Qu'est-ce que l'IA/AA et pourquoi est-ce important pour votre entreprise ?

L'IA/AA( abréviation de l'intelligence artificielle (IA) et de l'apprentissage automatique (AA)) représente une évolution importante de l'informatique et du traitement des données qui transforme rapidement un large éventail de secteurs.

Alors que les entreprises et d'autres organisations subissent la transformation numérique, elles sont confrontées à un tsunami croissant de données à la fois incroyablement précieuses et de plus en plus lourdes à collecter, traiter et analyser. De nouveaux outils et méthodologies sont nécessaires pour gérer la grande quantité de données collectées, pour les exploiter à la recherche d'informations et pour agir sur ces informations lorsqu'elles sont découvertes.

C'est là qu'interviennent l'intelligence artificielle et l'apprentissage automatique.

What is artificial intelligence?

L'intelligence artificielle (IA) fait généralement référence à des processus et à des algorithmes capables de simuler l'intelligence humaine, notamment en imitant des fonctions cognitives telles que la perception, l'apprentissage et la résolution de problèmes. L'apprentissage automatique et l'apprentissage profond (DL) sont des sous-ensembles de l'IA.

Les applications pratiques spécifiques de l'IA incluent les moteurs de recherche Web modernes, les programmes d'assistants personnels qui comprennent le langage parlé, les véhicules autonomes et les moteurs de recommandation, tels que ceux utilisés par Spotify et Netflix.

Il existe quatre niveaux ou types d'IA, dont deux que nous avons atteints et deux qui restent théoriques à ce stade.

4 types d'IA

Dans l'ordre, de la plus simple à la plus avancée, les quatre types d'IA sont les machines réactives, la mémoire limitée, la théorie de l'esprit et la conscience de soi.

Les machines réactives sont capables d'effectuer des opérations de base basées sur une certaine forme d'entrée. À ce niveau d'IA, aucun « apprentissage » ne se produit : le système est formé pour effectuer une tâche ou un ensemble de tâches particulier et ne s'en écarte jamais. Il s'agit de machines purement réactives qui ne stockent pas d'entrées, qui n'ont aucune capacité à fonctionner en dehors d'un contexte particulier ou qui ont la capacité d'évoluer au fil du temps.

Parmi les machines réactives, citons la plupart des moteurs de recommandation, Deep Blue Chess AI d'IBM et AlphaGo AI de Google (probablement le meilleur joueur de Go au monde).

Les systèmesà mémoire limitée IA sont capables de stocker les données entrantes et les données relatives à toutes les actions ou décisions prises, puis d'analyser ces données stockées afin de s'améliorer au fil du temps. C'est là que l'« apprentissage automatique » commence vraiment, car une mémoire limitée est nécessaire pour que l'apprentissage se produise.

Étant donné que les IA à mémoire limitée sont capables de s'améliorer au fil du temps, ce sont les IA les plus avancées que nous ayons développées à ce jour. Les véhicules autonomes, les assistants vocaux virtuels et les chatbots en sont des exemples. 

La théorie de l'esprit est le premier des deux types d'IA les plus avancés et (actuellement) théoriques que nous n'avons pas encore atteints. À ce niveau, les IA commenceraient à comprendre les pensées et les émotions humaines, et commenceraient à interagir avec nous de manière significative. Ici, la relation entre l'homme et l'IA devient réciproque, plutôt que la simple relation à sens unique que les humains entretiennent actuellement avec diverses IA moins avancées.

La terminologie de la « théorie de l'esprit » vient de la psychologie et, dans ce cas, fait référence à une IA comprenant que les humains ont des pensées et des émotions qui, à leur tour, affectent le comportement de l'IA.

La conscience de soi est considérée comme l'objectif ultime pour de nombreux développeurs d'IA, dans laquelle les IA ont une conscience de niveau humain, conscientes d'elles-mêmes en tant qu'êtres dans le monde ayant les mêmes désirs et émotions que les humains. Pour l'instant, les IA conscientes d'elles-mêmes relèvent uniquement de la science-fiction.

Définition

L'apprentissage automatique(ML) est un sous-ensemble de l'IA qui appartient à la catégorie « mémoire limitée » dans laquelle l'IA (machine) est capable d'apprendre et de se développer au fil du temps.

Il existe différents algorithmes d'apprentissage automatique, les trois principaux étant l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement.

3 types d'algorithmes d'apprentissage automatique

Comme pour les différents types d'IA, ces différents types d'apprentissage automatique couvrent une gamme de complexité. Et bien qu'il existe plusieurs autres types d'algorithmes d'apprentissage automatique, la plupart sont une combinaison de ces trois principaux algorithmes ou basés sur ceux-ci.

L'apprentissage supervisé est le plus simple d'entre eux. Les chercheurs ou les spécialistes des données fourniront à la machine une quantité de données à traiter et à exploiter, ainsi que des exemples de résultats de ce que ces données devraient produire (plus formellement appelés entrées et sorties souhaitées).

