Intelligence artificielle : ce qu’il faut savoir avant de se lancer
Temps de lecture : 9 minutes
Publié le 30 juillet 2019
Du simple chatbot à la création d’une entreprise data driven, se lancer dans l’IA est à la portée de toutes les organisations. Mais quelles sont les étapes à suivre pour mettre toutes les chances de son côté ?
Microsoft a récemment publié les résultats d’une étude réalisée avec KRS Research en 2018 auprès de 800 décideurs dans des entreprises européennes. Les chiffres sont sans appel : 100 % des entreprises à forte croissance et 70 % des autres entreprises comptent s’y mettre dans un délai de trois ans. Mathias Schmeer Digital Advisor et Lionel Billon Data & AI solutions sales director, reviennent avec nous sur les étapes clés à respecter pour réussir son projet.
Lionel Billon
Data & AI Solutions Sales Director
Mathias Schmeer
Digital Advisor
Quels sont les principaux cas d’usage de l’IA dans les entreprises : que peuvent-elles en attendre ?
On classe les projets d’intelligence artificielle en quatre objectifs, selon la valeur qu’ils apportent à l’entreprise :
- Aider les collaborateurs à mieux travailler
On peut intégrer de l’IA dans les outils du quotidien pour, par exemple, faciliter la préparation des réunions ou le travail en équipe multilingue. Nous avons désormais des outils qui tournent grâce à de l’IA et qui sont en mesure de traduire et sous-titrer une conversation orale en directe. Sur Teams (une application d’Office 365), les interlocuteurs peuvent ainsi échanger dans leur langue maternelle tandis que l’outil sous-titre pour les autres interlocuteurs. Cortana, l’assistant personnel de Microsoft, est quant à lui en mesure de gérer les agendas de différents collaborateurs de façon automatique.
- Améliorer les opérations
L’intelligence artificielle a le potentiel de rendre les entreprises beaucoup plus efficaces et permet de les piloter avec une grande précision. Maintenance prédictive, détection des anomalies sur une chaîne de production, optimisation de l’upsell lors des ventes… Zalando par exemple, l’entreprise allemande de vente de vêtements et chaussures en ligne, s’appuie sur le machine learning pour prévoir les demandes et gérer ses stocks. L’entreprise est ainsi en mesure de faire du pricing dynamique. C’est-à-dire qu’elle ajuste les prix et les remises de manière très fine. Elle propose ainsi des réductions très précises, ‑11 % par exemple…
- Booster l’engagement des clients
On pense toujours spontanément aux bots pour améliorer sa relation avec ses clients. Ils peuvent être implantés très facilement sur des applications ou des sites web. Mais il y a aussi de très nombreuses autres possibilités. L’Oréal a par exemple racheté la start-up Modiface, spécialisée dans la reconnaissance d’images pour les produits cosmétiques. Grâce à cette solution de réalité augmentée, les clients peuvent tester les produits de manière virtuelle.
- Et transformer son business model en développant de nouveaux produits ou services
L’intelligence artificielle est une opportunité, pour certaines entreprises, de changer de business model. Elles inventent de nouveaux produits ou font évoluer la manière de les consommer. Le Bureau Veritas par exemple devient progressivement une software company. Il a mis en place une plateforme servicielle qui tourne sur une IA qu’ils ont baptisée Charles. Cet outil épargne aux analystes en laboratoire les tâches les plus répétitives… et leur permet de se consacrer à des missions à haute valeur ajoutée. Des marques d’électroménager proposent quant à elles des appareils pour 1$ car elles vendent en réalité des abonnements à des services.
Combien de temps faut-il prévoir pour lancer son projet d’intelligence artificielle ?
Nos clients se demandent toujours si cela va être long, mais pour les sujets les plus simples, il suffit de quelques semaines. Après quelques mois, on peut déjà passer à une logique plus industrielle. Les entreprises sont de plus en plus conscientes que même avec des solutions très légères, elles peuvent commencer à se transformer. Car en réalité, elles peuvent utiliser l’IA à quatre niveaux différents :
- Un très grand nombre utilisent quotidiennement des applications qui intègrent de l’IA sans même s’en rendre compte. Excel ou Dynamics, par exemple, font appel à de l’IA pour certaines fonctionnalités. Pas besoin de développeur en interne pour en exploiter le potentiel.
