mercredi, septembre 05, 2018

Réinventer les processus et les applications avec l’Intelligence Artificielle




1. Introduction


Le billet de ce jour est tiré de la lecture de l’excellent livre proposé cette année par Accenture, « Human+AI », qui fait écho au livre de Booz-Allen, « The Mathematical Corporation », dont j’ai parlé dans un précédent billet. Même si j’ai déjà beaucoup écrit sur le sujet, la lecture de ce livre m’a permis d’approfondir un certain nombre de points clés :


  • L’Intelligence artificielle est avant tout une technologie d’enrichissement de l’humain. Elle apporte une valeur maximale dans une symbiose homme-machine. 
  • L’IA est portée des applications logicielles, ce n’est pas une nouvelle technologie « hors sol » mais une modalité des systèmes logiciels. 
  • L’IA permet de réinventer la façon dont nous travaillons ; elle permet de revisiter et d’approfondir nos connaissance métier, elle permet d’absorber de la complexité, de la variété et de l’aléas dans nos traitements pour reconstruire des nouveaux processus métier. 
  • L’IA souffre en ce moment d’un cycle de « hype » (mais c’est naturel et classique avec la plupart des technologies du monde informatique) qui rend difficile un jugement calme et lucide. Le chemin de l’utilisation du potentiel de ces approches sera long, car il reste des difficultés multiples, mais la course a déjà commencé. 

J’ai eu la chance de participer à une table ronde lors du précèdent Transform AI à Paris, animé par Paul Daugherty, et je suis frappé par la convergence des points de vue des acteurs de l’IA qui opèrent dans le monde de l’entreprise. Je représentais l’Académie des technologies pour parler de notre rapport sur l’IA et l’apprentissage, et j’ai pu constater que les différents intervenants avaient des points de vue très semblables, qui sont remarquablement synthétisés et illustré dans le livre dont je vais parler aujourd’hui.

Ce billet est organisé comme suit. La section suivante propose un résumé des idées clés de « Human+AI ». Je me suis concentré sur les idées essentielles et j’ai eu du mal à en sélectionner moins de 10, parce que ce livre est très riche bien qu’il soit court. La section 3 revient sur certains de ces points que j’avais évoqué brièvement dans des billets précédents pour les approfondir. Cette section porte sur la construction de systèmes intelligents qui utilisent différentes capacités tirées de l’IA. Je conclurai brièvement sur ce que l’analyse contenue dans ce livre nous enseigne par rapport à certaines questions du rapport Villani.


2. « Réinventer le travail à l’age de l’Intelligence Artificielle »




Le titre de cette section est le sous-titre du livre de Paul R. Daugherty et H. James Wilson, « Human + Machine – Reimagining Work in the Age of AI ». Cet excellent livre comporte deux parties, la première fait le point sur l’utilisation de l’IA aujourd’hui et la seconde porte sur la réinvention des processus avec l’IA. Je recommande chaleureusement la lecture du livre, et en particulier je considère la lecture de cette première partie comme obligatoire pour tout manager dans une entreprise. Ce livre combine trois qualités remarquable : il est très bien écrit et facile à lire, ses analyses sur l’utilisation de l’IA aujourd’hui, sur ce qui marche et pourquoi, sont superbement pertinentes et, pour finir, il est illustré de nombreux exemples. Selon mon habitude, je vais me contenter de relever ici quelques idées clés de ce livre, je vous laisse le lire pour comprendre en détails les exemples qui illustrent ces idées.



  1. L’intelligence artificielle est un système d’apprentissage avec « des humains à l’intérieur ». La symbiose humains et IA est la marque de fabrique du livre, à la fois les humains qui fabriquent l’IA et ceux qui l’utilisent. Les auteurs définissent l’IA comme des “systèmes qui étendent les capacités humaines en détectant, comprenant, agissant et apprenant ». L’idée que la combinaison « homme plus IA” est supérieure à l’homme ou la machine seule n’est pas nouvelle (exemple des tournois d’échec), mais on trouve ici des exemples industriels : “In a MIT study … researchers determined that human-robot interactions in the car plant were about 85% more productive than either humans or robots on their own ». Le livre cite aussi des exemples ou les deux rôles humains sont combines : dans une banque, les professionnels qui utilisent les systèmes d’assistance intelligent participent également à leur développement et apprentissage.

