Au sommaire de cet article
- #1. Introduction
- #2. Le rôle de l’algorithme
- #3. L’évolution de l’Intelligence Artificielle
- #4. Les différents stades d’Intelligence Artificielle
- #5. Les différents systèmes d’Intelligence Artificielle
- #6. Les branches de l’Intelligence Artificielle
- #7. Quelques exemples pratiques de solutions IA
- #8. Conclusion
- #9. Que faut il retenir de cet article ?
#1.
Introduction
Nous avons rédigé cet article sur l’intelligence artificielle pour Les Cahiers du Digital d'HEC Digital Lab. Ces cahiers sont destinés aux étudiants de HEC Liège dans le but d’enrichir les matières enseignées mais sont également accessibles en version numérique.
Chaque cahier aborde une thématique et est composé de 3 articles, rédigés par des professionnels ayant une expertise dans la transformation digitale. Nous vous invitons à découvrir les deux autres articles dédiés, eux aussi, à l’intelligence artificielle, via ce lien.
Nous avons écrit l’article en novembre 2022, au moment où OpenAI a lancé son logiciel de rédaction IA sur le marché, ChatGPT. Depuis, l’outil est partout et a évolué. Impossible de passer à côté de cette intelligence artificielle qui peut répondre aux questions, entamer une conversation, admettre ses erreurs ou encore rejeter des demandes inappropriées.
Les parties en italiques sont celles proposées par ChatGPT.
Nous entendons fréquemment parler d’Intelligence Artificielle (IA) et ce, dans de nombreux domaines. Mais, savons-nous réellement ce que c’est ?
L'intelligence artificielle désigne la capacité d'un ordinateur ou d'une machine à effectuer des tâches qui exigent normalement une intelligence de type humain, comme la compréhension du langage, la reconnaissance de modèles, l'apprentissage et la résolution de problèmes.
Les technologies IA incluent le machine learning, le traitement naturel du langage, la vision par ordinateur, la robotique et bien d’autres encore (nous développerons ces techniques dans la section « Les branches de l’IA »).
Les systèmes d'IA peuvent être entraînés à reconnaître des modèles, à faire des prédictions et à automatiser des tâches répétitives, libérant ainsi du temps pour que les humains puissent se concentrer sur des tâches plus complexes et plus créatives.
L'IA est utilisée de nombreuses façons différentes aujourd'hui et la liste s'allonge constamment à mesure que de nouvelles applications sont développées.
Voici quelques exemples d'utilisation :
- Les assistants personnels : les assistants virtuels, tels que Siri d'Apple ou Alexa d'Amazon, utilisent le traitement du langage naturel pour comprendre et répondre aux commandes vocales.
Leur capacité de compréhension paraît proche de celle d’un homme mais ne vous est-il jamais arrivé d’être frustrés parce que vous deviez répéter plusieurs fois votre demande ou changer la formulation de votre phrase car votre assistant virtuel ne la comprend pas ?
Par exemple, si vous lui demandez de « lancer l’aspirateur », les premières versions de Google Home ne pourra pas répondre à votre requête car le verbe « lancer » n’est pas adéquat. À contrario, même si vous n’utilisez pas le bon verbe, un humain aurait, lui, compris la demande.
- Le service clientèle : de nombreuses entreprises utilisent des chatbots alimentés par l'IA pour traiter les demandes des clients, leur fournir des informations et les guider tout au long d’un processus, libérant ainsi les agents du service clientèle pour des tâches plus complexes.
Cette application de l’IA est efficace lorsque les clients ont une question relativement simple et fréquemment posée. Si la question est plus complexe, ils auront certainement besoin de communiquer, à un moment, avec une personne. Cela permet aux entreprises de filtrer les demandes mais pas d’y répondre à 100%.
- Détection des fraudes : les institutions financières utilisent des algorithmes d'apprentissage automatique pour analyser les schémas des transactions financières et identifier les activités frauduleuses potentielles.
- Diagnostic médical : les algorithmes d'IA peuvent être entraînés sur de grands ensembles de données de dossiers médicaux et d'images pour aider les médecins à identifier les maladies, établir des diagnostics plus précis et recommander des traitements.
- Véhicules autonomes : les voitures et les drones à conduite autonome utilisent l'IA pour naviguer et prendre des décisions en temps réel. L'IA peut être utilisée pour détecter les piétons ou les voitures qui ne sont pas à leur place sur la route. La voiture freinera alors automatiquement ou s'éloignera d'eux.
- Gestion de la chaîne d'approvisionnement : L'IA peut être utilisée pour optimiser le flux de marchandises et de matériaux dans une chaîne d'approvisionnement, aidant ainsi les entreprises à être plus efficaces et à réduire leurs coûts.
La mise en place d’une IA au sein d’une entreprise peut représenter un coût très important qu’il faut prendre en compte pour déterminer si l’IA est nécessaire et si elle réduira effectivement vos coûts à long terme.
- Modération des médias sociaux : les algorithmes d'IA peuvent être utilisés pour aider à identifier et à supprimer le contenu inapproprié des plateformes de médias sociaux.
