Guide pratique de l’in­tel­li­gence ar­ti­fi­cielle dans l’entreprise

Le machine learning, ou apprentissage automatique, intègre des milliers de paramètres et de données. Il dépasse les capacités de l’humain, mais il est soumis à une limite dont il faut avoir conscience : plus on s’éloigne de Paris pour estimer la valeur d’un logement, plus on s’écarte des jeux d’apprentissage. Ce biais peut être critique : une voiture « autonome » a ainsi tué sa passagère, faute d’avoir pu identifier un rail de circulation tordu. Ce dernier était trop « éloigné » du rail standard, objet de l’apprentissage, pour que l’algorithme le prenne en compte.

Ce procédé, en particulier s’il est décliné sous forme de réseaux de neurones récurrents (ou NRN), permet d’intégrer des concepts complexes et de prendre en compte les contextes. Le deep learning est donc d’un intérêt considérable pour l’entreprise. On peut l’appliquer, par exemple, à la reconnaissance de zones spécifiques d’un document.

Typiquement une facture, qu’il n’y aura plus besoin de saisir manuellement : elle sera automatiquement intégrée à un workflow classique, après analyse intelligente de ses composants.

Plus qu’un détail, car la saisie comptable représente aujourd’hui 50 % du temps de travail des professionnels. En ne laissant à l’humain que le traitement des cas litigieux, le NLU (Natural langage understanding) met donc un terme à des cauchemars techniques comme le vidéo codage ou l’OCR défaillant. Il signe aussi la fin de l’externalisation via les services de BPO (business process outsourcing, comme les petites mains de Madagascar dans le cas présent). Une solution comme Conciliator, qui avance une réduction des coûts de 40 %, permet de réintégrer de la compétence, et in fine de retrouver la maîtrise de la qualité et de la conformité.

Les fonctions corporate voient donc disparaître des tâches répétitives et sans réel intérêt. Mais ce ne sont pas les seules à être impactées par l’IA. La production est également concernée. Pour accompagner les robots, progressivement (évolution incrémentale), ou pour effectuer des opérations de maintenance, car l’IA sait tirer parti de signaux faibles que l’homme ne peut pas analyser.

Dans le secteur pétrolier, par exemple, Total a équipé ses forages de 30 000 points de données, ce qui permet de détecter des pannes 40 jours à l’avance. L’arrêt d’exploitation n’est plus imposé, il devient programmé, lié à d’autres opérations de maintenance. Airbus, qui, avec la maintenance prédictive, pousse la durée de vie de ses pièces, facture le service de surveillance à ses clients, dégageant ainsi un revenu que l’auteur qualifie de AI first : revenu fondé sur des produits pilotés par l’IA.

Nouvelle étape de la transformation digitale, l’IA conduit par ailleurs à exploiter des gisements de productivité, en s’attaquant à la long tail (longue traîne), ce « puits sans fonds qu’aucune organisation ne sait chiffrer ». En particulier dans le secteur des notes de frais ou des achats : 20 % de ceux-ci représentent 80 % de la facture totale. Le cost cutting va donc les cibler, mais aucune entreprise ne va payer un consultant 1 000 €/jour pour s’attaquer à des montants de 40 ou 50 €. Ce « bruit de fond » qui gangrène la productivité peut désormais être pris en charge par l’IA, en raison de sa « capacité à exécuter uniformément les tâches complexes d’optimisation à un coût marginal » (p. 53).

L’intelligence artificielle modifiant profondément le fonctionnement de l’entreprise comme sa capacité à concevoir son activité, sa mise en place doit être pensée, organisée, et déployée avec les outils adéquats. C’est un challenge pour le management.

Pour atteindre des performances qui atteignent le double digit, le gain de compétitivité à deux chiffres, les entreprises en général et les PME en particulier peuvent se tourner vers le marché, qui propose généralement des solutions en SaaS (software as a service) déployées dans le cloud : l’Intelligent suite de SAP, l’Intelligent Apps de Gartner, les cognitive Apps et Watson d’IBM (qui a investi plusieurs milliards de dollars en se concentrant sur de grands secteurs comme la santé, la banque – Orange bank ou Crédit Mutuel), Microsoft AI (le couteau suisse de l’IA), etc.

Ces solutions, qui intègrent les bonnes pratiques du métier et/ou autorisent une intégration transversale, peuvent laisser la place à un développement interne, faute de solution disponible. Plusieurs librairies open source (comme Tensorflow proposé par Google) autorisent une telle démarche, mais attention, prévient l’auteur, il ne faut pas se tromper dans ses recrutements (les data scientists offrent deux profils différents : cursus informatique ou cursus mathématique), et « on regardera à deux fois la maîtrise d’un développement qui a un impact fort sur son core business » (p 135). Il est peut-être plus indiqué de se tourner vers les start-up, françaises en particulier, qui peuvent offrir des réponses spécifiques, à l’opposé des solutions génériques des GAFAM. Mais leur modèle de business peut les éloigner des PME. En fait, il n’y a pas une solution meilleure que d’autres : tout dépend des besoins, des objectifs et des moyens existant en interne.

La mise en place de l’IA relève donc de multiples acteurs :

• la direction générale « qui jouera le rôle de visionnaire ». Le leader doit avoir une stratégie à long terme, partagée par le CDO. • les consultants, qui connaissent certains métiers plus que d’autres. • le CDO, chef d’orchestre d’une transformation conduisant à de nouveaux outils que les métiers devront accepter. • les Head of data et Head of AI pour les entreprises qui le peuvent. Il s’agit de séparer le Big Data (que 47 % des entreprises n’ont pas implanté) de l’IA proprement dite. Le déploiement et le stockage de la donnée conduisent à définir une data gouvernance (stratégie business) et un data management (technique) • les data scientists, dont le travail est de modéliser. Ce nouveau métier sélectionne et filtre les données d’entrée, en lien avec les algorithmes qui permettront de les traiter. Son profil va déterminer sa relation avec les informaticiens, et donc le travail de ces derniers. « Il faut savoir choisir son spécialiste », et plus encore le Head of Data Science. • Le DSI qui met en œuvre les solutions techniques. Il ne s’agit pas de créer une structure parallèle, mais d’intégrer les projets IA. • les développeurs, qui devront s’adapter, ce qui peut passer par l’apprentissage de nouveaux langages comme Scala.

Les entreprises ne doivent pas seulement investir dans la formation de leurs personnels, c’est désormais une nouvelle culture numérique qu’il faut promouvoir et soutenir. Au-delà des cours en ligne, qui existent déjà (https://fr.coursera.org, par exemple), Stéphane Roder plaide donc pour la création d’une Agence pour le développement de l’Intelligence Artificielle. Il se prononce également pour la mise en place de diplômes spécialisés, à double compétence (comme le MIAGE, bien connu des entreprises), pour que la France se dote d’une stratégie industrielle lui permettant d’éviter les erreurs de la robotisation par exemple. Sera-t-il entendu ?

La cinquième édition de cet ouvrage souligne l’intérêt qu’il présente, sinon le besoin qu’il révèle, pour l’entreprise et ses acteurs. D’ailleurs, parmi d’autres anglicismes, il ne définit même pas ce qu’est le ROI (Return On Investment), pourtant repère cardinal dans le déploiement de l‘IA ! L’auteur, qui vend des formations via sa start-up, fait également l’impasse sur la bibliographie.

Ouvrage recensé – Stéphane Roder, Guide pratique de l’intelligence artificielle dans l’entreprise. Anticiper les transformations, mettre en place des solutions. Paris, Eyrolles, 2020.