  2. L’intelligence artificielle n’est pas un enjeu de demain : les technologies d’aujourd’hui apportent déjà des bénéfices et des opportunités de transformation aux entreprises qui les utilisent. Les exemples abondent, depuis l’utilisation d’assistants intelligents pour assister les vendeurs, les outils d’analyse pour marketeurs (lire le témoignage de Marc Benioff qui utilise Einstein pour prédire les ventes chez Salesforce) ou l’exemple spectaculaire de Capital One, une banque qui s’est réinventée par sa stratégie logicielle. Dans un contexte plus industriel, l’exemple de Rio Tinto (mining) qui utilise l’IA pour le contrôle et l’optimisation de sa flotte d’engins est remarquable dans sa diversité de l’utilisation des données pour optimiser des aspects multiples du cycle de vie des engins. Une remarque fondamentale de cet ouvrage est que l’IA est un absorbeur de complexité : elle permet de réintroduire de la flexibilité et de l’adaptabilité des processus métiers devenus trop complexes. Les auteurs parlent d’une troisième « vague », après celle de l’automatisation, celle de l’adaptabilité : « the third wave has created a huge, dynamic, and diverse space in which humans and machine collaborate to attain orders-of-magnitudes increases in business performance ».

  3. Tirer parti de l’Intelligence Artificielle nécessite une profonde transformation culturelle, dans la continuité de la transformation digitale. Les auteurs proposent l’acronyme MELDS (Mindset, Experimentation, Learning, Data, Skills) pour synthétiser les différentes composantes de cette transformation : « Based on our observations of companies at the forefront of implementing advanced AI technologies, we have uncovered five key management practices”. Je ne vais pas détailler ces 5 pratiques, on retrouve ces idées dans le rapport de l’Académie des technologies. Je voudrai juste souligner l’importance des deux premières : « mindset », qui est rattachée à l’envie nécessaire et à la conviction que la technologie permet une réinvention complète des processus métiers, et « experimentation » qui de façon duale exprime le « lâcher prise » nécessaire du management de l’entreprise pour piloter un processus d’innovation émergent. Notons également que « The lesson here is that identifying opportunities for re-imagination takes time – executives must capture the current business context, distill insights from various observations, and identify the potential value impact of the reimagined process”. Une autre citation sur le même theme: “These firms … recognise that AI is not your typical capital investment; its value actually increases over time and it, in turn, improves the value of people as well”.

  4. La mise en œuvre de l’Intelligence Artificielle suit une courbe d’expérience, la durée est nécessaire pour comprendre et s’approprier ce qui est possible à un moment donné. Même si certains exemples mentionnés sont sophistiqués, il faut commencer de façon simple: « Don’t be intimidated by the scale of the data that you encounter. Focus on simple AI challenges first and move on from here ». Cette progression dans le cycle d’expérience est accompagnée par l’utilisation de technique de visualisation (parce que voir aide à comprendre – cf l’approche de MondoBrain) et de développement de méthodes d’explications, en particulier lorsque des algorithmes « boites noires » sont employés. L’exemple de LIME (Local Interpretable Model-agnostic Explanation) est une bonne illustration : « LIME doesn’t care about the actual AI algorithms used. … To perform an autopsy of any result, it makes slight changes to the input variation and observes how they alter that decision”. Cette approche est emblématique d’une vision systémique et évolutionnaire du développement des systèmes intelligents que j’ai déjà mentionné plusieurs fois, y compris lorsque je parle de GTES.

  5. L’Intelligence Artificielle est un riche ensemble de méthodes qui sont le plus souvent utilisés de façon hybride. Les exemples de la section “Moving well beyond RPA” sont illustratifs de la possibilité d’enrichir des assistants intelligents avec des briques multiples, depuis des méthodes de NLP jusqu’à de l’apprentissage profond. Le développement de Google Duplex est un bon exemple, celui de Virgin Trains proposé dans le livre est aussi très intéressant, tout comme SparkCognition : « a product called Deep Armor, which uses a combination of AI techniques including neural networks, heuristics, data science and natural-language processing to detect threats never seen before ». L’utilisation des approches « génératives » est une autre forme d’hybridation, consistant à mélanger une IA de résolution avec une IA de génération de problèmes aléatoires, avec des exemples enthousiastes fournis par Autodesk : « these techniques are not a threat, they are more like superpowers ». On trouve dans le livre d’autres exemples d’IA évolutionnaire, comme chez Airbus. Cette notion d’hybridation se retrouve bien sûr dans les robots qui sont des concentrés d’intégration de fonctions cognitives : vision / perception / prévision / adaptation / réflexion. Alain Berthoz souligne fort justement dans ses conférences que la prévision de son environnement est une des premières caractéristiques de l’intelligence biologique dans les systèmes vivants.

