Maîtrise et industrialisation d’une intelligence artificielle adaptative dans l’entreprise, rêve ou réalité ?

L’astrophysicien britannique Stephen Hawking a déclaré lors de l’une de ses interviews que « le développement de l’IA serait la meilleure ou la pire chose qui puisse arriver à l’humanité mais que nous ne savions pas encore laquelle ».

Ces propos reflètent parfaitement la dualité entre l’attractivité et les inquiétudes suscitées par une technologie qui ne cesse de prendre de l’ampleur dans les entreprises. En effet, selon une récente étude Gartner, environ 59% des sociétés ont déjà déployé des briques d’intelligence artificielle dans leurs activités avec une moyenne de quatre projets IA ou de Machine Learning développés en interne.

Et les autres ? Focus sur les solutions IA adaptatives et comment les implémenter dans l’organisation pour renforcer sa compétitivité.

Au sein de la crise économique et sanitaire actuelle, l’intérêt et l’efficacité de l’IA ne sont plus à démontrer. Les technologies IA permettent d’optimiser les coûts de production (20% de gains possibles) ou encore de développer de nouveaux services pour développer les parts de marché des entreprises. Aujourd’hui, malgré une évolution de la maturité du marché, on peut encore classer les sociétés en trois catégories distinctes :

  • les pionniers qui comprennent le concept, ont développé des outils et possèdent les moyens financiers de le faire ;

  • les investigateurs, attirés par ces technologies mais qui en possèdent une compréhension limitée et qui ne disposent pas des moyens humains ou financiers adéquats ;

  • et enfin les passifs qui ne comprennent pas la technologie et en sont encore à un niveau d’adoption limité.

Réseaux de neurones + algorithmes génétiques évolutionnistes = une IA adaptative plus forte que les technologies des GAFA

Parce qu’il est nécessaire de rester compétitifs tant au niveau de l’optimisation des processus de production existants que dans le développement de nouveaux services innovants, une entreprise doit rapidement évoluer vers une approche « AI driven », c’est à dire modifier son organisation pour que les métiers soient supportés par des aides opérationnelles à base d’IA.

Si l’Intelligence Artificielle semble relever du buzz word marketing, n’oublions pas que le terme fédère de nombreuses technologies innovantes. La plus grande part de l’intelligence artificielle est du Machine Learning qui repose entre autres sur des bases statistiques. Une branche du Machine Learning appliquée au sein des entreprises comprend les réseaux de neurones, des intelligences artificielles qui apprennent de leur expérience (de façon supervisée ou non) pour arriver à un objectif défini (reconnaissance d’image, de texte, prédictions…). Lorsque que ces réseaux de neurones sont composés de multiples couches on parle alors de Deep Learning ou de réseau de neurones numérique profond. L’intelligence artificielle actuelle peut être définie comme de l’intelligence augmentée.

Aujourd’hui, des solutions existent permettant de faire fi à la fois des coûts rédhibitoires et du manque d’expertises internes, les deux freins majeurs à la progression de l’IA dans les entreprises. En effet, la technologie pourra être démocratisée grâce à une solution capable de générer automatiquement un modèle IA pour chaque problématique métier identifiée, basé sur du Deep learning et des algorithmes génétiques et interfacé aux données structurées et non structurées de l’entreprise. En s’affranchissant de la nécessité d’expertises internes en Deep learning, elle va réduire les coûts et sera même capable d’améliorer ou de valider l’efficacité des modèles internes et topologies en place de manière automatique, dépassant largement les limites des technologies IA existantes proposées par les GAFA.

Apprentissage VS adaptation des modèles : quels avantages ?

Dans une période où les données et les enjeux fluctuent rapidement, les entreprises mettent en place des modèles IA prédictifs ou de classification qui, certes, sont apprenants, mais qui ne s’adaptent pas. Or l’adaptation est essentielle. Bien sûr, les experts en data science sont capables d’adapter les modèles en permanence et d’en fabriquer des nouveaux.

Mais est-ce bien leur rôle que d’être inclus dans la chaîne de production ? Ne seraient-ils pas plus utiles à la préparation de modèles pour de nouveaux projets ? D’autres diront que les data pipe peuvent réaliser des modèles hyper optimisés.

En réalité, ces outils nécessitent que la chaîne soit revue à chaque évolution de données et ainsi que les entreprises refassent les modèles plutôt que de les faire évoluer. Une solution relativement simple serait d’utiliser des modèles évolutifs qui gardent une trace de leur évolution passée tout en s’intégrant aux pipelines de l’entreprise. Il est indéniable que la prochaine grande évolution de l’IA ne sera pas dans la taille des réseaux de neurones mais bel et bien dans la recherche de nouvelles topologies de réseaux de neurones adaptatives.

IA et ethique

Ethique et contrôle dans l’IA

Alimenté par les scénarii hollywoodiens à la base des films de science-fiction de type Matrix, le danger potentiel des Intelligences Artificielles est au cœur des débats, de nombreuses voix alarmistes s’élevant pour interroger l’impact des machines autonomes potentiellement malveillantes sur le contrôle et la sécurité de l’espèce humaine. Un des moyens de répondre à cet enjeu est d’intégrer dans leur conception des comportements bloquants. Aujourd’hui, les IA utilisées ont un faible niveau d’abstraction mais il est possible d’ores et déjà d’intégrer des tests de comportements vis-à-vis des humains dans leur processus de création. Pour ce faire, une usine à génération de modèles d’IA permettra d’éliminer systématiquement celles avec un comportement non souhaité.

Une solution d’apprentissage de l’IA pour gérer le RGPD ?

L’IA de type Deep learning est-elle conforme à la réglementation RGPD ? La réponse est oui car aucune information personnelle n’y est stockée. On peut aller plus loin et affirmer que l’IA constituerait même un excellent moyen d’anonymisation si on fait en sorte de n’avoir aucune donnée personnelle en sortie. 

Que faire alors lorsque l’IA « apprend » des données comprenant des informations personnelles ? 

Ces données n’étant pas redistribuées, il n’est pas utile qu’elles soient anonymisées. Le troisième enjeu est également lié à l’apprentissage, les personnes à l’origine de la conception du modèle ne sont pas forcément habilitées à accéder aux données personnelles et donc s’ensuit un besoin préalable d’anonymisation. Pour répondre à cela, il est tout à fait possible de générer une IA sans que les données ne sortent de l’entreprise, ouvrant le champ des possibles dans la conception de nouveaux produits encore inexplorés.

Au sein d’un contexte global de plus en plus complexe, les entreprises doivent pouvoir faire preuve d’une grande flexibilité : repenser les processus de production et d’approvisionnement, identifier les goulots d’étranglement en fonction de scénarii et surtout trouver les adaptations permettant cette flexibilité.

En améliorant les processus et en réduisant les risques et les coûts, l’IA est indispensable au développement de nouveaux modèles économiques et à la transformation des entreprises au cœur de leurs marchés. De l’industrialisation d’une IA adaptative dans l’organisation vers sa transformation en une intelligence autonome qui sera capable de raisonner et de développer ses propres programmes grâce au biomimétisme, la révolution est en marche, … Mais pour en retirer tous les bénéfices, il est impératif que les objectifs de l’intelligence artificielle soient alignés aux objectifs de l’humain afin d’éviter les risques éthiques ainsi que les applications dangereuses.

 

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.