Aller au menu Aller au contenu

Par Benjamin Ejzenberg, Conseiller, Analytiques des données

Cela ne vous aura pas échappé : l’intelligence artificielle (IA) est partout! Nos constructeurs automobiles fabriquent des voitures autonomes. Les assistants intelligents envahissent les salons professionnels. Et nous utilisons tous les jours de nombreux services à base d’IA tels que Netflix, Amazon ou YouTube.

S’agit-il d’un simple phénomène de mode? Dans une certaine mesure, la réponse est oui. Mais au-delà de cette mode, il y a une réalité indéniable. Des organisations de toutes tailles, dans le monde entier, se penchent sur l’IA et cherchent à exploiter son potentiel. Ces entreprises implémentent de nouvelles technologies pour inventer ou réinventer leurs processus d’affaires, améliorer leur satisfaction client ou augmenter leur performance globale. Bref, pour se réinventer!

On peut se limiter à considérer l’IA comme un sujet futuriste ou une mode, mais c’est bien plus que cela. Il s’agit d’une opportunité économique majeure. Selon les analystes, ce marché pourrait se chiffrer à 15 trillions de dollars dans l’économie globale à l’horizon 2030.

Dans cet article, nous vous livrons 5 clés pour mieux appréhender l’IA.

 1. L’intelligence artificielle est un vaste ensemble de disciplines.

L’intelligence artificielle (IA) s’illustre dans des applications parfois spectaculaires. Selon un adage célèbre « toute technologie suffisamment avancée est indiscernable de la magie » de Arthur C. Clarke. Mais l’IA n’est et ne relève pas de la magie, mais plus simplement de l’informatique et de l’exploitation des données!

En fait, l’IA n’est pas une discipline isolée. Il s’agit plutôt d’un ensemble de méthodes et de techniques visant à résoudre des problèmes complexes qu’on aurait réservés à l’intelligence humaine. L’IA est une approche qui vise à simuler, à l’aide d’outils informatiques, les capacités cognitives humaines.

Pour rendre possible cet objectif, on a recours à l’apprentissage automatique. Ce sous-domaine de l’IA consiste à faire en sorte que l’ordinateur apprenne à partir des données, sans avoir été explicitement programmé.

Il existe également un sous-domaine de l’apprentissage automatique appelé l’apprentissage profond (deep learning). C’est cette méthode qui permet aujourd’hui d’obtenir les résultats les plus spectaculaires notamment pour tout ce qui concerne la reconnaissance visuelle.

Les  3 concepts incontournables de l’IA

Les concepts de l'intelligence artificielle

2. L’apprentissage automatique, un nouveau paradigme informatique.

Dans l’informatique traditionnelle, les programmes sont conçus comme une suite d’instructions. On indique à l’ordinateur ce qu’il doit faire, étape par étape. Un programme est complètement prévisible. Une fois qu’il a été codé, son comportement ne change pas, à moins qu’un développeur ne modifie son code source.

Le paradigme IA est différent. Le modèle va entrer dans un processus d’apprentissage dans lequel il apprend par essai-erreur.

Pour mieux visualiser ce processus, prenons un exemple trivial : concevons un système qui identifie sur une image s’il s’agit d’une orange ou d’une pomme. Prenons un instant pour essayer de traiter ce problème avec des outils d’informatique « traditionnelle ». Comment pourrions-nous procéder?

L’approche la plus simple pourrait être la suivante. Choisissons le paramètre de la couleur: et extrayons la couleur prédominante sur la photo. Si la principale couleur est l’orange, l’image contient une orange. Si la couleur prédominante est le rouge, il s’agit d’une pomme. Ce script est facile à écrire et à tester.

Illustration de l’informatique traditionnelle

L'informatique traditionnelle illustrée avec l'exemple des pommes

Cette approche se montre très performante sur les cas illustrés ci-dessus. Mais en réalité, notre script ne tient pas compte de nombreux cas qui peuvent survenir. Par exemple, comment le programme va-t-il se comporter s’il tombe sur des photos en noir et blanc? Ou sur une pomme verte? Le programme va tout simplement « planter ». Nous n’avons pas prévu ces situations, comme l’illustre ce schéma :

Les limites de l’informatique traditionnelle

Les limites de l'informatique traditionnelle illustrée avec des pommes

On voit rapidement se dessiner les limites de l’informatique « traditionnelle ». Nous devons manuellement rédiger des règles. Nous avons pris un cas simple, mais dans des cas plus réalistes, nous devrions établir des centaines voire des milliers de règles. En menant ce projet, nous constaterions vite que le monde est très complexe à modéliser, et que de surcroît les performances d’un tel modèle restent limitées.

L’IA nous propose une autre voie, celle de l’apprentissage automatique. Le paradigme change considérablement. Nous nous demandons : et si la machine apprenait par elle-même sans que nous ayons à la programmer explicitement?

Pour ce faire, nous allons avoir 3 phases. La première consiste à collecter et à annoter des données d’apprentissage (idéalement des milliers, pour de bons résultats). Dans la deuxième étape, le système utilise les données d’entraînement et se fait sa propre représentation d’une pomme et d’une orange. Enfin, la 3e étape consiste à tester le système sur des images qu’il n’a jamais vues.

L’Apprentissage Automatique en 3 étapes

Les étapes de l'apprentissage automatique

Cette approche permet d’obtenir des performances bien meilleures. La machine apprend par elle-même, à partir des exemples que nous lui donnons. On peut ainsi traiter des problèmes bien plus complexes!