À noter qu’une IA, nommée Tay et développée par Microsoft en 2016, a tenu des propos inappropriés sur Twitter. En effet, certains utilisateurs ont voulu tester les limites de ce chatbot qui était censé échanger avec des adolescents américains afin d’étudier la compréhension du langage. Ils ont réussi à lui faire répéter des phrases racistes, mais l’IA a également répondu par elle-même à des questions et a, entre autres, nié l’holocauste. Tay devait, au fur et à mesure des échanges, apprendre et s’améliorer mais avec les nombreux dérapages, Microsoft l’a désactivée après seulement 8h d'existence.
L’IA apprend avec les données qu’elle a à sa disposition mais n’est pas en mesure de les vérifier. Dans l’exemple de Tay, les informations fournies étaient racistes, c’est donc pour cette raison qu’elle a tenu de tels propos.
Ce ne sont là que quelques exemples, mais l'IA est également appliquée dans de nombreux autres domaines, aussi bien dans la sphère professionnelle que privée.
Malgré les avancées de ces dernières années, il faut prendre des précautions avec le terme « Intelligence » car une machine dotée d’IA, même si elle est capable de réaliser des tâches incroyables, n’est pas intelligente au sens où nous l’entendons. En effet, c’est un très bon outil, elle peut être plus performante que l’homme pour réaliser certaines tâches spécifiques mais elle ne le supplante pas.
Elle peut également commettre des erreurs qu’un homme ne ferait pas car elle ne possède pas l’ensemble des capacités humaines. Google a, notamment, déjà confondu des images de muffins et de Chihuahua ou bien plus grave, a identifié deux Afro-américains comme étant des gorilles.
Le but de cet article est de vous expliquer ce qu’est l’intelligence artificielle, de décortiquer ce concept pour comprendre ce qu’elle permet de faire et comment, via des exemples, elle peut vous aider dans votre entreprise. Mais, nous souhaitons également démystifier quelque peu l’IA car elle est loin d’avoir les mêmes capacités que les Hommes et n’est pas prête à les dépasser contrairement à ce que l’on pourrait, parfois, croire.
#2.
Le rôle de l’algorithme
Dans l’imaginaire collectif, l’IA est, au départ, associée à plusieurs concepts comme des robots au sein des industries ou des systèmes intelligents capable de penser, d’apprendre ou encore de résoudre des problèmes de manière autonome. De nos jours, ces idées ont bien évolué et l’IA est associée à bien plus de choses que cela.
Nous allons approfondir le sujet pour comprendre tous les tenants et aboutissants de cette révolution technologique qui ne date pas d’hier comme nous le verrons dans la section suivante.
Nous sommes confrontés à de l’IA et l'utilisons au quotidien. Voici quelques exemples pour vous rendre compte de son omniprésence :
- Vous pouvez demander à l’IA d’écrire un mail ;
- Elle peut se renseigner sur un sujet pour vous ;
- Le système de navigation de votre voiture cherche le meilleur itinéraire possible selon le trafic ;
- Votre smartphone se déverrouille quand il reconnaît votre visage ;
- Vous pouvez demander à votre assistant virtuel d’allumer le chauffage ;
- L’application Shazam trouve le titre et l’interprète de la chanson que vous êtes en train d’entendre ;
- Vous pouvez demander à une IA de relire votre synthèse et de corriger les fautes d’orthographe ;
- …
Dans ces exemples, nous retrouvons des systèmes informatiques qui permettent de trier et traiter des informations et qui fonctionnent grâce aux algorithmes.
L’algorithme est une notion très importante en IA. C’est un ensemble d’instructions, d’opérations à suivre pour résoudre un problème ou accomplir une tâche.
Pour faire simple, nous pouvons comparer un algorithme à une recette de cuisine. Vous avez des ingrédients et en suivant des instructions précises, vous arrivez à un résultat, par exemple, un gâteau au chocolat. Pour l’algorithme, c’est pareil, vous remplacez les ingrédients par un ensemble de données et puis, vous appliquez les instructions, c’est-à-dire, les étapes de la recette qui représentent les opérations qui composent l’algorithme, vous obtenez alors un résultat.
Complétons cet exemple pour comprendre un peu mieux ce que peut faire un algorithme en IA :
Si vous demandez à un programme sans IA de trouver des photos du bâtiment d’HEC Liège, le programme va chercher dans sa base de données (les ingrédients de la recette) et vous montrer les photos associées à ce bâtiment. Cependant, il risque de ne pas vous montrer toutes les images car il se peut que certaines ne soient pas étiquetées « bâtiment d’HEC Liège » et donc sans IA, l’algorithme ne reconnaîtra pas le bâtiment sur ces images. S’il manque un seul élément, la recette ne donnera pas le résultat souhaité, ici, voir toutes les images du bâtiment d’HEC Liège.
À l’inverse, avec l’IA, le programme pourra vous montrer toutes les images même celles sans l’étiquette « bâtiment d’HEC Liège ». Pour y parvenir, le programme a d’abord besoin de voir un tas de photos du bâtiment afin de s’entraîner à le reconnaître. Il va visualiser les éléments qui ne changent pas et ceux qui peuvent varier. Cet apprentissage permet de répondre à votre demande en vous montrant toutes les photos du bâtiment d’HEC Liège que le programme a dans sa base de données.
Cette reconnaissance d’image est l’une des nombreuses tâches que peut effectuer l’IA.
