IA et Machine Learning : Faisons le point
L’intelligence artificielle (IA) est sur toutes les lèvres depuis environ deux ans, tout comme le Machine Learning, le Deep Learning, les LLM, l’IA générative… Ces notions sont partout, mais sont souvent utilisées comme des synonymes alors qu’elles ne le sont absolument pas. Mais alors, toi, fais-tu vraiment la différence entre tout ça ?
Une application qui prédit les quantités de menus à prévoir sur un vol Paris-Pointe-à-Pitre, est-ce de l’IA, du Machine Learning, ou de l’IA générative ? Un moteur de recherche qui s’adapte au contexte de l’utilisateur, c’est de l’IA, de l’IA prédictive, ou du Machine Learning ? En fait, dans les deux cas, c’est du Machine Learning. Mais c’est quoi, cette « bête » pour de vrai ?
Bien qu’ils soient étroitement liés, l’intelligence artificielle et le Machine Learning sont vraiment des choses différentes en termes de champ d’application et d’usage. Aujourd’hui, je vais t’expliquer tout ça avec de nombreux exemples et des cas concrets pour que, ensuite, ce soit complètement clair pour toi !
L’Intelligence Artificielle (IA) : Le grand parapluie
Pour commencer, définissons l’intelligence artificielle. C’est un domaine vaste qui englobe l’utilisation de technologies pour créer des machines capables d’imiter les fonctions cognitives humaines. Ces fonctions incluent la reconnaissance visuelle et auditive, la compréhension et la réponse au langage, l’analyse de données, et bien plus encore. L’IA permet aux systèmes de raisonner, d’apprendre et de résoudre des problèmes complexes, comme la génération de contenu (texte, image, vidéo, son), dont on entend beaucoup parler.
Le Machine Learning (ML) : Le cœur de l’apprentissage
Le Machine Learning, quant à lui, est un sous-domaine de l’intelligence artificielle. Il permet aux machines d’apprendre à partir de données sans être explicitement programmées pour chaque tâche spécifique. En analysant de grandes quantités de données, les algorithmes de Machine Learning peuvent faire des prédictions et prendre des décisions éclairées. Plus un modèle de Machine Learning est exposé à des données, plus il devient performant.
Comment différencier l’IA et le ML ? L’analogie de l’arbre
Tu peux voir ça comme un arbre. L’intelligence artificielle, c’est le tronc, représentant le domaine général de l’IA, avec des branches principales qui s’étendent. Parmi ces branches, nous avons le Machine Learning, qui lui-même s’étend à d’autres branches secondaires comme les algorithmes supervisés, non supervisés, l’apprentissage par renforcement, etc.
Il existe aussi d’autres branches dans l’intelligence artificielle : le Deep Learning, la robotique, les systèmes experts, le traitement du langage naturel, et bien d’autres ! Toutes ces technologies sont des sous-domaines de l’IA, des branches de notre tronc principal.
L’intelligence artificielle générative est une autre branche de l’IA qui se concentre sur la création de nouveaux contenus : texte, images, audio, données synthétiques, etc. Par exemple, Google utilise l’IA générative dans Google Workspace pour automatiser des tâches comme le résumé de documents longs.
L’IA et le ML au service de la prédiction et des applications concrètes
Dans ton entreprise, tu as peut-être des analystes qui consultent quotidiennement des tableaux de bord ou des responsables qui examinent chaque mois des rapports. Il s’agit d’exemples de données rétrospectives, basées sur des événements du passé. Mais pour créer de la valeur, nous devons nous appuyer sur les données pour prendre des décisions futures. C’est là que l’intelligence artificielle et le Machine Learning interviennent, ils sont essentiels pour concrétiser ces possibilités.
Prenons un exemple concret : Audrey encadre une équipe chargée de la stratégie commerciale dans une compagnie aérienne. Pour établir une tendance dans les habitudes d’achat de ses clients, elle examine les rapports annuels et les historiques. Grâce à ces données, elle génère des tableaux de bord sur la répartition démographique de la clientèle, les ventes par mois ou trimestre. Mais ce processus reste limité à l’analyse du passé.