3. Se poser les bonnes questions.

Le point de départ d’un projet d’IA est la donnée. En fait, les données sont le “carburant” d’un projet d’IA. Sans données en quantité et en qualité suffisante, les risques d’échec du projet sont élevés. Dans un tel projet, la plus grande partie du travail consiste à collecter, interpréter et organiser des ensembles de données souvent massifs.

Une autre question fondamentale : bien poser le problème à résoudre. En effet, la première question de votre projet n’est pas d’ordre technique. Il ne s’agit pas de se demander quel algorithme utiliser. Le point de départ est : quel problème d’affaires souhaitez-vous résoudre?

Voici quelques exemples de questions classiques :

  • Prédire un chiffre : quel sera notre chiffre d’affaires l’année prochaine?
  • Catégoriser : quels sont les différents types de clients?
  • Détecter une anomalie : parmi nos millions de transactions, lesquelles semblent frauduleuses?

Ensuite, seulement, vous pourrez, à l’aide d’experts, identifier les modalités méthodologiques et techniques à mettre en œuvre.

4. Mon organisation est-elle prête pour se lancer dans un projet d’IA?

Votre problématique est bien définie. Vous souhaitez lancer votre projet d’IA. Mais votre organisation est-elle prête pour un tel projet? Certes, l’accès à l’IA s’est démocratisé ces dernières années. Les technologies sont plus accessibles, mais cela ne va pas sans quelques prérequis.

Pour mener à bien un projet d’IA, le cabinet Gartner a identifié 4 niveaux de maturité en matière d’analytique de données.

Le premier niveau consiste à décrire. L’organisation est capable d’exploiter ses données en vue d’analyser sa situation. Ainsi, elle peut répondre à des questions du type : combien de ventes avons-nous faites l’an passé? Quelles sont les catégories de produits les plus vendus?

Le deuxième niveau consiste à diagnostiquer. L’organisation a développé des capacités d’analyses avancées. Ainsi, elle peut se poser des questions plus poussées : pourquoi le chiffre d’affaires a-t-il augmenté de 5%? Quels sont les facteurs qui expliquent la répartition du nouveau chiffre d’affaires?

Le troisième niveau consiste à prédire. L’organisation a renforcé encore ses capacités analytiques. Elle s’est dotée d’outils de sciences de données qui lui permettent d’anticiper le futur. Ainsi, on peut formuler des prévisions : quel sera le chiffre d’affaires global pour l’année prochaine? Quels sont les produits qui auront la plus forte croissance?

Le quatrième et dernier niveau est prescrire. Il s’agit du niveau le plus avancé. L’analytique devient un outil de recommandation sur les actions à prendre. On peut ainsi répondre à des questions comme : quels sont les produits que nous devons mettre en avant? Quelles sont les campagnes marketing à mettre en œuvre pour atteindre tel résultat?

Les 4 niveaux de maturité analytique

Les différents niveaux de maturité analytique

On voit donc le cheminement qui permet aux organisations de renforcer leur maturité en matière d’analytique. Les organisations qui sont déjà au niveau 3 ou 4 auront plus de chance de succès dans un projet d’IA.

5. Quelles sont les étapes clés d’un projet?

Voyons plus précisément le cycle de vie d’un projet de sciences de données. Tout d’abord, nous l’avons déjà vu, la formulation de la problématique est décisive. Nous devons la rendre la plus explicite possible. C’est celle-ci qui orientera notre équipe vers les choix techniques à réaliser. Ainsi, l’équipe de scientifiques de données pourra sélectionner les modèles mathématiques les plus pertinents à mettre en œuvre.

Ensuite, nous allons nous intéresser aux données. C’est une étape cruciale : sans données de qualité, notre projet a toutes les chances d’échouer! Nous devons ainsi acquérir, comprendre et préparer les données.

C’est ensuite, seulement, que nous allons commencer à modéliser le problème. Dans cette étape, nous allons construire une représentation mathématique du problème. L’objectif? Anticiper le futur à partir de nos données historiques. Par exemple, nous pouvons développer un modèle qui donne de l’information sur les prévisions des ventes des prochains mois. Cet outil prédictif nous permet aussi de mieux comprendre notre problème initial. Par exemple, nous pourrions ainsi découvrir des facteurs influençant nos ventes et dont nous n’avions pas conscience.

Nous devons ensuite évaluer le modèle produit. Faisons-nous de bonnes prédictions avec le modèle? Le modèle est-il fiable? Présente-t-il des biais? Et surtout, répond-il à nos objectifs d’affaires initiaux? Cette étape est majeure et peut même nous conduire à revoir notre problématique.

Enfin, nous pouvons déployer le modèle en production. Ici, nous rendons disponible notre outil prédictif aux utilisateurs finaux. Il peut s’agir de clients (via un site web par exemple) ou d’utilisateurs internes à l’entreprise. Une fois le modèle en production, nous devrons continuer à réaliser un suivi régulier et, au besoin, une maintenance. En effet, nous devons nous assurer qu’il produit toujours des résultats pertinents.

Cycle de vie (simplifié) d’un projet de sciences de données

Le cycle de vie d'un projet d'IA

Larochelle Groupe Conseil, un partenaire dans vos projets d’IA

L’accès à l’intelligence artificielle s’est démocratisé pour les entreprises de toutes tailles. Cela étant, les projets d’IA demeurent complexes à mener. De plus, ils nécessitent de rassembler de nombreux talents, parfois rares sur le marché. Forte de notre expertise dans les données, notre équipe peut vous conseiller sur de tels projets. De la réalisation au déploiement, nos experts vous accompagnent dans vos projets à forte valeur ajoutée.

Vous avez des questions?

Écrivez-nous