{"id":5273,"date":"2020-09-14T07:40:29","date_gmt":"2020-09-14T05:40:29","guid":{"rendered":"http:\/\/variances.eu\/?p=5273"},"modified":"2020-09-14T08:02:44","modified_gmt":"2020-09-14T06:02:44","slug":"comment-cultiver-lintelligence-artificielle-dans-lentreprise","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=5273","title":{"rendered":"Comment cultiver l\u2019Intelligence Artificielle dans l\u2019entreprise"},"content":{"rendered":"

1. Introduction<\/strong><\/h3>\n

L\u2019intelligence artificielle[1]\u00a0(IA) est la famille des sciences informatiques qui s\u2019int\u00e9resse \u00e0 la reproduction de comportements que l\u2019on peut qualifier d\u2019intelligents, parce qu\u2019ils r\u00e9solvent des probl\u00e8mes complexes de fa\u00e7on adaptative, et qui repr\u00e9sentent du point de vue humain un effort cognitif. Dans cet article, nous allons nous int\u00e9resser aux conditions qui permettent aux entreprises de tirer le meilleur parti de l\u2019IA. Sans rentrer dans la description d\u00e9taill\u00e9e propos\u00e9e dans le rapport de l\u2019Acad\u00e9mie des technologies[2], il est utile de rappeler quelques \u00e9l\u00e9ments de cette famille. On trouve par exemple l\u2019approche d\u2019IA symbolique, les techniques de simulation, les diff\u00e9rents algorithmes issus de la recherche op\u00e9rationnelle, mais \u00e9galement tous les outils du traitement du langage tout comme les r\u00e9seaux s\u00e9mantiques. L\u2019approche qui re\u00e7oit le plus d\u2019attention est l\u2019apprentissage par r\u00e9seaux neuronaux \u00e0 couches profondes, appel\u00e9e deep learning<\/em>. Le deep learning<\/em> a fait des progr\u00e8s spectaculaires en dix ans et c\u2019est aujourd\u2019hui la meilleure approche pour une grande classe de probl\u00e8mes. Cependant, la bo\u00eete \u00e0 outils du machine learning<\/em>, contient de multiples autres algorithmes qui permettent \u00e0 la fois de r\u00e9pondre \u00e0 des questions pr\u00e9cises (pr\u00e9diction ou cat\u00e9gorisation) ou plus ouvertes.<\/p>\n

L\u2019intelligence artificielle n\u2019est pas un enjeu de demain : les technologies d\u2019aujourd\u2019hui apportent d\u00e9j\u00e0 des b\u00e9n\u00e9fices et des opportunit\u00e9s de transformation aux entreprises qui les utilisent. Je vous renvoie \u00e0 l\u2019excellent livre AI + Human<\/em> [2] ou \u00e0 mon dernier livre[3] pour avoir un aper\u00e7u de ce que la technologie permet de faire d\u00e8s aujourd\u2019hui. L\u2019IA, en particulier sous la forme d\u2019apprentissage automatique, est appliqu\u00e9e dans l\u2019ensemble des maillons de la cha\u00eene de valeur, tels que la recherche et d\u00e9veloppement, la production, la supply chain<\/em>, la vente et la gestion de la relation client. Les m\u00e9thodes d\u2019apprentissage permettent de reconnaitre des motifs utiles pour la maintenance pr\u00e9ventive ou l\u2019assurance qualit\u00e9. En particulier, les m\u00e9thodes d\u2019apprentissage automatique jouent un r\u00f4le cl\u00e9 pour les algorithmes de recommandation des g\u00e9ants du Web. Les techniques d\u2019assistance intelligente pour la gestion des connaissances s\u2019appliquent \u00e0 la fois en amont (pour assister la R&D) et en aval (pour assister les clients comme les vendeurs).<\/p>\n