Si Audrey pouvait prédire le taux de satisfaction pour chaque vol ou les réclamations clients pour les devancer, ce serait révolutionnaire ! Pour cela, elle doit avoir accès à beaucoup de données et utiliser des modèles de Machine Learning pour prévenir l’activité future. Les données requises incluraient le nombre de passagers par vol, la durée, le taux de satisfaction, les indicateurs saisonniers, et même les délais de traitement des réclamations. Grâce à ces données, elle pourrait prédire la qualité d’un vol et les réclamations potentielles. Le véritable avantage pour Audrey serait d’obtenir ces prédictions pour tous les vols, toute l’année, et d’ajuster dynamiquement les prix, les affectations de personnel ou les repas. Le Machine Learning lui permettrait d’obtenir toutes ces applications de l’intelligence artificielle qui servent les intérêts de la compagnie et de ses clients.
Imaginons un autre exemple : Sophie, responsable des opérations dans un grand hôpital, analyse les performances de son établissement. Elle consulte des rapports historiques sur le nombre de patients admis, le taux de succès des traitements, le taux de réadmission. Ces rapports lui permettent de gérer des tableaux de bord, mais ils ne montrent que le passé. Avec l’IA et le ML, Sophie pourrait aller plus loin : elle utiliserait des modèles de Machine Learning pour prédire le taux de réadmission. Les données pourraient inclure l’âge des patients, les diagnostics, les traitements reçus, la durée d’hospitalisation, les antécédents médicaux, ou même des données externes comme les conditions socio-économiques. Avec ces informations, un modèle de Machine Learning identifierait les patients à haut risque de réadmission et recommanderait des actions préventives. Pour Sophie, l’avantage serait d’optimiser les ressources, de réduire le taux de réadmission et d’améliorer la qualité des soins en prenant des décisions proactives basées sur les prédictions du Machine Learning.
Comme tu l’as vu, il faut un objectif ! Le Machine Learning n’est pas juste une boîte noire. Il s’agit de transformer des données historiques en actions concrètes et proactives.
Les 4 applications clés du Machine Learning pour tes problèmes métier
Grâce au Machine Learning, les systèmes informatiques peuvent s’ajuster et s’améliorer en permanence à mesure qu’ils accumulent de l’expérience, un peu comme nous. Plus ils traitent de données, plus les résultats sont précis. C’est pourquoi le Machine Learning est adapté pour résoudre quatre types de problèmes métier courants :
1. Remplacer ou simplifier des systèmes basés sur des règles
Prenons l’exemple de la recherche Google. Si tu recherches « les poussins », ce terme peut se référer à des bébés poules, des équipes juniors de football, ou même un restaurant. Auparavant, les moteurs de recherche utilisaient des règles codées manuellement, ce qui nécessitait des milliards de règles pour gérer tous les cas de figure. Avec le Machine Learning, cette complexité a été balayée. Les données disponibles sur les clics des utilisateurs pour chaque requête permettent d’entraîner un modèle qui prédit les résultats les plus pertinents. Si tu t’intéresses au foot et que tu as fait des recherches sur ce sujet, le modèle s’ajustera automatiquement et priorisera les résultats liés au club de foot local. Cette automatisation par le machine learning améliore la performance des résultats de recherche et réduit la charge de travail manuelle.
2. L’automatisation des processus
Imagine un promoteur immobilier en Thaïlande. Pour chaque vente, un inspecteur et l’acheteur effectuent une inspection détaillée manuellement, ce qui est chronophage et sujet aux erreurs. Des entreprises ont développé des applications mobiles où les inspecteurs décrivent oralement les défauts, que l’application retranscrit automatiquement en texte (grâce à l’API Text-to-Speech de Google). De plus, des drones prennent des photos des défauts, analysées et classées automatiquement via une API (comme Cloud Vision sur GCP). Ce processus est désormais beaucoup plus efficace et précis.
