Toujours plus d’orchestration des processus métier

En 2025, les entreprises risquent de sombrer dans le chaos numérique sans une visibilité totale sur leur « architecture spaghetti ». De nombreuses architectures informatiques d’entreprise peuvent être comparées à des plats de spaghetti composés de technologies interconnectées, ce qui fait de l’intégration et de la visibilité un défi majeur.

Alors que les entreprises cherchent à moderniser leur parc IT et à se concentrer sur l’automatisation des processus métier, elles se rendront compte que le simple ajout d’IA ou d’autres « solutions rapides » ne leur permettra pas d’augmenter leur efficacité, d’améliorer l’expérience client ou de rester compétitives. Avec la complexité croissante des processus technologiques et commerciaux, il est essentiel que l’automatisation des processus de bout en bout repose sur des bases solides, sinon un manque de contrôle entraînera un chaos numérique.

Pour relever ces défis en 2025, l’orchestration des processus permettra d’éviter le syndrome de « l’architecture spaghetti ». En permettant aux entreprises de rationaliser et de moderniser leurs processus, l’orchestration offrira aux équipes informatiques et commerciales une visibilité et un contrôle accrus. Cette meilleure supervision les aidera à gérer la complexité croissante et à obtenir de meilleurs résultats tout en étant capables de s’adapter plus rapidement aux aléas.

La nécessaire combinaison de l’orchestration et de l’intelligence artificielle

En 2025, le véritable avantage concurrentiel appartiendra aux organisations qui intégreront et orchestreront pleinement l’IA dans leurs flux de travail quotidiens.

Les utilisateurs avant-gardistes cesseront de considérer l’IA comme une solution isolée pour des tâches spécifiques. Au lieu de cela, les organisations intégreront l’IA dans toute l’entreprise, générant des résultats à valeur ajoutée et une cohésion dans tous les départements et processus.

Les entreprises doivent orchestrer l’IA comme n’importe quel autre sujet pour tirer le meilleur parti de leurs investissements. Le passage de l’adoption progressive de l’IA à son intégration complète se traduira par des stratégies commerciales plus adaptatives, pertinentes et un nouveau niveau d’agilité. Les solutions d’IA ou d’automatisation ne sont alors plus perçues comme des gadgets IT, elles deviennent un must have pour générer de meilleurs résultats commerciaux. Par conséquent, elles doivent être orchestrées de bout en bout dans les processus métier globaux.

Si l’on doit présenter l’intelligence artificielle (IA), il s’agit d’une part d’une discipline et de capacités cognitives et intellectuelles incarnées par des systèmes informatiques ou des combinaisons d’algorithmes pour effectuer certaines tâches avec une forme d’intelligence qui ressemble à celle des humains. Il s’agit d’une définition parmi les nombreuses qui existent, car on peut dire que la complexité de l’IA est comparable à celle de la nature humaine.

Cela signifie que, comme pour les humains, il n’y a pas d’unicité dans la définition ou les types d’IA. Il est toutefois possible de la comprendre avec certaines étapes, à commencer par « le traitement du langage naturel », à savoir la façon de transmettre des informations. Dans un deuxième temps, cela concerne la façon de représenter et stocker les connaissances comprises et acquises, puis la façon de les internaliser et d’en tirer parti en réponse à une question.

Rendre tangible ce qui est immatériel est une tâche rendue possible par l’humain, qui amène deux questions essentielles : comment s’y prend-il et pourquoi cela lui importe de le faire ? L’IA, qui est au centre de toutes les conservations du moment, et qui constitue également l’objectif de toutes les stratégies informatiques, vit actuellement son âge d’or.

Avec un rythme très rapide d’évolution dans ce domaine, les stratégies d’innovation qui choisissent une approche open source sont plébiscitées, car elles permettent de bénéficier de l’agilité et de la transparence sur les usages liés à l’IA. L’open source, comme l’ont compris la plupart des éditeurs logiciels de cet écosystème, est le moyen de matérialiser l’IA. Aujourd’hui, les communautés open source sont le point de départ de l’innovation, tout particulièrement dans le domaine de l’IA.

On peut complètement affirmer que l’IA opère une redéfinition de l’usage de l’informatique traditionnelle, en tant que technologie qui, pour la première fois depuis longtemps, stimule l’innovation, engendre des débats sur son champ d’application et fait reculer toujours plus les frontières. Nous sommes face à une conclusion majeure, après les nombreuses étapes franchies durant les vingt dernières années : il est désormais possible de libérer toute la puissance de l’IA.

