Technologies

L’intelligence artificielle: du mythe à la rentabilité

par Antoine Maison, Consultant, Big Data & Data Science Expert chez Itecor

Comme toute révolution technique, l'intelligence artificielle suscite des inquiétudes et le rejet de certains. Les exemples montrent que son introduction est aujourd'hui parfaitement réalisable à condition de déconstruire certains mythes et d'accompagner ces projets der manière réfléchie.

(Source: ©Tierney - stock.adobe.com)
(Source: ©Tierney - stock.adobe.com)

L’intelligence artificielle est associée à de nombreux mythes anxiogènes dans la littérature et le cinéma. De nos jours, le mythe laisse place à la réalité où nous côtoyons déjà de nombreuses intelligences artificielles visibles comme Siri, les systèmes de recommandations ou systèmes prédictifs. Ces technologies offrent de multiples opportunités qui, comme dans tout changement, s’accompagnent d’inquiétudes. La question est de savoir comment dépasser ces interrogations et réussir l’implémentation de ces innovations dans ses processus métier pour être plus compétitif.

L’IA a d’ailleurs déjà permis d’obtenir de formidables gains de productivité dans de nombreux domaines comme l’industrie, l’e-commerce, le transport, la banque et l’assurance, y compris de la part d’entreprises suisses. Ainsi, un opérateur mobile prédit les pannes d’équipements réseaux pour réduire l’insatisfaction de ses clients et optimiser le détachement de ses techniciens. Cela aboutit à des gains aussi bien d’efficacité, de qualité et d’image de marque. Dans un autre domaine, grâce aux Big Data, une assurance suisse a réduit son risque en calculant de manière plus juste le prix de ses contrats. Ceci en intégrant des données externes non-structurées avec ses données internes.

 

Déconstruisez les nouveaux mythes!

Une fois évacuées les craintes relatives à l’IA, de nouveaux mythes apparaissent chez les entreprises. L’intelligence artificielle ne serait pas rentable et trop chère, elles nécessiterait un énorme volume de données et des compétences très pointues et son fonctionnement manquerait de transparence. Il s’agit là aussi de déconstruire ces a priori.

Pas exploitable? Les processus d’idéation et d’évaluation sont des étapes clés pour réussir l’implémentation. Le but ici est d’éviter l’écueil des proof-of-concept uniquement techniques qui ne se révèlent ni rentables ni exploitables.

Trop cher? Les IA ou les Big Data sont trop souvent associés à des modèles opérationnels trop coûteux et des infrastructures trop lourdes, cela n’est plus vrai! Les outils sont maintenant variés et matures pour répondre à l’exigence de rentabilité de l’ensemble des besoins et permettre une mise en production rapide.

Pas assez de données? La disponibilité ou la qualité des données sont des sources de blocages pour le démarrage d’un projet. Ce n’est pas toujours vrai qu’un volume important de données doit être disponible et structuré pour implémenter ces outils. Des petites itérations permettent des «quick-win» profitables et ainsi justifier un travail plus important sur la gestion des données pour rentrer dans un cercle vertueux.

Pas de compétences disponibles? Ces technologies se sont largement démocratisées, les experts ne se trouvent plus uniquement dans les laboratoires de Google ou d’Amazon mais sont maintenant accessibles localement. Ils accompagnent tous types de sociétés pour qu’elles tirent profit elles aussi de ces innovations.

Opaque et peu fiable? Certes nouvelles, ces technologies n’échappent pas au besoin d’agilité et de qualité. Les méthodes éprouvées de gestion de projets doivent s’appliquer et s’adapter. Notamment pour faire converger l’expertise du test avec celles des Big Data pour répondre aux standards élevés de qualités actuels. Libéré de ces mythes, prenez en main ces innovations et devenez un de ces acteurs à succès!

Webcode
DPF8_95681