Cet article est organis\u00e9 comme suit. La section 2 s\u2019int\u00e9resse \u00e0 l\u2019adoption de l\u2019IA dans les pratiques de l\u2019entreprise. L\u2019IA est une capacit\u00e9 que l\u2019entreprise d\u00e9veloppe et d\u00e9ploie pour soutenir ou red\u00e9finir son activit\u00e9. Le d\u00e9veloppement de ces solutions implique une transformation profonde, dans l\u2019ensemble de l\u2019entreprise, de la culture digitale et des m\u00e9thodes de travail. Toute strat\u00e9gie en IA repose sur une strat\u00e9gie de donn\u00e9es\u00a0: quelles donn\u00e9es sont importantes, comment les collecter, comment les traiter pour faciliter leur mise \u00e0 disposition ? C\u2019est le sujet de la section 3, comment mettre en place une infrastructure de donn\u00e9es qui supporte un processus d\u2019ing\u00e9nierie des donn\u00e9es ? La derni\u00e8re section ouvre le vaste sujet des comp\u00e9tences qu\u2019il convient de d\u00e9velopper pour mettre en \u0153uvre des algorithmes d\u2019IA. Nous allons nous int\u00e9resser \u00e0 trois domaines\u00a0: les r\u00e9seaux neuronaux profonds, les techniques d\u2019hybridation, car elles sont la marque de la quasi-totalit\u00e9 des syst\u00e8mes performants d\u2019aujourd\u2019hui et l\u2019approche syst\u00e8me de syst\u00e8mes.<\/a><\/a><\/a><\/p>\n

2. Penser l\u2019int\u00e9gration de l\u2019IA dans la pratique de l\u2019entreprise<\/strong><\/h3>\n
2.1 R\u00e9inventer les processus et les produits avec l\u2019IA<\/h5>\n

L\u2019intelligence artificielle est une opportunit\u00e9 pour r\u00e9inventer le d\u00e9veloppement de produits. Une entreprise qui ignore l\u2019IA verra un de ses concurrents rattraper et inverser son retard en R&D produit parce que sa bonne utilisation de l\u2019IA lui permettra de tirer plus de connaissances m\u00e9tier des m\u00eames exp\u00e9rimentations ou retours d\u2019usage client. Cette pratique de l\u2019exp\u00e9rimentation est remarquablement expliqu\u00e9e par Jeff Bezos pour qui les entreprises qui ne pratiquent pas l\u2019exp\u00e9rimentation et la valorisation des \u00e9checs se retrouvent dans des positions tr\u00e8s d\u00e9licates o\u00f9 elles sont oblig\u00e9es de faire de \u00ab gros paris \u00bb tr\u00e8s risqu\u00e9s. \u00a0C\u2019est particuli\u00e8rement le cas pour le couplage intelligent de la supply chain<\/em> et du demand management<\/em>. La\u00a0smart supply chain<\/em> a besoin des informations en temps r\u00e9el des demandes clients, et les clients attendent un suivi de leur commande en temps r\u00e9els.<\/p>\n

L\u2019intelligence artificielle est une boucle d\u2019apprentissage avec des humains \u00e0 l\u2019int\u00e9rieur. Le r\u00f4le des \u00ab\u00a0humains\u00a0\u00bb est multiple: organiser l\u2019apprentissage de la machine (collecter, classer et qualifier les donn\u00e9es), participer \u00e0 son apprentissage, et utiliser la valeur produite par des algorithmes. \u00c0 c\u00f4t\u00e9 des cas de syst\u00e8mes compl\u00e8tement automatis\u00e9s, la grande majorit\u00e9 des syst\u00e8mes intelligents sont des syst\u00e8mes d\u2019assistance, d\u2019aide \u00e0 la d\u00e9cision. Le co-d\u00e9veloppement du \u00ab\u00a0centaure\u00a0\u00bb (du couple agent humain et assistant intelligent) est une aventure formidable de r\u00e9invention des m\u00e9tiers, et une course \u00e0 la cr\u00e9ation de nouveaux avantages comp\u00e9titifs. L\u2019analyse des solutions mises en place par les g\u00e9ants du web tels que Amazon, Google, Netflix ou Criteo, nous enseigne l\u2019importance de l\u2019ing\u00e9nierie de la mise en \u0153uvre sur des volumes tr\u00e8s importants de donn\u00e9es. Au moment o\u00f9 ces entreprises ont commenc\u00e9, la performance des algorithmes n\u2019\u00e9tait pas tr\u00e8s bonne, c\u2019est un laborieux processus d\u2019am\u00e9lioration continu qui a produit les performances actuelles. Ceci est repr\u00e9sent\u00e9 par la figure 1. Il faut mettre en place un cercle vertueux\u00a0: plus de donn\u00e9es produit plus de pertinence, plus de pertinence entraine plus d\u2019usage et plus d\u2019usage fournit plus de donn\u00e9es.<\/p>\n

\"\"

Figure 1\u00a0: Le cercle vertueux de l\u2019apprentissage algorithmes\/donn\u00e9es<\/p><\/div>\n