Autre exemple : une administration publique gérant ses factures manuellement. Elles arrivent par email, un employé les vérifie, saisit les informations ou demande des corrections. Ce processus est lent et sujet aux erreurs. Une application intégrant l’IA et le ML pourrait extraire automatiquement les informations (OCR), vérifier la conformité des mentions légales et des montants, saisir les données dans l’outil de gestion financière, et générer des messages personnalisés pour les fournisseurs. Les avantages sont clairs : réduction du temps, diminution des erreurs, rapidité et fiabilité, et amélioration des relations fournisseurs. L’idée n’est pas de viser 100% de traitement par la machine, mais déjà 70% est un gain colossal.
3. L’analyse des données non structurées
Une donnée non structurée n’a pas de format prédéfini, comme un email ou un texte. SwiftMart, une grande marque de supermarché en ligne, reçoit des emails de clients dans une boîte de réception centrale. Un employé doit manuellement lire et transférer ces emails aux départements appropriés, ce qui est chronophage et nuit à l’expérience client.
SwiftMart pourrait utiliser le Machine Learning pour traiter automatiquement ces emails. Dès réception, les mails seraient importés dans un système basé sur le ML qui utiliserait des techniques de traitement du langage naturel (NLP) pour analyser le contenu, identifier le sujet, l’émetteur, les questions, plaintes, demandes d’information, et même l’analyse de sentiment. Le système classerait automatiquement chaque email et le dirigerait vers le service approprié (client, support, logistique, direction). Pour les requêtes courantes, le système pourrait générer des réponses automatisées, accélérant la résolution des problèmes. Les employés se concentreraient alors sur des tâches plus complexes et exceptionnelles.
4. La personnalisation
Amazon, Netflix, YouTube… tous utilisent la personnalisation. YouTube, par exemple, utilise le Machine Learning pour recommander des vidéos pertinentes aux utilisateurs. Quand une vidéo se termine, l’objectif est que la suivante soit intéressante et pertinente POUR TOI, pas pour ton voisin. Cette approche permet à de nombreuses entreprises de générer des recommandations personnalisées pour les produits affichés sur un site web, les films en streaming, les musiques sur Spotify, etc.
L’importance cruciale de la qualité des données en Machine Learning
Attention, les modèles de Machine Learning ne sont pas des solutions autonomes ! Pour résoudre un problème métier complexe, il faut souvent combiner plusieurs modèles, mais surtout, il faut avoir un objectif clair. Les modèles de Machine Learning génèrent des prédictions et prennent des décisions à partir de données, mais la pertinence de ces prédictions dépend de la disponibilité de grands volumes de données correctes. Les données sont considérées de mauvaise qualité si elles ne sont pas adaptées au problème ou biaisées. Si tu alimentes un modèle de Machine Learning avec des données de mauvaise qualité, cela revient à enseigner à un enfant des principes faux : un modèle ne peut pas réaliser de prédictions précises en exploitant des données erronées. C’est pourquoi la qualité des données Machine Learning est primordiale.
Comment s’assurer de la qualité des données lors de l’entraînement d’un modèle de Machine Learning ? La qualité est évaluée selon six critères :
- 1. L’exhaustivité : Toutes les informations requises sont-elles disponibles ? Si les données sont incomplètes, le modèle n’apprendra pas toutes les tendances (ex : la saisonnalité des ventes sans les dates).
- 2. L’unicité : Les données doivent être uniques. Si un modèle est entraîné avec des doublons, son apprentissage risque d’être biaisé (ex : images d’une seule race de poule sur des milliers rendront le modèle incapable d’identifier d’autres races).
- 3. L’actualité : Les données doivent être à jour et refléter l’état actuel du phénomène. Des données obsolètes mèneront à des prédictions non pertinentes (ex : prédiction boursière avec des données vieilles de plusieurs mois).
