Un guide sur l'intelligence artificielle et l'apprentissage automatique

Les défis et opportunités pour les entreprises

Il ne fait aucun doute que l’intelligence artificielle (IA) représente une énorme opportunité pour les entreprises. Gartner prédisent que l'économie mondiale de l'IA devrait atteindre environ 3,9 billions de dollars d'ici 2022. Les entreprises se rallient, 82% des entreprises interrogées dans une étude réalisée par Deloitte, affirmant qu'ils avaient obtenu un retour sur investissement financier grâce à l'IA.

Ce guide vise à explorer certains des risques, défis et opportunités pour les entreprises dans un monde de plus en plus façonné par l'IA.

Quelle est la différence entre l'intelligence artificielle et l'apprentissage automatique?

Qu'est-ce que l'intelligence artificielle (IA)?

Selon Gartner, L'IA applique des techniques avancées d'analyse et de logique, y compris l'apprentissage automatique, pour interpréter les événements, soutenir et automatiser la prise de décision et prendre des mesures. En substance, le concept d’IA se concentre sur le fait de permettre aux systèmes informatiques de penser et d’agir de manière plus «humaine», en apprenant et en répondant aux vastes quantités d’informations qu’ils peuvent utiliser.

L'IA transforme déjà notre vie quotidienne. Des fonctionnalités d'IA de nos smartphones, telles que les assistants intelligents intégrés, au contenu et aux recommandations organisés par l'IA sur nos flux de médias sociaux et nos services de streaming.

Qu'est-ce que l'apprentissage automatique?

Comme son nom l'indique, l'apprentissage automatique est basé sur l'idée que les systèmes peuvent apprendre des données pour automatiser et améliorer la façon dont les choses sont faites – en utilisant des algorithmes avancés (un ensemble de règles ou d'instructions) pour analyser les données, identifier des modèles et prendre des décisions et des recommandations. basé sur ce qu'ils trouvent.

L'apprentissage automatique est un sous-ensemble de l'IA, tout comme l'apprentissage en profondeur ou les réseaux de neurones, pas quelque chose de différent. Ce sont tous des algorithmes.

---

«Les gens disaient que l’information, c’est le pouvoir, mais ce n’est plus le cas. C’est l’analyse des données – l’utilisation des données, leur exploration – c’est le pouvoir.  »

---

Intelligence artificielle contre apprentissage automatique

Les termes intelligence artificielle et apprentissage automatique sont souvent utilisés de manière interchangeable, mais il est plus précis de considérer l'apprentissage automatique comme un catalyseur clé de l'IA. Daniel Faggella, Responsable de la recherche chez Emerj, la société de recherche et de conseil en IA, suggère qu’il est utile de voir l’IA comme «l’objectif plus large de l’intelligence artificielle et de l’apprentissage automatique en tant que méthodes scientifiques spécifiques actuellement en vogue pour la construction de l’IA».

Qu'est-ce que le machine learning «supervisé»?

Algorithmes d'apprentissage automatique supervisés sont conçus pour apprendre par l'exemple. Le nom vient du concept selon lequel la formation de ce type d'algorithme revient à demander à un enseignant de superviser l'ensemble du processus.

Qu'est-ce que le machine learning «non supervisé»?

L'apprentissage automatique non supervisé élargit la portée de l'IA, permettant aux algorithmes d'analyser des ensembles de données non étiquetés et d'identifier tous les modèles qu'il peut trouver, vous offrant ainsi de nouvelles informations sur la richesse des connaissances cachées dans vos données. De nombreux experts en IA considèrent l'apprentissage automatique non supervisé comme un moteur clé de l'IA. Comme Yinglian Xie de DataVisor suggère «UML élimine les limites des connaissances préexistantes ou des préjugés humains, et permettra donc des informations jamais auparavant possibles.»

Qu'est-ce que l'apprentissage automatique par «renforcement»?

L’apprentissage par renforcement développe de plus en plus l’IA avec des capacités «humaines». L'un des exemples les plus connus est AlphaGo de DeepMind, un programme informatique qui a battu le champion du monde à Go, un célèbre jeu de société complexe et intuitif, en 2017. Essentiellement, AlphaGo a appris de ses erreurs encore et encore jusqu'à ce qu'il comprenne comment jouer comme un humain et prendre les bonnes décisions pour gagner le match.

