OPINION. L'objectif ultime de l'IA est de développer un système intelligent pour simuler la pensée et l'intelligence humaines, tandis que le Machine Learning (ML) permet à la machine d'apprendre à partir des données pour donner le résultat souhaité. Alors que l'IA vise à rendre les machines plus humaines, le ML aide à faire en sorte que les machines apprennent comme les humains. Par Xavier Dalloz, consultant spécialisé dans les nouvelles technologies.
Les principales applications de l'IA et du ML concernent l'intelligence prévisionnelle et l'aide à la prise de décision. Pour chaque application, le pouvoir ne vient pas des machines, mais des décideurs qui sont derrière les machines, guidant leur réaction aux prédictions.
Un scientifique de l'Institut Max Planck résume très bien le principal enjeu : « l'IA va changer la médecine. Cela va changer la recherche. Cela changera la bio-ingénierie. Cela va tout changer ».
Et pour Jack Solow, le messages est encore plus clair « en 2011, les logiciels dévoraient le monde ; en 2022, l'IA dévore les logiciels. » Toute entreprise sans stratégie d'IA viable sera marginalisée d'ici la fin de cette décennie ».
Les enjeux de l'intelligence artificielle à suivre
L'intelligence artificielle prendra la relève de nombreuses activités, telles que la recherche sur le net, obtenir des conseils de voyage, et surtout les assistants personnels et les chatbots. Avec de l'intelligence artificielle dans les objets, nous n'aurons plus besoin d'interagir avec eux puisqu'ils sont capables de devenir autonomes et d'apprendre à anticiper nos intentions. Plus concrètement, l'IA va nous libérer d'un certain nombre d'actes inutiles et chronophages.
Pour la Darpa, l'Intelligence artificielle se mesure en fonction de quatre capacités :
Percevoir
C'est-à-dire récupérer des informations de l'environnement externe et la capacité à inférer des choses sur le monde via des sons, des images et d'autres entrées sensorielles.
Newsletter
Ma Tribune
L’actualité qui compte pour vous, chaque jour dans votre boîte mail.
C'est-à-dire récupérer des informations de l'environnement externe et la capacité à inférer des choses sur le monde via des sons, des images et d'autres entrées sensorielles.
Apprentissage
C'est-à-dire améliorer de façon autonome les fonctions de base
Abstraction
C'est-à-dire adaptation autonome à de nouvelles situations et compréhension du contexte
Raisonnement
C'est-à-dire prendre des décisions correctes avec de meilleures réponses en fonction des connaissances disponibles
C'est-à-dire améliorer de façon autonome les fonctions de base
C'est-à-dire adaptation autonome à de nouvelles situations et compréhension du contexte
C'est-à-dire prendre des décisions correctes avec de meilleures réponses en fonction des connaissances disponibles
On peut résumer les étapes du déploiement de l'intelligence artificielle de la façon suivante ;
Première étape - Connaissance artisanale
La première vague de systèmes d'IA repose sur des connaissances artisanales. Ces systèmes, construits par des experts du domaine, contiennent des règles qui décrivent les processus de base et les ensembles de connaissances de domaines spécifiques.
Deuxième étape - Apprentissage statistique
Les systèmes d'IA de deuxième vague sont ceux construits en utilisant des techniques d'apprentissage automatique telles que les réseaux de neurones. Ces systèmes s'appuient sur des modèles statistiques qui caractérisent un domaine spécifique. Ils alimentent ensuite les algorithmes du Big data en affinant sa capacité à prédire correctement le résultat.
Troisième étape - Adaptation contextuelle
La troisième vague d'IA est constitué des systèmes capables d'adaptation contextuelle. Ce sont des systèmes qui construisent des modèles explicatifs pour des classes de phénomènes du monde réel. Les systèmes de la troisième vague montrent une capacité à comprendre ce qu'ils font et pourquoi ils le font.
Les types d'intelligence artificielle peuvent être regroupées en cinq catégories:
Raisonnement
La capacité de résoudre des problèmes par déduction logique .
Connaissance
La capacité de présenter des connaissances sur le monde. Par exemple : la négociation sur les marchés financiers, la prévision des achats, la prévention de la fraude, la création de médicaments ou le diagnostic médical.