La mise en place d\u2019applications enrichies par l\u2019IA doit \u00eatre vue de fa\u00e7on syst\u00e9mique comme une boucle, qui concerne \u00e9galement les acteurs du syst\u00e8me. Il y a deux r\u00f4les cl\u00e9s pour l\u2019humain dans ce diagramme. Le premier est d\u2019entra\u00eener le syst\u00e8me apprenant, et de d\u00e9velopper les algorithmes. Le deuxi\u00e8me r\u00f4le humain est celui de l\u2019utilisateur. Dans le cadre d\u2019une application B2C, c\u2019est le client du service\u00a0; dans le cas d\u2019une application\u00a0B2B, c\u2019est l\u2019employ\u00e9 qui utilise l\u2019application augment\u00e9e par l\u2019IA pour mieux faire son travail \u2013 l\u2019op\u00e9rateur dans une usine par exemple.\u00a0 Prendre en compte l\u2019apprentissage de l\u2019utilisateur est fondamental pour cr\u00e9er de la valeur avec l\u2019intelligence artificielle.<\/p>\n

2.2 Culture de data lab<\/h5>\n

La r\u00e9ussite du d\u00e9veloppement de l\u2019intelligence artificielle dans une entreprise exige une culture favorable \u00e0 l\u2019exp\u00e9rimentation. La culture de l\u2019exp\u00e9rimentation est n\u00e9cessaire en premier lieu parce que l\u2019on ne sait pas \u00e0 l\u2019avance ce qui va fonctionner comme pr\u00e9vu et cr\u00e9er de la valeur. En second lieu, la culture d\u2019exp\u00e9rimentation permet l\u2019apprentissage et le d\u00e9veloppement des comp\u00e9tences. Comme pour la plupart des technologies num\u00e9riques et \u00ab\u00a0exponentielles\u00a0\u00bb, il faut faire pour apprendre, et apprendre pour avoir les comp\u00e9tences n\u00e9cessaires \u00e0 la v\u00e9ritable cr\u00e9ation de valeur. L\u2019exp\u00e9rimentation par des \u00e9quipes transverses \u00ab\u00a0cross-fonctionnelles\u00a0\u00bb est une strat\u00e9gie distribu\u00e9e d\u2019exploration de la valeur.<\/p>\n

Le mod\u00e8le du data lab<\/em> cherche \u00e0 capturer trois id\u00e9es\u00a0: c\u2019est un lieu o\u00f9 diff\u00e9rents m\u00e9tiers et comp\u00e9tences travaillent ensemble, c\u2019est un lieu d\u2019exp\u00e9rimentation et c\u2019est un lieu de rigueur scientifique dans la conduite des exp\u00e9riences. Le data lab<\/em>\u00a0n\u2019est pas une structure centralis\u00e9e, c\u2019est plut\u00f4t un r\u00e9seau, pr\u00e9cis\u00e9ment \u00e0 cause de la distribution des opportunit\u00e9s. Le d\u00e9veloppement des \u00ab\u00a0protocoles\u00a0\u00bb d\u2019apprentissage de solutions demande beaucoup de rigueur et de soin pour construire les assemblages de techniques et v\u00e9rifier que les r\u00e9sultats obtenus sont robustes et significatifs. Ce point m\u00e9rite d\u2019\u00eatre soulign\u00e9\u00a0: il est important de faire appel \u00e0 la\u00a0data science<\/em> non pas pour d\u00e9velopper ce qui marche, mais pour comprendre ce qui ne marche pas. Le d\u00e9veloppement progressif et imbriqu\u00e9, des comp\u00e9tences et de la cr\u00e9ation de valeur, fait qu\u2019il est n\u00e9cessaire de suivre une courbe d\u2019exp\u00e9rience. Il faut commencer par les solutions simples, introduire des algorithmes et des m\u00e9ta-heuristiques plus sophistiqu\u00e9s de fa\u00e7on progressive, parce que les m\u00e9thodes simples fonctionnent bien le plus souvent, et parce que l\u2019analyse des premiers r\u00e9sultats permet de comprendre o\u00f9 porter son effort. De plus, l\u2019utilisation des techniques de visualisation avanc\u00e9es est indissociable du d\u00e9veloppement des algorithmes d\u2019apprentissage.<\/p>\n

3. Intelligence artificielle et strat\u00e9gie d\u2019acquisition de donn\u00e9es<\/h3>\n
3.1 Le processus d\u2019ing\u00e9nierie des donn\u00e9es<\/h5>\n