C'est cette capacité d'auto-apprentissage par essais et erreurs qui place l'apprentissage par renforcement au cœur des technologies d'IA comme la robotique et l'automatisation, ainsi que des applications d'IA du monde réel, telles que l'agriculture de précision, les véhicules autonomes et le type de client ultra-personnalisé. expérience associée à certaines entreprises de vente au détail en ligne, y compris des recommandations et des publicités ciblées.

Pour permettre aux algorithmes d'apprendre de leurs erreurs, l'apprentissage par renforcement utilise le renforcement positif, en évaluant positivement les décisions qui rapprochent l'algorithme de son objectif.

Les principales organisations de science des données et d'IA comme L'Institut Alan Turing, considérez l'apprentissage par renforcement comme un élément central de l'apprentissage automatique adaptatif en temps réel, dans lequel l'application d'IA doit interagir avec la grande quantité de données qu'elle recueille de son environnement en continu, afin d'apprendre et de remplir sa fonction.

Superintelligence

Au fur et à mesure que la capacité de l'IA se développe, ses avantages et ses risques potentiels en matière de transformation évoluent également. le Centre d'étude des risques existentiels (CSER) à l'Université de Cambridge, impliquant des technologues, des universitaires et des décideurs, considère l'IA comme une ouverture vers de nouvelles découvertes scientifiques, des produits et services meilleur marché et de meilleure qualité et des progrès médicaux. Mais ils explorent également les risques possibles.

À court terme, les préoccupations autour de l'IA se concentrent souvent sur la confidentialité, les préjugés, les inégalités, la sûreté et la sécurité, mais le CSER se concentre également sur l'idée de superintelligence. À l'heure actuelle, l'IA est conçue pour des applications «étroites» spécifiques. Par exemple, AlphaGo a été conçu pour maîtriser l'art du Go. Mais à mesure que l'IA apprend et s'adapte de manière plus générale, en dehors des applications spécifiques, elle pourrait devenir superintelligente ou supérieure aux performances humaines dans de nombreux ou presque tous les domaines.

Bien que le CSER pense que la superintelligence pourrait être utilisée de manière positive, il craint également qu'elle ne magnifie considérablement le type de problèmes de sécurité et de cybersécurité auxquels le monde est confronté aujourd'hui.

L'histoire de l'apprentissage automatique

Comment le machine learning s'est développé – tendances au fil du temps

Bien que la superintelligence ressemble toujours à de la science-fiction pour beaucoup, le concept d'apprentissage automatique existe en fait depuis plus de 60 ans. L'idée que les systèmes informatiques pourraient apprendre par eux-mêmes est attribuée à Arthur Samuel qui a utilisé pour la première fois le terme d'apprentissage automatique lorsqu'il a développé le programme Samuel Checkers-play chez IBM, l'un des premiers programmes d'auto-apprentissage à succès au monde.

Big Data et Internet des objets

Innovations successives, de l'arrivée d'Internet, à la montée en puissance Big Data, l'Internet des objets (IoT) et l'Internet industriel des objets (IIoT), ont permis à l'apprentissage automatique de se développer de manière exponentielle – donnant aux systèmes informatiques une profondeur et une ampleur de données toujours plus grandes.

Réseaux de neurones profonds et apprentissage en profondeur

Les réseaux de neurones artificiels, inspirés des réseaux de neurones biologiques dans le cerveau des animaux, permettent aux systèmes informatiques d'apprendre à partir de données, plutôt que d'avoir besoin d'être programmés. La profondeur croissante des réseaux de neurones multicouches a conduit au développement de réseaux de neurones profonds et d'un apprentissage en profondeur, permettant des avancées telles que la reconnaissance de la parole et des images et le traitement du langage naturel.

