Introduction Générale

L'intelligence artificielle (IA, ou AI en anglais pour Artificial Intelligence) consiste

à mettre en œuvre un certain nombre de techniques visant à permettre aux machines
d'imiter une forme d'intelligence réelle. L'IA se retrouve implémentée dans un
nombre grandissant de domaines d'application.

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.

Nous allons donc voir :

 Ce qu’est l’IA et ses domaines d’applications ;

 Les cas d’usage de l’IA ;
 Les leçons à tirer de l’usage des IA.
GENERALITES SUR L’INTELLIGENCE ARTIFICELLE

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.

Un système basé basé sur l’IA a donc :

 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.

L’intelligence artificielle se manifeste sous plusieurs formes :

 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

Son fonctionnement résume à l’llustration de la figure ci-dessous :

Selon Harry Shum, la révolution de l’IA est rendue possible grâce à une combinaison
des 3 facteurs qui sont :

 une vaste quantité de data ;

 une puissance informatique extraordinaire grâce au cloud ;
 des algorithmes révolutionnaires, basés sur le deep‐learning.

1.2.1 Apprentissage supervisé

Il consiste à apprendre au programme le maximum ou presque la totalité des

informations qu’il doit traiter. Par exemple, pour un programme de reconnaissance
de voiture, on le nourrit avec des milliers de photos de voitures, étiquetées. Après
cet entrainement, le programme peut reconnaître, seul, des voitures sur les nouvelles
images qui lui seront présentées.

1.2.2 Machine learning

Il consiste à donner aux ordinateurs l’accès à des données, puis on les laisse
apprendre par eux‐mêmes, sans intervention humaine ou reprogrammation
logicielle. Ce qui leur permet de s’améliorer progressivement, de manière autonome.
Et de dépasser ainsi les fonctions et les capacités initialement programmées.

1.2.3 Deep learning

Il repose sur un réseau de neurones artificiels, qui imitent le fonctionnement de notre

cerveau. Et crée une machine virtuelle composée de milliers d’unités, chacune
chargée de petits calculs simples. Un réseau de neuronnes peut être décrit comme
suit :
1.3 Les phases de mise en place d’une IA

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.

Tout part de l’objectif à définir pour l’IA à développer.

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.

Le pipeline d’un projet IA se présente comme suit :

 La collecte des données, première phase d’un projet IA : consiste à identifier

les sources de données et mettre en place les mécanismes d’acquisition
permettant de les acheminer dans les infrastructures de stockage ;
 La préparation : incontournable, car les données collectées depuis diverses
sources sont hétérogènes. Il faut ainsi nettoyer les données en supprimant les
entrées non pertinentes, standardiser les formats, harmoniser les dates sur un
même fuseau horaire, enrichir éventuellement les données avec les
référentiels de l’entreprise…
 L’apprentissage : regroupe l’exploration manuelle et l’apprentissage
automatisé. En effet, le Data Scientist explore « manuellement » les jeux de
données afin de déterminer le meilleur algorithme pour répondre au problème
posé. Une fois l’algorithme défini, l’apprentissage de la machine passe en
mode « automatique ». Le modèle construit par cet apprentissage doit ensuite
être validé.
 Une fois son modèle entrainé et validé, l’IA est enfin opérationnelle. Nous entrons
donc dans la phase de résultats, l’IA remplit les objectifs fixés au départ.

1.4 Intégration de l’IA au sein d’un projet

Il faut tout d’abord, déterminer la maturité de l’IA

1.4.1 Maturité de l’IA

La détermination du type d’IA est choisie lorsque l’on décide d’implémenter une
IA.

On distingue là 3 niveaux principaux d’utilisation de l’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.

1.4.2 Etapes à suivre

Les étapes suivantes sont des étapes requises pour bonne implémentation d’une IA.

 1ere étape : identifier le besoin et l’adéquation de l’IA en tant que solution

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.

La problématique dans le cadre d’une programmation classique, apparaît au travers

de deux aspects :

 La modélisation de cet évènement aléatoire, c’est-à-dire, comment il est possible de

traduire la survenue de cet évènement dans le langage de programmation utilisé.
 La programmation de la réaction face à cet évènement : comment réagir à cet
évènement, qui peut survenir dans n’importe quel contexte. Il est alors difficile
d’avoir un code figé, puisque l’on ne dispose pas forcément d’éléments identiques
(données, traitements déjà effectués), quel que soit le traitement engagé au moment
de l’occurrence.

Lorsqu’une difficulté de ce type apparaît dans une modélisation, alors l’IA est
éligible.

 Etape 2 : Détermination du volume de données disponibles pour

l’entraînement du modèle

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.

En effet un entraînement précis d’une IA construite à partir d’un système

d’apprentissage nécessite des volumes conséquents de données.
1.5 Avantages et inconvénients des formats d’intégration de l’IA

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.

Les utilisations possibles dans le cadre de plateformes SAAS sont :

 Reconnaissance d’image
 Prédiction de tendances à partir de données d’historiques
 Traduction
 Reconnaissance de texte
 Reconnaissance vocale
 Agents de conversations (Chat bots)

1.5.1 Les avantages de l’IA

Ils sont multiples. On peut citer :

 Un service éprouvé et souvent amélioré continuellement par le fournisseur

 Des plateformes correctement dimensionnées
 Une utilisation immédiate du service

1.5.2 Inconvénients du mode SaaS :

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

Les volumes de données échangées pouvant être importants, les performances

peuvent s’en trouver impactées.

Parmi les SaaS les plus connus l’on trouve :

 Les services Amazon (Comprehend, polly, etc.)

  Les services Microsoft (Azure Cognitive Services)
 Services google (Google Cloud Vision API)
 Fournisseurs de plateformes d’IA en mode SaaS

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.

Les librairies de machine learning disponibles sont :

 TensorFlow (python, java),

 Pytorch (python),
 Keras (surcouche de TensorFlow),
 Scikit-learn (python),
 Dl4j (java)