Dans la pratique, une strat\u00e9gie IA pour une entreprise commence par une \u00ab\u00a0strat\u00e9gie donn\u00e9es\u00a0\u00bb. La d\u00e9finition d\u2019une strat\u00e9gie des donn\u00e9es par les acteurs m\u00e9tiers exige une r\u00e9flexion et une appropriation\u00a0: il faut se poser la question de savoir quelles donn\u00e9es sont n\u00e9cessaires et pourquoi. Il y a un effet \u00ab\u00a0poule et \u0153uf\u00a0\u00bb\u00a0: il faut collecter les donn\u00e9es dont on a besoin pour investiguer un probl\u00e8me, et ce que l\u2019on peut faire avec l\u2019IA d\u00e9pend des donn\u00e9es disponibles. Il faut penser les donn\u00e9es en tant que cycle continu de collecte\u00a0: les donn\u00e9es du futur ont plus de valeur que celles du pass\u00e9. La collecte des donn\u00e9es doit s\u2019accompagner du processus de qualification des donn\u00e9es en produisant des m\u00e9ta-data<\/em> (des \u00e9tiquettes qui qualifient les donn\u00e9es). La cr\u00e9ation des jeux de donn\u00e9es qualifi\u00e9es est le point de d\u00e9part de la plupart des succ\u00e8s d\u2019application de l\u2019IA.<\/p>\n

La deuxi\u00e8me \u00e9tape est la cr\u00e9ation d\u2019une plateforme d\u2019apprentissage, en construisant des mod\u00e8les qui sont des repr\u00e9sentations de certains aspects des donn\u00e9es collect\u00e9es. Si l\u2019approche deep learning<\/em> est en g\u00e9n\u00e9ral capable d\u2019absorber des masses importantes de donn\u00e9es et de laisser l\u2019algorithme d\u00e9cider ce qui lui est utile, les m\u00e9thodes classiques d\u2019apprentissage demandent un travail de s\u00e9lection et construction des\u00a0feature data<\/em>, qui sont les donn\u00e9es retenues dans le mod\u00e8le. La troisi\u00e8me \u00e9tape de cette ing\u00e9nierie des donn\u00e9es est de d\u00e9finir rigoureusement le protocole d\u2019apprentissage. Le protocole d\u2019apprentissage explique comment entra\u00eener l\u2019algorithme (le plus souvent, la combinaison d\u2019algorithmes) \u00e0 partir des donn\u00e9es qualifi\u00e9es, pour produire la meilleure solution pour le probl\u00e8me consid\u00e9r\u00e9, \u00e0 la fois du point de vue de la pr\u00e9cision et de la robustesse. Le protocole d\u2019apprentissage est un m\u00e9lange d\u2019expertise m\u00e9tier, pour d\u00e9finir les bons objectifs qui vont apporter de la valeur \u00e0 l\u2019entreprise, et d\u2019expertise technique pour produire de fa\u00e7on robuste, par exemple en s\u00e9parant les donn\u00e9es d\u2019apprentissage et les donn\u00e9es de test.<\/p>\n

3.2 Architecture de donn\u00e9es<\/h5>\n

Les algorithmes de\u00a0deep learning<\/em> sont capables de reconna\u00eetre des d\u00e9fauts ou de participer \u00e0 l\u2019optimisation des processus, mais il faut disposer d\u2019un historique cons\u00e9quent pour l\u2019apprentissage. Il faut donc se doter des capacit\u00e9s de stockage, manipulation et enrichissement de ces images ou vid\u00e9os. L\u2019architecture de collecte de donn\u00e9es doit \u00eatre ouverte, car il est souvent possible d\u2019enrichir consid\u00e9rablement le mod\u00e8le sur lequel travaillent les algorithmes en croisant les donn\u00e9es de l\u2019entreprise avec des donn\u00e9es externes. Cette capacit\u00e9 \u00e0 collecter l\u2019ensemble des donn\u00e9es disponibles dans l\u2019entreprise et \u00e0 y associer des donn\u00e9es externes repose sur l\u2019existence d\u2019un mod\u00e8le de donn\u00e9es m\u00e9tier unique et partag\u00e9. Le mod\u00e8le de donn\u00e9es d\u00e9crit les \u00ab\u00a0objets m\u00e9tiers\u00a0\u00bb\u00a0: la fa\u00e7on dont la connaissance de l\u2019entreprise est d\u00e9crite (pour partager une s\u00e9mantique commune) et organis\u00e9e (le contenu informationnel des \u00ab\u00a0objets\u00a0\u00bb et les relations qui les relient). Il est important d\u2019avoir un mod\u00e8le commun et partag\u00e9, qui permet de \u00ab\u00a0d\u00e9-siloter\u00a0\u00bb les syst\u00e8mes d\u2019information (supprimer les fronti\u00e8res entre les zones fonctionnelles ind\u00e9pendantes qualifi\u00e9es de silos) \u00a0et de s\u2019assurer que les donn\u00e9es peuvent circuler sans perte de continuit\u00e9 digitale.<\/p>\n

