Machine Learning : les différentes manières dont le « as a Service » démocratise l'IA

L'émergence d'outils d'Intelligence Artificielle « à la demande » permet à un plus grand nombre d'entreprises, au-delà des géants de la Tech et des multinationales, d'accéder aux avantages du Machine Learning et du Deep Learning.

First Horizon National est l'une des plus grandes banques régionales du sud-est des États-Unis avec plus de 250 succursales et 6 000 employés. Jusqu'à récemment, la banque avait besoin de trois mois pour mener ses enquêtes internes auprès de ses employés et pour produire des rapports destinés aux manager. « C'était beaucoup de temps et d'argent », se souvient Mario Brown, le vice-président en charge de la stratégie et du développement des talents.

First Horizon utilise un HCM cloud, Ultimate Software. Il y a deux ans, elle a commencé à utiliser un nouvel outil d'IA - UltiPro Perception - pour analyser ces réponses.

Aujourd'hui, le processus est presque instantané. Les managers peuvent obtenir sur le champs des informations sur ce qui rend les employés heureux ou au contraire insatisfaits, ainsi que des conseils sur les mesures à prendre.

« Nous pensons que cela améliore vraiment l'organisation », explique Mario Brown.

Son équipe a pu parvenir à ce résultat, sans avoir recours à des spécialistes des données ni à des développeurs très coûteux, grâce à l'« AI as a service ».

L'« AI as a service »

Les entreprises n'ont pas toutes des Data Scientists pour créer des algorithmes ni assez de données pour les entrainer.

En outre, il faut se doter d'une infrastructure pour industrialiser le projet, générer des insights, relever les défis de la mise en production et voir comment intégrer ces nouveaux outils dans les processus existants.

Ces problèmes peuvent sembler insurmontables pour qui n'est pas Google ou Facebook.

« Il est de plus en plus clair que le 100 % fait maison n'est pas une option viable », avance Svetlana Sicular, analyste chez Gartner. « Il est difficile de trouver des compétences, et l'attrition est élevée, parce que tout le monde veut les mêmes profils ».

Le constat est réaliste. Mais, grâce à l’essor du « à la demande », les plus petites entreprises commencent à récolter les fruits de l'intelligence artificielle.

Plate-forme d'IA

Pour les entreprises qui n'ont pas de Data Scientists pour créer leurs propres réseaux neuronaux et écrire leurs propres algorithmes, un certain nombre d'outils clef en main sont aujourd'hui disponibles. IBM, Microsoft, Amazon et Google proposent des plates-formes de développement pour faciliter certains des aspects les plus difficiles de ces projets d'IA et du Machine Learning.

Du hardware ultra-spécialisé est même accessible via le cloud (IaaS). Google Cloud a rendus ses TPU (Tensor Processing Units) disponibles pour ses clients qui veulent accélérer leur calculs matriciels. Amazon suit et prévoit lancer son service AWS Inferentia un peu plus tard cette année, afin de réduire les coûts et les délais de traitement du Machine Learning de ses clients. Le chinois Alibaba a également annoncé qu'il lancera cette année une puce, AliNPU, conçue sur mesure pour l'analyse d'images et de vidéos.

Ces plates-formes ont toutes pour but affiché de faciliter le déploiement des technologies d'intelligence artificielle par les entreprises, en éliminant le besoin de construire l'infrastructure de base en partant de zéro. Mais il existe des options encore plus simples.

IA prête à l'emploi

Beaucoup de fonctions d'IA sont maintenant disponibles sous une forme prête à être intégrée via des APIs.

Par exemple, Google fournit toute une gamme de services qui vont du traitement du langage à la traduction en passant par la reconnaissance d'images.

Chez AWS, Amazon Lex permet de construire des interfaces conversationnelles de style Alexa dans n'importe quelle application qui veut utiliser la voix et le traitement sémantique. Le géant de l'assurance américain Liberty Mutual Group, par exemple, a utilisé Lex pour créer un assistant virtuel pour ses 50 000 employés.

« Il n'y a pas assez de Data Scientists, c'est une profession qui exige une solide formation et certaines appétences », constate Svetlana Sicular de Gartner. « Mais il y a beaucoup, beaucoup de développeurs sur le marché ».

Mais qu'en est-il des entreprises qui n'ont même pas de développeurs ? C'est là que « l'IA as a service » a un des impacts les plus puissants.

AI embarquée et infusée

De plus en plus de grands éditeurs d'applications professionnelles cloud intègrent de l'IA nativement dans leurs SaaS ou via des extensions. C'est le cas de Microsoft dans Dynamics et Office 365, de Salesforce avec Einstein, de SAP et de beaucoup d'autres, dixit Svetlana Sicular.

Cette intelligence artificielle intégrée est presque invisible pour les utilisateurs finaux. Ils auront juste l'impression que les outils sont devenus plus intelligents ou plus faciles à utiliser ; ou qu'il existe de nouvelles fonctionnalités qui n'existaient pas auparavant.

Par exemple, beaucoup d'utilisateurs ne savent pas comment utiliser les outils d'analyse ou requêter une base de données. « Mais lorsque des informations sont facilement disponibles sous forme de tableau de bord, grâce - sous le capot - à de l'analytique à base d'IA, l'adoption est très élevée », constate Vivek Katyal, responsable monde de l'analyse et du risque des données chez Deloitte Risk and Financial Advisory. « Le mouvement a commencé ; les outils sont là ».

Pour approfondir sur Outils décisionnels et analytiques

Close