Pour appréhender davantage ce concept, il est intéressant de retracer les moments clés de son développement. L’IA est apparue dans les années 50 et a bien évolué depuis.
#3.
L’évolution de l’Intelligence Artificielle
Le monde s’est familiarisé à l’IA dès la première moitié du XXe siècle grâce à la science-fiction avec, notamment le robot humanoïde dans le film "Metropolis" de Fritz Lang sorti en 1927. Puis, ce sont les scientifiques et les mathématiciens qui se sont emparés du concept.
En 1950, Alan Turing, l’inventeur de l’ordinateur, rédige un article intitulé « Computing machinery and intelligence » dans lequel il explique comment construire des machines intelligentes. Il part du principe que les humains utilisent la raison ainsi que les informations disponibles pour prendre des décisions et résoudre des problèmes et suggère que les machines pourraient en faire de même. Il explique également comment les tester pour savoir si elles se rapprochent de l’intelligence humaine grâce à ce que l’on appelle le « Test de Turing ». Ce test consiste, pour un programme, à avoir une conversation écrite avec un interrogateur humain pendant 5 minutes. L’interrogateur doit, ensuite, dire s’il a discuté avec une machine ou un humain. Si la machine trompe l’interrogateur 30% du temps, alors, elle a réussi le test.
C’est en 1956 que le terme « Intelligence Artificielle » a été utilisé pour la première fois. Il a été inventé pour une conférence organisée au Dartmouth College par les scientifiques John McCarthy et Marvin Minsky durant laquelle Allen Newell, Cliff Shaw et Herbert Simon ont présenté leur programme « The Logic Theorist » conçu pour imiter les capacités de résolution de problèmes d’un humain. Il est considéré comme le premier programme d’IA.
À partir de cette année-là, l’IA a prospéré durant un certain temps grâce, notamment à l’évolution de l’informatique et différents financements. Par exemple, en 1965, Joseph Weizenbaum a créé le programme ELIZA, le premier à réussir le test de Turing, du moins, pendant quelques minutes. C’est un programme qui remplace le psychothérapeute pendant des entretiens.
Les attentes étaient très grandes mais la technologie ne pouvait pas encore y répondre totalement. Le stockage de données ainsi que leur traitement posaient encore problème. Hans Moravec, doctorant de McCarthy à l'époque, avait d’ailleurs déclaré que « les ordinateurs étaient encore des millions de fois trop faibles pour faire preuve d'intelligence ». Les financements ont alors chuté et les recherches se sont arrêtées durant une décennie. Cette crise est appelée l’hiver de l’IA.
Les finances et les recherches liées à l’IA repartent à la hausse dans les années 1980. C’est à cette période, notamment, que John Hopfield et David Rumelhart ont popularisé les techniques de Deep Learning (apprentissage profond) qui permettent aux ordinateurs d’apprendre grâce à l’expérience et également qu’Edward Feigenbaum a développé les systèmes experts qui permettent à une machine de prendre des décisions comme un expert humain. Le programme demandait à un expert comment réagir face à des situations données dans un domaine précis et lorsque les réponses étaient assimilées, les non-experts pouvaient alors être conseillés par ce programme. Les systèmes étaient très utilisés dans les industries ou dans la finance, ils servaient, par exemple, à détecter des fraudes de cartes de crédit.
Plus tard, en 1997, la machine bat l’homme pour la première fois : Deep Blue, un programme informatique de jeu d’échecs, bat le champion du monde en titre, Gary Kasparov. Une date importante qui marque une avancée considérable vers un programme de prise de décision intelligent. Il faut reconnaître que Deep Blue a un avantage considérable, il possède dans sa mémoire des milliers de parties des meilleurs joueurs du monde. Son processeur lui permet, à chaque coup, de trouver la meilleure stratégie à adopter. La même année, un autre grand pas a été franchi, cette fois, dans l’interprétation du langage parlé : le logiciel de reconnaissance vocale, développé par Dragon Systems, est installé sur Windows.
Depuis, le capacité de stockage et l’accumulation des données ainsi que la puissance des calculs des ordinateurs n’ont cessé d’augmenter. Toutes ces améliorations techniques permettent de développer et d’augmenter les performances des algorithmes. C’est comme ça qu’en 2015, l’IA AlphaGo de Google, bat Fan Hui, le champion européen du jeu de Go et qu’en 2017, le programme parvient même à battre le champion du monde, Ke Jie. Les avantages psychologiques sont à souligner, la machine ne risque pas de se déconcentrer, ni de subir de pression contrairement à l’homme.
Aujourd’hui, L’IA ne cesse de se perfectionner et est utilisée partout, que ce soit dans la santé, les transports, l’industrie, les banques, le marketing, les loisirs, etc.
Dans le futur, l’évolution permettra peut-être d’atteindre l’intelligence générale, les machines auront alors les mêmes capacités cognitives que les humains, voire plus, elles nous dépasseront. Mais, nous sommes encore très loin de ça. De nombreuses questions éthiques, entre autres, se poseront avant d’arriver à une telle étape, considérée comme dangereuse pour de nombreux scientifiques comme Stephen Hawking.
#4.