Cette puissance, justement, dépend de façon directe de celle qu’attribuent les acteurs de l’IT à l’IA, en fonction de leur position sur le marché. Gartner décrit l’IA comme ayant « le potentiel d’apporter une immense valeur ajoutée aux entreprises en leur permettant d’augmenter leur productivité, d’améliorer leur prise de décision et de générer de nouvelles opportunités de croissance et d’innovation », avec toutefois une nuance : que certaines entreprises restreignent l’utilisation de l’IA à un seul type de tâche, afin d’en brider la portée. Il n’y a aucun doute sur le fait que l’intelligence artificielle est un atout majeur pour faire évoluer les industries et les gouvernements, que ce soit sur le plan de l’analyse des données, la détection et la prévention de la fraude, en passant par des avancées majeures dans le domaine de la santé.

L’IA générative est le concept qui a fait le plus de bruit, à l’ère de l’accès à l’information, en tant que technologie capable de créer de nouveaux contenus à partir de modèles de Deep Learning entraînés avec de grands ensembles de données. Ce type de modèles d’IA est mis à profit pour générer de nouvelles données, contrairement aux modèles d’IA discriminante, qui permettent, eux, de faire une classification des données selon leurs différences. Ils ont alors utilisé pour créer du texte, des images et du code, avec par exemple les chatbots, la création et l’édition d’images, l’aide à la création de code logiciel et la recherche scientifique.

Les entreprises ont besoin, de la part des éditeurs de logiciels, de solutions pour déployer au quotidien les technologies d’IA générative (en proposant par exemple une analyse voire une remédiation intelligente des plateformes pour les administrateurs système, en générant du code en mode assistance pour les développeurs, etc..). Les éditeurs doivent maintenir le contrôle de bout en bout sur ces technologies.

L’un des grands avantages ici est de maîtriser l’ensemble du cycle de vie du modèle de machine learning tel qu’un LLM, en préparant le jeu de données, en entraînant le modèle avec des data scientists, en le faisant évoluer à l’échelle avec des opérateurs, et en finalisant la mise en production au sein d’applications d’entreprise.

Il n’y a pas que les utilisateurs qui sont impactés par l’intelligence artificielle : c’est également le cas des entreprises, dont certaines choisissent une stratégie de transformation numérique et culturelle comme ligne directrice unique, pour leurs projets d’avenir. Le risque pour celles qui refusent de prendre le train en marche est d’être laissées pour compte. Il est indispensable de réussir à évoluer en même temps que l’IA pour espérer en libérer le plein potentiel.

La France traverse une période peut-être déterminante de son Histoire. Alors que le contexte financier troublé plonge le pays dans une incertitude politique, l’essor fulgurant de l’intelligence artificielle représente autant un défi supplémentaire qu’une subite opportunité. Bien exploité, il pourrait contribuer à refonder notre économie, renforcer notre souveraineté et offrir de nouvelles et belles perspectives d’avenir à nos concitoyens. Pour y parvenir, il est impératif de conjuguer vision politique et maîtrise technologique. A l’heure où nous devons décider de la meilleure voie à emprunter pour les cinq années à venir, il m’a paru nécessaire de dresser un bilan de notre action dans le cadre de la stratégie nationale pour l’intelligence artificielle (SNIA).

La phase 1 de la SNIA (1,85 Md€, 2018-2022) avait pour objectif de mobiliser les acteurs de la recherche autour de ce qu’on appelle un « écosystème », en regroupant les forces, en chassant les doublons, en structurant des pôles de recherche thématiquement pertinents et assujettis à une gouvernance coordonnée : 4 Instituts 3IA, 180 chaires de recherche, plus de 300 programmes doctoraux, un grand supercalculateur (Jean-Zay).

La deuxième phase de cette stratégie, dotée de 1 Md€ par les fonds France 2030, a été lancée mi-2022, j’en assure la coordination depuis janvier 2023. Son axe directeur est la « diffusion de l’IA dans l’économie ». L’IA peut en effet être incorporée à la plupart de nos processus de production et exercer ainsi un pouvoir transformateur sur l’ensemble du tissu économique national. Elle ne se résume pas à un simple enjeu « deep tech » et sectoriel mais représente un levier global de compétitivité et de croissance pour la France.
L’essentiel des travaux de la phase 2 a été engagé à partir de 2023 en application d’une planification arrêtée en 2021. Les choix stratégiques de filières faits à cette époque concernaient l’IA embarquée, l’IA frugale et l’IA de confiance, l’ensemble complété par un développement massif de l’offre de formation en IA.

