Le Machine learning et le Deep learning optimisent les données des entreprises

De nombreuses entreprises constatent des avantages mesurables des déploiements de l’IA selon une étude de McKinsey. Certains professionnels indiquent même une augmentation des revenus supérieure à 10 %. L’impact est surtout positif dans les domaines du marketing et des ventes, du développement de produits et de services et enfin de la gestion de la chaîne d’approvisionnement.

Sous-catégories de l’IA, le machine learning et le deep learning sont très prometteurs. La première sert à faire des prévisions, de la classification et de la segmentation automatiques en exploitant des données en général multidimensionnelles. Le machine learning relève donc d’une approche probabiliste.

Cette solution est notamment utilisée par EasyJet pour optimiser la vente de produits à bord des avions, surtout les boissons et repas. La compagnie exploite des techniques de machine learning de prévision de la quantité de produits à embarquer en fonction de divers paramètres comme la météo et les caractéristiques du vol (de jour, de nuit).

Un temps de latence

De son côté, le deep learning permet d’aller plus loin que le machine learning pour reconnaître des objets complexes comme les images, l’écriture manuscrite, la parole et le langage. Le deep learning exploite des réseaux de neurones multicouches, sachant qu’il en existe de très nombreuses variantes.

« Le ML et le DL sont disséminés dans de multiples applications. Mais il faut faire la part des choses entre ce qui existe et ce qui est déployé à grande échelle. Beaucoup de solutions potentielles ne sont pas forcément intégrées à grande échelle, car cela prend du temps. Comme toute nouvelle technologie, il y a un temps de latence et par ailleurs, la mise au point des modèles d’entraînement de machine learning et de deep learning génère des allers et retours plus longs que la correction de bugs classique », explique Olivier Ezratty, consultant et auteur spécialisé dans les technologies numériques.

Ces allers et retours sont logiquement plus nombreux lorsqu’il s’agit de projets très complexes qui nécessitent d’intégrer de nombreuses données disparates à structurer et nettoyer. C’est le cas notamment du projet de prédiction des retards et d’information voyageurs associés expérimenté à la SNCF en 2019, s’appuyant sur du machine learning et des données d’entraînement.

Le machine learning et le deep learning n’apparaissent pas dans des solutions magiques ; ils sont disséminés dans un très grand nombre d’applications et qui sont utiles. Agissant de façon invisible pour l’utilisateur (combien de personnes savent par exemple que les selfies s’appuient sur l’IA…), le ML et le DL sont principalement déployés dans trois grandes catégories.

« Le DL est surtout déployé dans l’imagerie. Dès qu’il y a des images à analyser, il y a des applications déployées à grande échelle, que ce soit pour des usages grand public ou professionnels. Par exemple, le contrôle qualité dans une usine est réalisé par du DL avec une caméra. Le DL a amélioré la fiabilité des détections par rapport aux techniques antérieures qui s’appuyaient sur du machine learning », indique Olivier Ezratty.

Pas de miracles

Ainsi, pour l’inspection des lignes à haute tension et des caténaires avec des drones ou des caméras, EDF et la SNCF s’appuient sur du deep learning.

La seconde famille de solutions largement déployées est le traitement du langage, notamment dans les chatbots afin d’améliorer l’expérience client, les enceintes vocales, les smartphones et des solutions professionnelles (analyse de la jurisprudence avec des moteurs de recherche spécialisés par exemple).

« Mais beaucoup de solutions de traitements du langage sont survendues. Cela fonctionne mieux en anglais, car la majorité des développeurs parlent cette langue et les contenus d’entraînement y sont les plus abondants, mais dès que l’on passe au français qui est une langue plus ambiguë, les résultats sont moins bons, notamment dans le speech-to-text [convertit la voix en texte, NDLR] », constate Olivier Ezratty.

Le troisième domaine dans lequel le machine learning est largement déployé est celui des données structurées (mélangeant du texte et des données chiffrées). Il peut s’agir des logs de n’importe quelle machine ou de serveurs pour, par exemple, analyser des failles de sécurité ou des défaillances dans le réseau d’une entreprise. La maintenance préventive des ascenseurs fait ainsi appel au machine learning chez les grands ascensoristes du marché tels que Kone, Otis et Schindler.

Dans le domaine de la finance et de la comptabilité, des applications de machine learning sont utilisées pour détecter des anomalies ou des fraudes, et automatiser tout ou une partie d’un audit.

Mais il ne faut pas non plus attendre de miracles de ces technologies. « Il faut répondre à certaines problématiques éthiques et s’assurer que les données alimentant ces systèmes ne génèrent pas des biais », indique Olivier Ezratty.