DEEP LEARNING PLUS QUE JAMAIS

Les spécialistes de l’apprentissage profond sont très recherchés et les futurs managers seraient bien avisés d’en saisir les enjeux

Le “deep learning”, ou “apprentissage profond” [ndlr: méthode d’apprentissage automatique], est peutêtre l’une des technologies modernes les plus surévaluées. Mais il y a de bonnes chances qu’il devienne un jour l’ingrédient magique à la base de nombreuses innovations dans le milieu de l’entreprise. Pour toute personne qui entre sur le marché du travail aujourd’hui – ou qui réfléchit à la façon de positionner sa carrière à long terme – c’est aujourd’hui le moment propice pour tenter de mieux saisir ses effets. L’expression “deep learning” fait référence à l’utilisation de réseaux neuronaux artificiels pour réaliser une forme de reconnaissance avancée de motifs récurrents. Les algorithmes sont formés à partir de grandes quantités de données, puis appliqués à de nouvelles données qui doivent être analysées. L’apprentissage profond est devenu l’enjeu le plus brûlant dans le milieu de l’intelligence artificielle, grâce notamment aux percées dans la reconnaissance de l’image et du langage ces dernières années, là où les performances des algorithmes ont approché ou dépassé les niveaux de compréhension humaine. L’ampleur de l’impact potentiel de “l’apprentissage profond“en entreprise a été analysée le mois dernier dans un rapport du McKinsey Global Institute, ‘Notes from the AI Frontier : Insight from Hundreds of Use Cases’ (Etude de la frontière de l’intelligence artificielle: aperçu de centaines de cas). Selon le cabinet de conseil, les entreprises peuvent espérer enregistrer une augmentation de leurs revenus de 1 à 9 % grâce à l’utilisation de cette technologie, selon le secteur dans lequel elles évoluent. Cela représente des milliards de dollars d’impact potentiel sur les entreprises – et les professionnels qui seront les premiers à se former et à utiliser le deep learning seront les grands gagnants, selon Michael Chui, associé chez McKinsey. “En vous formant plus tôt et plus vite, vous avez une chance de faire beaucoup mieux que les autres”, affirme-t-il. Cela vaut non seulement pour les professionnels dotés de compétences techniques, mais aussi pour tout manager sachant comment appliquer cette technologie aux problématiques commerciales. Si les responsables qui apprennent à utiliser le deep learning ont une chance de prendre une longueur d’avance sur les autres, c’est parce que des technologies comme l’apprentissage profond peuvent avoir un impact démesuré dans l’ensemble d’une entreprise, explique Michael Chui. “Les technologies sont des leviers de création de valeur… Le numérique permet de faire plus, plus vite. Si vous pouvez développer quelque chose à l’échelle d’une organisation ou d’une base de clients, vous démultipliez l’impact.” La meilleure façon de penser l’apprentissage profond est de le voir comme un outil analytique de pointe. Si suffisamment de données sont disponibles pour entraîner l’algorithme, il peut être utilisé dans de nombreuses tâches différentes. Les défis consistent à identifier les types de problèmes susceptibles d’être traités avec cette technique, à choisir la meilleure approche spécifique dans une situation donnée, et à s’assurer d’alimenter les algorithmes avec un approvisionnement pertinent de données de haute qualité, et au moment opportun. Selon McKinsey, l’essentiel du potentiel commercial du deep learning se concentre dans deux grands domaines : le marketing et les ventes d’une part, les chaînes d’approvisionnement et la fabrication d’autre part. Parmi les exemples d’applications, citons la gestion du service à la clientèle, la création d’offres personnalisées, l’acquisition de clients et le calibrage des prix et des promotions. Ainsi, les industries des biens de consommation pourront davantage tirer parti de l’apprentissage profond. Les interactions fréquentes avec les clients génèrent le type de données nécessaires pour alimenter les systèmes. L’utilisation de données en temps réel pour prédire les tendances de la demande sur une base hyper-régionale peut faire grimper les ventes de 0,25 à 0,75 %, selon l’estimation du cabinet de conseil, d’autres avantages encore découlant de la réduction du gaspillage. Par ailleurs, dans les chaînes d’approvisionnement et de fabrication, les applications potentielles du deep learning incluent la maintenance prédictive des équipements, l’optimisation du rendement, l’analyse des approvisionnements et l’optimisation des stocks. Ces avantages potentiels sont purement théoriques, basés sur les capacités de la technologie, et il faudra un certain temps à la plupart des entreprises pour s’en emparer. Il y a, entre autres, une énorme pénurie de compétences dans le monde de l’entreprise. Les experts en données massives et les spécialistes de l’apprentissage automatique constituent maintenant les profils d’experts en informatique les plus recherchés, à en croire les salaires élevés qui leur sont offerts. Les outils nécessaires aux développeurs non experts pour utiliser cette technologie en sont encore à leurs balbutiements. Bon nombre des progrès récents dans ce domaine sont encore considérés comme relevant de la recherche de pointe. Des services tels que le Cloud AutoML de Google représentent la première tentative réelle de rendre l’apprentissage en profondeur plus largement disponible en tant qu’outil pratique, en automatisant une partie de la tâche laborieuse de formation des algorithmes. Toutefois, l’apprentissage profond ne sera pas réservé aux seuls techniciens spécialisés. Les responsables commerciaux du futur devront être capables de repérer quand les problèmes sont susceptibles d’être soumis à une approche de deep learning et comment gérer les diverses équipes dotées de compétences plus techniques qui devront être assemblées pour les résoudre. Il y a beaucoup de pierres d’achoppement. La principale concerne les données, et en particulier la façon de les collecter, de les “nettoyer” et de les classer de manière à les rendre utiles dans la formation des systèmes d’apprentissage automatique. La bonne nouvelle, c’est que de nombreuses entreprises disposent déjà d’une grande quantité de matière première. “Souvent, il existe déjà beaucoup de données et rares sont celles qui sont utilisées”, souligne Michael Chui. Mais les modèles doivent être mis à jour fréquemment, en raison de l’évolution constante des informations sous-jacente qui sont recueillies. Dans un tiers des cas d’utilisation du deep learning examinés par McKinsey, les algorithmes devaient être ré-entraînés au moins une fois par mois pour rester pertinents. Un autre défi consiste à s’assurer que les données utilisées pour entraîner un système sont représentatives et conduisent à des réponses fiables. Les risques découlant de l’utilisation d’un jeu de données initiales biaisées sont maintenant globalement reconnus. Souvent, le problème survient lorsque des informations recueillies dans un but précis sont appliquées à un problème différent, sans tenir compte des lacunes du jeu de données. La plupart des entreprises n’en sont qu’au tout début de leur réflexion sur la façon d’appliquer cette forme d’IA à leurs propres activités – si elles y ont seulement pensé. Mais pour la future génération de cadres, le deep learning pourrait un jour devenir une compétence de base. Aperçu des techniques d’IA les plus prometteuses en entreprise