En début d’année 2023, en plein « buzz ChatGPT », nous n’avions en France qu’un seul acteur positionné sur les modèles de fondation génératifs : LightOn. Notre dépendance technologique était quasi-complète. La priorité du premier semestre a été de procéder à un remaquettage budgétaire de la SNIA afin de pouvoir y dégager un nouvel axe dédié à l’IA générative. Ces actions ont été menées en temps contraint pour permettre à la France, a minima, de se maintenir dans la compétition technologique et au plan de son autonomie stratégique. Fructueuses, elles ont permis de nous positionner en 2024 dans le peloton de tête de la course à l’IA générative :

• Nous sommes passés entre début 2023 et fin 2024 de un à plus d’une dizaine d’acteurs de l’IA générative parmi les meilleurs du monde : Mistral, H, Kyutai, Photoroom, Poolside, Dust, Gladia, etc.
• La France est devenue la première nation européenne en termes d’attractivité des investissements en IA, ce qui ne s’était encore jamais produit dans la sphère du numérique. Les levées de fonds ont également doublé et atteignent 3,2 Md€ en 2023.
• Ce leadership européen sur l’IA générative attire les meilleurs acteurs internationaux de l’IA qui décident ainsi de s’implanter en France. En 2024, c’est OpenAI, Google et Tata Sons qui rejoignent Cisco, Meta FAIR, Fujitsu, HPE, IBM, Intel, Microsoft, NaverLabs, Samsung, SAP, Uber.
• Ce bilan quantitatif s’accompagne d’une forte couverture du champ technique, avec par exemple Mistral pour la génération de texte, Photoroom pour les images, Kyutai pour la voix, Aive pour les vidéos, H pour le text-to-action et le déploiement d’agents, Dust et LightOn pour l’adaptation des modèles aux besoins, Artefact et Capgemini pour leur diffusion dans nos entreprises, Giskard, Kili technology et Prism Eval pour leur évaluation, Pruna AI et ZML pour leur optimisation, etc. De nombreux domaines d’application sont également couverts comme Aqemia, Bioptimus, Nabla ou ReciTAL pour la santé, Comand.ai, Chapsvision ou Thales pour la défense et la sécurité, Valeo pour la mobilité et le collectif OpenLLM France pour l’éducation. L’IA générative pour l’ingénierie (génération automatique de code avec Poolside et Software Heritage, génération de pièces CAO avec Dassault Systèmes, etc.) ou les sciences (génération de protéines et de molécules par des entreprises mentionnées supra, génération de matériaux avec Entalpic, etc.) est également un territoire clé sur lequel la France a su s’implanter.

Ce remarquable positionnement au regard du reste de l’Europe, et dans l’absolu en termes de couverture de la chaine de valeur, s’observe également sur les filières techniques jugées prioritaires :

• Concernant l’IA embarquée, les acteurs français du hardware sont parmi les mieux placés en Europe (STMicroelectronics, Sipearl, Kalray, Vsora, Flex.ai, Dolphins Designs, Hawai.tech, Menta, Prophesee, Greenwaves, Upmem, le collectif DeepGreen, etc.).
• Concernant l’IA frugale, c’est douze collectivités territoriales qui sont engagées dans le développement et le déploiement d’IA efficientes en énergie et en données au service de leur transition écologique.
• Concernant l’IA de confiance, la France assure aujourd’hui un leadership au niveau européen (lauréate de chacun des cinq appels d’offres Testing and Experimentation Facilities for AI, coordinatrice du seul projet visant à préfigurer les Union Testing Facilities pour l’évaluation de conformité à l’AI Act, seul Etat membre de l’UE à être membre de l’AI Safety Network et donc à disposer d’un AI Safety Institute). Par ailleurs, le partenariat intégré entre l’OCDE et le Partenariat mondial pour l’IA, initié par la France en 2023, devient de facto la principale instance de gouvernance internationale de l’IA.

