Intelligence artificielle : les bonnes pratiques pour transformer l’essai

|

Avis d’experts

Anna ZAGRAJCZUK-RAY, data scientist, Capgemini

Victor AZRIA, data scientist, Capgemini


"L’ia fait bien plus qu’accélérer ou automatiser des processus existants : elle engage une révolution qui promet de réinventer des pans entiers de l’activité.”

 

Grâce aux récentes avancées technologiques, s’achève pour l’Intelligence Artificielle l’ère de la théorie et de l’expérimentation et s’ouvre celle de l’industrialisation. Les premiers retours d’expérience de nos projets sur le terrain livrent des enseignements précieux pour prendre la vague de cette révolution majeure.

 

Il y a une vingtaine d’années, en s’appuyant sur les données structurées des systèmes de gestion, la Business Intelligence permettait de répondre à un certain nombre de questions métiers ; aujourd’hui, en étendant l’analyse à tous types de données, le machine learning élargit considérablement le champ des possibles. Branche de l’Intelligence Artificielle (IA), le machine learning permet de parcourir des masses de données disparates (images, textes, sons, …), de les classifier et d’y déceler des régularités, des anomalies ou des causalités inaccessibles à l’analyse de l’homme.

En excédant de très loin les capacités humaines, l’IA fait bien plus qu’accélérer ou automatiser des processus existants : elle a le potentiel pour réinventer des pans entiers de l’activité, avec notamment une dimension prescriptive ou prédictive. Conscientes de l’ampleur de cette révolution, des entreprises de tous secteurs ont d’ores et déjà dépassé l’expérimentation et introduit l’IA dans leurs processus. Leurs retours d’expérience constituent des cas d’usage révélateurs des premières bonnes pratiques.

 

L’optimisation des achats : un révélateur du potentiel caché des données

 

Pour rationaliser les achats, la masse d’informations à analyser est tout simplement trop colossale pour les acheteurs. Mais pas pour l’IA, capable d’analyser des milliers d’appels d’offres, de bons de commande et de contrats pour aller beaucoup plus loin dans l’optimisation. Sollicités par un grand groupe sur cette thématique, nous avons d’abord cherché à valider la méthode et à estimer ses bénéfices.

La Data Science est l’art de formuler les questions et de déterminer quels algorithmes, appliqués à quelles données, permettront d’y répondre. Cette étape préparatoire est notamment l’occasion de découvrir ce que les données ont à offrir. Même si l’on a des présomptions, il faut savoir se laisser étonner pour déceler tout leur potentiel. En l’occurrence, nous avons constaté que des achats similaires, réalisés dans différents pays, pouvaient être consolidés chez un même fournisseur international. Et cet aspect est venu s’ajouter aux bénéfices du projet.

 

La détection de fraude : un révélateur de l’indispensable ajustement des processus

 

Nous sommes intervenus à plusieurs reprises sur des projets de détection de fraude, une problématique majeure dans de nombreux secteurs (banque, assurance, secteur public,…) et à laquelle l’IA répond particulièrement bien. À partir de l’analyse des données structurées (dossiers clients), semistructurées (logs informatiques) ou non structurées (messages sur les réseaux sociaux), nous avons pu faire émerger des cas aberrants, des profils douteux, des comportements suspects ou des relations improbables. Par exemple, dans le domaine des prestations sociales, on peut repérer si une personne multiplie les simulations en variant sa situation familiale. Ou, dans celui des douanes, faire apparaître des liens personnels révélateurs d’un trafic. Ceci ne constitue toutefois que la moitié du chemin.

Pour tirer tout le bénéfice d’une solution d’IA, il faut en parallèle ajuster les processus qui y font appel. En l’occurrence, se réorganiser pour remplacer les contrôles aléatoires ou arbitraires par des contrôles ciblés et motivés. Ou prioriser les enquêtes selon la probabilité et/ou la gravité de la fraude supposée. Les investigations sont plus précoces, plus pertinentes, plus transparentes, et on maximise le rapport entre ressources mobilisées et résultats.

 

La maintenance prédictive : un révélateur de l’intérêt d’un data lake

 

Grâce notamment aux innombrables données techniques et de fonctionnement que peut collecter l’Internet des objets (IoT), la maintenance prédictive est aujourd’hui l’un des sujets prioritaires des grands industriels. Nous avons ainsi travaillé sur l’interprétation de signaux faibles afin de détecter très en amont les risques de panne d’un grand équipement de production dans le domaine de la métallurgie. Cependant, ce projet a montré qu’ajouter des capteurs n’était pas toujours nécessaire. En effet, d’innombrables données existent sans que l’on soupçonne toujours qu’elles puissent être porteuses de sens : vidéosurveillance, comptes-rendus de réunion, rapports d’intervention, … Il faut intégrer à sa réflexion que l’IA est capable de digérer et de faire parler toutes sortes de données, y compris – et surtout ! – celles qui nous paraissent inintelligibles ou peu facilement analysables. 

La constitution d’un data lake permet de réunir ces données, de leur donner une cohérence du point de vue de la machine (en harmonisant par exemple le vocabulaire entre les métiers), et favorise la mise en oeuvre de futures applications cognitives et analytiques.

 

Le recrutement ciblé : un révélateur de l’ambition comme facteur clé de succès

 

S’appuyant sur l’examen de nombreuses offres et demandes d’emploi, un acteur majeur des ressources humaines a utilisé l’Intelligence Artificielle pour redéfinir son approche du recrutement, privilégiant les compétences et la proximité géographique à la notion restrictive de métier. Cette nouvelle méthode d’optimisation de gestion des ressources humaines représente une innovation majeure menant vers des opportunités inexploitées jusqu’alors.

Nous avons accompagné cette entreprise dans ce projet qui touche au coeur de son activité depuis l’expérimentation jusqu’à la solution industrialisée et déployée. Cette transformation aurait difficilement pu aboutir sans une vision et une ambition affirmées dès le départ. Expérimenter “pour voir” prépare mal aux exigences du passage à l’échelle et voue l’Intelligence Artificielle à un usage limité. Comme aux débuts du Cloud, une vision de transformation à long terme permet d’en tirer le maximum de bénéfices et de penser dès aujourd’hui les applications de l’Intelligence Artificielle de demain.