Académique Documents
Professionnel Documents
Culture Documents
La notion sur l’IA, vu le jour dans les années 1950 grâce au mathématicien Alan
Turing. Elle prendra un essor fulgurant à partir de l’an 2015.
Les grandes entreprises comme Google, Microsoft, Apple, IBM, Facebook et toutes
les grandes entreprises dans le monde de l'informatique planchent aujourd'hui sur les
problématiques de l'intelligence artificielle en tentant de l'appliquer à quelques
domaines précis. Le principe donc consiste à mettre en place des réseaux de neurones
artificiels constitués de serveurs et permettant de traiter de lourds calculs au sein de
gigantesques bases de données qui sont impossibles à l’homme.
Lors d’une tournée de part le monde part les dirigeants du Cnam (France), il a été
découvert que l’IA est en plein essor et en étude d’application dans plusieurs
domaines. On peut citer :
Singapour qui a décidé que l'IA l'aiderait à piloter les politiques publiques ;
EDF qui a pris le parti de mettre l'IA au service des métiers et a créé un centre
dédié à l'intelligence artificielle ;
Shenzhen, en Chine, qui est un très bel exemple des différentes technologies
d'IA qui servent à transformer les business models…
En somme, l’IA doit aider les humains à s’améliorer plutôt que le risque que l’IA les
transforme en esclave et que l’humanité soit entièrement dominé par des robots.
Pour ce faire, Il faut donc mettre à disposition des robots, un big datas à exploiter ;
ce qui est impossible à l’intelligence humaine d’analyser.
1.1Définition
L’intelligence artificielle (IA) fait référence à des systèmes ou des machines qui
imitent l’intelligence humaine pour effectuer des tâches et qui peuvent s’améliorer
en fonction des informations collectées grâce à l’itération.
la capacité de raisonner ;
la capacité de traiter de grandes quantités de données ;
la faculté de discerner des patterns et des modèles indétectables par un
humain ;
l’aptitude à comprendre et analyser ces modèles ;
les capacités à interagir avec l’homme ;
la faculté d’apprendre progressivement ;
améliorer continuellement ses performances.
Traduction automatique,
Chatbots,
voitures autonomes, optimisation de la prospection commerciale,
maintenance prédictive,
aide médicale au diagnostic,
Facility Management et smart building,
amélioration des processus de recrutement, réduction des consommations
d’énergie…
1.2 Fonctionnement des IA
Selon Harry Shum, la révolution de l’IA est rendue possible grâce à une combinaison
des 3 facteurs qui sont :
Pour atteindre les résultats escomptés et satisfaire aux enjeux métiers, les projets IA
doivent être menés avec une attention particulière au sein de la DSI.
Les travaux de Monica Rogati, Data Science Advisor, ont permis de positionner l’IA
sur la pyramide des besoins de la Data Science. Nous nous appuierons ici sur la
version simplifiée suivante :
L’IA se situe au sommet d’une pyramide. Sa réussite repose sur l’existence d’un
socle solide. Cela nous permet donc d’en déduire les phases successives d’un projet
IA.
La détermination du type d’IA est choisie lorsque l’on décide d’implémenter une
IA.
SaaS (Software As A Service) : il s’agit d’utiliser une brique à son projet contenant
déjà l’IA dont on veut se servir ; par exemple, dans le cas d’un logiciel qui doit avoir
une reconnaissance d’image, on passe par un logiciel externe exécutant ce service
(par un service web REST par exemple) ;
Accélérateur d’IA : il s’agit d’utiliser un framework avec une IA déjà existante ;
dans ce cas, l’IA est bien interne au projet, mais c’est une IA déjà toute faite.
IA personnalisée : dans ce cas-là, on code soi-même sa propre IA, ce qui permet de
la personnaliser selon le besoin du projet ;
Plus on personnalise son IA, plus on pourra profiter d’une IA adaptée à ses besoins.
Cependant, 2 choses sont à considérer lorsqu’on choisit son IA :
L’effort que l’on souhaite mettre dans son IA – utiliser un SaaS est beaucoup moins
contraignant que devoir coder son IA soi-même.
Le montant de données dont on dispose – Afin de pouvoir coder son IA et de
l’entraîner pour qu’elle soit performante, il faut disposer d’un montant de données
suffisant au préalable – ce qui n’est pas le cas de SaaS ainsi que d’accélérateurs d’IA,
qui proposent des IA déjà entrainées.
Les étapes suivantes sont des étapes requises pour bonne implémentation d’une IA.
L’IA peut être un investissement lourd, il est donc nécessaire d’évaluer finement le
besoin et de le mettre en balance avec les prérequis pour l’utilisation de l’Intelligence
Artificielle.
Lorsqu’une difficulté de ce type apparaît dans une modélisation, alors l’IA est
éligible.
Une 2e condition doit être vérifiée si l’on souhaite utiliser une approche par
apprentissage (Machine Learning ou Deep Learning) : c’est le volume de données
dont on dispose pour « entraîner » le modèle.
On dispose des services « clé en main » en mode SaaS (ou AIaaS – comme «
Artificial Intelligence as a Service »)
Si le besoin identifié est déjà traité par un service disponible, il faut en priorité
envisager de l’utiliser. En effet, le coût représenté par le redéveloppement d’une
solution similaire est démesuré par rapport au gain immédiat fourni par une
plateforme SAAS.
Reconnaissance d’image
Prédiction de tendances à partir de données d’historiques
Traduction
Reconnaissance de texte
Reconnaissance vocale
Agents de conversations (Chat bots)
Les inconvénients du mode SaaS pour l'intelligence artificielle sont plutôt liés aux
implications que représentent une utilisation d’un SaaS, en effet :
Les données (parfois sensibles), transitent sur le réseau et sont déposées chez un
fournisseur
Il existe également des plateformes dans lesquelles, c’est à vous de développer votre
technologie IA, avec un environnement adapté et des outils facilitant
l’implémentation de votre modèle. Ce sont :
Cloud AI de Google
AWS SageMaker de Amazon
Azure AI
La mise en place est dans ce cas plus « manuelle », même si l’environnement est
prêt à l’emploi.