Les différents stades d’Intelligence Artificielle
Il faut savoir qu’il existe 3 stades d’intelligence artificielle :
1) L’Intelligence Artificielle Étroite (Artificial Narrow Intelligence - ANI) :
On l’appelle aussi l’IA faible. À ce stade, les machines ne peuvent exécuter qu’un ensemble de tâches prédéfinies, elles n’ont pas de capacité de réflexion. Tous les systèmes d’IA qui existent aujourd’hui entrent dans cette catégorie : Siri/Alexa, les voitures autonomes, les logiciels de reconnaissance faciale, les assistants vocaux, les chatbots,…
2) L’Intelligence Artificielle Générale (Artificial General Intelligence - AGI) :
Également appelée IA forte, cette étape est, comme nous l’avons mentionné précédemment, le moment où les machines pourront réfléchir et prendre des décisions comme les humains. Il n’existe, jusqu’à présent, aucun exemple d’intelligence artificielle générale.
3) La Super Intelligence Artificielle (Artificial Super Intelligence - ASI) :
Cette dernière étape décrit le moment où les capacités des machines dépasseront celles des Hommes. À ce jour, nous ne pouvons affirmer si ce stade sera, un jour, atteint. C’est de l’ordre de l’hypothèse. Nous voyons ce genre d’IA dans les films ou livres de science-fiction dans lesquels les machines contrôlent le monde.
Nous sommes toujours au premier stade de l’intelligence artificielle, même s’il y a eu énormément de progrès depuis les années 1950, nous sommes encore loin d’une intelligence générale. Cela signifie que nous en sommes encore aux balbutiements de l’IA finalement. Il reste de nombreux progrès à accomplir pour atteindre le deuxième stade.
#5.
Les différents systèmes d’Intelligence Artificielle
Les différents systèmes d’IA sont classés selon leurs fonctionnalités, il y a 4 types.
1) Les machines réactives :
Dans cette catégorie d’IA, nous retrouvons les machines qui fonctionnent selon la situation présente, avec les données actuelles qu’elles reçoivent. Elles interagissent avec leur environnement et ne peuvent réaliser qu’un nombre restreint de tâches prédéfinies. Elles ne sont pas capables de faire des déductions sur base de leurs données ou d’expériences passées afin de déterminer leurs actions futures.
Parmi les IA réactives, il y a le programme d’échecs Deep Blue qui a battu, en 1997, Garry Kasparov, le champion du monde en titre ou encore les bras robotiques dans une usine que l’on programme pour qu’ils agissent à la présence d’un objet précis devant eux sur un tapis roulant et par exemple, pour qu’ils déplacent cet objet à un endroit désigné.
2) La mémoire limitée :
Cette IA est capable de prendre des décisions sur base des données enregistrées dans sa mémoire qui est éphémère, d’où son nom. En stockant des expériences passées, elle est en mesure d’évaluer des actions futures.
Le parfait exemple est la voiture autonome. Elle utilise les informations recueillies dans le passé pour agir immédiatement. Grâce à des capteurs, elle peut identifier des piétons qui traversent la route mais aussi les feux de circulation, des travaux, des trous dans la chaussée, le trafic, etc. Toutes ces données sont utilisées pour prendre des décisions et ajuster sa vitesse et sa trajectoire si nécessaire.
3) La « théorie de l’esprit » :
Comme son nom l’indique, cette IA s’intéresse à l’intelligence émotionnelle pour comprendre les pensées humaines. Ce type d’IA est plus avancé que les deux précédentes, elle n’est d’ailleurs pas encore totalement développée mais des recherches sont menées pour y parvenir. Cette IA pourra jouer un rôle important en psychologie. Si nous parvenons à développer des machines avec cette IA, elles seront différentes des machines créées jusqu’à présent. Elles seront capables de réaliser les mêmes tâches que les deux premiers types d’IA mais elles sauront, en plus, comprendre les émotions humaines et adapter leur comportement en conséquence.
4) L’auto-conscience :
Ce type d’IA correspond à la Super Intelligence Artificielle où les machines auront leur propre conscience. Ce serait le stade ultime que nous pourrions un jour atteindre. Ce serait une extension de la « théorie de l’esprit », les machines pourraient comprendre les émotions humaines mais elles seraient également capables de les ressentir et de prédire celles de ceux qui l’entourent. Encore une fois, nous ne sommes pas prêts d’atteindre ce niveau.
#6.
Les branches de l’Intelligence Artificielle
Nous pouvons utiliser l’IA pour résoudre toutes sortes de problèmes grâce à différentes techniques.
Nous vous proposons d’en découvrir quelques-unes :
Machine Learning (apprentissage automatique) :
Cette technique permet aux machines d’apprendre sur base de son expérience et d’exemples pour résoudre des problèmes et faire des prédictions. Elles sont capables d’interpréter, de traiter et également d’analyser des données.
Le Machine Learning permet aux ordinateurs/machines de prendre des décisions basées sur des données plutôt que de les programmer pour réaliser une tâche spécifique. Les algorithmes ou les programmes de Machine Learning apprennent au fur et à mesure des nouvelles données qu’ils rencontrent ce qui leur permet de s’améliorer.