- Elles peuvent aussi utiliser des API proposées par d’autres entreprises, qu’un développeur, en quelques lignes de code, peut intégrer dans leurs outils. Il peut s’agir d’un outil de reconnaissance visuelle ou vocale…
- Le niveau suivant consiste à utiliser des modèles pré-entraînés, notamment dans le machine learning. Ces outils, sont disponibles sur la plateforme Azure par exemple. Une entreprise peut créer un système très simple pour prédire son chiffre d’affaire des mois à venir par exemple. Il lui suffit d’entraîner la machine avec ses résultats des mois précédents, en excel ou csv. Elle pourra faire le lien entre les commandes de début de mois et le chiffre d’affaires final. Tout fonctionne en drag and drop et nécessite très peu de code. Cet outil peut alors être intégré à notre outil de visualisation de données Power BI ou d’autres outils du marché. Un développeur qui maîtrise bien le langage Python peut tout à fait y parvenir.
- Enfin, le 4ème niveau est celui dans lequel il faut tout coder du début à la fin. Il faudra alors compter sur un data analyst.
Lire aussi Intelligence artificielle dans l’entreprise : par où commencer ?
Comment une entreprise qui n’a jamais fait d’IA peut-elle se lancer ?
Il faut commencer par réfléchir à ce que l’IA peut apporter à son entreprise. Il y a beaucoup de fantasmes autour de l’intelligence artificielle : finalement on s’aperçoit que des choses qui peuvent sembler triviales sont difficiles à réaliser et inversement. On sait par exemple programmer un ordinateur pour battre quelqu’un aux échecs. En revanche, développer l’intelligence qui pourra, avec une mécanique robotisée, saisir les pièces du jeu pour les déplacer, est plus complexe. L’intelligence artificielle repose moins sur des algorithmes que sur l’exploitation des données. Ce changement de paradigme numérique implique même l’acquisition de nouvelles compétences pour bon nombre des membres de la communauté des programmeurs.
Alors le mieux est de s’y confronter, de s’exposer au sujet en assistant à des événements comme Vivatech ou Microsoft Experiences. Rencontrer des experts, des partenaires qui développent des applications pertinentes pour son entreprise. De nombreuses formations existent également. L’idée est de se forger des convictions sur ce qui fonctionne ou non, puis de le tester.
Le grand changement par rapport aux applications traditionnelles, c’est que l’on parle moins d’algorithmes que de modèles. A la grande différence des premiers, qui sont des programmes figés, les seconds apprennent à partir de données qui leur sont fournies lors de diverses expériences. C’est le cas du machine learning dont le deep learning est une variante complexe. Ce type d’intelligence artificielle est capable, entre autres, d’apprendre à reconnaître des images en généralisant leurs caractéristiques remarquables. La nouveauté de cette technologie exige un minimum de formation pour au moins bien en percevoir les possibilités et les enjeux.
Les modèles de machine learning peuvent être employés pour résoudre un grand nombre de problèmes. Les sciences de l’intelligence artificielle vont fortement impacter le réel au moyen d’outils simples d’utilisation. Grâce à eux l’utilisateur créé des solutions parfaitement adaptées à ses propres cas d’utilisation.
Ce que nous conseillons toujours est de prouver le concept sur un cas d’usage précis. Il s’agit d’un projet bien circonscrit, sur lequel on pourra clairement démontrer que l’IA a eu un impact positif. Une fois que c’est fait, que le ROI est prouvé, on peut aller convaincre son Comité de direction de la pertinence du sujet. On constate d’ailleurs que chez Microsoft, si nous sommes historiquement plutôt implantés auprès des DSI, désormais les métiers viennent de plus en plus naturellement nous voir : la finance, la logistique, les achats, le marketing…
Lire aussi « Il faut s’informer pour démystifier l’intelligence artificielle » – Jean-Claude Heudin
Déployer des modèles de machine learning, dans quelque environnement que ce soit, c’est avant tout avoir accès à un réservoir de data conséquent. Que ce soit pour la traduction de langues étrangères en français ou pour détecter un visage dans une photo ou une vidéo, tout est affaire de données pour le machine learning. Elles sont souvent issues du cloud. Même pour battre des jeux vidéo il faut créer une intelligence artificielle qui s’abreuve de données graphiques. Dans ce cas précis par exemple, l’intelligence artificielle analyse chaque position d’un point d’écran et ses répercussions sur l’évolution de la partie (GAN/RNN).
