L’Intelligence Artificielle en 2020
Expansion de l’Internet Of Things (IOT), avancées en natural language processing (NLP) et generation (NLG), généralisation des stratégies d’automatisation (Robotic Process Automation, RPA), … A l’occasion de la nouvelle année, les experts en Intelligence Artificielle (IA) du monde entier se prêtent au jeu des prédictions concernant les tendances les plus marquantes de l’année 2020.
2020, l’IA devient mainstream ?
Certes, les capacités et la puissance des outils d’IA ne vont cesser de croitre à court terme. Cependant, la révolution la plus marquante pourrait ne pas venir de la mise au point de nouveaux outils plus performants, mais bien d’une meilleure intégration des outils déjà existants dans les processus de décision des entreprises. Un des phénomènes les plus marquants de l’année 2020, et certainement de la prochaine décennie, sera une adoption plus généralisée de l’IA au niveau business. Nous sommes en effet situés à une jonction critique en termes d’adoption de l’IA, dû à la concomitance de plusieurs facteurs :
- Le besoin d’outils analytiques intelligents : La compétition accrue dans de nombreux secteurs pousse les entreprises à chercher l’innovation afin d’améliorer leurs processus de décision. D’un autre côté, la digitalisation croissance de notre société crée une immense masse de données pouvant enrichir ces processus, à condition d’avoir les outils adéquats pour en extraire les informations pertinentes.
- La maturité de l’IA : Ces dernières années, aux quatre coins du monde, et dans toutes les fonctions de l’entreprise, de nombreux projets ont été menés avec succès afin d’intégrer des capacités d’IA au sein des organisations. Les case studies existent, permettant d’appréhender avec du recul les résultats pouvant être obtenus et les facteurs clés de succès. D’autre part, la présence croissante d’éléments d’IA dans la vie quotidienne et la maturité digitale plus importante des décideurs d’entreprise rendent l’IA plus familière et réduisent les barrières à l’adoption.
- La disponibilité des outils : Que ce soient les librairies pour le développement des algorithmes ou les frameworks pour le déploiement des applications, les outils pour mener à bien les projets d’IA foisonnent. La multiplication de ces outils permet aux data scientists expérimentés d’avoir à leur disposition une boite à outils permettant de réaliser rapidement et efficacement des projets d’IA quel que soit l’environnement où ce projet doit être déployé.
Les clés pour une adoption réussie de l’Intelligence Artificielle
Une adoption plus généralisée de l’intelligence artificielle dans les entreprises ne peut avoir lieu que si la mise en place de ces nouveaux projets d’IA génère un retour sur investissement suffisant. Nous sommes convaincus que certains points sont cruciaux afin de générer de la valeur ajoutée :
- Réfléchir en amont à l’opérationnalisation de la solution : une des clés de réussite d’un projet d’IA tient dans une gestion efficace de tout son cycle de vie (lifecycle). Dans le passé, beaucoup trop des projets IA restaient bloqués en phase de recherche au stade de prototype, sans être jamais opérationnalisés. Afin d’éviter cela, il est indispensable de concevoir un projet IA en prenant en considération son cycle de vie total, de la définition du scope du projet à la modélisation jusqu’au déploiement et à la maintenance de la solution. Alors qu’elle était quelque peu délaissée historiquement, la phase de déploiement de la solution est aujourd’hui reconnue comme primordiale. De nombreux outils existent aujourd’hui pour rendre actionnable efficacement les outils d’IA. Sur Qlik, il est possible désormais d’effectuer une connexion avec des algorithmes développés sur Python ou R via l’Advanced Connector. Cela permet de mettre en application la solution d’IA avec un temps ainsi qu’un cout réduits, et une meilleure intégration avec les autres processus de l’entreprise, ce qui facilite l’adoption de la solution (et permet également une meilleure intégration dans la data strategy de l’entreprise, voir point 3).
- Transparence de la solution : Avec du recul, il émerge qu’une des barrières principales à l’adoption de l’IA est le sentiment de blackbox évoqué par les utilisateurs finaux. Afin de booster l’adoption d’une technologie d’IA, il est donc primordial de développer des solutions qui tiennent compte du facteur humain, notamment en rendant transparents et compréhensibles les résultats (paradigme de l’Explainable AI). De plus, l’intégration de capacités des chatbots et d’assistants virtuels peut permettre aux décideurs de pouvoir communiquer plus directement et agilement avec la solution, ce qui permet aussi de réduire les barrières à l’adoption.
- Des données de qualité : Les résultats d’un projet d’IA ne sont aussi robustes que les données injectées en entrée. Un projet réussi tient avant tout dans la qualité de ces inputs. Il est donc essentiel de faire en sorte que le projet IA soit intégré plus globalement dans une stratégie de données et une approche analytique holistique. Optimalement, une intégration avec les outils de business intelligence déjà utilisés permettra de rendre la solution actionnable par un plus grand nombre d’utilisateurs finaux.
N’hésitez pas à nous contacter si vous désirez en savoir plus. Organisons ensemble une session de brainstorming gratuite afin de cibler les domaines d’applications de l’IA dans votre entreprise et les retours sur investissement que vous pourriez attendre !