Voici un exemple simple pour mieux comprendre : en utilisant un algorithme de Machine Learning, il est possible de prédire qui sera le prochain joueur de foot à recevoir le ballon sur le terrain. Pour ce faire, l’algorithme, une fois entraîné, se base sur 3 données (la liste des ingrédients de la recette de cuisine) :
- Qui a le ballon à l’instant T
- Les positions de chaque joueur
- Le temps depuis le début de la période de jeu
Avec ces données, il est possible de prédire qui aura le ballon à la prochaine passe (le résultat de la recette).
L’apprentissage automatique comprend 3 catégories :
1) L’apprentissage supervisé :
Cet apprentissage est dit supervisé car on considère qu’il est guidé par un « enseignant », c’est-à-dire, un ensemble de données qui a pour rôle d'entraîner la machine ou le modèle. Une fois formée, la machine peut alors prendre des décisions ou faire des prédictions quand elle reçoit de nouvelles données.
2) L’apprentissage non-supervisé :
Ici, le modèle apprend grâce à l’observation. Il trouve des structures et des relations dans les données qu’il reçoit en créant des groupements. Cependant, il n’est pas capable de nommer ces groupements. Par exemple, il va séparer les jupes et les robes mais il sera incapable de dire qu’il s’agit de jupes et de robes.
3) L’apprentissage par renforcement :
Cette dernière catégorie a la capacité d’interagir avec l’environnement et de trouver le meilleur résultat. Le modèle est récompensé pour une réponse correcte et pénalisé pour une réponse incorrecte. Il s'entraîne alors à partir des points de récompense qu’il a obtenus. Il pourra commencer à prédire les nouvelles données lorsqu’il sera formé.
Deep Learning (apprentissage profond) :
Le Deep Learning est un domaine avancé du Machine Learning, il apprend par l’expérience et peut résoudre des problèmes plus complexes encore. Il imite la manière dont un cerveau humain fonctionne, c'est-à-dire qu'il utilise le concept de réseaux de neurones artificiels qui fonctionnent comme les neurones présents dans notre cerveau. Il peut traiter des données de bien plus grande dimension dans le but de trouver des informations et de trouver une solution.
Voici un exemple pour distinguer le Machine Learning et le Deep Learning :
Imaginons que nous voulions développer un système qui reconnaisse les chiens sur une image, si nous utilisons le Machine Learning, nous définirons les caractéristiques d’un chien comme les oreilles, le museau, les pattes, etc. Le système pourra alors identifier lui-même ces caractéristiques sur les images. Avec le Deep Learning, nous n’avons pas besoin de définir les caractéristiques, le système les trouvera automatiquement grâce aux réseaux neuronaux.
Nous retrouvons, entre autres, du Deep Learning derrière l’algorithme de vérification des visages sur Facebook, DeepFace. Le Machine Learning n’est pas suffisant car une image contient énormément de données.
Amazon, Netflix et bien d’autres sites vont avoir recours au Deep Learning pour comprendre le comportement de leurs clients et leur proposer ce qui leur correspond le mieux.
Les algorithmes de Deep Learning peuvent aussi être utilisés pour analyser des images et des vidéos, ce qui est très utile dans la sécurité et la surveillance.
Intelligence artificielle générative :
L’IA générative est une branche de l’intelligence artificielle qui se concentre sur la création de contenus à partir de données existantes. Elle permet notamment de :
- Rédiger et traiter du texte ;
- Générer des images réalistes ou artistiques ;
- Composer des morceaux de musique ;
- Générer des prototypes ou des suggestions de design.
Parmi les différentes sous-familles de l’IA générative, on retrouve le Langage de Grande Taille (Large Language Model - LLM) :
Le langage est l’une des capacités qui différencie le plus les hommes des autres espèces et c’est d’ailleurs sur cette capacité qu’Alan Turing a basé son test pour savoir si une machine se rapproche d’une intelligence humaine. Le LLM est une technique avancée du NLP (Traitement du Langage Naturel) qui permet à des machines de comprendre des données vocales ou textuelles et d’y répondre comme le ferait un humain.
Le langage humain est très compliqué et pour aider les machines à le comprendre, plusieurs techniques décomposent les données textuelles ou vocales. Nous ne rentrerons pas dans les détails car un chapitre de ce Cahier du Digital est consacré au traitement du langage naturel.
La compréhension du langage peut s'avérer parfois difficile car il faut prendre en compte les différents accents, les variations d’intonation, la prononciation, les fautes de grammaire, etc. Ce qui peut expliquer certaines erreurs ou le fait que Siri ou n’importe quelle machine à commande vocale nous demande parfois de répéter notre requête.
Voici quelques exemples :
- Les chatbots des sites internet utilisent le LLM pour identifier votre problème et/ou répondre à vos questions. Si jamais, ils ne savent pas répondre, ils essayeront, généralement, d’identifier au mieux votre problème pour vous diriger vers le bon interlocuteur.
- C’est grâce au LLM que le programme ChatGPT peut répondre à nos questions et mener une conversation écrite. Il lui arrive de ne pas comprendre ce que l’on écrit, dans ce cas, il demande d’ajouter des précisions.
- Les traducteurs automatiques comme DeepL ou Google Traduction fonctionnent aussi grâce au LLM. L’erreur est possible, il faut parfois faire attention aux traductions proposées comme le montre l’exemple ci-dessous.
- Nous avons utilisé l’application mobile DeepL pour traduire un paragraphe dans un livre en prenant une photo. L’application a d’abord traduit l’abréviation « AI » par « aluminium ». Au second essai, l’application l’a traduit correctement par « Intelligence Artificielle ».
