Cet article fait partie de notre guide: Intelligence Artificielle : ses vrais bénéfices en 15 projets

L'Intelligence Artificielle amenée à se simplifier et à se questionner en 2019

Beaucoup d'analyses sur l'IA sont contradictoires. Mais un consensus émerge pour dire qu'elle va se démocratiser rapidement, créant un besoin d'encadrement de l'exploitation des données et de prise en compte des biais algorithmiques ou humains.

Certains observateurs avisés pensent que les premières incursions des entreprises dans l'Intelligence Artificielle ne sont pas à la hauteur des espérances affichées et des communiqués de presse dithyrambiques. D'autres, tout aussi avisés, soutiennent au contraire que les progrès réels qu'apportent l'IA annoncent un tournant majeur pour de nombreuses industries et de nombreuses professions.

Plus philosophiquement, des penseurs critiques ont averti en 2018 que les progrès de l'IA seraient trop rapides et trop peu maitrisés. Et que l'humanité risque d'engendrer un monstre qu'elle souhaitera ne pas avoir créé. Les défenseurs de la technologie, eux, qualifient ces oracles pessimistes de prophètes de l'apocalypse par trop conservateurs.

Bref, les experts ne sont pas d'accord entre eux. Et dans un sens, c'est rassurant. L'avenir de l'IA (ou plus exactement des différentes technologies qui la composent) est - bien sûr - inconnu (même avec l'analytique prédictif), mais quelques tendances commencent à prendre forme.

1 - L'avènement des Titans du cloud

Lors du AI Summit, qui s'est déroulé début décembre à New-York, Todd Lohr, directeur principal chez KPMG, a fait un aveu. Il a de plus en plus de difficulté à suivre le nombre sans cesse croissant de startups du secteur.

« Chaque fois que je vais à un évènement, il y a une foule de nouveaux noms ». Au AI Summit, comme ailleurs, bon nombre d'éditeurs présents ont été fondés en 2016 ou 2017, seulement. Et la plupart d'entre eux ne vantaient qu'une seule et unique technologie de Machine Learning ou de traitement du langage naturel (NLP). Et tous - en tout cas ceux qui l'on fait - mettent en avant les millions de dollars qu'ils ont récemment levés auprès de sociétés de capital-risque.

Mais malgré toute la pluie de dollars déversée sur ces jeunes pousses et « l'innovation » au coeur de leurs « plateformes » auto-déclarées « révolutionnaires » qui vont « disrupter » tous les marchés de la terre (voire au-delà), c'est bien la consolidation et la domination de méga-entreprises comme Google et Amazon qui s'annonce.

« Si vous regardez l'IA à long terme, ce sont les gros fournisseurs de cloud qui seront, une nouvelle fois, les grands gagnants », prédit Todd Lohr.

Cette prévision est également celle du Future Today Institute, une société d'experts-conseils fondée en 2006 par la futuriste Amy Webb. « Il n'y a que neuf grandes entreprises qui dominent le paysage de l'intelligence artificielle », note l'institut dans un rapport daté de septembre qui cite Alphabet (Google), Amazon (AWS), Microsoft, IBM, Facebook, Apple, Tencent, Baidu et Alibaba. On pourra y ajouter SAP et Oracle, mais pas beaucoup d'autres.

Cette situation d'ultra-concentration ne risque pas de changer. « Comme pour toute technologie, lorsque quelques entreprises dominent le marché, elles ont tendance à monopoliser à la fois les talents et la propriété intellectuelle », note en effet le rapport. Sans compter que les entreprises ont tendance à préférer externaliser leurs projets d'IA, pourtant stratégiques, plutôt que de les prendre à charge de A à Z en interne.

A l'avenir, poursuit le document, il pourrait devenir très important de débattre des avantages et des inconvénients de ce type de consolidation et de la nécessité éventuelle d'une concurrence accrue dans l'IA.

2 - La démocratisation et la simplification de l'IA sont en marche

En 2019, la démocratisation des outils pour - et à base de - Intelligence Artificielle se poursuivra probablement à mesure que la technologie deviendra moins coûteuse et surtout plus facile à utiliser.

« Nous nous orientons de plus en plus vers des "Citizen Data Scientists" (NDR : des analystes de données, sans compétences mathématiques, issus des métiers) », voit Tom Davenport, professeur au Babson College et auteur de nombreuses publications sur l'analytique en entreprise.

Grâce à l'essor de cette BI en libre-service, ces analystes non-experts sont des personnes qui peuvent générer des rapports et des enseignements (insights) à partir de données brutes, sans avoir reçu de formation en ingénierie des données ou en algorithmique. Il y a quelques années, ces tâches auraient nécessité un entrainement ou de faire appel à un statisticien. Mais l'Intelligence Artificielle et le Machine Learning (alias l'analytique augmentée) permettent à des quidams de travailler avec des données de façon pertinente.

