L'intelligence artificielle impulse une forte dynamique pour les petites et moyennes entreprises

La puissance de l'intelligence artificielle (IA) est-elle pleinement assimilée par les petites et moyennes entreprises ? Entre peur et excitation, l'IA est fréquemment perçue par l'opinion publique comme étant une technologie très sophistiquée et complexe à mettre en œuvre.

Pour certains, l'IA "cognitive" revêt une forme humaine. Une perception assez caricaturale qui fait écho au sein de certaines organisations. Pour optimiser la transformation digitale des entreprises, démystifier l’IA est un prérequis essentiel. 

Les moyennes entreprises veulent intégrer l’IA et sont d’ailleurs les plus susceptibles de récolter les bénéfices des entreprises pionnières, généralement des sociétés de logiciels basés sur l'IA qui traitent des problèmes d’entreprises. Selon une étude sollicitée par Dell Technologies & Intel, [1] les sociétés qui ont investi dans l’AI ont en moyenne améliorées de 18% les dépenses de leurs clients.

Pourtant, selon une enquête de la société d’investissement londonienne MMC Ventures, 40% des jeunes entreprises européennes considérées comme des entreprises d'IA n’utilisent pas cette technologie de manière significative. Ainsi, pour les petites et moyennes entreprises où les investissements peuvent être déterminants, comprendre l'IA dans son intégralité est crucial pour en tirer pleinement profit.

L’intérêt et le désir d’innovation des entreprises avec la mise en place de nouvelles applications embarquant de l’IA sont indéniables. L’intelligence artificielle est un marché très prometteur avec une valeur mondiale qui devrait atteindre 89,9 milliards d’euros d’ici 2025 contre 4,06 milliards en 2016. Le nombre d’entreprises ayant adopté des technologies basées sur l’IA a augmenté de 270 % entre 2015 et 2019. Cependant, l’expression « le déploiement des technologies basées sur l’IA » est encore trop généraliste et peut signifier plusieurs choses. Pour saisir l’ampleur réelle de ce phénomène, il faut revenir à l’essentiel.

Les bases de l’intelligence artificielle

L’intelligence artificielle analyse et répond à une logique algorithmique et s’inspire de l’intelligence naturelle. Elle recouvre une série de missions qui pourrait nécessiter de l’intelligence naturelle comme la résolution de problèmes, la traduction, la reconnaissance vocale et la perception visuelle. Nous pouvons d’ores et déjà constater l’impact majeur de l’IA dans tous les secteurs, qu'il s'agisse de trouver un nouvel antibiotique, de fournir des informations commerciales ou intégrer dans les smartphones et assistants vocaux comme outil du quotidien. Contrairement aux croyances populaires issues des classiques de science-fiction, l’IA n’apparaît pas sous forme humaine et est loin d’atteindre le niveau de complexité nécessaire pour surpasser l’intelligence humaine.

Aux prémices de l’IA, il y a la Data Science avec un degré élevé d’interactions entre les humains et les programmes. Ensuite, l’IA peut être divisée en deux catégories. La première catégorie est la plus reconnaissable : « l’intelligence générale artificielle » qui correspond à l’intelligence hypothétique d’une machine ayant la capacité de comprendre ou d’apprendre toute tâche intellectuelle pouvant être accomplie par un être humain. La deuxième catégorie est « l’intelligence artificielle étroite » qui fait référence à des aspects spécifiques de l’intelligence et de la perception humaine, telle que la reconnaissance des visages ou des voix. Aujourd’hui, l’IA est majoritairement utilisée sous deux types de fonctionnement : le Machine Learning basé sur des jeux de données bornés de quelques 10 à 100 de TB structurés / semi-structurés et le Deep Learning qui ne cesse d’apprendre en pénétrant dans un PB de données non structurées.

L’analogie entre le Deep Learning et le cerveau humain est très fréquente. Un nombre conséquent de données en entrée de réseaux neuronaux profonds est nécessaire pour produire la sortie souhaitée. Le Data Scientist définit les caractéristiques et l’importance des fonctionnalités pour former l’algorithme, puis il l’entraîne efficacement.

Accompagner les entreprises dans leur parcours d’intégration

Aujourd’hui, ces technologies se retrouvent partout avec la croissance de l’automatisation, de la publicité ciblée aux appareils domestiques intelligents. Le Deep Learning redéfinit positivement l’avenir du secteur de la santé lorsque le Machine Learning est extrêmement utile dans l’analyse de données. Pour les petites et moyennes entreprises, il est plus susceptible de voir le Machine Learning utilisé pour des démarches telles que l’analyse de documents, la détection de fraudes, les activités marketing ou l'optimisation des ventes.

Quelle soit descriptive, prédictive, prescriptive ou cognitive, le point commun entre toutes les formes d’IA est le besoin insatiable de puissance de calcul. L’analyse de données peut nécessiter plusieurs centaines de cœurs, des accélérateurs (GPU ou FPGA) sans oublier le fait que toutes ces données assises sur les disques doivent atteindre rapidement tous ces processeurs.

Face à la croissance exponentielle des données, il existe une réelle opportunité en matière de collecte d’informations pour accompagner l’innovation et la création de nouveaux produits et services. Néanmoins, il n'existe pas de solution unique puisque toutes les données ne nécessitent pas le même traitement, il est important de garder à l’esprit que la qualité de l’IA dépend des données qui l’alimentent. La première étape pour les entreprises est de faire le tri dans leurs données et s’assurer de leur conformité avec les différents règlements tels que le RGPD, puis se familiariser avec les outils d'IA dont elles disposent.

Au-delà des principes de base, pour réussir sa mise en œuvre, l’intelligence artificielle requiert d’un environnement propice. Tout comme les humains, l’IA est une technologie qui a besoin de temps pour apprendre et apprendre de ses erreurs. La clé de son succès dépendra donc de la confiance des organisations en cette nouvelle technologie. Il est essentiel d’accorder du temps à ces apprentissages jusqu'à ce que les résultats souhaités soient atteints et que l'application soit déployée. Les entreprises ont également besoin de personnes capables de guider le développement de l’IA car souvent, la problématique majeure réside dans le fait que les métiers et l’IT ne sont pas alignées sur une stratégie data-driven et n’ont pas une vision claire des attentes des projets d’IA.

Afin de faciliter la conception de projet d’IA, des Frameworks pour le Machine Learning sont développés par différentes sociétés. De plus, dans l’optique de simplifier l’accès à l’IA, les serveurs de calcul hautes performances intègrent des middlewares de gestion, de partage et d’optimisation des ressources de calcul notamment GPU. Enfin, pour offrir une approche bien structurée et flexible des projets d’IA, des architectures de référence ont été conçues autour des uses cases. Les organisations pourront saisir l’importance de l’IA et s’interroger sur sa nécessité opérationnelle tout en réduisant les risques commerciaux.

Il n'y a plus l'ombre d'un doute sur l'IA et sa capacité à dynamiser les petites et grandes entreprises. Cependant, maîtriser cette technologie complexe n'est pas toujours chose facile, quel que soit la taille de l’entreprise. La mise en œuvre de stratégies d'IA est un processus de collaboration.

À l’ère de l’innovation technologique, le moment est venu de commencer à exploiter le potentiel de l’IA, dont le développement se verra certainement dynamisé par l’avènement du Quantum Computing et la croissance de l’IoT, IIoT et des Smart Cities.

[1] ESG Research Insight Paper commissioned by Dell EMC and Intel, “Three Transformational Compute Technologies Verified to Accelerate AI and Business Value”, November 2019.  Based on a survey of 750 global IT decision makers.