24 janv. 2022
6 choses à savoir avant d’implanter de l’IA dans votre entreprise
Intelligence artificielle
Si la majorité des gens ont entendu parler de l'intelligence artificielle et des nombreux avantages qu'elle peut apporter à nos modèles d’affaires, peu d'entre eux savent réellement comment l'implanter dans leur entreprise, et beaucoup se questionnent sur les mesures à prendre avant de se lancer dans un projet d'IA.
Alexis Fortin-Coté est détenteur d’un baccalauréat en génie mécanique, d’une maîtrise et d’un doctorat en robotique ainsi que d’un postdoctorat en analyse des données. Aujourd’hui AI scientist chez Vooban, il est venu répondre à 6 questions sur l’intelligence artificielle que nous recevons régulièrement de nos clients.
1. Si tu avais à vulgariser l’intelligence artificielle, tu dirais quoi?
« L’intelligence artificielle, c’est un système informatique qui peut prendre des décisions en fonction de données qu’on lui a présentées, comme le ferait un humain. Sa puissance réside également en sa capacité à exécuter des tâches d’analyse « surhumaines », qui vont au-delà de notre aptitude à faire des calculs.
Au lieu d’utiliser des règles informatiques préétablies pour fonctionner, l’IA apprend par l’exemple et crée ses propres règles en fonction des données reçues. Parce qu’elle peut offrir des performances nettement supérieures à celles d’un humain, on la retrouve dans un paquet d’industries et d’entreprises pour accomplir des tâches très variées.
Par exemple, on retrouve de l’intelligence artificielle dans les systèmes de vision (reconnaissance faciale, conduite autonome, tri optique), dans les systèmes de prédiction (prédiction des ventes, détection des fraudes, analyse des risques) et dans le traitement du langage naturel (assistants vocaux, agents conversationnels, filtrage de messages). »
2. Quelle est la différence entre les statistiques traditionnelles et l’intelligence artificielle?
« Les statistiques traditionnelles sont très interprétables par l’humain. Les gens connaissent généralement la moyenne et l’écart type et peuvent les appliquer pour faire des analyses. Ça a encore sa place en diagnostic, ou en analyse des ventes par exemple, puisqu’elles donnent des résultats clairs et qu’elles sont faciles à comprendre et à expliquer.
L’intelligence artificielle entre en jeu quand on tombe dans des problèmes complexes qui demandent une prise de décision et une analyse plus poussée. Certains voient l’IA comme une forme « de statistiques avancées ». Ils n’ont pas tort, mais il y a quand même une différence d’usage entre les deux. La statistique traditionnelle sert à démontrer des faits historiques via des modèles plus linéaires, alors que l’IA va être en mesure d’expliquer des relations plus complexes entre les variables et les résultats attendus. Elle peut utiliser beaucoup plus de données, souvent disparates ou non structurées. C’est un travail costaud, qui va au-delà des limites d’analyse humaines. Plus il y a de variables et de complexité, plus l’utilisation de l’intelligence artificielle est justifiée. »
3. Quel temps doit-on investir en préparation de données avant de débuter l’entraînement d’un algorithme?
« La préparation de données est l’étape la plus cruciale et la plus longue, et souvent la plus sous-estimée. En moyenne, on estime que 80% du temps d’un scientifique des données est dédié à cette tâche. C’est un processus qui demande temps et patience, mais qui est absolument nécessaire pour entraîner des modèles fiables. On parle « d’intelligence » artificielle, oui, mais il faut quand même quelque chose de substantiel et de précis pour l’alimenter. De nombreux facteurs peuvent mener à des résultats erronés, comme des données manquantes ou incomplètes, des lots non corrélés, des erreurs de frappe, etc. Il faut donc « nettoyer » ces données, c’est-à-dire les préparer et les filtrer pour s’assurer de leur justesse, de leur pertinence et de l’uniformité de leur format. Sinon, on se retrouve avec des erreurs aberrantes qui ne donnent pas les résultats escomptés.