- Le LLM est aussi utile dans la détection de spam : il permet d’analyser les mails et d’identifier les indésirables. Il arrive, tout de même, que certains courriers légitimes soient envoyés dans vos spams par erreur, l’outil ne détecte pas toujours correctement les éléments attribués habituellement aux spams.
- Dans le domaine du développement informatique, il existe un outil qui s’appelle GitHub Copilot et qui aide à écrire du code. Il va compléter le code du développeur en fonction de ce qu’il écrit. L’outil fonctionne avec tous les langages et même s’il ne peut pas rédiger une fonction complète, il représente un gain de temps.
Vision par ordinateur :
La vision par ordinateur permet à une machine d’analyser et d’interpréter le monde visuel comme les images et les vidéos afin, entre autres, d’en extraire des informations et de prendre des décisions en fonction des observations immédiates.
Cette technique est utile pour de nombreux secteurs tels que les entreprises, les transports, les soins de santé, la vie quotidienne,... La croissance des applications utilisant la vision par ordinateur est due, notamment, au flot d’informations visuelles provenant de nos smartphones, des systèmes de sécurité de plus en plus renforcés, des caméras de circulation, etc.
La vision par ordinateur peut être utilisée pour un large éventail d'applications, en voici quelques-unes :
Les véhicules autonomes sont l’exemple le plus parlant : cela permet aux voitures de percevoir et de comprendre leur environnement afin de circuler en toute sécurité sur les routes.
La détection et la reconnaissance des visages et des objets ainsi que la classification d’image sont souvent utilisées. Comme mentionné précédemment, votre smartphone peut, grâce à la reconnaissance de votre visage, se déverrouiller. Il peut également trier vos photos en fonction des personnes présentes dessus.
L’application Google Lens vous donne des informations liées à l’objet qu’elle identifie sur l’image que vous lui montrez. Si vous prenez une photo de l'Atomium, l’application vous dévoilera des informations pertinentes sur ce monument.
L’analyse d’images médicales : la vision par ordinateur permet d’identifier des anomalies ou de diagnostiquer des maladies en analysant, par exemple, des radiographies.
On a recours à cette vision dans le sport également : la VAR au football (assistance vidéo à l’arbitrage) permet de reconstituer une image grâce à 4 caméras. Sans IA, il faudrait un nombre élevé de caméras autour du terrain pour avoir une vue 360°.
Depuis le mois de novembre 2022, la filiale gantoise d’Ikéa utilise des drônes autonomes pour chercher des produits demandés et réaliser les inventaires durant la nuit en se déplaçant dans les allées et en scannant les codes-barres. Cette technique facilite le travail des équipes et leur permet de gagner du temps. On peut également l’appliquer à la surveillance et la sécurité pour identifier des activités suspectes.
Au niveau industriel, la vision par ordinateur peut être utile pour la maintenance prédictive. En effet, elle peut détecter des dommages ou des défauts sur des machines et ainsi prévenir d’une panne éventuelle.
Elle peut également analyser et trier des produits. Par exemple, un producteur de pommes et de poires a besoin de les trier selon leur apparence. Ce tri peut être effectué pour une machine utilisant la vision par ordinateur.
Robotique :
La robotique est l’une des branches les plus populaires de l’IA et s’intéresse aux différentes applications des robots industriels et humanoïdes.
Les robots industriels sont très répandus dans les usines et jouent un rôle essentiel dans la production, que ce soit dans l’assemblage de pièces, l’emballage ou le le tri comme expliqué dans l’exemple du producteur de fruit ci-dessus.
On retrouve aussi les robots dans le service à la clientèle dans les secteurs de l’hôtellerie ou du commerce de détail, par exemple. Ces robots utilisent plusieurs techniques, notamment le traitement du langage naturel et la vision par ordinateur, pour interagir avec les clients et leur environnement comme des humains. Ils adaptent et améliorent leur comportement au fur et à mesure de leurs interactions grâce à l’apprentissage automatique. Ils servent à renseigner les clients et améliorer l’expérience d’achat.
#7.
Quelques exemples pratiques de solutions IA
Afin d’illustrer nos propos, nous vous proposons de découvrir quelques-unes de nos réalisations pour nos clients, pour lesquels nous avons implémenté une intelligence artificielle.
Une entreprise de services :
En tant qu'entreprise de services, notre client se trouvait souvent face à un défi crucial : la difficulté à déterminer le nombre d’appels qualitatifs de prospects. Leur principal problème était de définir le nombre d'appels débouchant sur un rendez-vous ainsi que ceux qui n’aboutissent à rien. Notre client souhaitait alors trouver une solution pour résoudre ce problème et ainsi obtenir une vision claire du nombre de prospects convertis chaque mois.
Concrètement, lorsqu’un prospect téléphone chez eux, celui-ci est enregistré, puis, une intelligence artificielle de type “Deep Learning” retranscrit intégralement la conversation et rédige un résumé de celle-ci dans un logiciel accessible aux membres de l'entreprise (Speech to Text). L’IA va également trier les appels selon des catégories prédéfinies par l’utilisateur, de telle sorte que notre client peut voir le nombre d’appels qualitatifs et ceux qui n’entrent dans aucun critère.
