Avec le développement rapide de l’IA en seulement quelques années et sa diffusion dans de nombreux domaines, un grand nombre d’acteurs économiques pensent que l’IA va conduire à une nouvelle transition technologique. Aujourd’hui, les problématiques sont de savoir sur quels supports l’IA va pouvoir se diffuser encore plus largement et comment exploiter les données pour en extraire le maximum de valeur afin de rester compétitif au sein de l’espace économique.
Pour réussir cette transition les acteurs économiques sont animés par trois questions fondamentales, comme l’explique M. Liang dans une interview donnée à The Next AI Plateform [1]. Premièrement, les centres de données sont en crise en ce qui concerne la puissance, l'étalement et le coût, ce qui oblige les entreprises à créer de nouvelles architectures pour le traitement des données - et pas seulement l'IA. Le deuxième problème n'est pas la quantité massive de données qui sont créées et stockées puisque c'est une évidence à ce stade, mais surtout la transformation de ces données en valeur pour l’entreprise. En effet, seules les entreprises capables de convertir les données en informations pourront les monétiser et sortir gagnantes de cette évolution. Enfin, la troisième question est pour les entreprises de savoir comment créer facilement et efficacement des applications afin de mieux tirer parti des données exploitables.
Ainsi, les nouveaux défis concernent d’un côté le développement et l’évolution nécessaire des supports matériels à l’IA. Et de l’autre comment transformer les montagnes de datas disponibles en des pépites d’information capables d’apporter une réelle plus-value aux entreprises.
Le développement et l'évolution nécessaire des support matériels pour l'IA
Tout d’abord, nous allons nous pencher sur les supports matériels de l’IA.
L’imaginaire collectif a beau avoir été bercée aux robots androïdes, la réalité est que l'IA actuelle est constitué que des briques élémentaires et non d’un seul système complexe. Ces briques n’ont que des fonctions très limitées, et c’est l’assemblage de briques entre elles, par un humain, qui aujourd’hui crée l’illusion d’un système globalement intelligent. Mais cet assemblage n’est que le reflet de la conception humaine du système et non la conséquence d’une technologie dont le nom promet plus que ce qu’elle permet de faire aujourd’hui.
C’est dans les années 1950 que la plupart des techniques d’IA voient le jour et qu’elles se développent au sein de la sphère scientifique. Plus tard, de 1980 à 2010, le machine learning commence à se répandre au delà de la sphère scientifique. Enfin, cette dernière décennies, c’est l’avènement du deep learning qui illustre pleinement le potentiel de l’IA [2]. Dans la majorité des cas, l’IA n’est pas vendue sous forme d’application en tant que telle, elle vient plutôt “ajouter de l’intelligence” à des produits déjà existants. Par exemple, votre téléphone Apple intègre de l’IA dans sa fonctionnalité Siri (assistant vocal virtuel). L’IA va aussi se trouver dans des plateformes conversationnelles, par exemple les services clients virtuels de magasins sur l’application Messenger de Facebook qui sont en fait des bots entraînés. Si l’IA s’ajoute à n’importe quel produits existants, cela signifie qu’elle doit pouvoir se greffer sur tout type de support et suivre leur évolution au fil du temps. À terme, l’IA sera embarquée aux côtés des utilisateurs dans la quasi-totalité des périphériques qui nous entourent (téléphones, ordinateurs, thermostats, radio-réveils, réfrigérateurs, voitures...). Pour y arriver une évolution du hardware capable de supporter l’IA doit également avoir lieu.
En ce moment, de nombreux investissements ont lieu dans les hardware. Par exemple, la société française Kalray met au point un chipstet adapté à l’IA dans le cadre de sa R&D concernant les voitures sans chauffeur. Avec une capacité de 25 000 milliards d’opérations par seconde, elle multiplie par 25 la puissance de traitement par rapport à la génération précédente, ce qui la positionne comme référence du marché en matière d’intelligence artificielle [3]. Un autre exemple sera celui de Sony qui a annoncé en mai avoir développé le premier capteur d'images au monde équipé d'un traitement d'intelligence artificielle. Avec ce dernier, les utilisateurs pourront écrire leurs propres modèles d'IA dans la mémoire embarquée en fonction de leurs besoins ou des conditions du lieu où le système est utilisé [4].
