L’intelligence artificielle peut-elle être intégrée à votre entreprise?

- 1 novembre 2017
  • Imprimer

Notre pays, et particulièrement Montréal, vibre au rythme des investissements massifs et d’initiatives diverses en intelligence artificielle. C’est dans ce contexte que Raymond Chabot Grant Thornton a démarré, cette année, une pratique d’intelligence artificielle et d’analytique avancée pour aider les PME à emboiter le pas vers cette révolution technologique qui s’amorce.

Dans le cadre de l’infolettre Curieusement Techno de la pratique Fiscalité-RD, j’animerai la tribune dédiée à l’intelligence artificielle. Je partagerai avec vous des questions à se poser, des pratiques à adopter, et des exemples dont vous pouvez vous inspirer pour votre entreprise. De plus, seront abordées les technologies de rupture (innovations technologiques qui finissent par remplacer des technologies dominantes dans un marché) qui pourraient améliorer, optimiser, voire révolutionner les pratiques implémentées en entreprise.

Marvin Lee Minsky, l’un des créateurs de l’intelligence artificielle, la définit comme étant « 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. » Dans cette première tribune, nous allons restreindre notre conceptualisation de l’intelligence artificielle à l’utilisation de l’apprentissage automatique (machine learning) pour créer des agents (logiciels qui agissent de façon autonome) capables de penser et de raisonner comme des humains.

Qu’est-ce que l’apprentissage automatique?

L’apprentissage automatique est un ensemble de techniques (régression linéaire, classification bayésienne, boosting, réseaux de neurones, etc.) permettant de donner à la machine la capacité d’apprendre à partir d’expériences passées pour qu’elle soit en mesure de déduire des règles qui constitueront de nouvelles connaissances et sur la base desquelles sera analysée toute nouvelle situation. C’est ainsi que sur la base de données analytiques collectées par les sites de commerce électronique, un algorithme d’apprentissage automatique peut déterminer des règles qui caractérisent les utilisateurs les plus à risque de supprimer leur compte. En s’appuyant sur ces dernières règles, l’algorithme serait alors en mesure d’analyser leurs actions pour leur proposer des offres promotionnelles juste avant qu’ils ne prennent la décision cruciale. Si le calcul des précédentes règles s’appuie systématiquement sur des correspondances établies par des experts entre les données analytiques et des utilisateurs, on dit que l’apprentissage est supervisé.  On dit que l’apprentissage est semi-supervisé quand le calcul des règles s’appuie partiellement sur des correspondances préétablies. Dans le cas où de telles correspondances n’existent tout simplement pas, l’apprentissage est dit non supervisé. Finalement, on parle d’apprentissage par renforcement lorsque des résultats calculés par l’algorithme sont réutilisés pour guider le calcul des prochaines prédictions.

Un réseau de neurones est un ensemble de nœuds de calculs (neurones) organisés en couches et montés en réseau qui permettent de former des fonctions complexes. Les résultats calculés par la première couche de neurones servent d’entrée aux calculs d’une deuxième couche, et ainsi de suite. Lorsqu’utilisées pour la reconnaissance visuelle, les premières couches d’unités identifient par exemple des lignes, des courbes, et des angles, alors que les couches intermédiaires identifient des formes et que les couches supérieures identifient des objets comme des yeux ou des roues.  La méthode d’apprentissage automatique qui en résulte a été appelée apprentissage profond, ou deep learning.  Bien qu’existant depuis une dizaine d’années, l’apprentissage profond a connu des développements spectaculaires à la suite de l’augmentation de la puissance de calcul des ordinateurs, notamment la possibilité de faire du calcul général sur des processeurs graphiques (GPU), et du développement de grandes bases de données.

Comment formuler un problème d’apprentissage automatique?

L’apprentissage automatique peut être utilisé en entreprise pour résoudre une multitude de problèmes. Pour bien les formuler, il est nécessaire de déterminer la catégorie dans laquelle ils se situent. On distingue quatre principales catégories de problèmes d’apprentissage automatique:

La classification: les problèmes regroupés dans cette catégorie ont pour objectif d’attribuer une classe ou une étiquette à chaque objet d’un jeu de données en mode supervisé ou semi-supervisé, donc avec l’aide d’experts. Ils peuvent être unaires (ex.: est-il possible de détecter des transactions inhabituelles chez nos clients?), binaires (ex.: le prospect Dupont sera-t-il converti ou pas?) ou à classe multiple (ex.: quel type de produit l’utilisateur John est-il le plus susceptible d’acheter : un ordinateur, un portable ou un téléphone intelligent?).

Le clustering: la différence majeure de cette catégorie avec la précédente est que les problèmes qu’elle regroupe consistent à déterminer les règles de classification et les différentes classes sans interventions humaines. C’est donc une résolution en mode non supervisé. On retrouve ici des problèmes de partitionnement des utilisateurs à des fins de marketing (ex.: quels sont nos principaux segments de marchés si l’on considère les caractéristiques démographiques de nos clients et leurs paniers d’achats?) ou de compréhension de leurs comportements (ex.: comment peut-on classifier les mots clés utilisés pour les recherches sur notre site Web?).

La régression: on regroupe dans cette catégorie les problèmes qui consistent à prédire ou à calculer des valeurs numériques plutôt que des classes. On peut entre autres citer des calculs de prix (ex.: quel est le juste prix de vente si l’on considère les différentes contraintes de production?), les prédictions de demandes de produits (ex.: étant donné les résultats de la dernière campagne marketing, combien de produits seront vendus le mois prochain?), etc.

Le classement (ou ranking): les problèmes regroupés dans cette catégorie se ramènent au calcul de l’importance relative d’un objet par rapport aux autres objets du même jeu de données. Comme exemples, on peut citer les recommandations (ex.: quelle est la liste des cinq produits à afficher à l’utilisateur si l’on prend en compte son historique d’achat?), la mise en page de sites Web (ex.: comment organiser l’affichage sur des sites Web si l’on prend en compte l’historique de navigation des utilisateurs), etc.

Ceci étant présenté, la réponse à la question en titre de cet article est OUI. Vous pouvez intégrer l’intelligence artificielle dans vos entreprises pourvu que les problèmes que vous voulez résoudre puissent être formulés relativement aux quatre catégories. Il est cependant conseillé de faire l’exercice initial avec des projets simples, mais à grande valeur ajoutée pour votre entreprise. L’étape de formulation du problème est d’autant plus importante qu’elle va également influencer les procédures de collecte de données que vous allez devoir implémenter, sujet que je traiterai dans mon prochain article en mettant l’emphase sur la qualité et de la pertinence des données capturées.

Commentez cet article