Le syst\u00e8me d\u2019information est en premier lieu une plateforme de manipulation de donn\u00e9es. L\u2019infrastructure de donn\u00e9es couvre les domaines de capture, de stockage, de partage (avec toute la probl\u00e9matique des acc\u00e8s concurrents \u00e0 la m\u00eame donn\u00e9e), de d\u00e9placement (parce que les temps de r\u00e9ponses sont importants, il est souvent n\u00e9cessaire de dupliquer et donc de d\u00e9placer les donn\u00e9es) et de sauvegarde. La figure 2 d\u00e9crit sommairement les diff\u00e9rents domaines de l\u2019infrastructure de donn\u00e9es. L\u2019\u00e9volution principale des syst\u00e8mes d\u2019information est le d\u00e9couplage fort entre le stockage et l\u2019utilisation, avec l\u2019apparition depuis dix ans du concept de \u00ab\u00a0lac de donn\u00e9es\u00a0\u00bb (datalake<\/em>). La deuxi\u00e8me caract\u00e9ristique de l\u2019infrastructure de donn\u00e9es\u00a0des syst\u00e8mes d\u2019informations modernes est d\u2019\u00eatre construite autour du changement. \u00c0 c\u00f4t\u00e9 des m\u00e9thodes classiques qui travaillent sur des \u00ab\u00a0photos\u00a0\u00bb de la situation contenues dans des bases de donn\u00e9es, on voit appara\u00eetre des m\u00e9thodes qui analysent les \u00ab\u00a0films\u00a0\u00bb des changements. On parle souvent de traitements \u00e0 froid (sur les donn\u00e9es) et \u00e0 chaud (sur les changements).<\/p>\n

\"\"

Figure 2\u00a0: Infrastructure de donn\u00e9es<\/p><\/div>\n

4. Acqu\u00e9rir un large spectre de comp\u00e9tences <\/strong><\/h3>\n
4.1 Le deep learning et son hybridation avec des m\u00e9ta-heuristiques<\/h5>\n

Les r\u00e9seaux neuronaux profonds[5]\u00a0ont permis \u00e0 l\u2019intelligence artificielle de sortir de plusieurs d\u00e9cennies de quasi-stagnation sur des t\u00e2ches \u00e9l\u00e9mentaires de reconnaissance, qu\u2019il s\u2019agisse d\u2019images, de textes ou de sons. Les r\u00e9seaux neuronaux profonds s\u2019appliquent \u00e0 un large \u00e9ventail de probl\u00e8mes de reconnaissances de motifs ou de situation, au-del\u00e0 de la perception, par exemple dans le monde de la finance en gestion de portefeuilles ou dans le digital manufacturing<\/em> pour diagnostiquer des situations pr\u00e9occupantes. En revanche, pour r\u00e9ussir \u00e0 entrainer ces r\u00e9seaux sur des probl\u00e8mes difficiles, il faut beaucoup de puissance machine, beaucoup d\u2019exemples qualifi\u00e9s et une bonne exp\u00e9rience pratique. L\u2019explosion de la puissance machine est derri\u00e8re la plupart des progr\u00e8s d\u00e9cisifs, \u00e0 la fois comme cons\u00e9quence de la loi de Moore et parce que des architectures plus optimis\u00e9es, telles que les GPU puis les TPU se sont g\u00e9n\u00e9ralis\u00e9es (Graphical Processing Unit<\/em> et Tensor Processing Unit, <\/em>par opposition au CPU, Central Processing Unit<\/em>, qui est puce principale de nos ordinateurs). Kai-Fu Lee fait de l\u2019acc\u00e8s massif aux donn\u00e9es la premi\u00e8re condition de succ\u00e8s et de domination sur ses concurrents dans l\u2019application de l\u2019IA\u00a0[6]: \u00ab\u00a0Si vous avez beaucoup plus de donn\u00e9es, un algorithme con\u00e7u par une poign\u00e9e d\u2019ing\u00e9nieurs en IA de niveau normal donnera en g\u00e9n\u00e9ral des meilleurs r\u00e9sultats que ce qu\u2019obtiendrait un sp\u00e9cialiste de niveau mondial avec moins de donn\u00e9es\u00a0\u00bb. \u00a0Pour autant, le\u00a0deep learning<\/em> n\u2019est pas une panac\u00e9e, et il ne se substitue pas aux autres techniques de l\u2019intelligence artificielle. Les r\u00e9seaux profonds construisent des algorithmes \u00ab\u00a0en bo\u00eete noire\u00a0\u00bb, dont nous ne savons pas expliquer les d\u00e9cisions. Pour certains probl\u00e8mes (placer une publicit\u00e9 ou recommander un shampoing) ce n\u2019est pas r\u00e9dhibitoire, mais dans d\u2019autres cas, cela pose un probl\u00e8me de confiance et d\u2019\u00e9thique (prescrire un traitement m\u00e9dical ou conduire une voiture au milieu des pi\u00e9tons).<\/p>\n

