Applied Artificial Intelligence

1. Démystifier l’IA : Concentrez-vous sur l’IA étroite, pas sur l’AGI de science-fiction.

Bien que Deep Blue, qui a battu le champion du monde d’échecs en 1997, et AlphaGo, qui a fait de même au jeu de Go en 2016, aient obtenu des résultats impressionnants, tous les systèmes d’IA actuels relèvent de « l’IA faible ».

Clarifiez la terminologie de l’IA. Beaucoup confondent Intelligence Artificielle (IA) et Intelligence Artificielle Générale (IAG), cette dernière désignant une intelligence au niveau humain ou supérieur, capable de raisonnement abstrait et de transfert de connaissances. Les systèmes d’IA d’aujourd’hui sont des « IA faibles » ou « IA étroites », conçues pour des tâches spécifiques et incapables de généraliser leur expertise. Cette distinction est essentielle pour les dirigeants afin de séparer le battage médiatique de la réalité.

La valeur pratique de l’IA étroite. Alors que l’IAG reste un horizon lointain et incertain, l’IA étroite apporte déjà une immense valeur aux entreprises en excellant dans des tâches computationnelles précises. Ces systèmes peuvent surpasser les humains dans leurs domaines dédiés, comme jouer aux échecs ou au Go, mais ne peuvent appliquer cette expertise à d’autres tâches sans lien, telles que conduire une voiture ou créer de l’art, sans une reprogrammation complète.

Concentrez-vous sur des solutions réalisables. Les dirigeants doivent privilégier l’exploitation des techniques modernes d’IA, comme l’apprentissage automatique et l’apprentissage profond, pour résoudre des problèmes bien définis au sein de leurs organisations. Comprendre que l’IA actuelle est spécialisée aide à identifier des opportunités réalistes et à éviter des projets trop ambitieux, irréalisables, qui épuisent les ressources sans résultats tangibles.

2. Comprendre le spectre de l’IA : des systèmes basés sur des règles aux systèmes auto-évolutifs.

Pour aider les cadres à saisir les différences fonctionnelles entre les approches d’IA, nous avons conçu le Continuum d’Intelligence Machine (CIM) qui présente les différents types d’intelligence machine selon la complexité de leurs capacités.

Le Continuum d’Intelligence Machine (CIM). Le CIM classe les systèmes d’IA selon leurs capacités, allant de l’automatisation simple basée sur des règles à l’intelligence surhumaine hypothétique. Ce cadre aide les dirigeants à comprendre les différences fonctionnelles et les applications potentielles des diverses approches d’IA sans se perdre dans le jargon technique. Il clarifie ce que l’IA actuelle peut réellement accomplir.

Les niveaux d’intelligence machine. Le continuum comprend sept niveaux, chacun s’appuyant sur le précédent :

• Systèmes qui agissent : Automates basés sur des règles (ex. : détecteurs de fumée, régulateurs de vitesse).
• Systèmes qui prédisent : Analysent les données pour des prédictions probabilistes (ex. : prédiction de grossesse chez Target).
• Systèmes qui apprennent : Utilisent apprentissage automatique/profond pour accomplir des tâches sans programmation explicite (ex. : voitures autonomes).
• Systèmes qui créent : Génèrent du contenu original comme textes, musiques ou designs (ex. : « Daddy’s Car » de Sony).
• Systèmes qui relient : Extraient et quantifient des états émotionnels (ex. : analyse de sentiment pour le support client).
• Systèmes qui maîtrisent : Construisent des concepts abstraits et plans stratégiques à partir de données rares (intelligence humaine, non encore atteinte par l’IA).
• Systèmes qui évoluent : Font preuve d’intelligence surhumaine et d’auto-modification (singularité hypothétique).

Application pratique pour les dirigeants. Comprendre ces niveaux permet d’identifier les solutions d’IA adaptées aux problèmes d’entreprise. La plupart des applications actuelles relèvent des « systèmes qui prédisent » et « qui apprennent », tandis que les « systèmes qui créent » et « qui relient » émergent. Cette connaissance aide à évaluer les promesses des fournisseurs et à fixer des attentes réalistes pour les projets d’IA.