Les réseaux de neurones artificiels utilisés dans les systèmes d’apprentissage profond sont particulièrement adaptés à la résolution de certains types de problèmes. Selon McKinsey, trois techniques d’analyse en particulier offrent le potentiel pour libérer de la valeur en entreprise :

Classification. Le système apprend à faire la distinction entre différents éléments, puis, une fois confronté à une nouvelle entrée, il la place dans la bonne catégorie. C’est l’approche utilisée en reconnaissance d’image: elle pourrait être utilisée pour identifier si les produits issus d’une chaîne de fabrication répondent à une certaine norme en matière de qualité visuelle.

Estimation continue. Aussi appelée prédiction, il s’agit d’estimer la prochaine valeur numérique d’une suite mathématique. Elle pourrait être utilisée pour prévoir la demande pour un nouveau produit, sur la base d’informations telles que les ventes d’un produit précédent, le sentiment des consommateurs et les conditions météorologiques.

Regroupement. Un algorithme apprend à créer des catégories basées sur des caractéristiques communes. À partir de données sur desconsomq mateurs individuels tels que leur lieu de résidence, leur âge et leur comportement d’achat, par exemple, un algorithme pourrait créer un ensemble de nouveaux segments de consommateurs.

Selon McKinsey, l’essentiel du potentiel commercial du deep learning se concentre dans deux grands domaines : le marketing et les ventes d’une part, les chaînes d’approvisionnement et la fabrication d’autre part

Les responsables commerciaux du futur devront être capables de repérer quand les problèmes sont susceptibles d’être soumis à une approche de deep learning et comment gérer les diverses équipes dotées de compétences plus techniques qui devront être assemblées pour les résoudre.