  6. La mise en place d’applications enrichies par l’IA doit être vue de façon systémique comme une boucle. Cette notion qui a été fortement développée dans les communications de l’Académie des technologies trouve également sa place dans ce livre : « Note that AI feedback loops create dynamic, virtuous cycles of learning and development”. La notion de boucle commence bien sûr avec le principe même de l’apprentissage automatique, mais s’étend avec le cycle itératif du développement du système intelligent (et émergent – cf. Kevin Kelly) pour terminer dans la boucle de coopération entre l’humain utilisateur et l’assistant-machine. L’exemple d’ordonnancement intelligent (car adaptatif de façon continue) de Percolata au Japon illustre la puissance de la combinaison d’une vision de boucle systémique et d’optimisation de la machine.

  7. L’Intelligence Artificielle n’est pas une technologie isolée, c’est une modalité des systèmes logiciels. Le livre illustre avec des schémas très clairs le fait que les capacités de l’IA, dont les différentes formes d’apprentissage automatique, sont portées par des applications logicielles. Cette liste de capacités est complète et contient l’optimisation locale, les systèmes déductifs, la représentation de connaissance, les méthodes prédictives, la reconnaissance de sons, de texte, d’images, etc. L’importance des compétences logicielles est illustré par l’exemple de Siemens : « As factories become increasingly high tech, they require more workers with software smarts. Siemens, for instance, has recognized this and plans to hire seven thousand more people by 2020 in positions related to training and using collaborative robotics, software engineering, and computer science”. Les auteurs insistent à juste titre sur l’importance de la vélocité logicielle, à la fois dans la production d’applications qui sont les véhicules de ces nouvelles technologies (pour déployer une stratégie IA, il faut maitriser le mieux possible son parc applicatif et son cycle de production logiciel) et dans la vélocité de traitement des informations. « Some data is fast … time-critical data needs to be accelerated through the supply chain » : une des technologies logicielles importante à maîtriser est celle du traitement des flux (« streams »). On retrouver ici l’importance de l’EDA (event driven architecture).

  8. Les opportunités d’applications de l’IA sont partout dans l’entreprise et doivent être gérées comme un écosystème émergent. Les exemples abondent pour comprendre que les opportunités sont partout dans la chaîne de valeur. L’exemple de GNS Healthcare montre une application spectaculaire en amont : « It was the first time that I know of that machines discovered new medical knowledge … Straight from the data. There was no human involved in this discovery”. L’exemple de Nike qui utilise l’IA pour créer des nouveaux designs de pointes pour ses chaussures d’athlétisme illustre l’approche de méthodes « génératives » évoquées plus haut. Le message qui transparait de tous ces exemples est l’importance de l’expérimentation (cf. MELDS), parce qu’on ne sait pas à l’avance ce qu’on va trouver.

  9. L’Intelligence Artificielle est une opportunité de réinventer le développement de produits. Pour les entreprises, c’est sans nul doute le message le plus important et le plus révolutionnaire. C’est particulièrement clair dans le domaine de la R&D, je reproduis ici une citation longue : « The use of AI in the different stages of R&D – observations, hypothesis generation, experimentation design, and so on – is producing remarkable gains at all levels and in a variety of fields. Discoveries made over the course of a decade are being replicated, within a matter of months, resulting in dramatic time and cost savings. This has led to a fundamental rethinking of how companies manage their R&D activities. » Ce message est disruptif dans le sens où une entreprise qui ne tiendrait pas compte de ces conseils pourrait voir un de ses concurrents, plus faible ou moins compétent, rattraper et inverser son retard en R&D produit parce que sa bonne utilisation de l’IA lui permet de tirer plus de connaissance métier des mêmes expérimentations ou retours d’usage client. D’un point de vue épistémologique (au sens anglo-saxon), l’IA est un accélérateur maïeutique d’acquisition de compétence (sourire). Cette pratique de l’expérimentation est remarquablement expliquée par Jef Bezos pour qui les entreprises qui ne pratiquent pas l’expérimentation et la valorisation des échecs se retrouvent dans des positions très délicates où elles sont obligées de faire de « gros paris » très risqués. Selon les mots des auteurs du livre : « AI is rapidly making inroads in business. Its swift adoption means that questions on both the opportunities and risks are at the forefront of most discussions”.