« Chaque année, le Machine Learning devient plus simple à mette en oeuvre », illustre Seth DeLand, directeur du marketing produit chez MathWorks, présent au AI Summit. L'éditeur de logiciels de calcul mathématique a beaucoup retravaillé son interface utilisateur (aujourd'hui très inspirée par le point & click) et a intégré le Machine Learning pour améliorer la facilité d'utilisation.

Selon Seth DeLand, les ingénieurs - qui représentent une grande partie des clients de MathWorks - voient même aujourd'hui ces applications - qui les aident à la base à construire des modèles statistiques - comme de possibles outils de formation.

Les ingénieurs, bien qu'ils ne soient pas experts en Data Sciences, ont une solide formation en mathématiques. Il n'en reste pas moins qu'il n'y a pas si longtemps la création de tels modèles aurait été entièrement confiée à des statisticiens de métiers et à l'IT.

Signe des temps, une enquête menée fin 2018 par le cabinet de conseil londonien RELX Group sur l'avenir de l'intelligence artificielle constate que de nombreux dirigeants d'entreprises - 88 % de ceux interrogés - pensent que ces technologies pourraient les aider à être plus compétitifs. Mais seulement 56 % des organisations interrogées l'utiliseraient actuellement.

RELX Group en conclut qu'il existe une appétence - et une opportunité - pour la démocratisation de l'IA dans les entreprises.

3 - La nature des données qui nourrissent l'IA va poser question

Avec une IA de plus en plus intégrée et présente, le besoin de réglementation va se fera de plus en plus sentir. « L'IA est un concept puissant, mais que se passera-t-il si cette puissance est concentrée dans les mains de quelques grandes entreprises et du gouvernement [américain] ? » se demanda Todd Lohr (KPMG).

Le sujet, du moins dans les années à venir, est à relier à la concurrence pour la collecte des données et à l'utilisation automatisées des données privées - un point également soulevé par Gartner.

La Chine a peu de lois sur la protection de ces données personnelles. Le pays a donc été en mesure d'utiliser les données générées par son énorme population pour faire progresser rapidement ses technologies d'IA.

Pour Kevin Gidney, cofondateur et directeur technique de Seal Software - un éditeur de solutions d'analyse de contrats concurrent du français Proxem - si les États-Unis veulent suivre le rythme imposé par la Chine, ils devront collaborer avec des sociétés privées et adapter au mieux la réglementation fédérale au développement de l'intelligence artificielle. « Adapter » dans le sens où cette réglementation devra permettre au gouvernement d'accéder aux données des entreprises. Conséquence, Kevin Gidney prédit qu'il y aura bientôt des conflits entre le gouvernement américain et les avocats des défenseurs de la vie privée.

« Qui va gagner ? Je n'en suis pas trop sûr », répond-il laconiquement.

Pendant ce temps, pour Tom Davenport, l'éthique de l'IA en entreprise « s'annonce comme une grande problématique » de 2019.

4 - Les biais aussi

Au fur et à mesure que les algorithmes de Machine Learning progressent, les experts constatent également que de nombreux modèles sont intrinsèquement biaisés du fait qu'ils reposent sur des données qui, sciemment ou non, ont été collectées et traitées de manière subjective.

« Très souvent, les données utilisées ne sont pas représentatives de la réalité » explique Kevin Gidney qui ajoute que, « dans de nombreux cas, nous n'avons aucun moyen de savoir si un modèle est biaisé en lui-même ou s'il s'agit du résultat de données biaisées ».

Les éditeurs travaillent d'ores et déjà sur le sujet, à l'image d'IBM et de son « détecteur de biais ». Dans les années à venir, les développeurs créeront également et très probablement des modèles plus ouverts et plus auditables. Ils prendront aussi de plus en plus conscience que même de très grandes quantités de données peuvent donner une image fausse ou déformée.

A l'avenir, et pour éviter les biais cognitifs, les humains participeront probablement moins à la création et à la collecte des données. Les Ressources Humaines par exemple utilisent, depuis plusieurs années maintenant, des algorithmes « aveugles » pour les aider dans la sélection des candidats et pour créer un processus d'embauche plus équitable.

Ce type de pratiques devrait se généraliser à d'autres fonctions et usages de l'Intelligence Artificielle en 2019.

Avec Mark Labbe de SearchEnterpriseAI (groupe TechTarget, également propriétaire du MagIT)

Pour approfondir sur Outils décisionnels et analytiques

- ANNONCES GOOGLE

Close