L’implémentation de l’intelligence artificielle LLM permet à notre client de détecter et d’analyser l’intention des prospects. Ils peuvent ainsi identifier précisément lesquels sont devenus clients et lesquels ont contacté l'entreprise pour des services non offerts. En cas de demandes répétées pour un service non disponible, notre client peut alors envisager des ajustements stratégiques pour résoudre ce problème.
Cette solution ne se contente pas de clarifier les intentions des prospects ; elle permet également de libérer du temps précieux pour les vendeurs, qui n'ont plus besoin de consigner manuellement chaque interaction. Ainsi, l'IA non seulement optimise le suivi des prospects mais contribue également à l'efficacité opérationnelle de notre client.
Une entreprise issue du secteur de la construction :
Notre client, une entreprise opérant dans le secteur de la construction, propose une plateforme de services reliant particuliers et professionnels. Les particuliers peuvent y faire des demandes de services en sélectionnant le métier souhaité, le type de prestation, le type de terrain pour les travaux, ainsi que toute information utile pour que le professionnel puisse établir un devis.
Jusqu'à présent, après la soumission d'une demande, celle-ci était transférée à un professionnel, qui revenait vers le particulier pour confirmer la demande. Ce n'est qu'après ce rendez-vous que le professionnel établissait un devis, qu'il transmettait ensuite au particulier avec un deuxième rendez-vous. Si ce dernier acceptait, les travaux pouvaient commencer. En cas de refus, il fallait soit revoir le devis, soit abandonner la demande. Cette procédure, exigeant de nombreux échanges entre particulier et professionnel, s'avérait chronophage.
Notre client souhaitait alors trouver une solution permettant de réduire ces d'interactions et gagner du temps. Nous avons proposé la solution suivante : une intelligence artificielle de type “Machine Learning” intégrée au système du client. L'IA génère des devis précis et personnalisés à partir des formulaires remplis par les particuliers. Le processus initial reste le même : le particulier remplit le formulaire, lequel est ensuite transmis à notre client. L'IA génère alors le devis et le partage simultanément avec le professionnel et le particulier. Si l'une des parties n'accepte pas le devis pour des raisons budgétaires, la demande est automatiquement annulée sans intervention supplémentaire. Si les deux parties acceptent, le professionnel rencontre le particulier directement avec le devis prêt à être signé.
Cette solution réduit considérablement le temps de préparation des devis et améliore la précision des estimations, augmentant ainsi l'efficacité globale et la satisfaction des clients.
Un éditeur de bandes dessinées digitales :
Notre client, un éditeur de bandes dessinées digitales franco-belges, souhaitait moderniser et rajeunir l'univers de la bande dessinée franco-belge. Conscients du potentiel de l'intelligence artificielle pour optimiser les processus, ils ont envisagé son application dans le domaine de l'art, malgré les réticences traditionnelles des artistes face à l'IA. Il était alors crucial de trouver une solution qui respecte les droits d'auteur des artistes, qui ne les remplace pas, tout en répondant aux besoins de notre client.
Nous avons donc développé un système intégré d’une intelligence artificielle générative et de type “Deep Learning” permettant aux artistes de créer du contenu plus rapidement. Le fonctionnement est simple : chaque artiste rejoignant l'équipe fournit quelques-unes de ses œuvres afin que l'IA puisse s'entraîner à produire des contenus similaires à son style. Lorsqu'un illustrateur dessine un croquis, il peut indiquer à l'IA les caractéristiques spécifiques qu'il souhaite voir apparaître, comme la couleur de peau d'un personnage, ses vêtements, ou encore des objets particuliers. En plus du croquis, ces descriptions aident l'IA à générer le contenu désiré par l’artiste.
L'objectif de cette intégration n'est pas de remplacer les artistes, mais de leur fournir un outil personnalisé pour accélérer leur travail. Pour maintenir l'aspect humain de la création, l'image générée par l'IA est entièrement modifiable, permettant à l'artiste de l'ajuster pour qu'elle corresponde parfaitement à sa vision.
Cette solution se présente donc comme un support précieux pour les artistes - très heureux de travailler avec cet outil - leur permettant de produire du contenu plus rapidement tout en conservant l’aspect humain de l’art et leur style unique. En somme, cette IA offre un équilibre entre innovation technologique et respect de la créativité artistique.
Un service d’urgences vétérinaires :
Nous avons développé pour un service d'urgences vétérinaires un outil innovant destiné à générer des rapports d'intervention, permettant ainsi aux vétérinaires de se concentrer davantage sur les soins aux animaux. Notre solution s'articule sur deux niveaux :
- Premièrement, lors de chaque intervention, le vétérinaire doit rédiger un rapport détaillé, incluant les actions effectuées, les médicaments prescrits et le diagnostic établi. Ces rapports, très techniques, demandent beaucoup de temps pour les vétérinaires, qui doivent l’effectuer après leur journée de travail. Afin de leur épargner un temps précieux, nous avons implémenté une intelligence artificielle Deeplearning qui rédige ces rapports à la place des vétérinaires, leur permettant de se concentrer sur les soins aux animaux.