L’effort a porté aussi sur la démultiplication de notre capacité de recherche et de formation en IA soutenue par des bibliothèques logicielles d’IA open source mobilisant de larges collectifs (Scikit-learn initiée par Inria et aujourd’hui la plus utilisée au monde, DeepGreen, etc.), ainsi que sur l’accès à l’ensemble des ressources habilitantes pour le développement d’IA à l’état de l’art, notamment :

• Supercalcul : l’entraînement des IA génératives s’appuie aujourd’hui sur d’importantes infrastructures de calcul (supercalculateurs, cloud) appartenant pour la plupart aux Big Tech américaines et chinoises. Il a donc été décidé d’étendre la capacité de Jean-Zay, d’en renforcer l’équipe d’ingénieurs support, dont la qualité est reconnue de l’ensemble de l’écosystème, et de mettre en place un supercalculateur de classe exascale au TGCC (CEA) dans le cadre de l’initiative européenne EuroHPC. Par ailleurs, afin de sécuriser la présence de GPU optimisés pour l’IA sur le territoire national, nous avons recruté des investisseurs privés nationaux (Scaleway, OVHCloud, Outscale, Eclairion) et internationaux (7 Md€ annoncés à Choose France 2024). Atos/Eviden demeure par ailleurs le principal intégrateur européen de supercalculateurs publics et s’assure ainsi un marché pérenne.
• Données : la France assure le leadership européen sur le regroupement des données pour l’IA, dont le volet propre à la défense des langues et des cultures européennes, à travers la structure européenne ALT-EDIC regroupant 19 Etats membres de l’UE. Au niveau national, la SNIA soutient également la préparation de larges bases de données de test issues de nos archives nationales (INA, BnF, Fondation Software Heritage, etc.) pour l’entraînement de modèles d’IA, dans le respect du droit européen en matière de données personnelles et de propriété intellectuelle. Au sein de la francophonie, nous avons lancé une initiative visant à constituer de larges bases de données en langue française lors du sommet de Villers-Cotterêts en octobre 2024.

Au bilan, la France est ainsi reconnue aujourd’hui comme le premier hub sur l’IA générative d’Europe et est passé de la treizième place en 2023 à la cinquième place en 2024 dans le Global AI Index.

Nous sommes parvenus à ce résultat en combinant les deux approches habituellement qualifiées de « montante » et « descendante ».

D’une part, de la constance programmatique pour exploiter sur le temps long des développements ciblés nous permettant d’arriver en premier sur les applicatifs jugés les plus avantageux au plan commercial et plus globalement économique. Mais aussi pour maintenir une compétence au meilleur niveau sur l’ensemble du spectre et conserver ainsi une pleine liberté de manœuvre.

D’autre part, de la souplesse de pilotage pour saisir et profiter au mieux, et donc en second mais à moindre coût, toutes les opportunités d’un secteur d’activité étonnamment prolifique.

Dans l’esprit politique actuel, nous privilégions la réactivité, la créativité et la force de proposition de l’entreprise privée, sans pour autant céder au moindre « laisser-faire ». Notre dispositif de gouvernance officielle est resserré et s’alimente de la réflexion et du discernement de plusieurs comités de pilotage dans lesquels interviennent nos meilleurs spécialistes jusqu’au plus haut niveau de l’Etat.

Le cloud et l’IA sont les technologies clefs de l’innovation moderne : elles transforment toutes les industries et la fabrication ne fait pas exception. Mais pour les entreprises de l’industrie manufacturière, l’application du cloud et de l’IA va bien au-delà du produit fini. Ces technologies s’intègrent rapidement dans l’ensemble des processus de fabrication, permettant à la planification de la production ou au contrôle qualité de gagner en fluidité et en efficacité. Les machines génèrent de grandes quantités de données, mais la plupart des fabricants ne parviennent pas à exploiter cette mine d’or en raison de diverses contraintes. C’est ici que l’IA basé sur le cloud entre en jeu : elle permet aux entreprises d’identifier et d’extraire des informations exploitables à partir de ces données, ce qui optimise les flux de travail et révolutionne des processus comme la maintenance prédictive.

Le rapport Cloud Radar Manufacturing présente des conclusions intéressantes sur l’adoption du cloud dans cette ‘industrie : les fabricants hésitent à investir dans le cloud pour des fonctions matures telles que le contrôle qualité et se concentrent davantage sur le développement de nouveaux produits et les domaines associés. Cependant, il apparait que les entreprises qui ont déjà investi dans le cloud n’ont dépensé que 48 % de leurs budgets.