Planification
La capacité de définir et d'atteindre des objectifs. Par exemple : la gestion des stocks, la prévision de la demande, la maintenance prédictive, l'optimisation des réseaux physique et numérique, etc.
Communication
La capacité à comprendre le langage parlé et écrit. Par exemple : la traduction en temps réel des langues parlées et écrites, les assistants intelligents ou la commande vocale
Explicabilité
Sans explications derrière les fonctionnalités internes d'un modèle d'IA et les décisions qu'il prend, il y a un risque que le modèle ne soit pas considéré comme digne de confiance ou légitime. XAI offre la compréhensibilité et la transparence nécessaires pour permettre une plus grande confiance envers les solutions basées sur l'IA.
Les réseaux de neurones
Les réseaux de neurones fonctionnent sur les principes similaires à ceux des cellules neuronales humaines. Il s'agit d'une série d'algorithmes qui capturent la relation entre diverses variables sous-jacentes et enregistrent les données comme le fait un cerveau humain.
Traitement du langage naturel(PNL)
Le PNL est une science de lecture, de compréhension, d'interprétation d'un langage par une machine. Une fois qu'une machine comprend ce que l'utilisateur a l'intention de communiquer, elle répond en conséquence.
Vision par ordinateur
Utiliser la vision par ordinateur signifie que l'utilisateur entre une image dans le système et que ce qu'il reçoit en tant que sortie peut inclure des caractéristiques quantitatives et donc de décisions.
Voici quelques exemples d'applications de l'intelligence qui vont être au cœur de la réinvention de secteurs d'activités :
Exemples dans le domaine des services financiers
L'intelligence artificielle dans le secteur bancaire accélère la numérisation des processus bancaires et financiers de bout en bout. En mettant en œuvre la puissance de l'analyse de données, des algorithmes ML intelligents et des intégrations sécurisées dans les applications, les applications d'IA optimisent la qualité du service et aident les entreprises à identifier et à combattre les fausses transactions.
Exemple des Chatbots IA
Les chatbots IA du secteur bancaire peuvent assister les clients 24h/24 et 7j/7 et donner des réponses précises à leurs requêtes. Ces chatbots offrent une expérience personnalisée aux utilisateurs.
Exemple de l'amélioration de l'expérience client
Les applications mobiles intelligentes utilisant des algorithmes ML peuvent surveiller le comportement des utilisateurs et en tirer des informations précieuses basées sur les modèles de recherche des utilisateurs. Ces informations vont aider les fournisseurs de services à proposer des recommandations personnalisées aux utilisateurs finaux.
Exemple de l'automatisation et rend le processus transparent
Les applications d'IA peuvent réduire la charge de travail des banquiers et optimiser la qualité du travail.
Exemple de la collecte et de l'analyse de données
Les banques peuvent également prendre des décisions commerciales efficaces grâce aux informations tirées des données clients et leur proposer des recommandations de services personnalisées.
Exemple de la gestion de portefeuille
La gestion de patrimoine et de portefeuille peut être effectuée de manière plus puissante grâce à l'intelligence artificielle.
Exemple de la gestion des risques
L'IA va aider les banquiers à identifier les risques liés à l'octroi de prêts.
En utilisant le processus d'évaluation des risques basé sur l'IA, les banquiers peuvent analyser le comportement de l'emprunteur et ainsi réduire la possibilité d'actes frauduleux.
Exemple de la détection de la fraude
Les applications bancaires d'intelligence artificielle détectent les risques et minimisent les actes frauduleux.
Les chatbots IA du secteur bancaire peuvent assister les clients 24h/24 et 7j/7 et donner des réponses précises à leurs requêtes. Ces chatbots offrent une expérience personnalisée aux utilisateurs.
Les applications mobiles intelligentes utilisant des algorithmes ML peuvent surveiller le comportement des utilisateurs et en tirer des informations précieuses basées sur les modèles de recherche des utilisateurs. Ces informations vont aider les fournisseurs de services à proposer des recommandations personnalisées aux utilisateurs finaux.
Les applications d'IA peuvent réduire la charge de travail des banquiers et optimiser la qualité du travail.
Les banques peuvent également prendre des décisions commerciales efficaces grâce aux informations tirées des données clients et leur proposer des recommandations de services personnalisées.
