Intelligence artificielle: premiers usages, premières leçons

Il y a trois ans, Gartner prédisait qu’en 2017 la moitié des grandes entreprises adopteraient la façon de gérer l’IT des géants d’internet, tels qu’Amazon, Google, Facebook ou Microsoft (GAFAM). «Si les entreprises veulent suivre la cadence, elles doivent imiter les architectures, processus et pratiques de ces acteurs cloud exemplaires», avertissait alors Cameron Haight, research vice president chez Gartner. A l’heure des comptes, cet objectif semble loin d’être atteint. Il n’empêche que les initiatives de ces géants sont scrutées par les responsables IT et inspirent leurs stratégies numériques.

Difficile dès lors de passer à côté de l’engouement extraordinaire des acteurs du web pour l’intelligence artificielle (IA). Acquisitions de start-up (40 en 2016), mise à disposition d’outils de développement, lancement de services intelligents, les GAFAM investissent énormément de moyens dans l’intelligence artificielle. Et ils distillent ces technologies dans leurs propres opérations, du marketing aux RH en passant par l’IT. En exploitant le deep learning, Google est ainsi parvenu à réduire de 40% l’énergie consommée par ses centres de données.

Les limites des outils génériques

Pour les entreprises classiques, les applications du machine learning sont innombrables. De l’avis des analystes, deux types d’usages se dessinent: l’optimisation des processus internes – administration, marketing, IT, production – et l’enrichissement de l’expérience client, grâce aux capacités conversationnelles (Natural Language Processing ou NLP) de l’intelligence artificielle.

La création de chatbots pour le helpdesk et le marketing intéresse ainsi de plus en plus d’entreprises suisses, selon Silvia Quarteroni, Responsable chez Elca des activités de R&D dans le domaine. Les sociétés peuvent à cet effet s’appuyer sur des outils de développement et API ouverts – Amazon Lex, Api.ai de Google, Luis de Microsoft, Watson d’IBM, Wit.ai de Facebook – qui aident à transformer les messages envoyés au chatbot en requêtes structurées.

Mais la réalisation d’un agent conversationnel performant reste complexe et l’expérience de la conversation n’est pas toujours optimale. «Bien que la satisfaction des utilisateurs soit généralement élevée, certains chatbots actuels peinent à maintenir le contexte de la conversation, à comprendre des séquences de phrases coupées contenant des bribes d’informations», souligne Silvia Quarteroni. Pour la spécialiste en NLP, deux difficultés entravent par ailleurs le recours aux outils des géants de la toile dans les entreprises suisses: le fait rédhibitoire que leurs API sont hébergées hors du pays et le panier réduit de langues disponibles. Swisscom a ainsi dû entraîner ses algorithmes pour permettre à son système Swisscom TV de comprendre le suisse-allemand. Et que lorsqu’un locuteur demande à voir «Zä vor Zä», il faut lui montrer l’émission d’information 10vor10.

L’opérateur développe d’autres projets s’appuyant sur l’intelligence artificielle. Notamment un agent intelligent trilingue qui assiste les collaborateurs du helpdesk en leur suggérant des solutions aux problèmes rencontrés par les clients. «Nous disposons d’un très grand volume de données sur nos services pour alimenter et fournir un contexte au chatbot», explique Michael Baeriswyl, Responsable intelligence artificielle et machine learning chez Swisscom. Swisscom utilise également le machine learning pour élaborer automatiquement des synthèses sur les tendances et intentions des utilisateurs à partir de l’analyse des réseaux sociaux. Une solution marketing que l’opérateur propose aussi à certains de ses clients sur la base de son infrastructure locale. Pour Michael Baeriswyl, le succès des projets d’intelligence artificielle réside pour beaucoup dans la formation d’équipes mêlant data scientists, développeurs et personnes comprenant l’environnement business.

Compétences et expérience

Un avis partagé par Jérôme Kehrli, responsable R&D de Netguardians. Spécialisée dans les solutions anti-fraude pour le secteur bancaire, la jeune pousse vient de lancer un projet CTI qui lui permettra de s’entourer de spécialistes en data science de la HEIG-VD. Avec l’objectif de doter les logiciels de Netguardians de technologies de machine learning pour détecter des modes de fraude encore inconnus. Selon Jérôme Kehrli, les tentatives d’appliquer le machine learning dans le domaine de la fraude se soldent souvent par des échecs, en raison notamment des nombreux faux-positifs difficiles à expliquer, de la complexité des configurations ou encore du manque de collaborateurs métiers impliqués dans les projets.

