A la croisée de beaucoup de technologies, les méthodes sous-jacentes liées à l’IA ont énormément évoluées ces dernières années et se sont diversifiées. L’IA qui est intrinsèquement liée au Big Data, profite depuis les années 2000 d’un environnement technologique opportun, avec la montée en puissance de traitements des machines, des architectures distribuées autant côté calcul que stockage et bien évidemment du marché mobile et des objets connectés générant de plus en plus de données.
Source : https://aruco.com/2016/08/gartner-technologies-emergentes/
Nous assistons à une véritable expansion des flux de données. Nos mobiles qui sont truffés de capteurs, couplées aux applications sont de véritables aspirateurs de données. Avec bientôt le paiement par mobile, l’IA trouve et gardera une place de choix pour l’exploitation de ces masses d’information.
Des concepts informatiques de plus en plus poussés
L’intelligence artificielle qui est née il y a seulement une cinquantaine d’années est un pan entier de l’informatique brassant de multiples briques technologiques pouvant être complémentaires. Mais il n’existe pas de logiciel d’intelligence artificielle unifié.
L’intégration et l’interconnexion de ces briques allant de la perception d’environnement (principalement audio et vidéo) à l’interprétation des informations et à l’exploitation de grandes bases de données structurées ou non structurées, restent à l’heure actuelle difficile. C’est pourquoi la majorité des solutions commerciales répondent à des besoins très spécifiques.
Initialement basée sur la force brute (technique très connue des hackers, qui va essayer toutes les combinaisons possibles jusqu’à trouver la solution), elle a rapidement intégré des méthodes statistiques associées à des algorithmes régressifs et d’extrapolation.
La plus grande avancée est sans aucun doute la gestion prédictive à travers la notion d’apprentissage automatique ou Machine learning, la machine cherchant des liens entre des données à l’aide d’algorithmes, lui permettant ensuite d’en tirer des prédictions.
Aujourd’hui, les recherches s’orientent vers les systèmes neuronaux artificiels se rapprochant ainsi des logiques cognitives de l’humain pour un apprentissage dit profond ou Deep Learning, la machine se voyant dotée d’un réseau de neurones artificiels, hiérarchisé en plusieurs couches, communiquant entre eux et effectuant des calculs simples.
Les grands groupes investissent massivement dans le développement et l’optimisation de ces technologies d’apprentissage. On peut citer en exemple Google qui intègre déjà le Deep Learning dans son outil de traduction Google Translate, Nvidia qui avance à pas de géant sur sa gamme de super ordinateur Nvidia DGX pour les voitures autonomes, ou encore IBM qui s’immisce dans le domaine de la prévention médicale avec son IA IBM Watson.
Source : https://www.cbinsights.com/blog/deep-learning-ai-startups-market-map-company-list/
Les investisseurs sont de plus en plus nombreux au rendez-vous pour financer les start-ups qui appliquent cette technologie à des secteurs comme les soins de santé, la cybersécurité, les transports, l’industrie agro-alimentaire et bien évidemment les services commerciaux.
L’efficience par l’analyse cognitive et l’apprentissage
Tout comme un humain, pour être efficace dans son analyse, la machine doit savoir exactement ce qu’elle doit faire. Il est indispensable de bien identifier quel problème on souhaite qu’elle résolve. Cela permet de définir un modèle fonctionnel initial auquel des exemples lui seront fournis par la suite pour qu’elle puisse les reconnaître, les assimiler et en tirer des prédictions.
L’apprentissage d’une IA doit se faire en continu pour être toujours pertinent. En effet, une entreprise voulant prédire ses ventes de détail, pourra obtenir de bons résultats car le Deep Learning permet de combiner de nombreuses données (comme la météo ou les événements qui ont lieu) mises en contraste avec les ventes passées. Mais l’IA doit également être au courant des tendances liées aux modes de consommation régulièrement renouvelées, la sortie de nouveaux produits sur le marché, etc…
Il faut toujours analyser la pertinence des prédictions faites par un modèle en comparant régulièrement ses résultats à la réalité.
La teneur et la diversité des exemples données à la machines est extrêmement importante. Il est intéressant de noter que la seule défaite d’AlphaGo face Lee Sedol est survenue suite à une erreur stratégique de ce dernier au cours de la partie. AlphaGo qui a initialement été entraîné sur les coups enregistrés lors de dizaines de milliers de parties menées par des joueurs experts, a été déstabilisé par un coup improbable et de son point de vue inconnu.
