Lundi 11 et mardi 12 juin, se tenait la deuxième édition de AI Paris, le salon de l’Intelligence Artificielle, ou « IA ». Près de 60 speakers et 70 exposants étaient présents pour nous livrer leur vision de l’IA, leurs enjeux et attentes, leurs use case métier ainsi que leurs retours d’expérience.

C’est quoi l’IA ? Petit tour d’horizon…

Des domaines de plus en plus variés

Après l’IoT et le Big Data, voici venu le temps de l’IA. Depuis quelques mois, le terme est devenu incontournable, l’innovation se traduit par l’IA. Qu’est-ce donc au juste ? Je ne vous ferai pas ici d’analyse étymologique, ni de définition à rallonge. Un schéma valant mille mots, voici les principaux domaines fonctionnels couverts par l’IA :

Panorama des domaines de l’IA

L’IA recouvre donc des domaines fonctionnels déjà connus tels que les systèmes experts, la planification/optimisation ou la robotique. Mais L’IA couvre également de nouveaux domaines que sont le Machine Learning, le Natural Language Processing, la vision (capacité pour une machine d’appréhender son environnement) ou encore le Speech (texte vers parole ou parole vers texte).

Des use cases de plus en plus diversifiés

De nombreux speakers nous ont exposé leurs use cases métier. Ceux-ci entrent principalement dans les domaines de la vision, du Machine Learning et du Natural Language Processing.

Voici quelques exemples :

• La Redoute, vendeur prêt-à-porter et ameublement, a réalisé une application mobile permettant de trouver des produits similaires dans le catalogue à partir d’une photo d’un objet.
• SwissLife, assureur, a déployé des agents conversationnels (ou chatbots) pour traiter les interactions client et aider les réseaux de vente en leur fournissant de l’information commerciale.
• Qucit a développé RoadPredict, une IA d’analyse prédictive pour améliorer la sécurité routière et diminuer le temps d’intervention des secours sur les autoroutes de l’ouest de la France.
• XXII a développé un éventail de solutions de détection vidéo. Elles permettent d’alerter les agents de sécurité des aéroports en présence de bagages oubliés, de détecter les chutes de personnes ou encore les émotions faciales telles que la colère, la peur ou la joie.
• GRdF, opérateur de gaz, a quant à lui mis en place une application mobile de reconnaissance des produits chimiques utilisés par ses employés. En analysant une photo, l’application indique alors la dangerosité du produit, ainsi que les consignes d’utilisation.

Cet aperçu montre que si les domaines de la relation client et du commercial sont les premiers à disposer des bénéfices de l’IA, les domaines de la sécurité et de la santé ont également énormément à y gagner.

Les phases de mise en place d’une IA

Pour atteindre les résultats escomptés et satisfaire aux enjeux métiers, les projets IA doivent être menés avec une attention particulière au sein de la DSI.

Le prérequis indispensable est d’avoir un objectif pour l’IA, c’est-à-dire de savoir ce que notre IA doit être capable de faire.

En effet, une IA n’est pas intelligente « de naissance », mais le devient au fur et à mesure d’un processus d’apprentissage. Il est donc indispensable de pouvoir entraîner l’IA à travers des algorithmes d’apprentissage. Je ne rentrerai pas dans le détail des algorithmes supervisés ou non supervisés, qui feront l’objet d’un futur article. Quel que soit l’algorithme choisi, un grand nombre de données est nécessaire pour entraîner la machine.

C’est ainsi que l’IA succède assez naturellement au Big Data, les données du second venant nourrir le premier.

L’IA, au sommet d’une pyramide de besoins

Les travaux de Monica Rogati, Data Science Advisor, ont permis de positionner l’IA sur la pyramide des besoins de la Data Science. Nous nous appuierons ici sur la version simplifiée suivante :

Pyramide des besoins IA

Comme le démontre ce schéma, l’IA se situe au sommet d’une pyramide. Sa réussite repose sur l’existence d’un socle solide. Cela nous permet donc d’en déduire les phases successives d’un projet IA.

Le pipeline d’un projet IA

Pipeline d’un projet IA

• La collecte des données, première phase d’un projet IA, consiste à identifier les sources de données et mettre en place les mécanismes d’acquisition permettant de les acheminer dans les infrastructures de stockage.
• La préparation est ensuite incontournable, tant les données collectées depuis diverses sources sont hétérogènes. Il faut ainsi nettoyer les données en supprimant les entrées non pertinentes, standardiser les formats, harmoniser les dates sur un même fuseau horaire, enrichir éventuellement les données avec les référentiels de l’entreprise…
• L’apprentissage peut alors commencer. Cette phase regroupe l’exploration manuelle et l’apprentissage automatisé. En effet, le Data Scientist explore « manuellement » les jeux de données afin de déterminer le meilleur algorithme pour répondre au problème posé. Une fois l’algorithme défini, l’apprentissage de la machine passe en mode « automatique ». Le modèle construit par cet apprentissage doit ensuite être validé.
• Une fois son modèle entrainé et validé, l’IA est enfin opérationnelle. Nous entrons donc dans la phase de résultats, l’IA remplit les objectifs fixés au départ.

En conclusion, la mise en place d’une IA ne constitue pas une fin en soi et doit répondre à un objectif, généralement issu d’un use case métier. C’est ce cas d’usage qui orientera les données à collecter et permettra de générer les jeux d’apprentissage. L’apprentissage est probablement la phase la plus délicate, demandant aux Data Scientists de tester plusieurs algorithmes et d’ajuster de nombreux paramètres jusqu’à parvenir au taux de fiabilité souhaité.

En bref, identifiez vos sources de données, collectez, préparez, apprenez et faites entrer en scène votre IA !

Pour avoir un panorama complet des enjeux de l’IA, ses bénéfices, applications et usages :

Téléchargez le livre blanc L’Intelligence Artificielle, nouvel épouvantail du XXIème siècle

Source : The AI Hierarchy of Needs