Voici quelques exemples d’applications clés :

• Amélioration de l’expérience client : proposer une expérience client numérique fluide dans le domaine numérique est essentiel. L’application Volvo Cars propose une multitude de fonctions pour offrir aux propriétaires de voitures une tranquillité d’esprit grâce au verrouillage/déverrouillage à distance, à la recherche de bornes de recharge électrique et à la réservation de services.
• Maintenance prédictive : Siemens a récemment introduit l’IA générative dans son outil Senseye pour la maintenance prédictive. Cet outil traite les données provenant de divers logiciels de maintenance sur une configuration de cloud privé et fournit des informations aux directeurs d’usine. L’IA générative offre une interface utilisateur conversationnelle permettant au personnel de l’atelier d’interagir avec les experts en maintenance afin de faciliter la prise de décision.
• Fabrication durable : SAP a codéveloppé une solution cloud au service du développement durable permettant le suivi de l’empreinte carbone. Lorsqu’elle est déployée dans une usine, la solution peut être le système d’enregistrement pour le suivi des émissions de type 1 et 2.

Les données sont essentielles mais l’écosystème collaboratif est capital

Les applications industrielles cloud ne doivent pas se limiter à une seule entreprise. Ces dernières concourent au partage des données tout au long de la chaîne de valeur d’un produit. Catena-X est par exemple une plateforme cloud destinée à l’industrie automobile européenne. Elle permet de partager l’interopérabilité des données relatives aux émissions de carbone tout au long de la chaîne d’approvisionnement des véhicules avec pour objectif de réduire les émissions de carbone de type 3.

Le partage des données est un facteur clef de différenciation qui nécessite à la fois une architecture technologique cloud native et une approche opérationnelle à l’échelle de l’entreprise. Cependant, les décisions relatives au cloud sont souvent prises de manière isolée : 45 % des répondants de l’étude ont indiqué que c’est le département IT ou les dirigeants de l’entreprise qui décident du cloud à déployer ou de la manière de gérer les questions de conformité.

Lorsque les décisions relatives au cloud sont prises de manière isolée, les questions liées aux finances et à la sécurité deviennent complexes à gérer. Le service IT maîtrise le déploiement, la gestion et la gouvernance de la sécurité, mais ne dispose pas d’une vision complète de la dimension commerciale, de la propriété ou des facteurs de réussite des projets cloud. Sans cette expertise, les entreprises ne sont pas mesure de déterminer si les projets cloud répondent précisément aux objectifs de l’entreprise.

Les équipes commerciales comprennent l’impact du cloud sur la valeur de l’entreprise, les indicateurs de performance et les besoins des clients. Cependant, elles manquent souvent de vision sur les exigences techniques et les décisions en matière de sécurité pour une mise en œuvre sûre de l’informatique dématérialisée. Cette lacune peut exposer les entreprises à des interruptions d’activité ou, pire encore, à des risques de cybersécurité (confidentialité des données, fuites, cyberattaques).

Les données, ressource clé de l’usine du futur

Dans le paysage industriel actuel, le cloud et l’IA ne sont pas des outils distincts, ils constituent les rouages d’une seule et même machine puissante. Le cloud permet le stockage de données illimité et la capacité de traitement qui alimente l’IA, tandis que l’IA identifie les informations pertinentes cachées dans ces données pour optimiser la production, prédire les défaillances et ainsi faire gagner les entreprises en efficacité. L’exploitation de la valeur réelle de ces données nécessite une synchronisation entre l’évolutivité illimitée du cloud et le pouvoir de transformation de l’IA.

Sans le cloud, l’IA est limitée et sans l’IA, le cloud ne peut révéler son potentiel. La combinaison de ces deux technologies est indispensable pour accompagner les entreprises sur le chemin du smart manufacturing.

Les attaques de phishing ont atteint un niveau de sophistication sans précédent en 2024, marquant une nouvelle ère dans la cybercriminalité. Au cœur de cette évolution, l’Intelligence Artificielle joue un rôle central en transformant les méthodes des cybercriminels. Ce changement n’a pas seulement renforcé l’efficacité des campagnes de phishing, mais a aussi permis à des acteurs novices de mener des attaques complexes avec une facilité déconcertante. Cette démocratisation des outils d’IA met en lumière une menace croissante pour les entreprises du monde entier.

