PROPOS INTRODUCTIFS
L’intelligence artificielle (IA) est « la construction de programmes informatiques qui s’adonnent à des tâches qui sont, pour l’instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels que : l’apprentissage perceptuel, l’organisation de la mémoire et le raisonnement critique ». Marvin Lee Minsky
L’IA n’est pas un phénomène récent. Déjà, après la seconde guerre mondiale, l’IA permettait de remplacer l’homme dans certaines tâches complexes et répétitives.
Puis, dans les années 80, le machine learning (capacité d’une IA à apprendre par elle-même) s’est développé grâce à un algorithme de plus en plus enrichi.
Plus récemment, et sous l’impulsion du big data, est apparu le deep learning (apprentissage profond, sous-ensemble de méthodes de machine learning), qui permet de prendre en compte une multitude de paramètres et de développer des cas d’analyses sur des données essentiellement non structurées (voix, images, vidéos).
POURQUOI PARLE-T-ON DE L’IA ?
– Maturité des infrastructures et génération de la donnée : Du à la taille des données générées par la digitalisation, les entreprises sont amenées à acquérir une grande quantité de données utilisateurs et sont désormais en mesure de conserver un historique beaucoup plus important qu’auparavant. De plus, Le développement des serveurs continue d’évoluer vers un système de calcul de plus en plus important : On estime que les puissances de calcul sont doublées tous les 4 ans.
– Des investissements importants : L’Europe y consacrera 1,5 Milliard € d’ici 2020. En France, 665 Millions € d’ici 2022. Il y a un vivier très important de start-ups en France : plus de 300 des start-ups de l’IA dans le monde sont françaises.
Quelques cas d’usages de l’IA appliqués aux médias.
- Expérience publicitaire : L’IA permet d’augmenter la valeur de l’espace média à l’aide de la segmentation d’audience : elle permet d’analyser les différentes populations et leurs ressentis par rapport à la publicité afin de leur adresser la publicité la plus pertinente possible.
- Génération automatique de contenus
- Engagement de l’audience
- Amélioration de sa stratégie d’acquisition : meilleur ROI
- Développement de nouveaux canaux de communication (notamment par la voix)
LES CHALLENGES DE L’IA :
Cas d’usage appliqué aux médias: recommandation de contenu
Objectif : Engager et fidéliser son audience
Principe : Cela nécessite d’abord de collecter un maximum de données utilisateurs et d’assembler toutes celles qui viennent de sources différentes (navigation, CRM, canaux tiers) afin de réaliser un traitement machine learning (segmentation, filtrage collaboratif pour créer un modèle).
Challenges:
- Vision – Cas d’usage média : La vision doit être portée par des enjeux business. Les enjeux de la personnalisation doivent être identifiés en amont.
- Science – Chaque éditeur a un contenu unique et doit adapter son algorithme en fonction du contenu qu’il propose.
- Agilité – Faire le choix entre une technologie développée (mobilisation des équipes) en interne ou faire appel à un partenaire technologique (moins de flexibilité).
- Talents – Mettre en place des équipes transverses (data scientist, embarquer la rédaction).
- Gestion des risques (le RGPD va permettre de développer l’IA dans le respect de la vie privée) – Bien informer les utilisateurs sur l’utilisation qui va être faite de leurs données.
- L’industrialisation – Intégrer le fait qu’il y a un du nouveau contenu tous les jours. L’algorithme doit prendre ce paramètre en compte et s’enrichir tous les jours grâce aux nouveaux contenus mais également grâce aux retours utilisateurs.
Autre exemple de cas d’usage : L’IA permet également de calculer la « valeur client » en matière de revenus (chez les éditeurs de contenus la souscription est l’objectif principal pour 2019 aux Etats-Unis). La customer lifetime value permet d’estimer combien dépenser pour attirer et convertir des clients dans une perspective ROIste (Opportunité de pousser un paywall ..).
(Pour plus de détails, voir la présentation jointe)
RETOURS D’EXPÉRIENCE
Françoise Nikly-Cyrot, Head of Data Intelligence, BNP Paribas Security Services
Security Services est « la banque des autres banques ». Ses clients sont des Asset Managers (qui gèrent des fonds d’investissement) et des Asset Owners (compagnies d’assurance qui gèrent des contrats d’assurance vie) qui réalisent des investissements dans le monde entier. Pour que ces investissements se traduisent dans les écritures comptables, il faut se connecter à de nombreux systèmes, ce qui représente un coût très important. L’objectif de Security Services est de proposer des services qui permettent à ses clients de ne plus gérer la connexion à ces systèmes.
Il y a trois ans, Security Services s’est demandé comment intégrer au mieux le Big Data dans sa stratégie et a procédé en plusieurs étapes.
- Renseignements et constitution d’une documentation fournie sur le Big Data et l’IA en faisant notamment appel à des consultants spécialisés pour cerner ce que recouvrent ces notions.
- Présentation des use case sur ce qu’il est possible de faire avec la donnée dans d’autres industries plus avancées que la banque, afin d’embarquer tous les métiers dès le départ.
- Mise en place par l’équipe métier d’une liste d’une centaine de use case sur les possibilité machine learning chez BNP Security Services.