Le secteur bancaire est sans conteste l’un des plus intéressés par le machine learning, et pas seulement pour le domaine populaire des robo advisors. Souvent pionnière dans les innovations technologiques, Swissquote a débuté dans le domaine de l’IA il y a un et demi, explique Serge Kassibrakis, Head of Quantitative Asset Management de la banque en ligne. «Nous avons la chance d’avoir une base de données financières colossale, ainsi que des données détaillées sur le comportement de trading de nos clients», explique le responsable. Swissquote applique notamment le machine learning comme ingrédient pour déterminer les cycles économiques ainsi que pour l’asset allocation à partir de divers indicateurs macroéconomiques. Mais aussi pour essayer d’anticiper la force du pouvoir prédictif du momentum (l’évolution de la tendance) de sociétés cotées. «Prédire, ce n’est rien d’autre qu’identifier un pattern entre ce qui se passe à un temps T et à un temps T+1», explique Serge Kassibrakis. Swissquote cherche aussi à profiter du machine learning pour prédire le comportement acheteur ou vendeur de ses clients et améliorer ainsi la gestion du risque de l’établissement. Pour Serge Kassibrakis, l’expérience compte beaucoup dans le succès des projets d’intelligence artificielle, notamment dans le choix des données: «Parfois il est préférable de sélectionner quelques paramètres pertinents, plutôt que de maximiser la quantité d’informations ingérées par le système».

Donnés d’entraînement, données de niche

Le choix et la quantité des données servant à entraîner les algorithmes est un élément décisif pour le succès des projets de machine learning, soulignent la plupart des experts interrogés par ICTjournal, parmi lesquels Matthias Dantone, CEO de la start-up Fashwell. Créée il y a 3 ans, la jeune pousse s’est spécialisée dans la reconnaissance des vêtements figurant sur une photo et compte Zalando parmi ses investisseurs. «Nous sommes le Shazam de la mode» avance Matthias Dantone. Sa société a pour clients des e-commerçants et des acteurs de la grande distribution. Ils recourent aux services de Fashwell pour identifier les habits de leur catalogue ressemblant à ceux portés sur une photo, par exemple d’Instagram. Dans le détail, le retailer transmet une photo via l’API de Fashwell. Dont le système de deep learning identifie les vêtements, qu’il compare à l’assortiment du distributeur pour finalement retourner les articles du catalogue les plus ressemblants. Pour Matthias Dantone, il importe de se spécialiser dans un secteur – en l’occurrence la mode – et de travailler à l’amélioration continue des algorithmes pour arriver à des résultats de qualité, gages de compétitivité.

C’est aussi le credo de Wealthport. Cette autre start-up suisse exploite également l’intelligence artificielle pour fournir des services aux acteurs du retail. A la différence que ses algorithmes sont spécialisés dans l’analyse sémantique des catalogues de produits. Proposée en mode SaaS, la solution de Wealthport automatise en effet la standardisation des listings de produits que les fournisseurs envoient aux retailer, de manière à les intégrer dans le catalogue PIM du distributeur. La solution va notamment supprimer les catégorisations superflues, réunir des descriptions similaires (IBM = International Business Machines), regrouper tous les produits d’une même catégorie ou encore remplacer une catégorisation spéciale employée par le fournisseur par celle standardisée du distributeur (océan = bleu). «Certains retailers comptent plusieurs milliers de fournisseurs. Une standardisation manuelle ou la création de règles seraient bien trop fastidieuses», explique Tobias Widmer, CTO de Wealthport. Le responsable souligne aussi l’importance de la phase d’onboarding au cours de laquelle l’intelligence artificielle va s’entraîner et proposer des résultats à valider avec le retailer.

L’IT: un domaine d’application prédestiné

L’intelligence artificielle s’avérant particulièrement performante lorsqu’il s’agit d’automatiser des tâches, de détecter des anomalies ou d’identifier des corrélations au sein d’énormes volumes de données, fait de l’informatique elle-même un domaine d’application tout désigné. Difficile d’ailleurs de trouver un éditeur de logiciels de sécurité n’intégrant pas une forme d’intelligence artificielle dans ses solutions pour déceler des schémas et comportements malveillants.

