L’intelligence artificielle au service des organisations
L’apprentissage par données, enjeu stratégique pour les organisations
Le rapport sur l’Intelligence Artificielle (IA) rédigé en mars 2018 par Cédric Villani, lauréat 2010 de la médaille Fields, fait le point sur l’effort de recherche de la France sur le sujet (un de plus importants au monde avec le Royaume-Uni, derrière les Etats-Unis et la Chine) et identifie notamment les quatre secteurs prioritaires, que sont la Santé, les Transports, l’Environnement et la Défense.
Dans ce rapport, Cédric Villani indique que « l’apprentissage par données n’est pas la seule méthode menant à l’Intelligence Artificielle (…) mais c’est aujourd’hui la méthode la plus utilisée, (…) celle qui fait l’objet de la compétition internationale la plus vive ».
En effet près de 95% des travaux en IA relève de l’Apprentissage Machine Statistique, principalement de type supervisé.
Un changement de culture et de paradigme
Pour comprendre et diffuser les travaux utilisant les algorithmes de Machine Learning (ML), une prise de conscience doit s’opérer au sein des organisations, afin de véhiculer une nouvelle culture interne, basée sur un changement de paradigme.
Jusqu’à présent, les centres de Recherche et Développement consacraient leur énergie dans la conception de programmes produisant un résultat à partir de données en entrée.
Désormais, le système intègre les données et les résultats de précédents calculs, afin de fournir un modèle qui est utilisé ensuite, pour fournir une prédiction.
Comment cela fonctionne-t-il ?
Tout d’abord les données fournies en entrée sont analysées, afin d’extraire un ensemble de caractéristiques pertinentes.
L’apprentissage supervisé, pour s’approcher d’un modèle efficace, doit tenir compte du bruit, de la dispersion, consubstantiels à toute approche statistique, mais aussi et surtout éviter le « sur-apprentissage » : pour cela il s’agit de limiter le nombre de poids ajustables dans le modèle, en considérant la taille du jeu d’apprentissage.
L’objectif est de pouvoir ensuite généraliser le modèle, conçu à partir d’un échantillon, afin de l’appliquer à des données de test. Pour ces données de test, la méthode consiste à en extraire les caractéristiques pertinentes, pour appliquer le modèle prédictif.
Concernant le modèle, il se base usuellement sur un réseau de neurones à n couches et fonctions d’activation, ou dans certains cas sur à une méthode itérative, dite du gradient.
Usage du machine learning chez les professionnels de la dématérialisation
Les professionnels de la dématérialisation, comme NUMEN, sont régulièrement confrontés à des contextes où les données d’apprentissage s’acquièrent durant les premières semaines, ou mois de traitement des documents. Au cours de cette phase de calibrage, l’apprentissage continu et « furtif » permet progressivement de réduire le nombre d’opérateurs humains, à mesure qu’il progresse. Les opérateurs ainsi substitués, peuvent alors se consacrer à de nouveaux projets.
A ce sujet, NUMEN a déployé des automates basés sur du machine learning statistique, afin d’optimiser l’étape de classification automatique, sur des chaînes de dématérialisation de dossiers IARD, traitant aussi bien les demandes de souscription, de modification ou de résiliation de contrat.
Une nouvelle génération de leaders et des talents travaillant en équipe
Nous l’avons mentionné ci-avant : l’intelligence artificielle ne peut produire des résultats exploitables que si les données d’apprentissage sont suffisamment nombreuses et représentatives, pour produire un modèle prédictif efficient. Par conséquent devrait émerger une nouvelle génération de leaders au sein des organisations, à même d’identifier les problèmes à traiter en priorité et de convaincre les services contributeurs à participer à l’effort de collecte de données et d’adoption des solutions trouvées.
Expérimenter et s’adapter : telle est la démarche à suivre. Nul doute dès lors, que le sponsor de la Direction Générale est un facteur clé de succès.
Ethique et performance
Reste un point de vigilance lié à la difficulté d’expliquer les décisions prises par le système, qui se base sur des vérités statistiques et non des vérités littérales, reproductibles. En cas d’erreur, il est difficile de corriger, d’améliorer le système. C’est peut-être pour cela que l’humain ne peut être totalement remplacé par l’IA… ce qui est une bonne chose du point de vue éthique.
L’IA est un formidable vecteur de progrès et travaille avant tout à l’amélioration des performances humaines. Elle a bien plus d’impact lorsqu’elle vient en renfort des humains (par exemple en améliorant les capacités cognitives ou la créativité), au lieu de chercher à les remplacer.
En promouvant le travail en équipes pluridisciplinaires, autour de nombreux talents, en charge de gérer les projets prioritaires, d’apporter l’expertise sectorielle et métier, de préparer les données en amont, de concevoir les modèles prédictifs, d’analyser les données produites, d’assurer les fonctions marketing et communication, les organisations adopteront les bonnes pratiques autour de l’IA, vecteur d’optimisation et de performance des processus métiers.