Le résultat de l'apprentissage supervisé est un agent qui peut prédire les résultats en fonction de nouvelles données d'entrée. La machine peut continuer à affiner son apprentissage en stockant et en analysant continuellement ces prédictions, améliorant ainsi sa précision au fil du temps.

Les applications de machine learning supervisé incluent la reconnaissance d'images, les systèmes de recommandation de médias, l'analyse prédictive et la détection de spam.

L'apprentissage non supervisé n'implique aucune aide humaine pendant le processus d'apprentissage. L'agent reçoit une quantité de données à analyser et identifie indépendamment des modèles dans ces données. Ce type d'analyse peut être extrêmement utile, car les machines peuvent reconnaître des modèles plus nombreux et différents dans un ensemble de données donné que les humains. À l'instar de l'apprentissage automatique supervisé, l'apprentissage automatique non supervisé peut apprendre et s'améliorer au fil du temps.

Les applications de machine learning non supervisé incluent notamment la détermination de segments de clientèle dans les données marketing, l'imagerie médicale et la détection d'anomalies.

L'apprentissage par renforcement est le plus complexe de ces trois algorithmes, car aucun ensemble de données n'est fourni pour entraîner la machine. Au lieu de cela, l'agent apprend en interagissant avec l'environnement dans lequel il est placé. Il reçoit des récompenses positives ou négatives en fonction des actions qu'il entreprend et s'améliore au fil du temps en affinant ses réponses pour maximiser les récompenses positives.

Parmi les applications de l'apprentissage par renforcement, citons les robots industriels à amélioration automatique, les transactions boursières automatisées, les moteurs de recommandation avancés et l'optimisation des enchères pour maximiser les dépenses publicitaires.

Le deep learning, qu'est-ce que c'est ?

L'apprentissage profond (DL) est un sous-ensemble de l'apprentissage automatique qui tente d'émuler les réseaux de neurones humains, éliminant ainsi le besoin de données prétraitées. Les algorithmes de deep learning sont capables d'ingérer, de traiter et d'analyser de grandes quantités de données non structurées pour apprendre sans aucune intervention humaine.

Comme pour les autres types de machine learning, un algorithme de deep learning peut s’améliorer au fil du temps.

Certaines applications pratiques de l'apprentissage en profondeur incluent actuellement le développement de la vision par ordinateur, de la reconnaissance faciale et du traitement du langage naturel.

IA vs machine learning vs deep learning

L'apprentissage profond est donc un sous-ensemble de l'apprentissage automatique, qui à son tour est un sous-ensemble de l'intelligence artificielle. Mais quelles sont les similitudes et les différences réelles entre eux ?

Une façon courante d'illustrer leur relation consiste à utiliser un ensemble de cercles concentriques, avec l'IA à l'extérieur et l'AD au centre.

Comme indiqué ci-dessus, il existe quatre types d'IA, dont deux qui sont purement théoriques à ce stade. Ainsi, l'intelligence artificielle est le concept plus large et global de création de machines qui simulent l'intelligence et la pensée humaines. L'objectif ultime de créer une intelligence artificielle consciente de soi va bien au-delà de nos capacités actuelles, de sorte qu'une grande partie de ce qui constitue l'IA est actuellement peu pratique.

L'apprentissage automatique, en revanche, est une application pratique de l'IA qui est actuellement possible, étant du type « à mémoire limitée ».

Dans l'ensemble, l'apprentissage automatique est encore relativement simple, la majorité des algorithmes d'apprentissage automatique ne comportant qu'une ou deux «couches», telles qu'une couche d'entrée et une couche de sortie, avec peu ou pas de couches de traitement entre les deux. Les modèles d'apprentissage automatique peuvent s'améliorer au fil du temps, mais nécessitent souvent des conseils humains et un recyclage.

En revanche, le deep learning comporte plusieurs couches, et ce sont ces couches supplémentaires de traitement « cachées » qui lui ont donné son nom. Les algorithmes de deep learning s'auto-entraînent essentiellement, dans la mesure où ils sont capables d'analyser leurs propres prédictions et résultats pour évaluer et ajuster leur précision au fil du temps. Les algorithmes d'apprentissage en profondeur sont capables d'un apprentissage indépendant.

DL est capable de le faire grâce aux algorithmes en couches qui, ensemble, constituent ce que l'on appelle un réseau de neurones artificiels . Ceux-ci sont inspirés des réseaux de neurones du cerveau humain, mais sont évidemment loin d'atteindre ce niveau de sophistication. Cela dit, ils sont nettement plus avancés que les modèles d'apprentissage automatique plus simples et sont les systèmes d'IA les plus avancés que nous sommes actuellement capables de créer.

Pourquoi l'IA/AA est-elle importante ?

Ce n'est un secret pour personne : les données sont un atout de plus en plus important pour l'entreprise, et la quantité de données générées et stockées dans le monde augmente à un rythme exponentiel. Bien sûr, la collecte de données est inutile si vous n'en faites rien, mais ces énormes flux de données sont tout simplement ingérables sans systèmes automatisés pour vous aider.

