Un jour, sur la plage, en voyant de plus en plus de personnes faire du surf, vous vous êtes certainement déjà dit : « Moi aussi je voudrais glisser sur les vagues ! Mais comment faire pour y arriver ? »
C’est la même question que se posent aujourd’hui les dirigeants d’entreprises quand on leur parle d’Intelligence Artificielle. Ils sont convaincus que l’IA est indispensable pour le déploiement de leur stratégie, voire pour leur survie. Mais ils se demandent de quelle manière lancer les premiers projets qu’ils ont identifiés. Comment réussir mon projet d’intelligence artificielle ? Comment m’assurer que je mets en œuvre la bonne méthodologie ?
C’est pour aider les dirigeants d’entreprises à répondre à cette question que nous avons organisé avec le MEDEF Vendée un webinaire dans le cadre des Rendez-vous de l’Avenir. Et pour répondre à cette question, nous avons voulu nous concentrer sur 3 points en particulier :
– En quoi un projet d’IA est-il différent d’un projet informatique classique ?
– Quelles sont les principales étapes d’un projet IA ?
– Quels sont les facteurs de succès d’un projet IA ?
De plus, plusieurs dirigeants sont venus partager leur expérience dans la mise en œuvre de projets d’IA, plusieurs dirigeants. Nous remercions Raphaël Robert de AFPIA/SOLFI2A, Nicolas Commare et Mehdi Kharab de Colibri, et enfin Hugues Dollé de Sigma Informatique.
En quoi un projet d’IA est-il différent d’un projet informatique classique ?
Rappelons d’abord la définition de l’intelligence artificielle que nous avons choisie lors du précédent webinaire. « L’IA est la technologie qui permet aux machines de réaliser des tâches qui demandent de l’intelligence quand elles sont effectuées par des humains ». Ces tâches qui demandent de l’intelligence peuvent prendre différentes formes. Par exemple : interpréter des images, comprendre une conversation ou anticiper des évènements. Pour nous, cela semble naturel, on le fait sans réfléchir. Mais pour une machine, ce sont des actions complexes. En effet, on ne sait pas les réduire à un ensemble d’instructions explicites qui pourraient être codées dans un programme. C’est pourquoi on va devoir d’abord faire apprendre à la machine à réaliser la tâche en question. C’est cette étape qu’on appelle “Apprentissage Machine” (ou Machine Learning).
Raisonnement inductif vs. raisonnement déductif
Un projet d’Intelligence Artificielle va ainsi mettre en œuvre du raisonnement inductif aussi bien que du raisonnement déductif. Le raisonnement déductif est celui qu’on utilise habituellement pour les projets informatiques, ainsi que dans la vie courante. Sur la base d’une connaissance existante, on définit des actions qui nous permettent d’obtenir un résultat attendu. Utiliser le raisonnement déductif, c’est ce qui permet de produire des résultats prévisibles et répétés à partir de conditions de départ maîtrisées. On utilise un raisonnement déductif quand on développe une page web, quand on calcule la durée d’un trajet ou qu’on suit une recette de cuisine.
Mais comment faire quand on n’a pas cette connaissance explicite ? C’est là qu’on utilise le raisonnement inductif. C’est le processus qui permet de formaliser une connaissance réutilisable sur la base d’observations : on recueille des données ; on identifie des tendances ; on propose et on valide des hypothèses. Quand on obtient des résultats reproductibles, avec un niveau de fiabilité satisfaisant, on a validé une nouvelle connaissance. C’est une manière de décrire la démarche scientifique.
L’IA est un processus en 2 phases
C’est donc le raisonnement inductif qu’on va utiliser pour apprendre à la machine à faire des choses « intelligentes ». Des tâches pour lesquelles on ne sait pas lui donner le mode d’emploi. Un projet d’IA va avoir deux grandes phases : une phase d’apprentissage, puis une phase d’application.
Dans la phase d’apprentissage, on va partir de notre question : comment obtenir notre résultat ? Pour y répondre, il faut recueillir les données disponibles, qui sont les observations passées sur le sujet. Ces données vont être extraites et combinées pour former un échantillon d’apprentissage. Sur cet échantillon vont être appliqués plusieurs algorithmes de Machine Learning. C’est le travail des Data Scientists d’identifier les algorithmes qui permettent d’obtenir le résultat de manière précise et fiable. On concrétise la connaissance ainsi obtenue sous la forme d’un modèle. Le modèle est une formule qui permet de calculer le résultat à partir des données disponibles.
C’est ce modèle IA qui sera le point de départ de la phase d’application. Pour chaque application, la solution d’IA va récupérer la dernière version des données pour calculer le résultat désiré à partir du modèle. Cela pourra être l’identification d’un objet sur une image, la compréhension d’une demande sur une ligne de chat ou la recommandation d’un produit sur la base d’un historique d’achat. Si la phase d’apprentissage est exécutée en général une seule fois, la phase d’application peut se répéter autant de fois que nécessaire. Et c’est en général la multiplication du nombre d’applications qui est un des principaux leviers de valeur des cas d’usage d’IA.
Pas d’Intelligence Artificielle sans Données
L’apprentissage est donc au cœur d’un projet d’IA, et c’est cela qui le différencie d’un projet informatique traditionnel. Cet apprentissage peut prendre différentes formes en fonction des objectifs du projet : supervisé ou non supervisé, par renforcement, apprentissage profond… Dans tous les cas, la donnée joue un rôle fondamental car elle est le carburant qui permet cet apprentissage. La donnée va servir de matériau de construction, et pas uniquement de structure. En effet, dans les projets classiques, on veut effectuer un ensemble de traitements définis sur la donnée. Par exemple, on veut enregistrer une commande ou calculer une quantité de matériaux. Dans ce cas, la description des données, un petit échantillon, ou des données simulées peuvent suffire pour réaliser le projet.