Si les supports matériels pour l’IA se développent et évoluent de plus en plus, c’est aussi parce que de nouvelles façons de faire émergent pour répondre à de nouveaux besoins. Ainsi, la data-science est aujourd’hui un nouvel avantage compétitif, voire quasi nécessaire pour les entreprises de demain.
La transformation des datas, une réelle plus-value pour les entreprises de demain
Aujourd’hui, la quantité de données dont dispose les entreprises est devenue très importante [7]. Que ces données soient produites en interne ou proviennent de l’environnement dans lequel l’entreprise évolue, leur volume dépasse les capacités humaines de traitement. Certains parlent alors de la surcharge informationnelle comme étant de “l’infobésité”. Pour autant ce qui est important n’est pas tant la quantité disponible mais plutôt la valorisation que peuvent en faire les entreprises.
Les “pure-players de l’Internet” tels que Amazon ou Netflix sont déjà de grands consommateurs de données mais ils sont loin d’être les seuls [5]. Par exemple chez Orange les gérants de boutiques enregistrent les interactions entre les clients et les vendeurs au sein de leurs points de vente ainsi que sur leur site web. Ensuite leurs services de data analyse utilisent cette masse de donnée pour concevoir de nouvelles stratégies marketing ainsi que des contenus pertinents [6]. L’objectif est de bénéficier d’une vision plus globale du parcours des utilisateurs, afin de mieux répondre à leurs besoins, voire d'anticiper leurs nouvelles attentes.
Il n’est du coup pas étonnant de voir fleurir dans la plupart des grands groupes comme Orange des départements de data science pour tirer profit des potentialités de cette technologie. La data science, pour l’expliquer brièvement, est l’extraction de connaissances utiles depuis des ensembles de données brutes. Une fois transformées, ces connaissances deviennent des informations permettant de répondre aux problématiques que se pose l’entreprise. La data science peut avoir des applications à différent niveau d’une entreprise. Par exemple, selon EBG en 2017, 51% des entreprises pensent augmenter leur productivité et générer des économies en améliorant leurs processus internes par des outils de data science. Selon la même étude 49% se servent de la data science pour connaître les comportements des utilisateurs pour augmenter la performance de leur entreprise [6]. Pour les entreprises, même les plus traditionnelles, la qualité du patrimoine informationnel et sa capacité à le valoriser va représenter une part croissante de sa propre valeur. Au delà de l’optimisation des coûts de revient et des marges, la croissance des entreprises impose la maîtrise de l’avantage concurrentiel qu’apporte l’utilisation des données.
L’IA s’est insérée de manière pérenne dans de multiples aspects de notre société. Que ce soit dans notre vie quotidienne, dans la stratégie des entreprises ou dans des secteurs publics comme la santé ou la Défense. Pour les entreprises, le premier défi est d’anticiper les futures tendances du marché afin de préparer les systèmes et les logiciels aux futurs supports choisis pour intégrer l’IA. Le second défi est de transformer la montagne de données qu’ils ont collectées auprès des utilisateurs en des actions pertinentes pour améliorer leur offre. Les deux sont étroitement liés car la source des données produites est de plus en plus localisée au sein du système qui bénéficierait le plus à son exploitation par une IA. Le système producteur de données devient son propre consommateur d’information. Et pour y arriver l’IA doit être au plus près de celui-ci. Ainsi, il s’agit pour les entreprises de viser juste et de ne pas manquer le coche de la data science embarquée si elles veulent rester compétitives.
SOURCES :
[2] https://www.sas.com/fr_fr/insights/analytics/what-is-artificial-intelligence.html#history
[6] https://www.orange-business.com/fr/solutions/data-intelligence
[7] https://www.iso.org/obp/ui/#iso:std:iso-iec:20546:ed-1:v1:en
AUTEURS
Ecrit par Arnault Ioualalen & Malvina Cieslak
