NicoElNino - Fotolia
Les 5 conseils d'Andrew Ng pour déployer une Intelligence Artificielle en entreprise
Le pionnier - et superstar - de l'IA a partagé les enseignements de ses expériences de responsables chez Google et Baidu. Il livre un mode d'emploi dont toute entreprise pourra s'inspirer avec bénéfice.
Dans un avenir proche, les retombées les plus importantes de l'Intelligence Artificielle (IA) proviendront certainement de plusieurs nouvelles façons d'améliorer les processus métiers, plutôt que d'un seul gros algorithme à tout faire.
C'est ce qu'affirme Andrew Ng, l'un des grands pionniers du développement de l'IA chez Google et Baidu, aujourd'hui PDG et co-fondateur de Landing AI.
Lors de la conférence EmTech à San Francisco, Andrew Ng a ainsi partagé qu'il s'attendait à ce qu'une grande partie de la croissance économique découlant du développement de l'IA se fasse en dehors de l'industrie logicielle traditionnelle et plutôt dans des secteurs comme la grande distribution, le transport et la logistique.
Fort de ce constat, Landing AI - la société qu'il a fondée en 2017 - a créé un "manuel de l'IA" pour aider les entreprises qui œuvrent dans différentes industries à tirer partie de l'IA, une technologie certes précieuse mais difficile à mettre en œuvre. La preuve, la majorité des organisations l'externalise.
Une des offres récentes de Learning AI est deeplearning.ai, un programme de formation pour rendre les réseaux neuronaux plus accessibles.
Pour les entreprises qui ne se sont pas encore lancées dans l'IA, Andrew Ng recommande de commencer sagement par un projet pilote et de se préparer à être accueillies avec défiance. Même chez Google, Andrew Ng révèle qu'il y avait beaucoup de sceptiques lorsqu'il a commencé à mettre en œuvre des projets de Deep Learning. Sa stratégie a donc été de commencer avec un groupe de Googlers qui utilisaient déjà d'autres techniques d'IA (celle en charge de l'informatique cognitive sur la reconnaissance de la voix et de la parole) pour démontrer le potentiel des réseaux neuronaux.
« L'une des meilleures choses que vous puissiez faire, c'est de lancer un pilote pour obtenir des gains rapides. Cela aide les équipes à acquérir de l'expertise et à gagner la confiance », résume Andrew Ng.
Voici le résumé de ses 5 conseils clefs pour faire décoller votre projet IA.
1. Commencez par une séance de brainstorming
Une erreur courante dans ce genre de projet est de se lancer en partant sur un premier cas d'application choisi par le PDG. Andrew Ng pense au contraire qu'une meilleure approche est de commencer par un brainstorming qui aboutit sur six à douze idées. Idées qu'il faut ensuite soumettre à un examen approfondi par les métiers et la direction technique. Les directions métiers devront modéliser la valeur escomptée d'une idée à l'aide d'un tableur. Les experts techniques évaluent si le projet est réalisable en termes d'algorithmes et de données.
« Il est difficile d'avoir des jugements juste sur ce que l'intelligence artificielle peut faire et ne peut pas faire » avertit Andrew Ng. Les PDG auraient ainsi tendance à être trop optimistes - en partie parce que la communauté scientifique et la presse racontent plus les histoires de réussites de l'IA que les échecs. Ce qui donne l'impression - fausse - que l'IA peut tout faire.
Andrew Ng croit que cette perception biaisée des décideurs à la tête des entreprises a conduit à des attentes irréalistes, comme par exemple avec les chatbots dont beaucoup de projets ont abouti à des échecs. Pour démythifier l'IA, Andrew Ng a travaillé sur un programme de cours gratuits - appelé « IA pour tous » (en anglais « AI for Everyone ») - destiné aux profils non techniques pour leur vulgariser les concepts. L'un des thèmes des cours traite de la manière d'identifier des exemples où l'IA peut être appliquée et ceux où elle ne pourra rien faire.
« Je ne pense pas que toutes les entreprises puissent réaliser d'énormes gains à court terme, mais beaucoup le peuvent », a déclaré M. Andrew Ng.
Le programme comprend également des conseils sur la façon de réfléchir au type de données requises pour que l'IA fonctionne bien. Car ce n'est pas parce qu'une entreprise a un datalake qu'elle est forcément en mesure d'utiliser ses données pour du Machine Learning.
Il n'est pas vrai non plus que le fait d'avoir plus de données garantira toujours le succès. Andrew Ng cite l'exemple d'une entreprise de soins de santé qui a investi massivement pour racheter des sociétés ayant beaucoup de jeux de données. En vain. Au final, « ils n'ont pas trouvé le moyen d'utiliser ces données de manière pertinente », avertit Andrew Ng.
2. Réalisez comment votre IA peut échouer (pour mieux la faire réussir)
Une autre clé pour faire décoller un projet d'IA est de comprendre comment les systèmes d'IA peuvent... échouer.