La gestion de patrimoine et de portefeuille peut être effectuée de manière plus puissante grâce à l'intelligence artificielle.
L'IA va aider les banquiers à identifier les risques liés à l'octroi de prêts.
En utilisant le processus d'évaluation des risques basé sur l'IA, les banquiers peuvent analyser le comportement de l'emprunteur et ainsi réduire la possibilité d'actes frauduleux.
Les applications bancaires d'intelligence artificielle détectent les risques et minimisent les actes frauduleux.
Exemples dans le domaine de la gestion des villes
Exemple du contrôle de la pollution
Prédire les niveaux de pollution pour les prochaines heures. Ce type de technologie permet aux autorités de prendre des décisions à l'avance pour réduire leur impact sur l'environnement.
Exemple de la gestion des systèmes de stationnement
La disponibilité des places peut être présentée aux utilisateurs en attente, certaines technologies plus avancées ont la capacité de recommander des places en fonction de la voiture.
Exemple da la gestion des transports publics
Permettre aux usagers des transports en commun de recevoir et d'accéder aux dates et suivis en temps réel, ce qui améliore le timing et la satisfaction des clients.
Exemple de la gestion des déchets
Permettre aux villes de suivre le recyclage et d'identifier ce qui peut être recyclé dans la région.
Exemple de la gestion du trafic
Prédire et réduire le trafic, en utilisant des algorithmes d'apprentissage en profondeur, ce qui peut également réduire la pollution créée par le trafic.
Exemple du suivi de la consommation de l'énergie
Analyser et suivre la consommation d'énergie des entreprises et des citoyens, avec ces données, il peut ensuite être décidé où impliquer des sources d'énergie renouvelables.
Exemple de la gestion de l'environnement
Permettre aux autorités et aux villes de prendre des décisions éclairées qui sont les meilleures pour l'environnement. Les villes intelligentes utilisent également l'IA pour détecter le CO2, ce qui peut ensuite conduire à des décisions en matière de transport.
Prédire les niveaux de pollution pour les prochaines heures. Ce type de technologie permet aux autorités de prendre des décisions à l'avance pour réduire leur impact sur l'environnement.
La disponibilité des places peut être présentée aux utilisateurs en attente, certaines technologies plus avancées ont la capacité de recommander des places en fonction de la voiture.
Permettre aux usagers des transports en commun de recevoir et d'accéder aux dates et suivis en temps réel, ce qui améliore le timing et la satisfaction des clients.
Permettre aux villes de suivre le recyclage et d'identifier ce qui peut être recyclé dans la région.
Prédire et réduire le trafic, en utilisant des algorithmes d'apprentissage en profondeur, ce qui peut également réduire la pollution créée par le trafic.
Analyser et suivre la consommation d'énergie des entreprises et des citoyens, avec ces données, il peut ensuite être décidé où impliquer des sources d'énergie renouvelables.
Permettre aux autorités et aux villes de prendre des décisions éclairées qui sont les meilleures pour l'environnement. Les villes intelligentes utilisent également l'IA pour détecter le CO2, ce qui peut ensuite conduire à des décisions en matière de transport.
Exemples dans le domaine du commerce de détail
Le potentiel pour stimuler les ventes avec de l'IA dans les magasins est considérable :
La reconnaissance intelligente des produits et la facturation automatisée permettent des magasins sans caissier
Les interfaces d'IA telles que les chatbots et les écrans interactifs prennent en charge le service client
Une tarification intelligente permet de gérer la demande et de stimuler les ventes
L'analyse prédictive aide à la prévision des prix en fonction de la demande et des tendances saisonnières
La gestion intelligente de la chaîne d'approvisionnement et la logistique améliorent la disponibilité des produit.
Les modèles d'apprentissage automatique catégorisent et regroupent automatiquement les produits
Les cabines d'essayage virtuelles avec miroirs intelligents prennent en charge le libre-service au plus haut niveau
Prédire le comportement des clients
Améliorer l'aménagement de la surface de vente en fonction de l'analyse du comportement des clients
Exemples dans le domaine de la santé
Qu'il s'agisse de l'utiliser pour détecter des liens entre des codes génétiques, d'utiliser des robots chirurgicaux ou même de maximiser l'efficacité des hôpitaux.