AlphaGo utilise la technique du renforcement pour s’améliorer, en s’entraînant à jouer des parties contre d’autres instances de lui-même.
L’influence du Deep Learning sur le digital
Les référenceurs vont bientôt bénéficier d’une meilleure compréhension des contenus par les moteurs de recherche, mettant aux oubliettes la notion de métadonnées relatives au référencement natif des sites web. Les recherches des internautes s’affineront et proposeront des résultats plus en accords avec leurs requêtes qui mettront en avant les contenus de qualité et enrichis d’image et de vidéo.
Cela représentera une véritable révolution pour le Search Engine Optimization (SEO), voulant supprimer à terme les contenus dupliqués (duplicate content) qui polluent et qui ne permettent pas actuellement de rendre compte de l’investissement des rédacteurs originaux.
Le Deep-Learning aidera à déterminer les thèmes et contenus à créer en analysant les sujets discutés et partagés par une cible donnée, ainsi que les expressions les plus pertinentes à utiliser, provoquant de fait un bouleversement de la publicité suggérée.
Sur un site e-commerce, la section “produits similaires” d’une page produit qui est aujourd’hui basée sur une catégorisation manuelle et chronophage d’un catalogue et donc pas toujours très pertinente. A l’aide du Deep Learning qui permettra d’analyser précisément ce que recherche les visiteurs d’une boutique en ligne grâce à la reconnaissance visuelle, seront proposés des produits similaires en parfaite cohérence avec ce que recherche les clients.
Un autre aspect du Deep Learning consiste à analyser le sentiment d’une actualité ou d’un commentaire sur une entreprise, la machine détectant si une information a une connotation positive ou négative, nous permettant d’imaginer une e-reputation mieux supervisée et plus contrôlée, en envisageant notamment la suppression d’informations négatives de façon automatique.
Vers un marketing prédictif et mieux ciblé
Le marketing et la communication, et plus particulièrement le domaine de la relation client, représentent des champs d’application en adéquation avec l’utilisation du Deep Learning.
Comme tout commence par la data, la mise en place d’une stratégie d’acquisition importante en amont devient essentielle. Les retailers et leurs fournisseurs qui vendent un large éventail de références produits à des milliards d’individus avec des prix variables dans le temps et l’espace, produisent des volumes de données gigantesques, détaillées et datées par produit et par client.
La couche Deep Learning permet à une entreprise de mieux comprendre son marché, s’adapter en temps réel à son évolution, prédire ses mutations et ainsi définir des stratégies d’anticipation. L’enjeu étant de se démarquer sur des marchés souvent très concurrentiels en oeuvrant sur leurs politiques de costing, de trafic en magasin, de fidélité, de panier moyen…
Les entreprises pourront détecter la meilleur allocation des moyens médias, les périmètres consumers ainsi que les périodes d’actions pour des campagnes marketing données.
Amazon vend déjà des produits en ligne sans argumentaire mais par recommandations liées aux parcours, achats, profils des personnes et de leurs comportements.
Et on ne peut passer à côté du store Amazon Go qui rend caduc le passage en caisse et réinvente le point de vente physique grâce à un système de capteurs couplés au deep-learning qui détectent les produits, les enregistrent et les facturent au client sur son compte Amazon sans qu’il ne s’inquiète du paiement.
Conclusion
Les domaines pouvant tirer profit du Deep Learning sont multiples et leur développement vont à coup sûr modifier nos habitudes. Le marketing digital va s’orienter progressivement vers une personnalisation et un ciblage de plus en plus fin. En parallèle les consommateurs, contribuant à enrichir les données, verront leur expérience utilisateur améliorée. Et que dire des promesses dans le domaine de la santé, des voitures autonomes, de l’industrie agroalimentaire, de la robotique pour ne citer qu’eux.
Cependant, quelques inquiétudes légitimes, la première portant sur la gouvernance des données collectées, et la seconde mettant l’accent sur l’effet “boîte noire” de l’apprentissage autonome des machines, car l’audit des résultats prédictifs n’est pas réellement maîtrisable. Cette perte de contrôle renforce les défenseurs de la théorie de la singularité (bien qu’elle ne repose sur aucun fondements scientifiques) qui laisse entendre que la machine prendrait le pas sur l’homme en prenant conscience d’elle-même.