L'intelligence artificielle, le machine learning et le deep learning permettent aux entreprises d'exploiter au mieux les données qu'elles collectent, en fournissant des informations sur l'entreprise, en automatisant les tâches et en améliorant les capacités des systèmes. L'IA/AA a le potentiel de transformer tous les aspects d'une entreprise en l'aidant à atteindre des résultats mesurables, notamment :

• Increasing customer satisfaction

• Offering differentiated digital services

• Optimizing existing business services

• Automating business operations

• Augmentation des revenus

• Réduction des coûts

Exemples et cas d'utilisation d'IA/ML

Tout cela semble bien, bien sûr, mais cela reste du côté abstrait et onduleux des choses. Jetons un coup d'œil à quelques cas d'utilisation pratiques et à des exemples d'utilisation de l'IA/AA pour transformer les secteurs d'aujourd'hui.

Santé

L'IA/AA est utilisée dans les applications de soins de santé pour accroître l'efficacité clinique, accélérer la vitesse et la précision des diagnostics et améliorer les résultats pour les patients.

HCA Healthcare a reçu le prix de l'innovation Red Hat pour l'utilisation de l'apprentissage automatique pour développer un produit d'analyse prédictive en temps réel—SPOT (Sepsis Prediction and Optimization of Therapy)—pour détecter plus précisément et plus rapidement le sepsis, un condition potentiellement mortelle.

Télécommunications

Dans le secteur des télécommunications, le machine learning est de plus en plus utilisé pour mieux comprendre le comportement des clients, améliorer l'expérience client et optimiser les performances des réseaux 5G, entre autres.

En fait, selon notre rapport State of Enterprise Open Source publié début 2021, 66 % des entreprises de télécommunications prévoient d'utiliser l'Open Source d'entreprise pour l'IA/AA au cours des deux prochaines années, contre seulement 37 % aujourd'hui.

Assurance

Dans le secteur de l'assurance, l'IA/AA est utilisée pour diverses applications, notamment pour automatiser le traitement des réclamations et pour fournir des services d'assurance basés sur l'utilisation.

La majorité des assureurs estiment que la modernisation de leurs systèmes de base est une clé pour différencier leurs services sur un vaste marché, et l'apprentissage automatique fait partie de ces efforts de modernisation.

Services financiers

De la même manière, les services financiers utilisent l'IA/AA pour moderniser et améliorer leurs offres, notamment pour personnaliser les services aux clients, améliorer l'analyse des risques et mieux détecter la fraude et le blanchiment d'argent.

Alors que la quantité de données que les institutions financières doivent traiter ne cesse d'augmenter, les capacités de l'apprentissage automatique devraient renforcer les modèles de détection des fraudes et optimiser le traitement des services bancaires.

Industrie automobile

L'industrie automobile a connu d'énormes changements et bouleversements au cours des dernières années avec l'avènement des véhicules électriques et autonomes, des modèles de maintenance prédictive et un large éventail d'autres tendances perturbatrices dans l'industrie.

Et bien sûr, l'IA/AA joue un rôle important dans cette transformation. Par exemple, il s'agit d'un élément clé des initiatives de véhicules automatisés de BMW Group.

Énergie

Les fournisseurs d'énergie du monde entier sont également en pleine transformation de l'industrie, avec de nouvelles méthodes de production, de stockage, de distribution et d'utilisation de l'énergie qui modifient le paysage concurrentiel. En outre, les préoccupations liées au climat mondial, les moteurs du marché et les progrès technologiques ont également considérablement modifié le paysage.

Le secteur de l'énergie utilise déjà l'IA/AA pour développer des centrales électriques intelligentes, optimiser la consommation et les coûts, développer des modèles de maintenance prédictive, optimiser les opérations sur le terrain et la sécurité et améliorer le commerce de l'énergie.

Premiers pas avec l'IA/AA dans votre entreprise

Bien que l'IA/AA soit clairement une technologie puissante et transformatrice qui peut apporter une valeur énorme dans n'importe quel secteur, la mise en route peut sembler plus qu'un peu écrasante.

La bonne nouvelle est que vous pouvez commencer petit. Il est possible d'adopter l'IA/AA dans votre entreprise sans investissement initial énorme. Vous pouvez donc commencer à comprendre comment et où l'IA/AA peut être bénéfique pour votre entreprise dans des éléments plus petits et plus faciles à gérer.

Si vous souhaitez en savoir plus, nous avons rédigé une feuille de route en 13 points expliquant comment démarrer votre parcours d'IA/AA.

En savoir plus

• L'IA/AA sur Red Hat OpenShift

• Top considerations for building a production-ready AI/ML environment (e-book)

• Deux clés pour adopter l'IA/AA : l'excellence des données et la collaboration

• Stage Red Hat Open Innovation Labs sur l'IA/AA