PROGRESS SOFTWARE - L'IA rencontre l'IA : la clé pour implémenter l'IA

Avec des scénarios d'utilisation de l'IA de plus en plus complexes, la mise en œuvre réelle de l'IA est devenue plus difficile. Cependant, une nouvelle façon de fournir l'IA peut être à l'horizon.

Par Mark Troester, Vice-Président Stratégie Progress Software

Des progrès sans précédent ont été réalisés en matière d'IA et d'apprentissage automatique en 2017, de nombreuses entreprises ayant employé ces technologies dans des applications réelles. Cette tendance devrait se confirmer dans un proche avenir. Du diagnostic médical à la maintenance prédictive pour les machines et les chatbots conversationnels, il ne fait aucun doute que l’AI devient rapidement une exigence fondamentale pour les entreprises modernes.

Cependant, malgré le buzz du marché, de nombreuses entreprises sont encore perplexes quant à la perspective de tirer une valeur commerciale réelle de l'utilisation de l'IA. En fait, l'introduction de l'IA dans les produits et solutions actuels reste l'un des principaux points de friction pour les entreprises, et beaucoup ont demandé : « Comment puis-je implémenter une solution AI ? ».

La complexité croissante de l'application AI

Comme l'IA passe d'un « agréable à avoir » à un «besoin d'avoir», elle évolue également en termes de complexité. Les entreprises ont besoin de plus que de simples services d'IA standardisés qui reconnaissent l'image ou le texte. Elles ont besoin de scénarios prédictifs complexes, très spécifiques à leurs opérations et adaptés à leurs besoins métier.

Par exemple, prenez un scénario qui utilise des données de séries chronologiques pour générer des informations commerciales, telles que la maintenance prédictive pour l'Internet industriel des objets (IIoT) ou l'analyse du taux de désabonnement pour une organisation commerciale. Ces scénarios ne peuvent pas être supportés en appelant simplement un service générique avec quelques paramètres spécifiques et s’attendre à obtenir un résultat. Obtenir des résultats précis et exploitables dans ces scénarios prédictifs nécessite beaucoup de travail de données, avec des données utilisées au fil du temps pour former de manière itérative les modèles et améliorer la précision et la qualité du résultat. En plus, les entreprises sont mises au défi de  concevoir de nouveaux produits, d’exécuter et de tester de nombreux modèles différents et de déterminer la bonne combinaison de modèles afin d'obtenir le résultat le plus précis, et ce, uniquement pour déterminer ce qui doit être implémenté dans un environnement de production.
De plus, les entreprises doivent réaliser que l'IA n'est plus le domaine exclusif des scientifiques en données et des ingénieurs qui aident à préparer les données. La situation n'est pas sans rappeler comment la transformation numérique est passée d'une initiative entrainée par la Technique (IT Driven) à un effort à l'échelle de l'entreprise. Les organisations doivent aller au-delà d'une approche AI cloisonnée qui divise l'équipe d'analyse et l'équipe de développement d'applications. Les développeurs d'applications doivent acquérir une meilleure connaissance du cycle de vie de la science des données et les concepteurs d'applications doivent réfléchir à la manière dont les connaissances prédictives peuvent générer une expérience en matière d’application.

Pour réussir, les organisations doivent identifier une approche qui leur permette de mettre facilement des modèles en production dans un langage approprié pour l'exécution, sans réécrire le modèle analytique. Les organisations ont non seulement besoin d’optimiser leurs modèles initiaux, mais également de réintroduire les données et les événements dans le modèle de production afin de pouvoir les améliorer continuellement. Cela peut sembler être un processus complexe, mais c'est la clé de la mise en œuvre effective de l'intelligence artificielle - ou si vous préférez l'IA de l'IA. L'IA deviendra inaccessible à votre organisation si vous ne pouvez pas faire faire ça.

Le nouveau monde de l'IA

Donc, comment les organisations peuvent-elles mettre en œuvre efficacement l'IA d'une manière qui leur permette de traiter des scénarios prédictifs complexes avec des ressources scientifiques limitées en matière de données ? Et comment les organisations remportent-elles des succès sans reconversion de toute leur équipe de développement ?

La vérité est que cela ne peut pas être fait simplement en créant une approche unique, étroitement définie, qui vous donnera des résultats avec seulement quelques paramètres. Une mise en œuvre plus complexe, exploitable et utile à l'entreprise est nécessaire.

Prenez, par exemple, une application de maintenance prédictive IIoT qui analyse trois mois de données chronologiques à partir de capteurs sur des centaines ou des milliers de machines et donne  automatiquement les résultats. Ce n'est pas un simple jeu de résultats prédictif qui est renvoyé, mais un ensemble complet d'anomalies détectées survenues pendant cette période, avec des résultats priorisés pour éliminer les alertes qui auparavant rendaient impossible l'opérationnalisation des résultats. Ces résultats prioritaires sont servis via un bon de travail sur une application mobile au personnel de service approprié, qui est alors en mesure d'effectuer la maintenance nécessaire pour optimiser les performances de la machine. C'est un processus complexe où l'apprentissage automatique est automatisé et l'ingénierie des fonctionnalités est effectuée de manière non supervisée. Les résultats fournis analysent les données des capteurs individuels, les données au niveau de la machine et les données de population des machines et sont rassemblés dans un format qui permet à l'entreprise d'agir.

Bienvenue dans le nouveau monde de l'IA. Bien qu'il s'agisse d'un tout nouveau concept, la meilleure définition du marché de ce processus est actuellement la « détection d'anomalies ». Cependant, toutes les solutions n'adoptent pas la même approche et toutes les solutions n'offrent pas des prédictions  amenant aux meilleurs résultats opérationnels. Ce que vous allez voir est un changement fondamental dans la façon dont les capacités d'apprentissage automatique sont livrées - et nous ne parlons pas seulement de déploiement dans le Cloud versus sur site. Nous parlons d'un changement de la fourniture d'outils de données scientifiques qui rendent les scientifiques experts en données (Data Scientists) plus performants avec les résultats de la science des données, ce qui élimine la nécessité pour le scientifique de disposer de ces outils en premier lieu. Dans ce monde nouveau, les scientifiques des données pourraient passer leur temps à analyser et à améliorer les résultats, au lieu de perdre leur temps à accomplir des tâches non essentielles à la mission.

La seule chose requise est que les données soient fournies dans un format chronologique. Autrement, vous téléchargez simplement les données dans le Cloud (mais les options sur site existeront aussi) et l'IA automatisée fait le reste, avec des résultats précis rendus en quelques  jours.

Bientôt, vous pouvez passer du rêve de l'IA à sa mise en œuvre réelle !

Mars 2018