Alors que Google Cloud explore dans Une histoire de l'apprentissage automatique, le premier réseau de neurones artificiels a été créé en 1943, lorsqu'un neurophysiologiste et un mathématicien ont modélisé un réseau de neurones avec des circuits électriques, pour illustrer le fonctionnement des neurones humains. Les informaticiens ont commencé à appliquer l'idée à leur travail dans les années 1950 et, en 1959, l'Université de Stanford avait utilisé le concept pour résoudre un problème du monde réel et supprimer les échos sur les lignes téléphoniques.

Où ira l'apprentissage profond ensuite?

Anima Anandkumar, Bren Professor chez Caltech et Directrice de ML Research chez Nvidia, estime que la prochaine décennie se concentrera sur l'avancement de l'environnement d'apprentissage en profondeur au sens large. Par exemple, en développant un apprentissage actif en profondeur et un apprentissage humain dans la boucle, où la collecte de données intelligente fait partie de la boucle de rétroaction de l'apprentissage automatique, aux côtés de l'auto-supervision pour l'apprentissage semi-supervisé. Les modèles hybrides d'apprentissage en profondeur continueront également à se développer, où l'apprentissage en profondeur est combiné avec d'autres cadres tels que le raisonnement symbolique ou causal.

IA et apprentissage automatique – tendances à surveiller

Mariya Yao, CTO de Metamaven et co-auteur de «Applied Artificial Intelligence» inclut le traitement du langage naturel (PNL), l'IA conversationnelle comme les chatbots et la vision par ordinateur parmi les tendances de développement que les entreprises de toutes tailles devraient surveiller.

Traitement du langage naturel

La PNL est la technologie derrière de nombreux fonctionnalités en ligne nous tenons maintenant pour acquis, y compris les recherches en ligne et les boîtes de discussion sur les sites Web. Une gamme de modèles de langage pré-formés qui peuvent être affinés à des fins spécifiques a rendu la PNL plus simple et plus abordable que jamais, la recherche se concentrant désormais sur la manière dont la linguistique et les connaissances peuvent être utilisées pour améliorer les performances.

IA conversationnelle

Google a développé un agent conversationnel appelé Meena qui peut discuter de tout – contrairement aux chatbots traditionnels qui sont généralement conçus dans un but précis. En plus de rendre les conversations de chatbot plus «humaines», Meena représente le potentiel de l'IA conversationnelle pour aider les entreprises à collecter des données conversationnelles précieuses sur les préférences des clients, par exemple. Ce qui, à son tour, vous aidera à améliorer l'expérience client, y compris l'expérience client offerte par les chatbots.

Vision par ordinateur

La vision par ordinateur permet aux systèmes d’IA de «voir» comme les humains et la technologie progresse rapidement à mesure que l’apprentissage en profondeur et les réseaux de neurones artificiels se développent. Dans certains cas, vision par ordinateur peut surpasser le système cognitif visuel humain lorsqu'il s'agit d'identifier des modèles à partir d'images, en utilisant des réseaux de neurones convolutifs formés pour numériser des images pixel par pixel. Au fur et à mesure que l'IA de vision par ordinateur apprend des données qu'elle mémorise, elle devient plus précise à chaque itération.

Nous sommes tous familiers avec l'IA de la vision par ordinateur en ce qui concerne le sous-titrage d'images sur les médias sociaux, par exemple, et la technologie fait progresser les progrès en matière de reconnaissance faciale, de biométrie, de véhicules autonomes, de diagnostic de santé et de fabrication entièrement automatisée, pour ne citer que cela. quelques-unes de ses nombreuses applications potentielles.

Cinq raisons pour lesquelles l'apprentissage automatique est important pour les entreprises

Dans la société d’aujourd’hui, nous laissons tous des empreintes numériques de plusieurs manières. Une étude récente de Aviva a constaté que la maison moyenne au Royaume-Uni possède plus de 10 appareils connectés à Internet, des téléviseurs intelligents aux thermostats télécommandés.

Ces empreintes offrent un aperçu de notre comportement et de nos goûts et dégoûts. Cette information a de la valeur pour tout le monde, si seulement vous pouvez comprendre ce que tout cela signifie. Et c'est là qu'interviennent l'intelligence artificielle, l'apprentissage automatique et les analyses avancées.

