Magazine|septembre 18, 2019

Magazine - Interview : Regard d’Expert sur l'Intelligence Artificielle 

Les créateurs de Matrix se sont inspirés de sa vie. Il est poursuivi par le futur parce qu’il est le seul en mesure de contrer Skynet. Lui, c’est Jérémie Jakubowicz, Chief Data Officer chez Veepee (ex Vente-privée) depuis deux ans, après trois ans en tant que tête pensante du projet Teralab Platform d’IMT et six dans le rôle du savant-fou à l’Institut Mines-Télécom de Paris. Un profil hors-norme pour une question brûlante : votre chatbot a-t-il oui ou non des projets de domination mondiale ?

Téléchargez l’intégralité de notre magazine dédiés aux experts UX et retrouvez tout les interviews:


Il y a beaucoup de fantasmes autour de l’Intelligence Artificielle, mais concrètement où en est-on aujourd’hui ?

Aujourd’hui, l’état le plus avancé se retrouve du côté des véhicules autonomes et de la compréhension de la parole et de l’écrit. Ce sont vraiment les usages à l’avant poste de l’innovation en termes d’I.A. 

À l’opposé, nous ne sommes clairement pas prêts à gérer l’émotion ou la créativité. Par exemple, savoir quels vêtements vont bien ensemble à partir d’un visuel est encore hors de portée.

 

Tous les fantasmes d’une I.A avec du goût, de la sensation, du jugement, c’est n’est donc pas encore d’actualité ?

Oui, totalement. Les seules exceptions sont les jugements « bas niveaux », comme la perception de la qualité d’une image ou d’une vidéo. Une I.A est capable d’évaluer en temps réel la qualité d’une image, de dire si elle est floue, pixelisée, mais c’est à peu près tout. Pour des analyses de haut-niveau, on est loin, très loin. Et personne ne peut dire si l’on est à 10, 50 ou 100 ans d’une telle technologie.

“ Pour des analyses de haut-niveau, on est loin, très loin. Et personne ne peut dire si l’on est à 10, 50 ou 100 ans d’une telle technologie. ”

 

Donc l’I.A permet juste aujourd’hui d’accélérer la volumétrie de calcul ?

Un peu plus que ça quand même ! Il y a un outil qui a fait des progrès hallucinant depuis 20 ans, c’est le machine learning supervisé. Le machine learning supervisé, c’est prendre des bases de données de millions d’exemples, en entrée, et d’y insérer un mapping, d’y indiquer ce qu’il y a dans les exemples, pour que l’IA « apprenne » à identifier les éléments, en sortie. Par exemple, cette image comporte un t-shirt ici, une tomate là, une voiture… Une fois des millions de données traitées par l’IA, les résultats sont aussi bons, voire meilleurs, que l’humain.

 

L’IA ne peut pas apprendre d’elle-même ?

C’est ce qu’on appelle le machine learning non supervisé, sans exemple de sortie (mapping), et il est pour l’instant très limité. Spécialement lorsqu’on demande à l’IA de donner du sens à des comportements clients sans préciser ce que l’on cherche à l’avance — ce qu’un humain ferait par intuition, sur la base de grands principes, et ce dont une machine est incapable.

En fait, la grande difficulté, c’est de donner à l’IA une certaine « hauteur de vue ». Notamment lorsque l’on veut comprendre l’I.A, et savoir pourquoi elle agit de telle ou telle sorte. Nous sommes face à des choix (mathématiquement) optimaux, qui découlent de l’analyse de données granulaires, mais aucun grand principe n’est utilisé ni produit. Après tout, pourquoi prendre de la hauteur (et tirer des « grands principes ») si elle peut tout calculer ?

 

“ En fait, la grande difficulté, c’est de donner à l’IA une certaine « hauteur de vue ». Notamment lorsque l’on veut comprendre l’I.A, et savoir pourquoi elle agit de telle ou telle sorte. ” 

 

Chez Veepee, quelles sont alors les utilisations et les apports de l’IA ?

Chez nous, l’I.A va être beaucoup utilisée tant sur le cœur de métier que les fonctions supports. Je pense notamment à la personnalisation de parcours, à l’optimisation de l’expérience utilisateur, aux résultats du moteur de recherches, à l’enrichissement automatique du contenu… Nous avons également mis en place une prédiction des flux pour la supply chain. Côté support, les équipes finances et support clients vont aussi utiliser l’I.A au quotidien.

 

Un exemple concret ?

Nous avons par exemple une technologie de Smart Remerchandising, qui présente de très belles performances. Nos équipes arrivent à réordonner automatiquement les produits pour accélérer ou ralentir la vente de produits en fonction de leur écoulement.

 

Existe-il des best practices à suivre pour l’utilisation de l’IA dans une entreprise ?

Le premier conseil que je pourrais donner, c’est d’utiliser des outils sur étagère, comme Contentsquare, Dataiku, Datarobot. C’est toujours très compliqué de se lancer dans le développement de technologies d’I.A “in-house”. Actuellement, il existe un portfolio impressionnant d’outils I.A sur étagère qui rendent plus agiles les équipes et réduisent le time-to-market des produits.

Une fois l’entreprise assez mature, elle peut commencer à développer des solutions IA in-house. Mais attention ! Il faut penser les équipes I.A avant tout comme des équipes produit, avec les rôles que cela implique pour mettre en production. Pas seulement des data scientists donc, mais aussi des data engineers, et des compétences métier.

 

Et des écueils à éviter ?

Oui, il y en a quelques-uns ! Le principal écueil, c’est de ne pas passer le mur de la production et d’en rester au stade du développement. Beaucoup d’entreprises démarrent des POCs (Proof of Concept), et certains de ces POCs montrent des résultats prometteurs. Pour autant, peu intègrent les systèmes en production. Une des raisons, c’est que les équipes en charge de la production n’ont pas été impliquées suffisamment tôt dans le processus. Ainsi, les entreprises se retrouvent avec des projets où plusieurs choix structurants ont été faits sans prendre en compte les contraintes de la production !

Il existe également d’autres obstacles assez fréquents, comme une mauvaise priorisation des sujets I.A ou une organisation inadaptée à leurs spécificités. Les ressources humaines sont aussi à surveiller de près : j’ai souvent vu des projets I.A très prometteurs ralentis par une sous-estimation de la difficulté à recruter et retenir les talents, ou un ratio data engineers / data scientists trop faible. Enfin, n’oublions pas que l’implication de la part du comité est capitale, que ce soit du côté du sponsorship des projets ou de leur arbitrage.

Derrière des petits yeux tristes et tout mignons se cache en réalité la fin de l’espèce humaine et l’avènement des machines. On vous aura prévenu.

 

 

Retrouvez le magazine de l'expérience digitale
2020 dans toute son intégralité !
Télécharger le magazine
Auteur
Pierre Sommer

Pierre fait partie l'équipe Marketing de Contentsquare. Il aime l'UX, les blogs, et les blogs sur l'UX.

data benchmark
Voyez votre classement