Pour créer un algorithme fiable, ça prend ce qu’on appelle un « pipeline de données », une architecture informatique qui permet d’organiser et de transférer des données provenant de toutes les sources d’informations utilisées par une entreprise (bases de données, applications, tableurs Excel, journaux d’appel, etc.) afin de pouvoir facilement les exploiter. Ce pipeline se doit donc d’être robuste et consistant, et d’avoir le moins d’entrées manuelles possible. L’erreur est humaine, c’est pourquoi l’automatisation de la saisie est la méthode à prioriser. Idéalement, il ne faudrait plus utiliser de fichiers Excel volumineux pour stocker vos bases de données et faire la gestion de celles-ci, puisqu’ils ne sont pas une source fiable d’information ni un format stable. »
4. Combien de données faut-il pour faire de l’IA?
« C’est une question qui revient souvent, et qui n’a malheureusement pas de réponse uniforme. Bien évidemment, l’IA n’invente rien : elle ne fait que regarder dans le passé pour faire des corrélations, proposer des solutions et prédire des résultats. Comme chaque entreprise et chaque projet varient énormément, le nombre de données nécessaire ne sera pas toujours le même. Il vaut toujours mieux en avoir plus que pas assez, et il n’est jamais trop tard pour commencer à entreposer et classifier les données de votre entreprise. Toutefois, la qualité de celles-ci est primordiale. Si vous avez un paquet de données, mais que leur traçabilité et leur fiabilité ne sont pas démontrées, vous risquez d’obtenir des résultats peu concluants.
La beauté de l’IA, c’est qu’elle peut être entraînée et optimisée au fil des années, de l’information reçue et des nouvelles données qu’on lui fournit. Plus le processus est enclenché tôt, plus votre modèle pourra évoluer dans le temps et offrir des résultats intéressants.
À l’inverse, certains projets d’intelligence artificielle ne requièrent pas une tonne de données historiques. En vision, par exemple, on peut générer de l’information super rapidement à l’aide de caméras. Dans ces types de projets, les images reçues doivent être étiquetées et classifiées, ce qui demande un travail de préparation tout autre, puisque ça nécessite une intervention humaine. »
5. Quelle expertise faut-il pour faire un projet d’IA?
« C’est certain qu’un étudiant fraîchement sorti de la maîtrise en intelligence artificielle excellera à faire des modèles et des preuves de concept. Pour que les projets se concrétisent, cependant, il faut les efforts et les compétences de toute une équipe. Chez Vooban par exemple, nos experts en intelligence artificielle ont tous des expertises différentes qui leur permettent de s’adapter à la complexité et aux spécificités de nos nombreux projets. Au-delà de l’IA, ça prend également un bon soutien logistique et technologique, comme des gestionnaires de projets, des data engineers et des développeurs, qui veillent à ce que le modèle soit fonctionnel et évolutif.
Il ne faut surtout pas oublier le client. C’est lui qui, au bout du compte, est à la base du projet et qui va bénéficier du produit final. C’est important de toujours être en contact avec lui et de l’impliquer dans la boucle pour que tous soient sur la même longueur d’onde dans toutes les étapes du projet. »
6. Combien de temps faire un projet d’IA prend-il?
« Encore une fois, c’est une question avec une tonne de réponses possibles. Comme mentionné plus haut, le type de projet va venir jouer sur la durée de celui-ci. Si on a suffisamment de données à notre actif (un data lake ou un data warehouse,par exemple), on peut générer des preuves de concept assez rapidement. Sinon, il faut mettre des systèmes en place et aller rechercher les données manuellement avec l’aide de scientifiques en IA, une démarche qui sera alors plus longue.
Prenons par exemple une moyenne entreprise qui utilise déjà des outils de BI (intelligence d’affaires) et qui possède un bon historique de ses ventes. Dans cette situation, il est possible d’obtenir un modèle de prédictions des ventes en l’espace de seulement quelques semaines. En contrepartie, si vous souhaitez automatiser l’entièreté de votre chaîne de production et ajouter de l’équipement spécialisé comme des capteurs ou des cellules robotisées, on parle alors d’un processusconsidérable qui peut s’échelonner sur une année complète, voire deux.
Malgré tout, avec les bonnes équipes et suffisamment de données de qualité, la mise en production d’un projet en intelligence artificielle est généralement possible à l’intérieur d’un an. »