L\u2019intelligence artificielle est un riche ensemble de m\u00e9thodes qui sont le plus souvent utilis\u00e9es de fa\u00e7on hybride. On trouve des exemples d\u2019hybridation (combiner deux approches ou plus dans la bo\u00eete \u00e0 outils \u00e9voqu\u00e9e en introduction) dans la plupart des r\u00e9ussites spectaculaires, qu\u2019il s\u2019agisse de AlphaGo, IBM Watson, ou Todai Robot, le logiciel de l\u2019universit\u00e9 de Tokyo qui est capable de r\u00e9ussir un concours d\u2019entr\u00e9e \u00e0 l\u2019universit\u00e9. Une autre forme d\u2019hybridation tr\u00e8s int\u00e9ressante est la combinaison de l\u2019exploration al\u00e9atoire pour g\u00e9n\u00e9rer des donn\u00e9es avec l\u2019intelligence artificielle. Ces approches \u00ab\u00a0g\u00e9n\u00e9ratives\u00a0\u00bb permettent d\u2019explorer des nouveaux domaines de conception. Il existe de multiples fa\u00e7ons d\u2019utiliser et de combiner les algorithmes \u00ab\u00a0\u00e9l\u00e9mentaires\u00a0\u00bb de la bo\u00eete \u00e0 outils. L\u2019intelligence artificielle, tout comme la recherche op\u00e9rationnelle, a produit de multiples m\u00e9ta-heuristiques depuis des dizaines d\u2019ann\u00e9es, qui jouent un r\u00f4le cl\u00e9 pour construire des solutions hybrides.<\/p>\n

L\u2019apprentissage par renforcement (reinforcement learning<\/em>) est une technique tr\u00e8s ancienne de l\u2019IA, fond\u00e9e sur une boucle d\u2019am\u00e9lioration continue par s\u00e9lection de petits changements incr\u00e9mentaux gr\u00e2ce \u00e0 une fonction de \u00ab\u00a0r\u00e9compense\u00a0\u00bb. Libratus, le champion du monde de Poker d\u00e9velopp\u00e9 \u00e0 l\u2019universit\u00e9 Carnegie-Mellon, est une combinaison d\u2019apprentissage statistique classique et de reinforcement learning<\/em>. Les m\u00e9thodes probabilistes (telles que l\u2019approche Monte-Carlo) et leur d\u00e9clinaison sous forme de communaut\u00e9s massives d\u2019agents sont essentielles pour explorer des espaces de recherche, ce que montrent les exemples de Deepmind (depuis AlphaGo \u00e0 AlphaFold). Le monde de l\u2019apprentissage profond a produit lui aussi diff\u00e9rentes \u00ab\u00a0m\u00e9ta-heuristiques\u00a0\u00bb comme le\u00a0transfer learning<\/em>\u00a0qui permet de r\u00e9utiliser un apprentissage \u00ab\u00a0des couches basses\u00a0\u00bb, obtenu sur un tr\u00e8s grand volume de donn\u00e9es g\u00e9n\u00e9riques, sur un nouveau r\u00e9seau que l\u2019on va entra\u00eener avec un plus petit nombre d\u2019exemples sp\u00e9cifiques au probl\u00e8me que l\u2019on veut traiter. La notion de r\u00e9seau \u00ab\u00a0adversaire\u00a0\u00bb (GAN\u00a0: Generative Adversarial Network<\/em>) cherche \u00e0 am\u00e9liorer la robustesse des r\u00e9seaux profonds (qui sont souvent mis en \u00e9chec par une petite variation) en construisant une paire de r\u00e9seaux neuronaux, le second cherchant des contre-exemples \u00e0 l\u2019apprentissage du premier, pour construire par renforcement un syst\u00e8me global plus robuste. Ce qu\u2019il faut retenir de ces quelques exemples, c\u2019est qu\u2019il est important d\u2019avoir une vision large de l\u2019IA[7], et de se maintenir \u00ab\u00a0\u00e0 jour\u00a0\u00bb de l\u2019\u00e9tat de l\u2019art \u00e0 la fois en termes d\u2019outils et de m\u00e9thodes de composition.<\/p>\n

