Ne croyez pas le battage médiatique sur l'IA dans les affaires
Publié: 2018-03-25Même si les systèmes d'IA peuvent désormais apprendre un jeu et battre des champions en quelques heures, ils sont difficiles à appliquer aux applications métier
Pour emprunter une réplique du professeur de Duke Dan Ariely, l'intelligence artificielle est comme le sexe chez les adolescentes :
"Tout le monde en parle, personne ne sait vraiment comment le faire, tout le monde pense que tout le monde le fait, alors tout le monde prétend qu'il le fait."
Même si les systèmes d'IA peuvent désormais apprendre un jeu et battre des champions en quelques heures, ils sont difficiles à appliquer aux applications métier.
MIT Sloan Management Review et Boston Consulting Group ont interrogé 3 000 dirigeants d'entreprise et ont constaté que si 85 % d'entre eux pensaient que l'IA fournirait un avantage concurrentiel à leur entreprise, seul un sur 20 l'avait « largement » intégrée dans ses offres ou ses processus. Le défi est que la mise en œuvre de l'IA n'est pas aussi simple que l'installation d'un logiciel. Cela nécessite une expertise, une vision et des informations qui ne sont pas facilement accessibles.
Lorsque vous regardez des applications bien connues de l'IA comme AlphaGo Zero de Google, vous avez l'impression que c'est magique : l'IA a appris le jeu de société le plus difficile au monde en seulement trois jours et a battu des champions. Pendant ce temps, l'IA de Nvidia peut générer des images photoréalistes de personnes qui ressemblent à des célébrités simplement en regardant des photos de vrais.
AlphaGo et Nvidia ont utilisé une technologie appelée réseaux antagonistes génératifs, qui oppose deux systèmes d'IA pour leur permettre d'apprendre l'un de l'autre. L'astuce était qu'avant que les réseaux ne se battent, ils recevaient beaucoup de coaching. Et, plus important encore, leurs problèmes et leurs résultats étaient bien définis.
Cependant, la plupart des problèmes commerciaux ne peuvent pas être transformés en jeu ; vous avez plus de deux joueurs et pas de règles claires. Les résultats des décisions commerciales sont rarement une victoire ou une perte claire, et il y a beaucoup trop de variables. Il est donc beaucoup plus difficile pour les entreprises de mettre en œuvre l'IA qu'il n'y paraît.
Recommandé pour vous:
Comment Metaverse va transformer l'industrie automobile indienne
Que signifie la disposition anti-profit pour les startups indiennes ?
Comment les startups Edtech aident la main-d'œuvre indienne à se perfectionner et à se préparer pour l'avenir...
Stocks technologiques de la nouvelle ère cette semaine : les problèmes de Zomato continuent, EaseMyTrip publie des...
Les startups indiennes prennent des raccourcis à la recherche de financement
La plate-forme de marketing numérique Logicserve met en sac un financement INR 80 Cr et se rebaptise LS Dig ...
Les systèmes d'IA d'aujourd'hui font de leur mieux pour imiter le fonctionnement des réseaux de neurones du cerveau humain, mais ils le font de manière très limitée. Ils utilisent une technique appelée apprentissage en profondeur, qui ajuste les relations d'instructions informatiques conçues pour se comporter comme des neurones. Pour le dire simplement, vous dites à une IA exactement ce que vous voulez qu'elle apprenne et lui fournissez des exemples clairement étiquetés, et elle analyse les modèles de ces données et les stocke pour une application future. La précision de ses modèles dépend des données, donc plus vous lui donnez d'exemples, plus il devient utile.
C'est là que réside un problème : une IA est aussi bonne que les données qu'elle reçoit. Et il est capable d'interpréter ces données uniquement dans les limites étroites du contexte fourni. Il ne « comprend » pas ce qu'il a analysé, il est donc incapable d'appliquer son analyse à des scénarios dans d'autres contextes. Et il ne peut pas distinguer la causalité de la corrélation. L'IA ressemble plus à une feuille de calcul Excel sous stéroïdes qu'à un penseur.
La plus grande difficulté à travailler avec cette forme d'IA est que ce qu'elle a appris reste un mystère - un ensemble de réponses indéfinissables aux données. Une fois qu'un réseau de neurones est formé, même son concepteur ne sait pas exactement comment il fait ce qu'il fait. Comme l'explique Gary Marcus, professeur à l'Université de New York, les systèmes d'apprentissage en profondeur ont des millions, voire des milliards de paramètres, identifiables par leurs développeurs uniquement en termes de géographie au sein d'un réseau neuronal complexe. Ils sont une «boîte noire», disent les chercheurs.
Parlant des nouveaux développements d'AlphaGo, le PDG de Google/DeepMind, Demis Hassabis , aurait déclaré : « Il ne joue pas comme un humain, et il ne joue pas comme un programme. Il joue d'une troisième manière, presque extraterrestre.
Les entreprises ne peuvent pas se permettre que leurs systèmes prennent des décisions extraterrestres. Ils sont confrontés à des exigences réglementaires et à des problèmes de réputation et doivent être en mesure de comprendre, d'expliquer et de démontrer la logique qui sous-tend chaque décision qu'ils prennent.
Pour que l'IA soit plus utile, elle doit être capable d'avoir une vue d'ensemble et d'inclure beaucoup plus de sources d'informations que les systèmes informatiques qu'elle remplace. Amazon est l'une des rares entreprises à avoir déjà compris et mis en œuvre efficacement l'IA pour optimiser pratiquement toutes les parties de ses opérations, de la gestion des stocks et de l'exploitation des entrepôts à l'exploitation des centres de données.
Dans la gestion des stocks, par exemple, les décisions d'achat sont traditionnellement prises par des personnes expérimentées, appelées acheteurs, département par département. Leurs systèmes leur montrent les niveaux de stock par magasin, et ils utilisent leur expérience et leur instinct pour passer des commandes. L'IA d'Amazon consolide les données de tous les départements pour voir les grandes tendances et les relie aux données socio-économiques, aux demandes du service client, aux images satellites des parkings des concurrents, aux prévisions de The Weather Company et à d'autres facteurs. D'autres détaillants font certaines de ces choses, mais aucun aussi efficacement qu'Amazon.
Ce type d'approche est également à la base d'Echo et d'Alexa , les appareils électroménagers à commande vocale d'Amazon. Selon Wired, en réunissant toutes ses équipes de développement et en faisant de l'apprentissage automatique une priorité de l'entreprise, Amazon résout un problème que rencontrent de nombreuses entreprises : des îlots de données déconnectés. Les données d'entreprise sont généralement stockées dans des ensembles de données disjoints dans différents systèmes informatiques. Même lorsqu'une entreprise dispose de toutes les données nécessaires à l'apprentissage automatique, elles ne sont généralement pas étiquetées, à jour ou organisées de manière utilisable. Le défi consiste à créer une grande vision de la façon de rassembler ces ensembles de données et de les utiliser de nouvelles façons, comme l'a fait Amazon.
L'IA progresse rapidement et facilitera sûrement le nettoyage et l'intégration des données. Mais les chefs d'entreprise devront encore comprendre ce qu'il fait vraiment et créer une vision pour son utilisation. C'est alors qu'ils verront les grands avantages.
Ce message est apparu pour la première fois sur wadhwa.com et a été reproduit avec permission.