Machine Learning - Le prochain saut quantique

Ce qui a changé aujourd'hui, ce sont les conditions techniques qui rendent possible la mise en œuvre de l'intelligence artificielle dans la pratique :

Il s'agit notamment d'une plus grande puissance de calcul, d'un stockage abordable, de puissantes bases de données en mémoire comme Hana et d'algorithmes sophistiqués, mais surtout du Big Data, qui accompagne la transformation numérique et constitue la base de l'apprentissage automatique.

La pression sur les entreprises augmente : elles dépendent aujourd'hui de l'automatisation des processus commerciaux pour faire face à une pression croissante en matière de concurrence et d'innovation et pour compenser la pénurie de personnel informatique qualifié.

D'énormes trésors de données sont aujourd'hui enfouis dans les systèmes. En tirer une valeur ajoutée est déjà une priorité pour de nombreuses entreprises. Une tâche qui, dans un premier temps, nécessite beaucoup trop de ressources.

L'apprentissage automatique ouvre ici de toutes nouvelles dimensions : Ce n'est plus l'homme seul, mais des algorithmes intelligents qui analysent les données - et ce, de manière si rapide, si complète et si intelligente qu'ils peuvent identifier tous les liens transversaux, même au sein des plus grandes quantités de données.

Aucun cerveau humain ne serait capable de traiter autant de données à une vitesse et avec une précision comparables, tout en fournissant un résultat fondé sur des données en l'espace de quelques nanosecondes.

Jusqu'à présent, la reconnaissance de formes est la variante la plus utilisée de l'apprentissage automatique : établir des liens entre de grandes quantités de données n'en est qu'une partie.

Il est encore plus important que l'algorithme apprenne comment une tâche peut être accomplie. C'est la seule façon pour le logiciel de reconnaître les écarts par rapport à la norme et de faire des recommandations sur la manière de transformer les processus actuels en processus cibles.

L'intégration de composants de machine learning permet à une application de penser, d'apprendre et de planifier de manière quasi autonome. Cela va bien au-delà d'une simple analyse prédictive des données.

Il ne s'agit pas seulement d'effectuer des calculs selon des règles rigides et de déclencher des événements. Il s'agit d'agilité. Pour y parvenir et être réellement prédictif, un système doit être facilement adaptable.

Enfin, les données, les sources de données, les formats et les processus évoluent constamment. Il faut laisser de la place à la créativité et à l'innovation. Les idées et les propositions obtenues à l'aide de l'intelligence artificielle doivent stimuler et non limiter. Car en fin de compte, la véritable créativité, la véritable pensée latérale et différente, vient toujours de l'homme.

Lorsque les entreprises s'ouvrent à l'IA, elles ouvrent la voie à une petite révolution. Les anciens processus basés sur les rôles cèdent la place à de nouveaux processus plus efficaces et plus intelligents.

L'apprentissage automatique ne peut réussir que si les connaissances en matière de gestion sont combinées à un savoir-faire informatique et à une grande maîtrise de la programmation. Par rapport aux petites entreprises, les grands fournisseurs comme SAP ont plus de facilité à mettre en œuvre des systèmes d'auto-apprentissage, après tout, une grande partie des activités commerciales d'une entreprise passe par des systèmes SAP.

Si l'on intègre l'IA, la plupart des données sont automatiquement disponibles - et les scénarios d'application sont évidents. Il suffit de penser à l'attribution des paiements aux factures, à la sélection des candidats, à l'évaluation du retour sur investissement marketing ou aux prévisions concernant le comportement des clients dans le commerce électronique.

Le Machine Learning offre également un grand potentiel aux moyennes entreprises de l'environnement Big Data - à condition qu'elles disposent des capacités de développement nécessaires pour intégrer le Machine Learning dans leurs applications.

Chez Celonis, nous avons beaucoup investi dans ce domaine et nous continuons à évoluer dans cette direction, convaincus que l'IA est l'avenir. L'impulsion n'est pas seulement venue du développement lui-même, mais aussi de nos clients.

Ils ne voulaient pas seulement avoir un aperçu de leurs propres processus par le biais du Process Mining classique, mais souhaitaient un soutien concret pour la prise de décisions : des recommandations d'action sur la manière d'optimiser davantage certaines étapes du processus ou d'éliminer efficacement les obstacles encore existants. Et ils voulaient savoir sur quels leviers il valait la peine d'agir en premier.