4.2 Syst\u00e8mes de Syst\u00e8mes<\/h5>\n

La combinaison de diff\u00e9rentes techniques d\u2019IA peut se faire par hybridation, mais elle peut \u00e9galement se faire par assemblage, sous la forme de syst\u00e8mes de syst\u00e8mes. Dans un syst\u00e8me de syst\u00e8mes, chaque composant peut faire appel \u00e0 des techniques diff\u00e9rentes pour collaborer sur un but commun.<\/p>\n

Je vais terminer en illustrant cette approche par l\u2019exemple d\u2019un robot autonome, qui est illustr\u00e9 dans la figure 3. Ce robot est plac\u00e9 sur une ligne de production, il collabore \u00e0 la fois localement avec des humains et d\u2019autres robots, mais \u00e9galement de fa\u00e7on globale avec d\u2019autres robots identiques plac\u00e9s sur d\u2019autres lignes ou d\u2019autres usines. La figure illustre quelques exemples de sous-syst\u00e8mes intelligents qui forment collectivement le logiciel du robot, en lui permettant de combiner un apprentissage individuel et un apprentissage collectif (ce que Tesla cherche \u00e0 faire sur l\u2019ensemble de ses voitures connect\u00e9es). La partie du bas de la figure est consacr\u00e9e \u00e0 l\u2019apprentissage individuel, autour d\u2019une organisation \u00ab\u00a0classique\u00a0\u00bb\u00a0: D\u00e9cision-Buts-Planification-Ex\u00e9cution. Cette boucle s\u2019appuie sur une intelligence situationnelle du robot nourrie par les capteurs et les algorithmes associ\u00e9s de reconnaissance de situation. C\u2019est bien s\u00fbr ici que l\u2019on va utiliser la puissance des r\u00e9seaux neuronaux, tandis que des approches d\u2019IA \u00ab\u00a0symbolique\u00a0\u00bb restent tr\u00e8s pertinentes pour la boucle de contr\u00f4le. L\u2019architecture illustr\u00e9e ici fait \u00e9galement appara\u00eetre un module de \u00ab\u00a0r\u00e9flexes\u00a0\u00bb, en reproduisant un mod\u00e8le biomim\u00e9tique en couches, qui sont des circuits courts de r\u00e9action aux situations. Dans une situation op\u00e9rationnelle r\u00e9elle, l\u2019IA d\u2019un module de r\u00e9flexe doit \u00eatre certifiable.<\/p>\n

Ce qui caract\u00e9rise l\u2019intelligence, comme le souligne Yann Le Cun, ce n\u2019est pas juste la r\u00e9action \u00e0 l\u2019environnement mais l\u2019anticipation. Notre robot autonome doit donc disposer de capacit\u00e9s de pr\u00e9diction, ce qui suppose une m\u00e9moire de ses exp\u00e9riences pass\u00e9es, ainsi que d\u2019un mod\u00e8le de fonctionnement de son environnement interne et externe. L\u2019architecture illustr\u00e9e sur la figure 3 repr\u00e9sente la boucle d\u2019ajustement continue du mod\u00e8le de fonctionnement interne en comparant la r\u00e9alit\u00e9 et ce qui est obtenu par le mod\u00e8le de pr\u00e9vision. Cette construction du mod\u00e8le \u00ab\u00a0du monde externe\u00a0\u00bb peut facilement se concevoir de fa\u00e7on collaborative pour associer les autres robots identiques, ce qui est illustr\u00e9 sur la partie haute de la figure. L\u2019approche syst\u00e8me-de-syst\u00e8mes dessin\u00e9e ici permet au robot de combiner son apprentissage individuel avec des \u00e9l\u00e9ments (r\u00e8gles de comportement mais surtout r\u00e8gles d\u2019\u00e9valuation de situation, un autre bon exemple d\u2019application des r\u00e9seaux neuronaux) fournis par sa communaut\u00e9.<\/p>\n