3. Adoptez le potentiel bénéfique de l’IA, tout en reconnaissant ses risques inhérents.

Partout dans le monde, entrepreneurs et dirigeants utilisent les données combinées à l’apprentissage automatique pour lutter contre l’injustice sociale et la criminalité, répondre aux crises sanitaires et humanitaires, résoudre des problèmes communautaires urgents, et améliorer considérablement la qualité de vie de tous.

La promesse transformative de l’IA. L’IA offre des bénéfices profonds au-delà des profits d’entreprise, en s’attaquant à des défis mondiaux cruciaux. Par exemple, l’apprentissage profond prédit les rendements agricoles pour le microcrédit en Inde, le bot U-Report de l’UNICEF dénonce l’injustice sociale au Liberia, et la vision par ordinateur permet des diagnostics médicaux très précis comme la détection du cancer du sein. Ces applications illustrent la capacité de l’IA à sauver des vies et à améliorer le bien-être sociétal.

Le revers sombre de l’IA. Malgré ses promesses, l’IA comporte des risques majeurs, principalement liés aux biais humains et aux intentions malveillantes. Les algorithmes peuvent involontairement amplifier la discrimination s’ils sont entraînés sur des données biaisées ou conçus par des équipes homogènes, entraînant des résultats injustes dans des domaines comme l’octroi de prêts, la publicité à l’emploi ou la justice pénale. Ce « problème du gars blanc » dans le développement de l’IA peut négliger les besoins des groupes sous-représentés.

Usage malveillant et menaces sécuritaires. La probabilité que l’IA soit exploitée à des fins malveillantes est de 100 %. À mesure que l’IA devient plus puissante et omniprésente, elle accroît le risque de cyberattaques sophistiquées, de fausses informations générées automatiquement, voire d’armes autonomes. Les dirigeants doivent reconnaître que l’IA peut amplifier les effets des campagnes malveillantes, rendant les attaques plus faciles, rapides et difficiles à tracer, menaçant la sécurité physique, numérique et politique.

4. Priorisez dès le départ une conception éthique et inclusive de l’IA.

Développer une IA éthique et sûre est un sujet complexe et en constante évolution. Bien que plusieurs ouvrages pourraient être consacrés à ce thème, les dirigeants d’entreprise et de technologie comme vous peuvent commencer par un engagement ferme et inébranlable à respecter les valeurs humaines et à ne pas nuire avec leurs inventions et pratiques.

Au-delà des solutions techniques. Concevoir une IA sûre et éthique dépasse les simples mécanismes de sécurité ou manifestes ; cela exige des politiques sophistiquées et un engagement profond envers les valeurs humaines. Les équipes homogènes conduisent souvent à des angles morts sur les biais et questions éthiques, rendant la diversité indispensable. Les dirigeants doivent veiller activement à ce que les systèmes d’IA ne portent pas atteinte aux droits humains et fonctionnent en toute transparence.

Éducation et conception collaborative. Démocratiser l’éducation à l’IA et encourager la collaboration multidisciplinaire sont des remèdes essentiels. Des initiatives comme fast.ai rendent l’apprentissage profond accessible, permettant à des profils variés de construire une IA bienveillante. Les principes de conception collaborative insistent sur :

• Des produits conviviaux : Collecter des données meilleures et non biaisées grâce à une expérience utilisateur réfléchie.
• L’expertise métier avant les algorithmes : Prioriser la résolution de vrais problèmes d’entreprise avec des solutions adaptées, pas seulement de l’IA sophistiquée.
• Autonomiser les concepteurs humains : Utiliser l’IA comme outil pour augmenter la créativité humaine, non pour la remplacer.

Vigilance continue. Face à l’évolution rapide de l’IA, les considérations éthiques ne sont pas ponctuelles mais un engagement permanent. Les dirigeants doivent régulièrement évaluer l’impact de leurs systèmes sur clients, employés et société, veillant à ce que les marges bénéficiaires ne l’emportent jamais sur le coût humain. Cela requiert une vigilance constante et une approche proactive pour identifier et atténuer les risques potentiels.