Pour un projet d’IA, c’est de la donnée qu’on extrait la connaissance. Elle est donc nécessaire en grande quantité, d’autant plus grande que les algorithmes mis en œuvre seront complexes. Si quelques milliers d’observations suffisent pour les modèles traditionnels de régression, on peut monter jusqu’à plusieurs millions de photographies pour des modèles de reconnaissances d’images. Il faut donc prévoir plusieurs activités dédiées à la donnée dans le projet IA : mettre en place l’architecture, extraire les données, valider leur qualité, les transformer… On estime souvent que 80% du temps d’un projet de Machine Learning est passé sur la donnée !
Un projet itératif, et prioritaire !
Ce caractère central de la donnée peut sembler être un frein pour les entreprises de taille moyenne. On entend parfois des objections comme “Mes données ne sont pas de bonne qualité”, “Il faut d’abord mettre en place des processus de Gouvernance des données” ou “Je n’ai pas assez de données pour faire de l’IA”. Pourtant, l’expérience montre que les entreprises ont souvent tendance à sous-estimer la variété et la richesse de leur capital de données. C’est dans ce qu’on appelle les données “cachées”, les données existantes mais non exploitées, qu’on peut trouver des gisements de valeur insoupçonnés. Dans les historiques de commandes. Dans les données de capteurs de machines-outils. Il faut donc sans hésiter commencer à explorer ses données, à expérimenter de nouveaux usages ! Les questions de Qualité et de Gouvernance seront beaucoup plus ciblées et économes une fois que des usages précis sont identifiés.
En conclusion, un projet d’IA est différent d’un projet informatique classique car il repose sur du raisonnement inductif en complément du raisonnement déductif. On doit passer par une phase d’apprentissage car on connaît notre objectif, mais pas la manière de l’atteindre ; il faut donc extraire cette connaissance des données. La donnée occupe une place fondamentale dans le projet IA, elle en est le carburant principal et peut occuper plus de 80% du temps passé. Si les projets d’IA sont avantageusement conduits de manière itérative, on ne peut donc pas les résumer à des projets de développement Agile.
Maintenant que nous avons présenté en quoi un projet d’Intelligence Artificielle se distingue d’un projet informatique classique, quelles sont précisément les étapes d’un tel projet ? C’est ce que nous allons détailler dans un prochain article. Nous retranscrirons également les témoignages des entreprises invitées lors de la conférence. Restez à l’écoute. Et envoyez-nous toutes vos questions entretemps !
Retrouvez l’enregistrement de la conférence
Revivez l’intégralité du webinaire Medef-Vendée – Callidata “Comment réussir son projet d’Intelligence Artificielle ?”
Le support de présentation est disponible sur simple demande à l’auteur.
Retrouvez les sociétés mentionnées dans cet article
Callidata
CalliData est le partenaire des entreprises de taille moyenne qui initient leur transformation par l’Intelligence Artificielle et la Data Science. Identifiez des gisements de performance inexploités dans vos données avec nos diagnostics Data et IA. Nous vous accompagnons également dans le cadrage et le pilotage de vos projets IA pour garantir la qualité de l’exécution et le retour rapide sur investissement. Nous proposons des formations pour accompagner la montée en compétences de vos équipes.
Medef Vendée
Le MEDEF est le premier réseau d’entrepreneurs de France. Plus de 95% des entreprises adhérentes au MEDEF sont des TPE ou des PME. Le Medef Vendée est une organisation patronale représentant les entreprises TPE, PME du département, il assure la représentation, la promotion et la défense des intérêts des entreprises vendéennes.
Les Rendez-vous de l’Avenir est le programme du MEDEF Vendée destiné à sensibiliser les entreprises aux enjeux de demain. Ils proposent ateliers, conférences, voyages apprenants et rencontres pour appréhender des thématiques émergentes et les développer dans vos entreprises. Dans ce cadre, une série de 3 webinaires ont été organisés avec CalliData pour répondre aux questions clés sur l’intelligence artificielle :
– Quelle IA pour les PME / ETI ?
– Comment réussir son projet d’IA ?
– Quelles compétences pour faire de l’IA une réalité ?
AFPIA / SOLFI2A
AFPA SOLFI2A est une association qui s’engage depuis 40 ans au service des acteurs de l’Aménagement de l’Habitat afin de participer à leur dynamisme et de favoriser leurs évolutions techniques et organisationnelles. AFPIA SOLFI2A met son expertise, son expérience, ses services et ses outils à disposition des entreprises de l’aménagement de l’habitat du Grand Ouest pour contribuer à l’émergence de nouvelles performances.
Colibri
Colibri est une solution de planification de la chaîne d’approvisionnement (Demand et Supply Planning) qui vous permet de gérer votre demande, votre approvisionnement, votre distribution, vos prévisions, vos réassorts et vos processus S&OP. Les valeurs principales de Colibri sont SMART, SAFE et SIMPLE. C’est une solution facile à utiliser, hébergée dans le cloud Microsoft Azure.
Sigma Informatique
Le Groupe Sigma est spécialisé dans l’édition de logiciels, les solutions digitales sur mesure et l’externalisation de systèmes d’information. Fondé en 1972, le Groupe Sigma est un acteur national avec 5 implantations : Nantes (siège social), Paris, Lyon, Strasbourg et Toulouse.