travers de ses technos médiatiquement exposées répondant au doux nom de Watson – profite à mort de l’absence de connaissances et de compétences en IA de la quasi-totalité de ses clients pour leur faire signer des contrats de setup et d’accompagnement à 7 chiffres alors que Watson serait (comme dans la pub) théoriquement tout-prêt-à-être-utilisé voire déjà amorti comptablement.

Le fait est, au contraire, qu’IBM propose justement un ensemble d’agents divers (Text to Speech, ML, Analyseur de Ton, NLP, Knowledge Studio, …) qu’il faut configurer et dont il réalise le puzzle ensuite à la carte en fonction des attentes de son client. Ce métier de conseil est certes au cœur de la stratégie commerciale d’IBM mais est plus basiquement une nécessité absolue : on ne peut pas acheter Watson et lui faire faire « papa maman » en claquant simplement des doigts.

Selon les projets, des semaines voire mois de config sont nécessaires pour le rendre « intelligent ». L’un des fameux Big Four de l’univers du Conseil l’a d’ailleurs extrêmement bien compris : en rachetant plusieurs startups dédiées à l’IA et en créant le Lab, EY (ex Ernst & Young) a pu greffer à son offre de missions déjà large la capacité à accompagner ses clients dans leur virage numérique lié à l’IA.

Bon OK, là vous vous dites : le truc ne marche pas tout seul, il va me falloir non seulement acheter la solution mais en plus en faire un truc sur-mesure en passant pas non seulement des technos qui vont me coûter un bras mais en plus en étant conseillé par Accenture pour faire plaisir à mon boss qui a lu dans les Echos que sans IA on allait tous mourir. Donc comment je fais, moi, avec mes petites mimines ?

Poser-vous d’abord la question du « pourquoi »

Un projet en IA – comme n’importe quel projet me direz-vous – répond toujours à cette question : « pourquoi je mets cela en œuvre ». Quel est le but de tout ça ?

En effet, en posant correctement cette question dès le départ, vous allez pouvoir affiner en entonnoir l’ensemble de votre démarche. Il va de soi que tenter d’améliorer le service de planification de la production ou la gestion des stocks en fonction de la météo n’a rien à voir avec le fait d’optimiser ses campagnes media, d’exploiter des données phénotypiques ou génotypiques, ou bien encore d’échanger directement avec sa clientèle en ligne via chatbot.

Ces questions ont énormément d’importance car si les premières tentatives business réalisées par des « fournisseurs d’IA » par le passé visait à la mise en place d’IA générale c’est-à-dire – en gros – capable de tout faire (sur le papier), la plupart des start-ups du marché, en France comme à l’international, se sont elles-mêmes spécialisées au fil du temps dans des domaines de compétences extrêmement verticaux. Par exemple, une entreprise peut proposer de réaliser un chatbot pour du SAV clients dans les voyages quand une autre aura fait sa spécialité de l’agent conversationnel interne à l’entreprise pour répondre aux questions les plus fréquemment posées par les salariés.

Cette surspécialisation des start-ups leur permet d’avoir des produits de plus en plus élaborés. Par exemple, en matière de traitement du langage naturel, ayant bâti des ontologies propres à une famille de métier, leur robot n’en devient que plus efficace (dès lors qu’on ne demande pas plus au robot que ce pourquoi il a juste été créé, son champ de compétence étant extrêmement circonscrit).

Ces start-ups proposent généralement de s’appuyer sur une ou plusieurs briques d’IA même si leur spécialité restera au final plutôt de savoir brancher leur programme sur les vôtres (API). Laissez-leur donc aussi les questions anxiogènes liées au langage utilisé (Python, C++, Ruby, PHP, et aux frameworks associés, etc…) Vous le voyez, pris sous cet angle, l’IA fait beaucoup moins peur.

Si j’ai bien défini et circonscrit mon besoin en amont, il pourrait me suffire de demander ensuite à Google de m’indiquer telle ou telle start-up à même de m’accompagner. J’insiste sur le mot « circonscrit » car ne rêvez pas : l’IA que l’on vous proposera ne saura pas tout faire contrairement à ce que vous disent les journalistes. Elle ne saura pas analyser vos données, vous faire des recommandations et préparer aussi le café. Donc autre conseil : n’en attendez pas la lune (même si vous serez probablement étonnés de la puissance de certains algos).

Enfin, derrière le pourquoi se pose nécessairement la question de l’usage concret : des questions hardware et donc d’architecture peuvent se poser si vous souhaitez utiliser de l’IA plutôt de façon industrielle (par exemple en usine), en mode B to C via des devices desktop ou bien encore directement sur mobile ou sur objets connectés (en local ou dans le cloud). Plus le projet sera innovant, plus il sera utile de tenter d’intégrer la compétence d’un MOE.

Que peut-on attendre de la bécane ?

C’est un rapide tour d’horizon de l’état de l’art actuel qui permet le mieux de répondre à cette question. Parler d’intelligence quand on parle des technos d’IA est honnêtement un peu surfait quoi que leur performance soit exceptionnelles et sans précédents. En effet, l’IA ne sait pas tout faire. En revanche, elle permet de faire de nombreuses choses dans 2 sous-domaines clefs de l’intelligence :

  • Celui de la perception
  • Celui de l’analyse prédictive

Les machines sont aujourd’hui en effet à même de reconnaître de façon remarquable les mots que nous disons (reco vocale, speech to text) voire d’en émettre elle-même (text to speech, synthèse vocale). Cela ne veut pas dire que la machine « comprend », donc, attention : un chatbot n’est pas magique. Il saura faire au mieux du question-réponse voire du question action (si vous bossez dans l’IoT par exemple).