5. Construisez une culture prête pour l’IA : leadership, données et expérimentation sont essentiels.

Dans un monde idéal, le PDG et le conseil d’administration reconnaissent l’importance croissante de l’IA et de l’automatisation partout. Ils ont ainsi donné à vos cadres le pouvoir décisionnel, le budget financier et les ressources organisationnelles nécessaires pour réussir.

Évaluez la maturité organisationnelle. Beaucoup d’entreprises rattrapent encore leur retard sur le big data et l’IoT, rendant cruciale une évaluation honnête de leur préparation à l’IA. Une infrastructure centralisée de données et technologies, avec des API internes, est la base pour une IA à l’échelle de l’entreprise. Sans cela, les sociétés risquent la dispersion technique, des standards incohérents et des investissements fragmentés qui aggravent les problèmes existants.

Surmontez la résistance des « HiPPO ». Une culture axée sur les données est primordiale pour le succès de l’IA. Nombre d’organisations restent dominées par les « HiPPO » (Highest Paid Person’s Opinion), qui privilégient l’intuition à l’analyse. Cette résistance peut freiner ou annuler les initiatives d’IA. Les dirigeants doivent promouvoir un passage à une prise de décision collaborative et fondée sur les données, reconnaissant que la fortune sourit désormais aux « geeks » qui exploitent efficacement les données.

Un leadership exécutif fort. L’adoption réussie de l’IA nécessite un leadership solide, idéalement du PDG ou d’un cadre supérieur techniquement compétent et prêt à expérimenter. Ce champion doit disposer du pouvoir décisionnel, du contrôle budgétaire et de la capacité à collaborer entre départements. Il doit comprendre que l’IA n’est « que (des) mathématiques (complexes) », pas de la magie, et s’engager à faire progresser le projet sur le long terme malgré les pressions à court terme.

6. Acquérez et développez stratégiquement des talents spécialisés en IA.

Jean-François Gagné, fondateur de la société d’IA Element.AI, estime qu’il y a moins de 10 000 personnes dans le monde actuellement qualifiées pour faire de la recherche et de l’ingénierie IA de pointe.

La pénurie de talents en IA. La rareté mondiale des talents qualifiés en IA est sévère, rendant le recrutement un défi majeur. Les entreprises les plus riches pratiquent l’« acqui-hiring » de startups ou dépensent des centaines de millions par an pour attirer des chercheurs et ingénieurs rares. Les sociétés moins fortunées doivent adopter des stratégies créatives pour rivaliser sur ce marché très concurrentiel.

Comprendre les rôles variés en IA. Les équipes IA requièrent un mélange de compétences spécialisées, souvent incluant :

• Managers d’équipes Data Science : Supervisent la productivité et font le lien avec les unités non techniques.
• Ingénieurs en apprentissage automatique : Conçoivent et déploient des solutions ML, gèrent l’infrastructure.
• Data scientists : Collectent, nettoient, analysent les données, construisent des modèles prédictifs.
• Chercheurs / scientifiques appliqués : Mènent la découverte scientifique et les applications pratiques.
• Ingénieurs systèmes distribués / données : Résolvent les problèmes d’échelle avec de grands ensembles de données.
  Face à la rareté, les entreprises peuvent combler les lacunes avec des services MLaaS ou des technologies AutoML.

Optimisez le recrutement et le développement. Au-delà de la rémunération, les talents IA évaluent les offres selon la disponibilité et qualité des données, la diversité des problèmes, la qualité de l’équipe et l’impact du travail. Les entreprises peuvent :

• Recruter des ingénieurs juniors : Élargir le vivier, exploiter les partenariats universitaires, organiser des hackathons, ou recruter via des formations spécialisées.
• Attirer des talents expérimentés : Réseautage stratégique, conférences académiques, compétitions Kaggle, ou embauche de leaders reconnus.
• Former les ingénieurs existants : Utiliser des programmes internes, cours en ligne ou apprentissages pour monter en compétences, favorisant la fidélité et la connaissance institutionnelle.

7. Planifiez la mise en œuvre de l’IA avec des objectifs clairs et des indicateurs de ROI.

Avant tout investissement technologique, vous et votre équipe dirigeante devez être clairs sur les problèmes à résoudre, les raisons pour lesquelles ils sont prioritaires, et les critères de succès.

