Bienvenue à la première partie de ma série de blogs en trois parties : l’IA pratique, tout ce que vous devez savoir.
Vous avez peut-être remarqué que les récentes avancées en matière d’IA ont été partagées ad nauseam sur les médias sociaux et les blogs technologiques. Avec toutes les informations qui circulent, il est difficile de faire le tri dans les détails pour bien saisir les éléments pratiques du sujet et savoir ce que cela peut signifier pour votre entreprise. Dans cette série en trois parties, je vais vous réintroduire au domaine de l’IA, explorer les différences entre l’apprentissage automatique et l’optimisation des décisions, et discuter de la façon d’appliquer des méthodologies d’IA de pointe dans votre entreprise.
Commençons par quelques définitions.
L’IA peut être divisée en deux sous-catégories : l’IA générale et l’IA étroite. L’IA générale fait référence à la capacité d’un système à comprendre ou à apprendre n’importe quelle tâche intellectuelle qu’un humain peut effectuer. À ce jour, on estime que l’IA générale n’existera pas avant plusieurs décennies et qu’elle n’est qu’une source d’inspiration pour la science-fiction. L’IA étroite, quant à elle, est la description d’un système qui a été créé pour traiter une tâche singulière ou limitée. Un exemple d’IA étroite est le filtre anti-spam de votre messagerie électronique : il est conçu pour analyser le texte de vos courriels entrants et utiliser ces informations pour déterminer si ce nouveau courriel est ou non un spam. Vous ne demanderiez pas, par exemple, à ce filtre anti-spam de vous réserver une table dans votre restaurant préféré, car les tâches qu’il peut effectuer sont limitées. À moins de discuter de questions philosophiques futures, les auteurs font presque certainement référence à une IA étroite lorsqu’ils mentionnent l’IA.
Super, nous parlons d’IA étroite – et ensuite ?
L’IA étroite peut être décomposée en approches typiques pour réaliser cette intelligence.
L’apprentissage automatique, par exemple, est un sous-ensemble de l’IA qui utilise la modélisation statistique pour permettre aux machines d’apprendre à partir de données. La beauté de l’apprentissage automatique est que le créateur du système n’a pas besoin de coder des connaissances dans le système, le système apprendra les éléments nécessaires à sa tâche à partir des données elles-mêmes. On trouve des applications de l’apprentissage automatique dans la détection des fraudes, les moteurs de recommandation de produits, la traduction des langues et les voitures autonomes, pour n’en citer que quelques-unes.
Qu’en est-il du Deep Learning ?
L’apprentissage profond, peut-être le mot le plus tendance de la dernière décennie dans le domaine de la technologie, est un sous-ensemble de l’apprentissage automatique. Bien que l’on en parle souvent de manière interchangeable avec l’apprentissage automatique, il a une définition technique très spécifique. Les créateurs de l’apprentissage profond se sont inspirés d’une conception imparfaite de la façon dont notre cerveau réagit aux informations et ont tenté de créer un modèle mathématique semblable, rempli de noyaux interconnectés, pour lui faire apprendre des tâches complexes. Bien que sa genèse repose sur une hypothèse erronée, l’apprentissage profond a fait des vagues au cours des 20 dernières années en raison de son succès dans l’exécution de tâches courantes impliquant des données d’images et de langage naturel avec des performances similaires aux humains.
Tout cela est bien beau, mais comment cela peut-il aider mon entreprise ?
L’IA pratique réside dans l’art de faire des prédictions. Si vous pouvez formuler votre problème commercial en termes de tâche prédictive, il y a une forte chance que l’IA puisse l’accomplir. Que faire si je veux prédire mes ventes du prochain trimestre ? Ou prédire si l’un de mes clients est victime d’une fraude ? Ou prédire s’il y a des produits défectueux sur ma chaîne de montage ? L’IA est là pour vous aider. Pour tirer profit de l’IA, vous devez commencer par identifier le problème commercial que vous souhaitez résoudre, puis définir les résultats que vous souhaitez obtenir. L’étape suivante consiste à fixer un rendez-vous avec une équipe de scientifique des données expérimentée pour régler les détails.
Oliver est un consultant senior en science des données qui aide les clients à maximiser la valeur des données d’entreprise. Après avoir obtenu un baccalauréat en génie mécanique de l’Université McGill, il a poursuivi ses études à l’Institut de technologie de Géorgie dans le cadre de leur programme de maîtrise en sciences analytiques. Depuis lors, il se concentre sur la fourniture de solutions de science des données prêtes à être mises en production dans des domaines tels que la fabrication, l’ingénierie, la finance et la vente au détail.