«La technologie n’est pas nouvelle, mais l’IT d’entreprise se trouve aujourd’hui à un croisement entre des systèmes toujours plus complexes et des capacités humaines limitées pour les gérer», explique Vincent Bieri, Chief Product Evangelist et cofondateur de Nexthink. Créé il y a une dizaine d’années, l’éditeur de logiciels basé à Lausanne mise depuis le départ sur l’intelligence artificielle pour analyser l’emploi des terminaux en temps réel et aider ainsi les départements IT à gérer les opérations et l’expérience offerte aux utilisateurs. Selon Vincent Bieri, une entreprise de 10 000 collaborateurs comptabilise en moyenne chaque année quelque 50 milliards d’accès applicatifs et enregistre 15 000 problèmes de performance et 3 millions de crash. Résultat: 22 minutes quotidiennes perdues par chaque employé. Grâce au machine learning, le logiciel de Nexthink est en mesure de corréler les usages et configurations spécifiques conduisant à des problèmes. Pour Vincent Bieri, il importe de différencier les incidents rares nécessitant un traitement manuel, des incidents fréquents dont la remédiation peut être automatisée. «C’est là que le réside la puissance de la solution», explique-t-il.

L’application du machine learning dans l’IT intéresse aussi UBS, qui s’est doté récemment d’une plateforme pour automatiser certaines opérations. «Après avoir appris des connaissances spécifiques, le logiciel peut mener à bien des tâches routinières, comme la réinitialisation d’un mot de passe ou la résolution de problèmes simples, explique l’établissement dans un rapport sur l’IA. Avec le temps, le logiciel en apprend plus sur notre configuration et il peut assumer davantage de processus IT triviaux mais néanmoins essentiels». Pour l’établissement bancaire, c’est aussi une manière de conserver son savoir-faire IT, et de ne pas le perdre lorsqu’un employé quitte l’organisation.

Compétitivité et jobs à l’ère de l’intelligence artificielle

Les usages actuels de l’intelligence artificielle dans les entreprises suisses signalent plusieurs caractéristiques qui distinguent fondamentalement cette technologie des innovations informatiques précédentes. Premièrement, son caractère générique: le machine learning s’applique pour ainsi dire à tous les domaines de l’entreprise. Deuxièmement, la capacité d’apprentissage de l’IA qui rend les progrès exponentiels et confère aux first movers un avantage décisif. Se lancer dans le domaine un an plus tôt que ses concurrents peut se transformer en avancée énorme à peine quelques années plus tard. Troisièmement, le rôle crucial des données – la matière première de l’intelligence artificielle. Collecter des données auxquelles d’autres n’ont pas accès pour entraîner les algorithmes de deep learning devient un facteur de différentiation et un atout concurrentiel majeur. Quatrièmement, l’importance de talents. Les projets à succès reposent sur des équipes combinant les connaissances des collaborateurs du métier et le savoir-faire de data scientists à même de superviser l’apprentissage des machines et de «jouer» judicieusement avec les algorithmes et les données ingérées. «On assiste actuellement à une guerre pour recruter les talents rares à même de faire ce travail», explique Andrew Ng, Chief Scientist de Baidu et expert réputé dans le domaine de l’intelligence artificielle. Les entreprises doivent êtres prêtes à payer le prix fort pour acquérir ces compétences.

En même temps, l’essor rapide de l’intelligence artificielle suscite des craintes quant à ses conséquences sur l’emploi. Des craintes légitimes, sachant que le machine learning a le potentiel de se substituer à quantité de tâches, des plus basiques aux plus sophistiquées, assumées aujourd’hui par des humains. Dans un article, Sam Ransbotham, Professeur de systèmes IT au Boston College, relève ainsi plusieurs atouts des algorithmes: ils ne se fatiguent pas, ils peuvent aisément être répliqués et relocalisés, et ils réduisent les variations, les mêmes inputs produisant les mêmes outputs.

Tout indique donc que beaucoup de métiers vont disparaître. Des tâches ingrates et des tâches captivantes seront prises en charge par des machines. Certains experts estiment néanmoins que, dans un monde du travail peuplé d’agents intelligents, de nouveaux métiers complémentaires ou non-assimilables par les machines émergeront ou se renforceront. Il faudra sans doute davantage d’ingénieurs et de data scientists et davantage d’employés dans les soins et l’accompagnement de populations vieillissantes. Les compétences soft et émotionnelles difficilement assimilables par les algorithmes devraient aussi gagner en importance: empathie, savoir social, coaching, leadership, négociation, créativité. Rien n’indique que ces développements suffiront toutefois à compenser le transfert des tâches vers l’intelligence artificielle, ni que les formations sauront s’adapter au rythme effréné des progrès de l’IA.