Définissez des objectifs d’affaires précis. Avant tout investissement en IA, formulez clairement les problèmes, leur priorité et les indicateurs de réussite. Les objectifs courants incluent l’augmentation du chiffre d’affaires, la réduction des coûts ou l’entrée sur de nouveaux marchés. Sans buts stratégiques clairs, les initiatives IA risquent de devenir des « marteaux cherchant des clous », sans rentabilité réelle.

Réalisez une analyse d’opportunités. Utilisez des cadres comme l’analyse des écarts (Gap Analysis) ou SWOT pour identifier les opportunités à fort ROI. L’analyse des écarts compare la performance actuelle à l’état désiré, révélant où l’IA peut combler le fossé. L’analyse SWOT évalue forces/faiblesses internes et opportunités/menaces externes, aidant à cibler où l’IA maximise l’impact ou réduit les risques.

Exploitez le cadre stratégique IA. Ce cadre évalue les opportunités selon :

• Raison stratégique : Alignement avec les objectifs globaux (augmentation des revenus vs réduction des coûts).
• Taille de l’opportunité : Est-elle suffisamment importante pour une solution IA ?
• Niveau d’investissement : Temps et argent requis (y compris coûts internes).
• Retour sur investissement (ROI) : Estimations haute/basse et probabilité de succès.
• Risque : Chances de réussite, risque concurrentiel en cas d’inaction.
• Calendrier : Temps attendu pour les résultats et jalons intermédiaires.
• Adhésion des parties prenantes : Soutien inter-départements nécessaire.
  Cette approche structurée aide à prioriser les projets et à assurer l’alignement organisationnel.

8. Maîtrisez la qualité et la préparation des données : « Garbage In, Garbage Out ».

Les données sont une invention humaine. Les humains définissent le phénomène à mesurer, conçoivent les systèmes de collecte, nettoient et prétraitent les données avant analyse, puis choisissent comment interpréter les résultats.

Les données ne sont pas la réalité. Les données sont une construction humaine, façonnée par notre manière de conceptualiser, mesurer et collecter l’information. Elles ne constituent pas une « vérité absolue » sauf si elles sont observables, prouvables et objectives. Des données erronées, qu’elles soient inférées, subjectives ou collectées de manière aléatoire, conduiront à des résultats IA incorrects voire nuisibles, rendant la gestion rigoureuse des données primordiale.

Pièges courants liés aux données. Les dirigeants doivent connaître les erreurs statistiques qui compromettent les modèles IA :

• Objectifs non définis : Collecter des données sans but clair mène à des ensembles inutiles ou incomplets.
• Erreur de définition : Ambiguïté dans les termes (ex. : « client », « trimestre ») provoque des incohérences.
• Erreur de capture : Mécanismes biaisés de collecte (ex. : afficher toujours le produit A en premier).
• Erreur de mesure : Dysfonctionnements logiciels/matériels entraînant données incorrectes ou manquantes.
• Erreur de traitement : Hypothèses erronées ou erreurs de calcul lors de la transformation.
• Erreur de couverture : Représentation insuffisante des populations cibles (ex. : uniquement utilisateurs iOS pour comportements smartphone).
• Erreur d’échantillonnage : Analyse de sous-ensembles non représentatifs.
• Erreur d’inférence : Faux positifs (prédiction erronée de présence) ou faux négatifs (prédiction erronée d’absence).
• Erreur inconnue : Écarts imprévus entre données et réalité.

Le rôle crucial du nettoyage des données. La préparation des données, incluant nettoyage, étiquetage et structuration pour cohérence, est l’étape la plus chronophage mais essentielle de tout projet IA. Nombre de data scientists consacrent la majeure partie de leur temps à cette « corvée ». Sans données propres et pertinentes, même les algorithmes parfaits échoueront, produisant des insights peu fiables et compromettant les décisions d’affaires.

9. Itérez et validez continuellement les modèles d’apprentissage automatique.

Les modèles d’apprentissage automatique ne sont jamais « terminés » : ils nécessitent une surveillance, une itération et un réentraînement constants pour maintenir leurs performances dans le temps.