1.Apprentissage automatique: rendre possible l'impossible

L'analytique existe depuis des décennies. De nombreuses entreprises utilisent déjà des données et des analyses pour atteindre leurs objectifs stratégiques. Mais lorsque vous combinez l'analyse et l'apprentissage automatique, vous obtenez les capacités complexes dont les organisations d'aujourd'hui ont besoin pour relever les défis et tirer parti des opportunités. Il a le pouvoir de soutenir chaque KPI, d'enrichir n'importe quelle tâche ou de résoudre n'importe quel problème

2. Aider les entreprises à s'adapter et à réagir

L'apprentissage automatique permet aux entreprises d'adapter, de répondre et d'améliorer leurs produits, services et expériences client comme jamais auparavant, sur la base d'un flux continu de données révélant le comportement et les préférences des clients, maintenant et à l'avenir.

Mais les données ne doivent pas être exploitées, elles doivent être utilisées avec le client, avec ses besoins et ses désirs, au cœur de celui-ci. Il doit y avoir un objectif clair centré sur le client pour tout

3. Amélioration de l'expérience client

Grâce à l'apprentissage automatique et à l'analyse avancée, les entreprises peuvent prendre des décisions précises sur place. Les entreprises peuvent réagir rapidement. Plutôt que de pousser chaque produit ou service individuellement, il est possible de dire: « identifions le client, comprenons le client, puis prenons la décision. » Nous passons d'une approche de marque ou de produit à une approche centrée sur le client. Cela permet aux entreprises d'avoir des conversations informées, pertinentes et personnalisées avec leurs clients.

Par exemple, chez Experian, nous avons numérisé l'ensemble du parcours client lorsqu'il s'agit de demander un produit financier comme une carte de crédit ou un prêt hypothécaire. Nous avons également créé un moteur qui prend n'importe quel relevé bancaire et catégorise automatiquement les transactions, permettant aux organisations de calculer avec précision abordabilité en secondes. En plus de réduire les risques et d'ouvrir de nouvelles opportunités, la rapidité du processus signifie que les clients obtiennent une décision rapide.

4. Prévention de la fraude

L'apprentissage automatique est devenu un outil inestimable dans le lutte contre la fraude, en aidant les entreprises à passer de réactif à prédictif en mettant en évidence des attributs ou des relations suspects qui peuvent être invisibles à l'œil nu mais indiquent un modèle de fraude plus large.

La grande valeur de l'apprentissage automatique est le volume de données que vous pouvez analyser, mais il est essentiel de sélectionner les bonnes données et la bonne approche. Traditionnellement, les systèmes de détection de fraude basés sur l'apprentissage automatique ont utilisé l'apprentissage supervisé, qui incorpore des connaissances préalables sur les tactiques de fraude pour guider l'identification des modèles, car il est facile d'enseigner la machine une fois qu'il y a un objectif clair à apprendre.

De plus en plus, de nombreux systèmes utilisent également des techniques d'apprentissage automatique non supervisées pour augmenter leur précision, appelées modèles de détection d'anomalies. Ces modèles complètent l'apprentissage supervisé en recherchant des aberrations dans les modèles d'un flux de transaction. En combinant les deux ensemble, le système peut reconnaître les modèles antérieurs de fraude confirmée et déclencher l'alerte si un modèle d'activité change, augmentant les taux de détection de fraude et réduisant les faux positifs.

5. Comprendre les clients

L'apprentissage automatique vous aidera à voir ce que vous ne recherchiez pas. Contrairement aux solutions basées sur des règles comme la segmentation des clients par exemple, l'apprentissage automatique ne repose pas sur des hypothèses, il peut donc aider à éliminer la subjectivité et conduire à une prise de décision plus précise et nuancée.

S'assurer que l'apprentissage automatique ne reflète pas les préjugés humains, conscients et inconscients, est un débat et un défi continus pour la communauté de l'IA, avec des algorithmes d'apprentissage automatique conçus par des humains et apprenant du comportement humain.

