Révolution technologique dont se nourrissent de nombreux logiciels et applications, l’intelligence artificielle (IA) est sur les radars de tous les grands cabinets de conseil pour son potentiel disruptif.
Or, dans un domaine aussi pointu, il est essentiel de comprendre ce qu’on entend précisément par IA. Derrière le langage marketing, on n’hésite pas à qualifier d’intelligence artificielle des solutions qui n’en sont pas du tout. Pour y voir plus clair, plongeons dans les arcanes du deep learning.
Qu’est-ce que le deep learning ?
Il s’agit d’un type IA qui provient du machine learning. C’est une technologie qui donne la capacité à une machine d’apprendre par elle-même. Là où la programmation et l’automatisation se basent sur des règles et des scénarios écrits et développés par des ingénieurs et des développeurs dans un environnement prédéterminé, le deep learning repose sur un réseau de neurones artificiels s’inspirant du cerveau. Chaque information est analysée, décodée et interprétée selon les données précédemment reçues.
Grâce au deep learning, un ordinateur est capable d’apprendre par l’exemple. Pour y parvenir, plus le système accumule d’expériences différentes, plus il sera performant. C’est une technologie qui requiert une importante puissance de calcul pour entraîner des réseaux neuronaux de deep learning.
S’intéresser au deep learning est aujourd’hui indispensable en raison de son impact potentiel sur le monde du travail. L’IA pourrait ainsi réaliser de nombreuses missions à la place des salariés, de manière plus rapide, plus fiable et sans interruption.
Rapprochement bancaire, analyse sémantique, coordination d’agendas, gestion de projets, saisie comptable, détection des fraudes et des erreurs… dans les années à venir, le deep learning va apporter de nouvelles solutions conduisant à des changements stratégiques au sein des organisations. Les managers et futurs managers doivent en être conscients, car l’IA co-pilotera la plupart de leurs activités avec une fluidité sans égale.
Machine learning, deep learning et biais comportementaux
Structurellement, le deep learning est un type de machine learning. Le machine learning nécessite d’exposer la machine à des milliers d’images pour, par exemple, être capable de catégoriser et de reconnaître une situation particulière.
Dans le deep learning, l’apprentissage est automatique : le système peut apprendre par lui-même et catégoriser les données et les informations en toute indépendance. Le modèle du deep learning est également évolutif. À partir du moment où le machine learning a intégré une information, son apprentissage s’arrête. Le deep learning continue de vivre et d’apprendre au fur et à mesure que le volume des données se développe.
Réussir une solution qui utilise le deep learning nécessite toutefois un volume de données très important pour entraîner le modèle tout en nuance et en complexité. Sans compter des ressources informatiques puissantes pour traiter, analyser et corréler les données. Certaines grandes entreprises en ont d’ailleurs fait les frais. L’IA de Google a ainsi associé en 2015 un utilisateur afro-américain en tant que gorille. Si le problème a été corrigé, l’erreur vient d’un manque de diversité dans les photos de visage utilisées pour faire fonctionner le deep learning.
Les biais humains peuvent alors impacter la fonction d’apprentissage de l’algorithme.
C’est la même chose avec Microsoft qui avait lancé en 2016 un chatbot sur Twitter qui était censé apprendre selon les échanges avec les utilisateurs. En moins de 24 heures, il s’est transformé en robot raciste, xénophobe et haineux sous l’influence des interactions engagées.
C’est ainsi qu’IBM s’est saisi du problème et a identifié pas moins de 180 biais humains capables d’impacter la capacité d’apprentissage de l’IA.
Les applications du deep learning
La plupart d’entre nous utilisent des services qui reposent sur le deep learning sans même le savoir. Lorsque Google, Apple ou Facebook sont capables de reconnaître des personnes en photo ou déverrouiller un smartphone à partir de votre visage, il s’agit de deep learning. Mais on peut, bien sûr, aller plus loin. Quelques exemples :
- La traduction, la transcription automatique et la reconnaissance vocale.
- Les développements autour de la voiture autonome pour détecter automatiquement ce qu’il se passe autour de la conduite (panneaux de signalisation, panneaux directionnels, feux de circulation, piéton, obstacles, etc.)
- Les diagnostics médicaux automatisés pour que la machine puisse dépister automatiquement et en continu les cellules cancéreuses à partir de l’imagerie médicale.
- Les recommandations personnalisées sur les sites de vente en ligne.
- La reconnaissance et la modération automatique sur les blogs, les applications mobiles et les réseaux sociaux.
- La prédiction financière pour repérer les cas de fraude ou d’évasion fiscale.
De la vie quotidienne à des applications professionnelles, le deep learning, et plus globalement l’intelligence artificielle, va révolutionner de nombreuses habitudes. Des usages novateurs vont émerger, nécessitant des managers capables d’accompagner le changement, de gérer et d’implanter ces systèmes afin de co-créer des solutions où la convergence de l’humain et de la machine pourra générer une valeur et une efficience inédites.
Intéressé par l’innovation des technologies ? Découvrez notre MSC Innovation Strategy & Management. Plus d’informations sur le programme Grande École de l’EMLV, école de management à Paris.