\"\"

Figure 3\u00a0: Approche Syst\u00e8me de Syst\u00e8me<\/p><\/div>\n

5. Conclusion<\/h3>\n

L\u2019IA est une discipline ancienne, mais dont les capacit\u00e9s se sont consid\u00e9rablement accrues depuis 10 ans. Les entreprises doivent se saisir de l\u2019opportunit\u00e9 de r\u00e9inventer leurs processus, leurs produits et leurs solutions. Cette transformation, qui s\u2019inscrit dans la transformation digitale des entreprises[4], est complexe\u00a0: elle touche la culture, l\u2019organisation et les savoir-faire. Cet article est une modeste contribution pour souligner trois aspects\u00a0:<\/p>\n

    \n
  • Le d\u00e9veloppement de l\u2019IA dans les pratiques de l\u2019entreprise est une \u00ab\u00a0r\u00e9volution de l\u2019int\u00e9rieur\u00a0\u00bb, distribu\u00e9e sur l\u2019ensemble de l\u2019organisation.<\/li>\n
  • L\u2019IA est, d\u2019un point de vue pratique, une modalit\u00e9 logicielle des outils de l\u2019entreprise. La fondation de cette transformation est la strat\u00e9gie de donn\u00e9es, depuis la vision m\u00e9tier jusqu\u2019au d\u00e9veloppement d\u2019une infrastructure moderne de donn\u00e9es.<\/li>\n
  • L\u2019IA est un domaine riche, en \u00e9volution constante, qui exige une approche d\u2019apprentissage continu des connaissances. Les deux mots cl\u00e9s de cette approche sont \u00ab\u00a0exp\u00e9rimentation\u00a0\u00bb – apprendre par la pratique \u2013 et \u00ab\u00a0ouverture\u00a0\u00bb, savoir utiliser les outils et les comp\u00e9tences des autres, et surtout ne pas se laisser enfermer dans une conception trop \u00e9troite de ce qu\u2019est l\u2019Intelligence Artificielle.<\/li>\n<\/ul>\n

    6. Bibliographie<\/strong><\/h3>\n

    [1] RUSSEL S. & NORVIG P., Eds., Artificial Intelligence: A Modern Approach<\/em>, Prentice Hall Series, 2002.<\/p>\n

    [2] \u00ab\u00a0Renouveau de l\u2019Intelligence Artificielle et de l\u2019Apprentissage\u00a0\u00bb,\u00a0 Rapport Acad\u00e9mie des technologies, 2018<\/p>\n

    [3] DAUGHERTY P, WILSON H.J., Human + Machine: Reimagining Work in the Age of AI<\/em>. Harvard Business Review Press, 2018.<\/p>\n

    [4] CASEAU Y., L\u2019approche Lean de la transformation digitale \u2013 Du client au code et du code au client<\/em>,\u00a0 Dunod, 2020.<\/p>\n

    [5] GOODFELLOW I., BENGIO Y. & COURVILLE Y. (2016), Deep Learning<\/em>, MIT Press, 2016.<\/p>\n

    [6] LEE KAI-FU., AI Super-Powers \u2013 China, Silicon Valley and the New World Order<\/em>. Houghton Mifflin Harcourt, 2018.<\/p>\n

    [7] FORD M., Architects of Intelligence: The Truth about AI from the people building it<\/em>. Packt Publishing, 2018<\/p>\n

     <\/p>\n

    Mots-cl\u00e9s : intelligence artificielle – apprentissage automatique – infrastructure de donn\u00e9es<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

    1. Introduction L\u2019intelligence artificielle[1]\u00a0(IA) est la famille des sciences informatiques qui s\u2019int\u00e9resse \u00e0 la reproduction de comportements que l\u2019on peut qualifier d\u2019intelligents, parce qu\u2019ils r\u00e9solvent des probl\u00e8mes complexes de fa\u00e7on adaptative, et qui repr\u00e9sentent du point de vue humain un effort cognitif. Dans cet article, nous allons nous int\u00e9resser aux conditions qui permettent aux entreprises […]<\/p>\n","protected":false},"author":313,"featured_media":5277,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[164],"tags":[],"class_list":["post-5273","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-intelligence-artificielle","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/5273","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/users\/313"}],"replies":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=5273"}],"version-history":[{"count":0,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/5273\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/media\/5277"}],"wp:attachment":[{"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=5273"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=5273"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=5273"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}