L'IA ne se trompe jamais ?

Le terme IA est utilisé de manière très inflationniste. Dans le marketing, l'IA est utilisée pour la promotion d'un produit sur deux. Il existe différentes définitions de l'IA, dont j'utilise ici la suivante.

Les solutions d'IA possèdent au moins les trois caractéristiques suivantes : elles ont ce que l'on appelle une connaissance du domaine, c'est-à-dire des informations (connaissances) sur un domaine thématique donné et des règles qui y sont associées. Cela permet à l'IA de (re)connaître par exemple certains objets et situations, d'optimiser les itinéraires, de détecter les écarts et de proposer des mesures.

Pour pouvoir absorber des données et faire des propositions, l'IA doit en second lieu pouvoir agir avec son environnement. Il s'agit au minimum d'interfaces avec d'autres systèmes (par ex. ERP, informations sur le trafic, stocks, etc. ou encore des capteurs qui travaillent directement pour l'IA). Des interfaces sont également nécessaires pour la transmission des résultats et, de plus en plus, pour la communication interactive avec les utilisateurs.

Autonome, mais sensible

De nombreuses solutions d'IA fonctionnent sans communication avec les humains. De plus en plus - et c'est là que cela nous frappe le plus en tant qu'utilisateur - la communication avec nous se fait par saisie de texte ou de voix. Les systèmes actuels peuvent non seulement parler de manière cuivrée, mais aussi exprimer des nuances linguistiques.

Les informations que nous donnons à l'oral permettent également de déterminer le niveau de stress, par exemple (un appelant en colère peut alors être directement dirigé vers le personnel du centre d'appels). Ils peuvent également associer correctement des mots ayant plusieurs significations (appelés homonymes), tels que "banque" pour désigner une institution financière, un siège, une instance de jeu de hasard ou une formation de terrain ("banc de sable"), etc.

Troisièmement, une IA doit également être capable d'apprendre. C'est là que la plupart des solutions proposées par l'IA échouent. Un exemple est Supply Chain Insights d'IBM, qui "discute" avec une équipe humaine des solutions réussies du passé et intègre dans sa base de données la solution trouvée pour une perturbation de la chaîne d'approvisionnement.

Ou encore les centres d'appels entrants qui communiquent avec les clients par le biais de l'IA et de l'entrée/sortie vocale (vous n'imaginez pas à quel point cela est désormais utilisé) et qui proposent ensuite la solution acceptée par le client en priorité aux prochains appelants. De même, le traitement automatisé des sinistres par les compagnies d'assurance, qui utilisent l'IA pour régler des sinistres de plus en plus nombreux et de plus en plus coûteux.

L'IA augmente-t-elle les ventes ?

Dans une étude de Forrester, "Overcome Obstacles To Get To AI At Scale" (2020), il a été demandé aux clients quels étaient les principaux objectifs qu'ils attendaient de l'introduction de solutions basées sur l'IA. Les premières places étaient occupées par l'augmentation de la croissance du chiffre d'affaires, la productivité des collaborateurs, l'expérience (positive) des clients, la rentabilité et l'efficacité des processus commerciaux. Comme vous pouvez le constater, un large éventail d'attentes, mais compréhensible puisqu'il s'agit d'outils qui peuvent être largement utilisés. 

Si nous regardons l'état d'avancement de l'introduction de solutions d'IA, nous constatons que la volonté est là et que de nombreuses entreprises ont lancé des initiatives dans ce sens. Dans la pratique, les données nécessaires constituent le principal obstacle.

Cela concerne la qualité des données, qui ne sont généralement pas assez bonnes pour entraîner les systèmes d'IA ou dont on ne sait pas si elles peuvent être utilisées aux fins requises. Ensuite, il y a l'intégration des différents silos de données. L'obstacle suivant est la compréhension de quelles données sont nécessaires pour quel résultat.

L'introduction de solutions pilotées par l'IA n'est pas un sprint, mais une "course d'endurance" qui ne s'arrête jamais. Les solutions d'IA peuvent-elles aussi se tromper ? Malheureusement, oui. Toutefois, plus les règles sont bonnes, plus le système apprend et plus les données sont bonnes, plus les résultats sont optimaux.