Passez de la vision rétroviseur au prédictif grâce à l'IA

21/02/2022

Applications

Tous les articles

Sommaire

Dans cet article nous allons tenter de définir ce qu’est l’Intelligence artificielle, quel rôle y jouent les données, comprendre en quoi le Machine Learning (apprentissage automatique) est le futur de l’IA et découvrir les cas d’usage qui révolutionnent déjà le quotidien de nos écoles, hôpitaux, collectivités et entreprises.

“L’intelligence artificielle c’est quand la machine essaie de faire comme l’homme, mais en moins bien.”

Cette définition qui pourrait paraître contre-intuitive voire grossièrement iconoclaste, est en réalité une des plus précises qui soit. Elle permet de séparer facilement ce qui est et n’est pas de l’IA dans son objectif de reproduire les processus cognitifs humains. Par exemple, une super calculatrice n’est pas de l’IA, un ordinateur sera toujours meilleur qu’un humain pour effectuer un calcul mathématique. En revanche, un logiciel qui est capable de reconnaître systématiquement une personne sur des photos, contient de l’IA car nous sommes typiquement dans le cas où un humain serait meilleur dans cet exercice. Si une IA est systématiquement moins performante dans sa tâche que ne pourrait l’être un humain, quel est son intérêt ? Le passage à l’échelle ! Ce qu’un humain fait parfaitement, une IA le fera presque aussi bien, mais surtout le fera des millions de fois de plus dans le même temps imparti. Une super calculatrice dont les calculs permettent de reconnaître des photos, voici un des innombrables cas d’usage d’IA qui font partie de notre quotidien.

Le déploiement de solutions d'IA est rendu possible grâce à la multiplication des données que nous produisons et l'explosion de la puissance de calcul de nos équipements. Cette datafication de la société ainsi qu’une récente maturité algorithmique permettent un virage déterminant pour les entreprises : passer d’une gestion "rétroviseur" qui prévalait jusqu’à présent (tirer des enseignements du passé) à une vision prédictive. 

Pour mieux comprendre comment nos données permettent de faire des prédictions, il faut d’abord discerner les quatre niveaux de l’analyse de données : observer, comprendre, prédire et prescrire.

  • Observer : le fameux rétroviseur qui permet d’identifier ce qu’il s’est passé grâce à une analyse fine des données historiques.
  • Comprendre : le niveau d’analyse supérieur qui permet de tirer des enseignements concrets des données afin de comprendre ce qu’il s’est passé. 
  • Prédire : le premier niveau d’analyse tourné non plus vers le passé mais vers l’avenir : être capable d’anticiper de manière probabiliste ce qu’il va se passer. 
  • Prescrire : le dernier niveau de l’analyse des données, il permet aux entreprises de prendre la meilleure décision en tirant parti de ce qu’ils ont pu apprendre.
Sortez vos données du frigo, Mick Levy, éd. Dunod, 2021

Les niveaux prédictifs et prescriptifs sont rendus possibles par l’avènement des outils de Machine Learning (apprentissage automatique). Le concept du Machine Learning repose sur trois phases que sont l’apprentissage (la machine reconnaît des schémas et des corrélations dans les données historiques) la phase d’inférence (la machine applique ce qu’elle a appris), et la phase de supervision (Gestion du cycle de vie, de la performance des modèles dans le temps et des potentiels réentrainements).  

Ces modèles de Machine Learning permettent aujourd’hui aux entreprises de passer à l’ère du prédictif et de déployer des solutions opérationnelles d’IA de trois types : la prévision & optimisation, l’hyper-personnalisation  et l’automatisation.

Prévision & optimisation

Anticiper avec précision les besoins, les risques et les défaillances d’un processus industriel afin de mettre en œuvre des actions appropriées au bon endroit au bon moment. 

Exemple : La maintenance prédictive (Industrie)

Détecter les défauts structurels, l’usure prématurée et la perte de rendement d’une machine afin de prioriser les opérations de maintenance et maximiser la production.

Hyper-personnalisation

Anticiper les besoins spécifiques d’un utilisateur sur la base de ses données et lui faire des propositions sur mesure pour l’aider au quotidien.

Exemple : Apprentissage personnalisé (Éducation)

Le but de cette application est d’accompagner les étudiants à la manière d’un tuteur virtuel et de leur recommander du contenu basé sur leur parcours, leur profil cognitif et leurs lacunes pédagogiques.

Automatisation

Soulager les collaborateurs des tâches ingrates qui nécessitent de nombreuses itérations sans que l’humain n’ait de valeur ajoutée dans le processus.

Exemple : Gestion énergétique d’un parc de bâtiments (Énergie)

L’objectif est de développer un gestionnaire énergétique qui automatise la supervision d’un parc de bâtiments, traque toute dérive de consommation et prévoit celle-ci pour améliorer l’efficacité énergétique globale. 

Nous déployons ainsi chez Craft AI plus d’une dizaine de cas d’usages dans des secteurs clés de notre société comme l’énergie, l’éducation ou encore la santé.

Cela est possible car nous nous approchons d’une maturité sur la partie algorithmique et sommes en mesure de collecter suffisamment de données. Cependant, il manque un troisième ingrédient pour parler réellement de révolution : l’usage.

Il y a un déficit d’usage et d’adoption de l’IA dans les entreprises, comme le constate Gartner dans une étude : 85% des projets d’IA ne passent pas en production et ne génèrent aucun ROI. Deux raisons principales peuvent éclairer ce manque d’adoption :

  • La difficulté d’industrialiser les projets d’IA (Le fameux mur de l'industrialisation) 
  • La défiance de la société vis-à-vis de l’IA, la peur de voir des machines prendre des décisions à notre place.

S’ils sont bien adressés, l’un par le MLOps, l’autre par une IA de confiance, vous pourrez très facilement développer de multiples cas d’application et pleinement entrer dans l’ère du prédictif.


À télécharger

Vous pourriez également apprécier

IA de confiance
14/09/2022

Garder l'humain dans la boucle avec l'XAI

Quelle place l’explicabilité (XAI) occupe-t-elle aujourd’hui en Machine Learning et en Data Science ? Le challenge de ces dix dernières années en data science, a plutôt été de trouver la bonne “recette algorithmique” pour créer des modèles de ML toujours plus puissants, plus complexes et donc de moins en moins compréhensibles.

Lire l'article

R&D
12/07/2022

L'industrialisation de l'IA & le concept de MLOps

Le MLOps apparaît comme une nécessité pour pallier les difficultés lors du passage à l’échelle de l’IA au sein des entreprises : la reproductibilité, le versionning, l'intégration continue... C’était l’objet de l’une des conférence sur l'industrialisation de l'intelligence artificielle dans le cadre de l'Enjeu Day Industrie & Services 2022. Vous n’aviez pas pu y assister ? Retrouvez le replay.

Lire l'article

IA de confiance
10/05/2022

A guide of the most promising XAI libraries

Using Machine Learning to solve a problem is good, understanding how it does is better. Indeed, many AI-based systems are characterized by their obscure nature. When seeking an explanation, looking to understand how a given result was produced, exposing the system’s architecture or its parameters alone is rarely enough. Explaining that a CNN recognized a dog by detailing the Neural Network weights is, to say the least, obscure. Even for models deemed as glass-box such as decision trees, a proper explanation is never obvious.

Lire l'article