L’IA n’est pas une solution miracle. L’apprentissage automatique est un outil puissant, mais pas universel. Chaque algorithme a ses forces et limites, et les dirigeants doivent éviter de considérer l’IA comme une baguette magique. Le succès d’un modèle dépend de la qualité et pertinence des données ; « garbage in, garbage out » reste une vérité fondamentale.

Évaluez la performance avec des métriques clés. Pour comparer les modèles, utilisez des indicateurs comme la précision, la justesse et le rappel, surtout pour les tâches de classification.

• Précision (accuracy) : Pourcentage de classifications correctes (vrais positifs + vrais négatifs / total).
• Justesse (precision) : Pourcentage de résultats positifs corrects parmi toutes les classifications positives (vrais positifs / (vrais positifs + faux positifs)).
• Rappel (recall) : Pourcentage de vrais résultats positifs détectés parmi tous les cas positifs réels (vrais positifs / (vrais positifs + faux négatifs)).
  Comprendre les compromis entre justesse et rappel est crucial ; par exemple, un filtre anti-spam privilégiera la justesse (éviter les faux positifs), tandis qu’un modèle de diagnostic du cancer privilégiera le rappel (éviter les faux négatifs).

Corrigez les erreurs courantes des modèles. Les modèles prédictifs visent la précision sur des données inédites, mais peuvent souffrir de :

• Sous-apprentissage (underfitting) : Modèle trop simple pour saisir la complexité (ex. : estimer un prix immobilier uniquement par localisation).
• Sur-apprentissage (overfitting) : Modèle performant sur données d’entraînement mais faible sur nouvelles données, manquant de généralisation (ex. : surpondération d’un supermarché spécifique).
  Ces problèmes exigent un examen rigoureux des données, la compréhension de la pertinence des variables, et une validation rigoureuse. Le workflow ML comprend définition des objectifs, examen des données, cadrage du problème, centralisation/nettoyage/division des données, entraînement/validation/test du modèle, déploiement, surveillance et itération continue.

10. Transformez les fonctions d’entreprise avec l’IA pour plus d’efficacité et de croissance.

Les solutions actuelles basées sur l’IA excellent à rationaliser les processus et à automatiser les tâches répétitives comme le déclenchement d’un workflow. L’automatisation libère la charge cognitive de vos collaborateurs pour qu’ils se concentrent sur des aspects plus significatifs de leur travail.

L’impact large de l’IA en entreprise. L’IA révolutionne toutes les fonctions d’entreprise, de l’administration générale au support client, en automatisant les tâches répétitives, en améliorant la prise de décision et en générant de nouvelles connaissances. Cette transformation permet aux employés de passer du travail routinier à des tâches à plus forte valeur ajoutée, stratégiques et créatives, augmentant productivité et satisfaction.

Applications clés par fonction :

• Administration générale (Finance, Juridique, Opérations) : Automatisation de la gestion des dépenses, revue de contrats, contrôles de conformité, saisie de données (ex. : AppZen, HyperScience, RPA).
• Ressources humaines & talents : Matching des candidats, simplification des entretiens, planification intelligente, analyse des risques de départ (ex. : Scout, HireVue, Workday).
• Intelligence d’affaires & analytique : Automatisation du traitement des données, unification des silos, analyses avancées pour insights stratégiques (ex. : Paxata, Maana, Ayasdi).
• Développement logiciel : Prototypage rapide, assistants de programmation intelligents, tests automatisés, refactoring de code (ex. : Kite, Codota).
• Marketing & ventes : Optimisation des publicités digitales, recommandations personnalisées, segmentation client, qualification des leads, développement commercial (ex. : Netflix, Monetate, Conversica).
• Support client : Agents conversationnels (chatbots), écoute sociale, prédiction du churn, maximisation de la valeur client à vie (ex. : Amazon Echo, Conversocial).

Responsabilité éthique dans la transformation. Si l’IA stimule efficacité et croissance, les dirigeants ont la responsabilité éthique de gérer son impact sur les effectifs. Cela inclut l’investissement dans la formation continue et la reconversion pour doter les employés des compétences nécessaires à l’économie pilotée par l’IA, telles que la formation, l’explication et la maintenance de l’IA. Prioriser les valeurs humaines et garantir un déploiement bienveillant de l’IA est primordial, car aucune marge bénéficiaire ne justifie de nuire à l’humanité.