Le traitement analytique des données massives est devenu un facteur essentiel de l’efficience de l’intelligence artificielle en entreprise.

© Captain Dash

« Deep learning » (apprentissage profond), « machine learning » (apprentissage automatisé), réseaux de neurones : le vocabulaire associé à l’intelligence artificielle (IA) a dominé l’année 2016 et continue de faire florès en 2017. « Le potentiel semble en effet significatif, relèvent Gilles Babinet et Bruno Walther, cofondateurs de Captain Dash, société qui propose des solutions d’aide à la décision sous forme de tableaux de bord(1). Quiconque a pu faire un test des chatbots dans le domaine de la gestion de stocks ou du contrôle de gestion, par exemple, n’a pu être qu’impressionné par la vitesse de compréhension de ces nouveaux outils, de plus en plus souvent dotés d’interfaces en langage naturel. »

Mais il faut pouvoir décrypter les enseignements de l’IA sans faire l’impasse sur certains points cruciaux et prendre le risque de mal les interpréter. Aux Etats-Unis, par exemple, des données issues du « machine learning » destinées aux forces de police ont abouti à des contrôles d’identité très discriminants à l’égard de certaines minorités ethniques.

Pour éviter cela, l’utilisation des « analytics », ou traitement analytique des données massives appelé aussi big data, est à préconiser. « C’est là où les analytics prennent toute leur place : en permettant de visualiser de façon synthétique des états complexes, on peut pointer des défaillances qui n’auront pas été relevées par la machine et qui permettront à un opérateur averti de corriger celles-ci et dans le même temps d’éduquer la machine », ajoutent Gilles Babinet et Bruno Walther.

Soixante personnes chez Axians Pays-Bas

Des problématiques qui sont au cœur de l’activité d’Axians Pays-Bas (VINCI Energies), où une équipe de soixante personnes travaille sur l’IA et le big data dans les secteurs de la santé, de l’industrie et du commerce. « Si vous voulez appliquer l’intelligence artificielle de la bonne manière, vous devez d’abord posséder une vraie expérience de ces marchés, en comprendre les problématiques et les opportunités », analyse Edwin Van Merriënboer, business unit manager.

« Nous avons mis au point un modèle prédictif nourri par un grand nombre de données qui a amélioré les prédictions de ventes de 10 à 20 %. »

Exemple avec l’industrie, où l’un des défis majeurs est la maintenance, un poste très coûteux pour les entreprises. « Beaucoup d’ingénieurs ont des connaissances précieuses sur ce thème, mais lorsqu’ils partent en retraite, ces informations disparaissent. Implanter ces connaissances des processus de maintenance dans des solutions fondées sur des IA permet de conserver l’efficacité de ces processus une fois les ingénieurs partis », explique-t-il.

Autre exemple : dans une entreprise du commerce de fleurs, un vendeur expérimenté d’une société prédisait le nombre de fleurs qui seraient vendues dans les semaines à venir. « Nous avons lancé un défi à notre client : écrire un algorithme qui fera de meilleures prévisions. Nous avons mis au point un modèle prédictif nourri par un grand nombre de données – historique des ventes, données météorologiques, etc. – qui a amélioré les prédictions de ventes de 10 à 20 %. Le client était très content. Et le vendeur a pu se concentrer sur son métier de commercial. Car les algorithmes d’IA ne sont pas là pour remplacer les employés, mais pour leur permettre de mieux exploiter leurs talents », précise le business unit manager d’Axians Pays-Bas.

(1) http://www.latribune.fr/opinions/blogs/in-data-we-trust/comment-l-intelligence-artificielle-va-s-imposer-dans-le-big-data-634719.html

 

17/10/2017