L'un des grands défis du Machine Learning (apprentissage statistique), est que les workflows sont différents. Conséquences, les experts en IA tentent toujours de trouver un moyen de faire comprendre aux métiers les conditions du système qui peuvent mener à un échec, ce qui, dans certains cas, peut avoir des conséquences désastreuses : un diagnostic médical raté ou un crash d'avion.
Par exemple, la presse est prompte à raconter comment un nouvel algorithme est capable d'interpréter des radios médicales de manière plus fiables qu'un docteur humain. Mais Andrew Ng souligne que ces histoires négligent bien souvent de mentionner que cette IA ne fonctionne que sur des radios prises de manière optimale (netteté, définition, etc.) avec des scanners de dernières générations. Les médecins surclassent systématiquement l'IA sur les photos prises avec des appareils à rayons X plus anciens, ou lorsque le patient est pris sous un angle différent de celui sur lequel l'IA a été entrainée.
Conclusion, une IA peut ne pas fonctionner dans le monde réel parce que les métiers n'ont pas mis en place les bons processus pour faire face à ces conditions "limites", résume Andrew Ng. Le monde du logiciel traditionnel a mis au point des processus comme l'agilité, scrum et les revues de code pour résoudre ces problèmes. Mais le monde de l'intelligence artificielle essaie encore de trouver la meilleure façon de mettre en œuvre des processus comparables.
3. Préparez-vous pour le Small Data
Il est important d'être attentif à la façon dont vous obtenez vos données. Bien que de grands ensembles de données puissent être utiles pour certaines applications, le Big Data pour le Big Data n'a pas de sens, continue Andrew Ng. Au contraire, à court terme, de nombreuses entreprises pourraient tirer plus d'avantages de l'IA en construisant des systèmes qui fonctionnent avec de petites quantités de données : le Small Data.
Lire aussi
Machine Learning : ce que peuvent vraiment faire les entreprises avec ces algorithmes
Deep Learning : trois nouvelles approches montent en puissance
Machine Learning : comment choisir le bon framework ?
Machine Learning vs Deep Learning ? La même différence qu'entre un ULM et un Airbus A380
La plupart des travaux sur l'intelligence artificielle se sont concentrés sur l'élaboration d'algorithmes qui fonctionnent avec de vastes ensembles de données, parce que c'est (relativement) facile. Il est beaucoup plus difficile de construire des algorithmes qui peuvent être entrainés sur quelques centaines d'images et non sur quelques millions. Par exemple, l'équipe de Andrew Ng travaille sur la vision artificielle pour analyser les défauts de fabrication des puces de téléphones et (heureusement pour eux) ces fondeurs n'ont pas des millions de puces défectueuses à analyser.
Ils travaillent donc au développement d'algorithmes de détection capables de se former sur quelques centaines d'images. On retrouve cette même problématique, dans la santé, sur l'analyse de radios liées à des problèmes rares.
« Cette capacité est à la pointe de l'IA », constate Andrew Ng. Les entreprises qui auront les capacités de lancement de projets sur du Small Data seront certainement en meilleure position que leurs concurrentes qui s'appuieront exclusivement sur de gros ensembles de données, plus coûteux.
4. Mesurez l'impact de l'IA
Pour Andrew Ng, le profilage publicitaire sur internet n'est certes pas l'application de l'IA la plus disruptive, mais c'est celle qui a un ROI facilement mesurable.
Le ROI de l'IA peut être plus difficile à mesurer dans d'autres cas. Andrew Ng préconise de prendre en compte des indicateurs variés comme la réduction des coûts, la création de valeur grâce à de nouvelles offres commerciales ou la mesure des tendances des revenus dans les unités qui adoptent l'IA. Il faut néanmoins avoir conscience que suivre ces indicateurs métiers critiques ne sera pas sans difficulté. Par exemple, si l'IA améliore l'expérience utilisateur (avec un chatbot ou autre), il peut être difficile d'établir un lien entre cette amélioration et une hausse des revenus, car cette hausse peut être attribué à un mix de facteurs (saisonnalité, etc.).
5. Faites simple (côté IA) mais efficace (côté métiers)
Andrew Ng ne croit pas véritablement au potentiel concret des recherches de pointe en IA - comme l'utilisation de l'informatique quantique ou l'avènement d'une intelligence artificielle générique, qui, pour lui, pourrait arriver d'ici 500 à 500 000 ans.
A l'opposé de ces grands projets, il entrevoit beaucoup de cas réels précis où l'intelligence artificielle - aussi limitée soit-elle - pourrait avoir une influence majeure d'ici un ou deux ans. C'est sur ces cas qu'il décide aujourd'hui de se concentrer. « Il n'y a qu'une seule chose qui soit mieux qu'un projet IA avec un énorme potentiel à long terme, c'est un projet IA avec un énorme potentiel à court terme », tranche-t-il, « et aujourd'hui, il y en a beaucoup ».
À court terme, Andrew Ng suggère à chaque entreprise de démarrer un petit projet, avec deux ou trois ingénieurs, plutôt que de lancer un grand plan décennal. « Cela permettra à votre organisation de voir à quoi cela ressemble de faire de l'IA appliquée, et d'insuffler une dynamique ».