- 4. La validité : Les données doivent être conformes à un ensemble de normes et de définitions prédéfinies (ex : format de date, plage acceptable de valeurs).
- 5. La justesse : C’est l’exactitude des données (ex : la bonne date de naissance, le nombre exact d’unités vendues). La justesse et la validité sont distinctes : la validité concerne le format, la justesse l’exactitude du contenu.
- 6. L’uniformité : Les données ne doivent pas contenir d’informations contradictoires. L’absence de cohérence peut empêcher un modèle de faire des prédictions précises (ex : une même personne référencée sous différents noms).
Un point capital : le modèle ne perçoit le monde qu’à travers les données. Ce qu’il ne peut pas voir n’existe pas pour lui ! Il t’appartient donc de l’alimenter avec des données complètes et correctes. La collecte des données doit être réfléchie et adéquate pour le besoin précis.
Vers une Intelligence Artificielle Responsable
L’intelligence artificielle a un énorme potentiel pour résoudre des problèmes complexes et faire progresser la recherche. Pour exploiter ces possibilités, nous devons tous utiliser l’intelligence artificielle de manière responsable. C’est pourquoi certaines entreprises ont établi des principes directeurs pour les applications d’IA, comme une feuille de route des bonnes pratiques. Chez Google, par exemple, l’IA doit apporter un bénéfice social, ne pas créer ou renforcer de biais, être conçue pour la sécurité, être responsable envers les individus, intégrer des principes de confidentialité, maintenir des normes d’excellence scientifique, et être disponible pour des utilisations qui respectent ces principes.
Cela signifie que Google refuse de concevoir ou déployer des solutions d’IA dans des domaines comme les technologies d’armes, la surveillance enfreignant les normes internationales, ou toute technologie violant le droit international et les droits de l’homme. Google invite toutes les entreprises à créer leurs propres principes pour favoriser l’expansion d’une IA responsable.
Il est aussi super important de déboguer les modèles de Machine Learning pour optimiser les performances et expliquer leur comportement. La transparence de ces modèles est capitale : savoir comment un modèle a pris telle ou telle décision renforce la confiance et assure une certaine éthique. Des outils comme Explainable AI de Google Cloud aident à comprendre et interpréter les prédictions du Machine Learning, assurant ainsi une transparence pour le développeur et une sérénité pour les décisions prises.
En conclusion
Nous avons exploré les éléments fondamentaux de l’intelligence artificielle et du Machine Learning, deux concepts souvent confondus mais essentiels à comprendre. L’IA, en tant que domaine global, vise à créer des machines capables d’imiter les fonctions cognitives humaines, tandis que le Machine Learning, son sous-domaine, se concentre sur l’apprentissage automatique à partir de données pour faire des prédictions et prendre des décisions.
Nous avons vu comment l’IA et le ML peuvent transformer différents secteurs (aviation, santé, immobilier, commerce de détail, vidéo) avec des exemples concrets. Ils permettent d’aller au-delà de l’analyse rétrospective pour prédire et influencer les résultats futurs, apportant une valeur ajoutée significative aux entreprises.
Obtenir des résultats fiables avec le Machine Learning passe nécessairement par la qualité des données. La pertinence des prédictions dépend de l’exhaustivité, de l’unicité, de l’actualité, de la validité, de la justesse et de la cohérence des données.
Enfin, des principes directeurs et l’éthique sont indispensables. Pour tirer parti des avantages de l’IA et du Machine Learning, il est crucial d’adopter une approche réfléchie et responsable. Ce ne sont pas des solutions magiques, mais avec les bonnes données et une application éthique, elles peuvent révolutionner la façon dont nous résolvons les problèmes en entreprise.
Selon toi, quelle est la prochaine grande révolution amenée par l’IA ou le Machine Learning dans notre quotidien ? Partage tes réflexions en commentaire !
le Machine Learning comme une branche.’ class=’wp-image-10164’/>Cet article m’a été utile ?