- Classement de ses use cases par grands domaines de valeur, arbitrés en fonction de l’impact sur le résultat du groupe.
- Une fois la roadmap adoptée, il a fallu entrer dans l’exécution : Pour ce faire, Security Service a créé un Datalab en réunissant différents spécialistes de la data (Data scientist, consultant SSII, Data Ingeneer, chef de projet).
Exemple de use case : Security Services doit vérifier pour le compte de ses clients, que lorsqu’ils achètent ou vendent des titres, la partie en face est d’accord sur les modalités de la vente ou de l’achat (prix, nombres de titres, valeur du titre…). Si la partie en face n’est pas d’accord, il y a une rupture de charge dans le processus qui crée un rejet devant être traité à la main (très cher). Security Services s’est servi du machine learning pour détecter les éléments qui empêchaient une transaction d’aboutir. L’algorithme développé permet d’identifier et de hiérarchiser les transactions les plus susceptibles de créer une rupture et permet au backoffice de se focaliser sur les actions correctives. (maintenance prédictive appliquée à la banque).
A côté de cette équipe métier, une autre équipe travaillait sur l‘analyse des processus afin d’analyser tous les endroits où il y avait une rupture de charge en les classant par grandes nature de ruptures (acquisition de la donnée, prise de décision non modélisée, source de données en langage naturel que l’on ne parvenait pas à transformer).
Jean-Louis Quéguiner, Directeur Data et IA, OVH
Pour OVH, l’IA se développe principalement autour de trois enjeux :
- Amélioration des usages internes
- Upsell sur les produits existants : implémentation d’outils permettant d’améliorer l’expérience de ses clients sur les produits déjà implémentés
- Mise à disposition de produits permettant à d’autres sociétés de profiter de l’expertise IA d’OVH
L’IA et l’arrivée du Big Data ont permis de « désiloter » les systèmes d’information et de généraliser les approches qui se traitaient, auparavant, au cas par cas. Cette approche permet à OVH de gérer aujourd’hui 300 000 serveurs sur une trentaine de Datacenters. OVH compte 2000 employés et ne peut pas se permettre d’avoir des moteurs de règles pour tous les cas d’usages (trop nombreux). Le défi est donc de parvenir à trouver une généralisation des règles.
Comment OVH résiste face à la concurrence des GAFA ?
Proposer des outils très spécialisés et personnalisés : OVH a fait le choix de centrer sa stratégie sur son Cloud provider. Le service doit apporter la meilleure expertise pour le meilleur usage. Ainsi, OVH veut proposer un socle d’outils essentiels pour que les entreprises puissent démarrer dans leur stratégie de développement de l’IA. Et propose ensuite de « greffer » à ce socle commun toutes les subtilités de chaque métier en appliquant des moteurs de règles spécifiques combinés à des algorithmes de machine learning. Cette stratégie est un élément de différenciation avec les GAFA qui ont tendance à créer des outils généralistes.
Être Multilocal, Accessible et Réversible :
- Multilocal : Chaque subtilité doit pouvoir être adressée dans chaque pays, dans chaque région. OVH compte sur sa connaissance des différents marchés et particulièrement sur sa connaissance du marché Européen (beaucoup plus complexe que celui des États-Unis).
- Réversible : capacité à réintégrer l’algorithme présent sur les plateformes dans ses propres systèmes à Contrairement aux GAFA, OVH n’a pas d’intérêt à faire de la rétention.
Christophe Biernacki, Délégué scientifique du centre INRIA Lille
L’INRIA est un établissement public de recherche en sciences du numérique à savoir les mathématiques et l’informatique. Sur l’IA, l’INRIA concentre notamment ses travaux sur :
- La robotique
- Les bases de données
- L’interaction homme-machine (et inversement)
- L’optimisation
L’INRIA s’efforce de répondre aux enjeux de la transformation numérique de la science mais également de la société, de l’économie et accorde une importance particulière à l’humain, en s’efforçant de le mettre au centre des dispositifs numériques. Son objectif est également d’évaluer les nombreuses applications industrielles tout en levant des verrous scientifiques et technologiques en adéquation avec les besoins de la société. En effet, l’acceptabilité de l’IA est primordiale. Une révolte des utilisateurs pourrait conduire à un échec de l’IA. Il faut que la société évolue avec l’IA, dans le respect de l’éthique.
A l’INRIA, des équipes projet, souvent communes à plusieurs organismes (CNRS, Université, autres centres de recherches ..) travaillent sur des thématiques très précises et ciblées.
L’INRIA noue des contacts très forts avec les entreprises à plusieurs niveaux :
- Thèses CIFRE (recherche partenariale)
- Contrats bilatéraux : Duo entre un chercheur et un ingénieur (pour la partie opérationnelle) qui travaillent sur une problématique commandée par l’entreprise
QUELQUES CONSEILS DES INTERVENANTS POUR UNE ENTREPRISE
QUI SOUHAITE SE LANCER DANS L’IA
- Ne pas faire de l’IA pour faire de l’IA : Il faut qu’il y ait un vrai intérêt métier
- Ne pas hésiter à expérimenter : il faut oser se lancer
- Accepter l’échec (manque de données, données biaisées) dans une optique d’amélioration continue