En ce qui concerne les prédictions, retenez que l’IA n’est que mathématiques. Autrement dit, elle est capable de gérer des masses de données monumentales et de faire des liens entre des choses qui n’en avaient apparemment pas et dans ce domaine mieux que notre cerveau. En exploitant les datas de votre entreprise, elle sera donc capable de vous présenter des clusters auxquels vous n’auriez pas pensé ou de vous aider dans la prise de décision future en fonction de nombreux événements passés (sous réserve que vous pensiez que le futur ne fait qu’inlassablement reproduire le passé mais c’est un autre débat 😉). Ceci pourrait par exemple s’avérer fort utile dans les prévisions de vente, l’anticipation et la détection de menaces de cyberattaques, de tentative de fraudes, etc….

Bref, l’IA est magique dans la classification. Pour autant, une fois de plus, ne croyez pas aux miracles (car la capacité à classifier n’est pas synonyme d’intelligence ultime). Pour illustrer notre propos, dans « Les sept péchés capitaux des prédictions de l’IA »» Rodney Brooks souligne que, si l’IA est très douée pour identifier par exemple des photos de personnes jouant au frisbee, elle ne sait pas dire si les frisbees sont bons à manger ou si un bébé serait en mesure d’en lancer un.

De quoi a-t-on besoin concrètement

La technologie la plus à la mode et donc la plus usitée est celle du machine learning et de son pendant le deep learning (et ses réseaux convolutifs avec rétropropagation du gradient : ça pète ça à placer dans une phrase au milieu d’un dîner, non ?).

Ces techniques induisent le traitement de données en entrée. Plus elles seront nombreuses et plus le système sera efficace.

C’est l’une des raisons pour laquelle le terme d’IA a supplanté la très en vogue notion de big data alors qu’en soit, l’état de l’art de l’IA ne correspond quasiment qu’à une manière de traiter la data en nombre. Autrement dit, si vous souhaitez mettre en place de l’IA sur la base des données que vous possédez (conforme à la RGPD cela va sans dire ;-)) et que vous avez peu de data, oubliez. Ceci dit, ne renoncez pas avant d’avoir cerné votre besoin sous un angle business : vous pourrez peut-être marier les données que vous avez avec celles que vous pourriez avoir (à acheter ou en open-data).

En ce qui concerne les algorithmes et surtout le matériel utile à l’IA, pas de panique : en vue de développer leurs outils d’hébergement (et de chopper si possible au passage de la data), les géants du web misent tous sur la « mise à disposition » de leurs travaux de recherche : après avoir développé à leurs fins exclusives les programmes, Google, Amazon et autre Microsoft, ont décidé de les mettre à profit de la communauté internationale en open-source. C’est la raison d’être des grands frameworks permettant de gérer des tables de données multi-dimensionnelles, dont vous lirez parfois les noms : TensorFlow, MXnet, Azure AI CNTK, FB Torch…

Il faut donc comprendre ici qu’il ne sera pas utile que vous investissiez des sommes colossales dans du développement ex-nihilo ni dans des forêts de baies d’ordinateurs quantiques.

Dans ces systèmes tiers qu’utiliseront vos startups fournisseurs, sera créé un réseau de neurones où seront présentées vos données « étiquetées » pour entraîner le système à les assimiler (i.e. à les « apprendre » d’où le terme machine learning). Puis le réseau pourra être testé puis mis en production. Les ressources physiques nécessaires à l’entraînement sont très lourdes (il faut par exemple 1 000 à 10 000 fois plus de puissance machine pour entraîner un modèle de reconnaissance d’images que pour l’exécuter ensuite) mais heureusement vous pourrez les faire tourner sur les machines des ogres du digital (CPU/GPU) qui les mettent aussi à votre disposition.

Pour conclure, si vous êtes une personne physique, n’ayez pas peur, l’IA s’injecte dans vos vies sans même que vous ne vous en rendiez compte. Par exemple, le moteur de recherche de Google n’est, d’une certaine façon, qu’IA. Vous vous servez donc d’IA sans le savoir et n’en tirez que les bénéfices d’usage. Si vous êtes un professionnel, sachez que Windows commence à injecter ses moteurs d’IA dans ses produits les plus courants : d’Excel à Cortana, vous pourrez utiliser par la voix ou dans une formule consacrée l’IA dans vos tâches courantes dans les prochains mois. Si vous êtes le représentant d’une personne morale gardez en tête que faire de l’IA pour faire de l’IA ne saurait être un objectif. Demandez-vous d’abord en quoi cela sert votre business et gardez les pieds sur terre quant à ses capacités. Il serait presque plus juste de continuer à parler de step forward de l’automatisation que d’intelligence. Et si vous avez besoin d’automatiser quelque chose, alors il y a des chances que l’IA vous soit d’une aide certaine. Pour finir, gardez en mémoire que l’IA ne peut aujourd’hui résoudre que des problèmes très spécifiques, ne voyez donc pas trop large.

Cet autre article pourrait vous intéresser : Pourquoi les géants du web font-ils fausse route avec l’IA ?

Notre Tweetmag

Share This

Partagez

Partagez cet article à vos amis