- Deuxièmement, lorsqu'une personne appelle le service d'urgence, l'appel est dirigé vers une centrale téléphonique sans qu'il soit possible de déterminer immédiatement si l'appel concerne une véritable urgence. L'IA de type LLM intervient en suivant l'appel et en rédigeant automatiquement une retranscription. Cette retranscription est conservée en interne et est également envoyée aux vétérinaires pour les informer avant leur intervention. L’objectif est à nouveau de gagner du temps pour que les vétérinaires puissent se concentrer sur les véritables urgences.
Les avantages apportés par notre solution sont multiples :
- Elle libère du temps aux vétérinaires en automatisant la rédaction des rapports d’intervention pour qu’ils se concentrent sur les soins
- La retranscription automatique des appels et l'évaluation des urgences optimisent la gestion des interventions. Cette automatisation permet non seulement de mieux gérer le temps et les ressources, mais aussi d'améliorer l'expérience des clients grâce à des retours d'information rapides et personnalisés.
En somme, l’intégration de l’IA au sein de ce service augmente l'efficacité opérationnelle tout en renforçant la satisfaction client.
Un gestionnaire de réseau électrique haute tension :
Notre client souhaitait optimiser la gestion de la durée de vie de ses équipements. En effet, les câbles, transformateurs et autres équipements ont une durée de vie théorique fournie par le constructeur. Cependant, notre client voulait connaître la durée de vie réelle de ces équipements pour mieux planifier leur remplacement.
Nous avons donc analysé les pannes du système et les exercices de maintenance. Grâce à cette analyse, nous avons développé une intelligence artificielle de type “Machine Learning” capable de définir la durée de vie théorique des équipements (Prediction Analysis). Cette durée n'est pas celle fournie par le constructeur, mais une estimation basée sur des conditions réelles d'utilisation.
Par exemple, un équipement proche de la mer s'usera plus vite en raison de l'air iodé. En revanche, un équipement situé dans les Ardennes, moins exposé, pourra durer plus longtemps. Toutes ces informations de pannes vont nous permettre de déterminer si un équipement est en fin de vie. Après s’être renseigné sur le sujet et en avoir discuté avec notre client, nous avons identifié que les équipements ont généralement beaucoup de pannes en début et en fin de vie.
L'objectif de ce projet était de définir des patterns à partir des données de pannes des techniciens et des systèmes informatiques de notre client. L’intelligence artificielle a été intégrée pour analyser toute une série d’informations qui vont permettre de prédire plus précisément la durée de vie réelle des équipements. Bien que cette prédiction ne soit pas toujours parfaite, elle offre une estimation fiable pour planifier en amont les remplacements d'équipements.
L’intégration de l’IA dans ce projet a permis à notre client de mieux gérer ses ressources et d'optimiser la maintenance de son réseau électrique.
#8.
Conclusion
L’Intelligence Artificielle a énormément évolué depuis son apparition et est de plus en plus présente dans notre quotidien, que ce soit dans notre vie privée ou professionnelle. Nous ne nous rendons parfois plus compte que nous avons affaire à de l’IA car elle est entrée dans nos habitudes.
Les différentes branches de l’IA telles que le Machine Learning, le Deep Learning, le traitement du langage naturel, la vision par ordinateur ainsi que la robotique offrent de nombreuses opportunités qu’il est possible d’adapter selon le secteur d’activité de votre entreprise. C’est notamment le cas des drônes autonomes qui ont recours à de la vision par ordinateur, ils peuvent aussi bien servir à effectuer un inventaire qu’à surveiller un site d’exploitation.
C’est un outil remarquable qui permet, entre autres, de faire gagner du temps à votre entreprise en réalisant, par exemple, des tâches plus rapidement que votre personnel, en gardant un rythme soutenu sur une période, évidemment, plus longue. Elle permet d’optimiser et d’automatiser certains de vos processus mais, l'IA ne peut pas remplacer l’homme pour tout, c’est un outil.
C’est un peu comme une calculatrice, elle est plus rapide qu’un homme pour calculer mais elle n’est pas plus intelligente que lui pour autant, elle n’a pas toutes ses capacités que ce soit intellectuelles, émotionnelles ou relationnelles. Elle a des compétences pour effectuer une tâche précise.
L’IA, actuellement, c’est la même chose. Toutes les applications sont programmées pour résoudre un problème spécifique. Effectivement, nous sommes toujours au premier stade, c’est-à-dire, l’intelligence artificielle étroite, elle n’est pas en mesure de réfléchir et de prendre des décisions de manière autonome.
Il ne faut pas opter pour de l’intelligence artificielle à tout prix parce que « c’est à la mode », il est nécessaire, pour l’utiliser, que vous ayez besoin d’un tel outil au sein de votre entreprise.
Dans un premier temps, il faut identifier vos problématiques et ensuite, réfléchir à la solution, l’outil qui pourra le mieux y répondre, avec ou sans IA. Par exemple, si vous souhaitez analyser des données mais que vous n’en avez pas énormément, cela ne vaut pas la peine d’opter pour du Deep Learning.
Il faut également prendre en compte le coût que représente l'implémentation d’un outil doté d’IA et calculer, sur le long terme, si c’est une solution réellement avantageuse.
Pour résumer, l’intelligence artificielle est un outil qui peut réaliser des tâches incroyables mais qu’il faut percevoir comme une aide et non comme une solution qui va remplacer l’homme.