Déployer des modèles de machine learning est devenu plus simple grâce à l’adoption du standard ONNX sur Azure mis au point par Microsoft et largement adopté par ses concurrents, à l’instar de Google. Il est désormais tout à fait possible pour l’utilisateur de créer des modèles basés sur différents frameworks et de les exploiter sur la plateforme de son choix. Si les outils d’intelligence artificielle sont nombreux, ils autorisent de nouvelles créations portables et exploitées sur les réseaux.
Quelles sont les premières étapes d’un projet d’intelligence artificielle en entreprise ?
Concrètement, un projet IA démarre souvent par des sessions d’idéation, qui donnent naissance à des sujets, entre un et trois généralement. Il est intéressant de démarrer par un projet simple, au périmètre réduit, qui donnera lieu à un Prototype opérationnel (MVP). Il s’agit d’un prototype sur lequel on peut ensuite itérer, que l’on fera grossir avant d’industrialiser.
Pour qu’il fonctionne, un projet IA doit reposer sur deux jambes : la vision technique et la vision business. En effet, un projet IA sans sponsorship métier aura des chances de se heurter à des questions d’adoption. On aura créé une réponse à un problème qui ne sera pas prioritaire pour le métier. Souvent, on s’en aperçoit beaucoup trop tard.
Au contraire, les directions métier considèrent souvent l’IT comme un ralentisseur, alors qu’il est essentiel de bien l’inclure en amont des projets. En effet, la qualité de l’infrastructure technique est la condition de succès d’une application IA. Il est donc essentiel de faire un effort au niveau du management, pour que les deux se parlent. Cela passe parfois par la création d’équipes transverses.
Enfin, pour passer à l’échelle, il convient de se doter d’une infrastructure de données qui tient la route. Dès que l’on cherche à créer de la valeur, il faut le faire sur un socle technique robuste pour intégrer ces fonctionnalités dans le schéma IT.
Prenons l’exemple d’une société de commerce BtoB qui souhaiterait utiliser l’IA pour identifier à l’avance les clients susceptibles de la quitter, afin de prendre des mesures préventives. Elle devra, pour passer du POC au stade 2, celui de la mise en production, systématiser le fait d’extraire les données de manière sécurisée, en cohérence avec les règles. Il faut donc commencer l’intégration dans l’architecture globale suffisamment tôt.
Comment se déroule la phase d’industrialisation ?
Poursuivons avec l’exemple de notre entreprise de commerce BtoB. Le projet IA a été proposé par le directeur commercial au Codir. Grâce au POC, il a démontré l’intérêt d’utiliser des outils d’intelligence artificielle, car il est en mesure de prouver son ROI. Il convainc ainsi les autres directions qui sont tentées de se lancer aussi, comme le marketing ou les RH. On assiste à un flux d’initiatives. On peut alors passer au stade 3, celui de l’industrialisation.
Industrialiser l’IA en entreprise, c’est la généraliser à l’ensemble des services de l’entreprise. C’est à ce moment-là que la robustesse de l’infrastructure est clé.
Devenir une société data driven signifie que son socle est la plateforme data. Une plateforme sur laquelle les données sont injectées depuis tous les services, avec une équipe qui les met à disposition des directions métiers. Peu d’entreprises sont parvenues à ce stade. Cela implique de réfléchir au préalable à l’organisation, aux process à mettre en place et au modèle de gouvernance de l’entreprise. Chez Microsoft, nous proposons un accompagnement de nos clients avec nos technologies (Azure data bricks ou Azure machine learning services) et celles de nos partenaires.
Quels sont les principaux écueils à éviter ?
Le pire écueil possible est celui de la dette technique. De nombreuses entreprises s’y trouvent confrontées. C’est la raison pour laquelle l’IT doit être impliquée très en amont des projets, en lien avec la direction métier.
Ensuite, il est essentiel de démarrer avec des projets simples, dont le ROI est bien identifié en amont. C’est la seule condition pour prouver les bénéfices de l’IA. Les sujets doivent être tangibles et avancer de manière itérative et pragmatique. L’objectif : donner confiance aux équipes et à la direction.
Enfin, on n’est pas obligé de tout coder soi-même. Nous utilisons souvent la métaphore culinaire : dans son restaurant, un chef fait rarement tout lui-même. Dans l’IA c’est pareil, pour démarrer. Il est même préférable d’utiliser des produits sur étagère avant de se lancer dans de grands développement. Les services cognitifs sont là pour ça.