Pour terminer cette section, et après avoir été extrêmement élogieux en introduction, je dois signaler que j’ai également quelques points de divergence. Même si le rôle du logiciel est souligné, on ne retrouve pas les compétences de software engineering et de déploiement à large échelle de logiciels distribués dans les compétences clés de la deuxième partie, ce qui manque de mon point de vue. Deuxièmement, le machine learning est mis en position centrale, en l’opposant aux algorithmes classiques qu’il faut programmer. Dans la pratique, il faut toujours programmer, d’autant plus qu’on a besoin de construire des systèmes hybrides, je vais y revenir dans la section suivante. Pour finir, la liste des « compétences de demain » de la deuxième partie est intéressante pour la réflexion, mais quelque peu exotique par rapport aux enjeux d’ingénierie qui sont bien réels. Je mentionne ici ces réserves pour mémoire, elles ne changent en rien la très haute opinion que j’ai de ce livre, ni ma forte recommandation de le lire.




3. Construire des Systèmes de systèmes enrichi par l’IA



J’ai présenté plusieurs fois le rapport de l’Académie des technologies, en particulier lors de la soirée « INRIA Business Club », je viens de mettre ma présentation en ligne. Pour ceux qui trouvent que mes schémas sont trop conceptuels, je vous propose l’illustration suivante.





Ce dessin exprime de façon métaphorique et simplifiée les idées essentielles de ma présentation, que l’on vient de voir également dans « Human+AI »

  • La valeur de l’IA est portée par des applications logicielles. Le terreau est la culture logicielle des entreprises. C’est pour cela qu’une partie des conditions de la « transformations digitale » s’appliquent. 
  • La fleur est une métaphore de la croissance progressive. C’est aussi une référence implicite à la persévérance de l’agriculteur. On peut ici faire référence à François Julien et au proverbe chinois : « Ce n’est pas en tirant sur la tige qu’on fait pousser la fleur plus vite ». 
  • Pour faire grandir cette fleur il faut des données, j’aurais pu ajouter « des données qualifiées ». 
  • Pour que les fleurs poussent, il faut avoir confiance dans l’innovation distribuée (des équipes autonomes auxquelles on fait confiance). 
  • On a tout à gagner à profiter de l’écosystème open-source (pour des raisons que j’ai exprimées ici). 
  • Le terme de science dans « data science » ne désigne pas l’abondance de connaissance mais le besoin d’une démarche scientifique « essai/validation/invalidation » et de beaucoup d’humilité car il est facile de se tromper et de prendre des « faux positifs » pour des innovations. 
La notion d’application logicielle enrichie par l’IA est une facilité qui représente le point de vue de l’utilisateur. Dans la réalité c’est bien un système qu’il faut construire. Comme il s’agit d’un système complexe, c’est en fait un système de système qu’il faut construire. C’est vrai de façon globale – un point de vue bien illustré dans les slides que je viens de citer – mais aussi en ce qui concerne la partie algorithmique qui est le plus souvent hybride. A ceux qui citent AlphaGo comme un exemple de la supériorité des réseaux neuronaux profonds par rapport aux techniques plus classiques (nos amis américains parlent de GOFAI : Good Old-Fashioned AI), je recommande vivement la vidéo de Siraj Raval qui vulgarise remarquablement l’approche de Deep Mind. On y voit, entre autres, la combinaison entre trois techniques : l’exploration arborescente (de type GOFAI), la « randomization » (Monte-Carlo Tree Search) et l’utilisation de réseaux neuronaux pour qualifier des positions. C’est un exemple parfait d’approche hybride, on trouvera d’autres exemples dans le rapport de l’Académie des technologies.