L'apprentissage automatique dans le secteur des services financiers

Des recherches récentes du banque d'Angleterre révèle comment le secteur des services financiers utilise de plus en plus l'apprentissage automatique pour accroître son efficacité, son accessibilité et sa personnalisation – au bénéfice des entreprises et des clients.

De plus en plus d'entreprises utilisent l'apprentissage automatique dans plusieurs domaines d'activité, de manière plus approfondie. Il est le plus couramment utilisé dans la lutte contre le blanchiment d’argent, la détection des fraudes, les services à la clientèle et le marketing, mais un nombre croissant d’entreprises l’utilise dans la gestion du risque de crédit, la tarification et l’exécution des transactions, ainsi que la tarification et la souscription d’assurances.

Il est intéressant de noter que les obstacles les plus courants à l'apprentissage automatique sont d'ordre organisationnel, des problèmes informatiques hérités aux limitations des données. De nombreuses entreprises conçoivent et développent des applications d'apprentissage automatique en interne, mais d'autres s'associent à des fournisseurs tiers.

Un problème potentiel signalé par le rapport est que la plupart des entreprises appliquent leurs gestion des risques à l'apprentissage automatique, mais les entreprises sont conscientes que la gestion des risques dans ce domaine devra évoluer à mesure que l'apprentissage automatique devient de plus en plus sophistiqué.

IA, machine learning et IoT: les défis et opportunités pour les entreprises

Comme le suggère le rapport de la Banque d'Angleterre, l'apprentissage automatique est intrinsèquement lié aux données, les limites des données étant considérées comme un obstacle potentiel à l'adoption. Mais de plus en plus, l'IA et l'IoT permettent aux entreprises d'automatiser la collecte et l'interprétation des données. Plus nous utilisons plus d'appareils numériques, plus nous partageons d'informations avec les entreprises sur nos comportements et préférences.

Une bonne expérience client a toujours été la clé du succès, mais la personnalisation l'a amené à un autre niveau. À mesure que l'IA progresse et que des technologies telles que les chatbots deviennent capables de reconnaître les émotions et de naviguer dans des conversations complexes, par exemple, elle permettra aux organisations de collecter des données significatives à partir de chaque interaction client et de les comprendre en un instant.

Une étude récente de Futurum Research et logiciel SAS, a suggéré que la meilleure expérience client soit fournie par un partenariat entre l'IA et les humains, vous permettant d'optimiser la personnalisation et d'améliorer la fidélité et la satisfaction de la clientèle.

Apprentissage automatique et IA – considérations futures pour les entreprises

L'IA inaugure une nouvelle ère de données «intelligemment automatisées» avec l'apprentissage automatique capable d'améliorer de manière itérative la qualité des données à chaque mise à jour des données à mesure que de nouvelles sources sont ajoutées.

Fondamentalement, chaque utilisation de l'apprentissage automatique repose sur des données adaptées à votre objectif et votre stratégie de données devra tenir compte de la qualité de vos différentes sources de données et de la manière dont elles fonctionnent ensemble pour atteindre vos objectifs stratégiques.

À mesure que l'apprentissage en profondeur progresse, les experts prédisent que la collecte de données intelligente fera partie de la boucle de rétroaction de l'apprentissage automatique, améliorant ainsi la manière dont les modèles d'IA apprennent des informations qu'ils génèrent. De même, l'apprentissage profond hybride combinant différentes technologies, ainsi que des simulations de données synthétiques, ouvrira la voie à l'apprentissage automatique dans des environnements où les données sont limitées.

Confidentialité des données

Alors que nous partageons de plus en plus de données et d'informations sur nos comportements et préférences, il est important que les entreprises reconnaissent la nécessité de maintenir le rythme dans des domaines tels que la confidentialité des données et la gestion du consentement.

Nous sommes tous, dans une certaine mesure, à la fois favorables et sceptiques quant à ce qui peut être fait avec nos données. Beaucoup d'entre nous seront heureux de consentir à ce que nos données soient utilisées à une certaine fin, mais si cette fin perd de sa valeur au fil du temps, nous pouvons rapidement changer d'avis. Comment les avancées telles que l'IoT et l'IA Edge ont un impact gestion des risques devrait être une considération essentielle pour les entreprises, comme le reconnaît le rapport de la Banque d’Angleterre.