AI is a learning loop with embedded humans” : j’ai choisi cette idée pour commencer mon résumé du livre car je la trouve particulièrement puissante. J’ai déjà développé abondamment le rôle de la boucle de développement de système. Il y a un co-développement des systèmes et des données qui favorise les stratégies audacieuses : un système médiocre et des données simplistes permettent de produire des interactions qui enrichissent les données, puis améliorent le système, ce qui conduit à des données plus fines, et ainsi de suite. C’est pour cela qu’un chatbot médiocre est en premier lieu un outil à produire des dialogues qui entraineront une prochaine génération d’assistant intelligent. Le rôle de l’humain (embedded) est multiple, comme cela a été dit dans la section précédente. Le co-développement du « centaure » (du couple agent humain et assistant intelligent) est une aventure formidable de réinvention des métiers, et une course à la création de nouveaux avantages compétitifs. La dimension de « boucle d’amplification » induit des avantages de « premier entrant » qui s’auto-entretiennent. Le « embedded human » est également celui qui aide à collecter, classer et qualifier les données. Le rôle de l’homme est ici fondamental, comme le montrent les exemples des avancées récentes (de la « vision machine » grâce à ImageNet à AlphaGo).


4. Conclusion



On aura compris que le livre « Human + AI » est résolument optimiste sur les possibilités que représente le développement de l’Intelligence Artificielle pour les entreprises. Il convient néanmoins de formuler les trois mises en garde suivantes :
  • Il faut éviter l’aveuglement sur ce qui brille, qui est évidemment favorisé sur les médias. Je vous renvoie au rapport de l’Académie des technologies.
  • La course – il s’agit bien d’une course à cause de la compétition mondiale – pour utiliser le mieux possible ces nouvelles capacités est un marathon, mais elle a déjà commencé. Je partage l’avis de Laurent Alexandre sur le retard de la France. 
  • Il s’agit d’une transformation pour les entreprises qui va souvent conduire )à la réinvention profonde des métiers / le monde va changer (pas avec le hype d’une IA extraordinaire mais avec de l’IA ordinaire et polymorphe qui est tissée au cœur de nos actions)
Je vais maintenant conclure avec des réponses à trois questions que Fabienne Billat m’a posées sur Twitter, qui font écho au débat autour du rapport Villani et des interrogations, également sur Twitter, de Laurent Alexandre.

Quelle stratégie pour construire un environnement européen favorable à l’IA ?
C’est une question très difficile (la critique est tellement plus facile), je ne prétends pas avoir la solution, mais des pistes construites sur une analyse systémique de ce qui bloque :

  • Il faut investir en R&D massivement, y compris dans la R&D amont, et sans savoir à priori quelles seront les technologies et méthodes qui auront le plus grand impact.
  • Il est nécessaire d’alléger la règlementation autour des données. Puisque RGPD est là, il faut introduire des modalités pour assouplir son application et des « zones franches » pour pouvoir expérimenter.
  • Il me semble absolument nécessaire d’investir dans l’enseignement technique de l’ingénierie logicielle, à tous les niveaux.
  • Enfin, il faut promouvoir la culture logicielle en Europe (par exemple, donner ces missions et des moyens supplémentaires aux instituts comme INRIA) de toutes les façons possibles : concours, conférences, ateliers, communication, etc.

Comment mieux former les dirigeants à l’Intelligence Artificielle, ses applications et sa mise en œuvre ? Quels devraient être les objectifs de ces formations ?


Comment éviter les biais dans la constitution des jeux de données ? Cette question est à la fois complexe et technique, je vous renvoie au livre de Cathy O’Neil pour en comprendre l’étendue. Je vois trois pistes :

  • Il faut diversifier les équipes ! dans les différents sens du terme, et en particulier bien sûr du point du vue du genre. Mais il est également critique d’éviter la trop grande homogénéité des parcours éducatifs, des niveaux sociaux-professionnels et des cultures.
  • Il faut s’appuyer sur le rôle de Chief Data Officer et instituer une véritable gouvernance des données, ce qui donne un cadre pour se poser la question des bais, des validations et de effets pervers systémiques que peuvent introduire les boucles que j’ai vantées dans la section précédente.
  • La stratégie « open data » que chaque entreprise devrait construire est une formidable opportunité de se faire aider par la communauté externe pour valider la pertinence scientifique de sa collection de donnée … et d’obtenir des diagnostics et des conseils sur des possibles biais.