Le déficit de compétences

S'il est probable que l'automatisation basée sur l'IA puisse déplacer certains emplois, le paysage plus large de l'IA créera également de nouvelles opportunités. Exploiter les bonnes compétences est l'un des plus grands obstacles à l'adoption de l'IA par les entreprises, mais cela présente également une opportunité significative. Les organisations qui améliorent leurs compétences en matière de science des données, d'apprentissage automatique et analyses avancées, aux côtés des compétences créatives, sociales et émotionnelles associées à l'intelligence humaine, seront les plus aptes et les plus prêtes à bénéficier de l'IA.

De nombreux experts prévoient une augmentation des outils et des robots basés sur l'IA sur le lieu de travail, axés sur le soutien des compétences humaines et le renforcement des partenariats IA-humain, il est donc probable que nous devrons tous acquérir de nouvelles compétences. Alors que les mondes physique et numérique deviennent de plus en plus combinés et que les infrastructures intelligentes deviennent la norme, la transformation numérique va également révolutionner les rôles et la façon dont nous travaillons. Il est important de reconnaître que l'IA représente un changement de paradigme dans tous les aspects de notre vie professionnelle, parallèlement au déficit de compétences actuel.

Investir dans la technologie de l'IA

Comme le suggère l'informatique de pointe, les entreprises devront de plus en plus remplacer la technologie héritée par une nouvelle technologie plus agile spécialement conçue pour collecter, stocker et traiter des données, considérées par beaucoup comme une extension intelligente du cloud computing par exemple.

La montée en puissance de l'abonnement, produits logiciels en tant que service (SaaS) a déjà rendu les logiciels d'automatisation beaucoup plus accessibles pour les petites et moyennes entreprises.

Prochaines étapes pour les entreprises

Pour tirer le meilleur parti de l'IA, de l'apprentissage automatique et analyses avancées, vous devez commencer par le bas et progresser. Notre point de vue, qui est démontré par l'étendue des entreprises avec lesquelles nous travaillons, est que travailler avec un partenaire d'analyse expérimenté vous aidera à le faire. De l'affinage de la manière dont vous générez, stockez, traitez et utilisez les données dans votre organisation, jusqu'à la définition de vos objectifs stratégiques et des informations dont vous avez besoin pour les atteindre.

En fin de compte, ce seront vos objectifs stratégiques qui détermineront la meilleure façon d'investir dans l'IA, non seulement en termes de technologie, mais aussi la façon dont vous investissez pour améliorer les compétences de votre personnel et renforcer des domaines clés tels que la gestion des risques.

Que faisons-nous chez Experian?

Nous avons toujours investi massivement dans la science des données et analyses avancées.

Dans nos DataLabs, nous avons des scientifiques des données qui travaillent sur des projets de recherche et de développement à l'échelle mondiale, qui relèvent des défis et ouvrent des opportunités commerciales. Découvrez comment nos DataLabs contribuent à l'innovation de nouveaux produits grâce à l'IA et à l'apprentissage automatique dans cette courte vidéo – et comment nous pouvons vous aider à gérer et à tirer parti du Big Data.

Comment prendre des décisions plus rapides et plus fiables sur la base d'une connaissance approfondie que vous n'avez jamais vue auparavant? Nous savons que la quantité de ressources requise pour un projet d'analyse typique est vaste. De l'identification et l'accès des sources de données au début à l'extraction des informations et à leur présentation dans un format convivial – le temps, l'argent et l'expertise analytique sont les ressources dont vous avez besoin pour répondre aux besoins de l'entreprise.

Experian Ascend Analytics on Demand est une plate-forme d'analyse puissante et sécurisée qui vous donne accès au principal bureau de consommation d'Experian et à une gamme de sources de données alternatives, y compris la vôtre, à la demande. Contactez-nous pour savoir comment Experian Ascend Analytics à la demande peut prendre en charge votre projet d'analyse – depuis l'identification et l'accès aux bonnes sources de données dès le départ, jusqu'à l'extraction et le partage d'informations exploitables en quelques secondes.