L’évolution des tactiques de phishing : un aperçu

En l’espace de quelques années, les campagnes de phishing sont passées de simples courriels de masse à des attaques ciblées, personnalisées et difficiles à détecter. Aujourd’hui, grâce à des technologies génératives comme les grands modèles de langage (LLM) et des outils d’automatisation, les cybercriminels peuvent créer des messages trompeurs quasi parfaits. Ils peuvent également cloner des sites web et des pages de connexion en quelques minutes, augmentant ainsi la probabilité de succès de leurs tentatives d’usurpation d’identité.

Les dernières statistiques montrent une augmentation significative de 58 % des attaques de phishing à l’échelle mondiale en 2023. Cette hausse reflète non seulement la portée croissante des cybercriminels, mais aussi leur capacité à exploiter des données publiques pour cibler des individus ou des organisations avec une précision redoutable.

Phishing et IA : une nouvelle frontière pour les cyberattaques

L’IA permet aux cybercriminels de concevoir des campagnes de phishing de manière plus efficace que jamais. Les outils d’IA peuvent analyser rapidement des données disponibles en ligne, créant des attaques plus ciblées. Par exemple, les chatbots alimentés par des LLM sont capables de générer des communications sans fautes de grammaire ni erreurs, rendant les courriels frauduleux presque indétectables. De plus, l’IA permet de créer des pages web de phishing qui imitent à la perfection des sites légitimes, brouillant ainsi la frontière entre le vrai et le faux.

Ce qui est particulièrement inquiétant, c’est l’essor des attaques de phishing basées sur des technologies avancées telles que le vishing (phishing vocal) et les deepfakes. Ces tactiques, qui s’appuient sur des outils d’IA pour simuler des voix et des apparences humaines, rendent la détection des tentatives d’usurpation encore plus complexe. Les cybercriminels peuvent désormais utiliser ces technologies pour imiter des dirigeants d’entreprise ou des personnalités publiques, compromettant ainsi la sécurité des organisations et la confiance du public.

Comment les entreprises peuvent se protéger

Face à l’augmentation des attaques de phishing, les entreprises doivent non seulement repenser leurs stratégies de cybersécurité, mais aussi s’inspirer des méthodes des attaquants pour contrer les menaces hyper personnalisées. Tout comme les cybercriminels exploitent l’IA pour rendre leurs attaques plus sophistiquées et scalables, les équipes opérationnelles de sécurité peuvent également tirer parti de ces technologies pour renforcer leurs capacités d’analyse et d’investigation.

En utilisant des outils de productivité basés sur l’IA, les analystes de sécurité peuvent automatiser et accélérer l’examen des menaces, rendant le processus de détection plus efficace face aux attaques massives. L’IA permet d’analyser de grandes quantités de données en temps réel, d’identifier des modèles suspects et d’évaluer des indicateurs de compromission, ce qui serait impossible manuellement à grande échelle. De plus, ces outils peuvent générer des alertes pertinentes, prioriser les incidents à traiter, et fournir des recommandations automatisées pour une réponse rapide.

En complément, l’adoption d’une architecture de « zéro confiance » (Zero Trust) reste essentielle. Chaque utilisateur, appareil ou service doit être continuellement vérifié, limitant ainsi les déplacements latéraux des cybercriminels en cas de compromission. Grâce à cette double approche – IA et Zero Trust – les entreprises peuvent mieux se protéger contre les attaques de phishing de plus en plus personnalisées et sophistiquées.

L’avenir des cyberattaques : la vigilance comme maître-mot

Il est évident que les cyberattaques évolueront en tandem avec les avancées technologiques. Les entreprises doivent rester en alerte constante, adopter des stratégies proactives et former leurs employés aux dernières méthodes de phishing.

En fin de compte, seule une combinaison de vigilance humaine et de technologies de pointe permettra de réduire les risques et de contrer les attaques de phishing dans un environnement de plus en plus numérisé.

L’intelligence artificielle (IA) a révolutionné le paysage des entreprises, et ouvert un large éventail d’utilisations possibles, telles que les chatbots, l’analyse en temps réel du comportement des clients, le contenu marketing personnalisé, la détection des fraudes et la maintenance prédictive. Bien que les projets basés sur l’IA aient déjà démontré leur capacité à améliorer les performances et la productivité, de nombreuses entreprises restent prudentes, comme l’indique une récente étude du Boston Consulting Group. Néanmoins, l’adoption de l’IA va au-delà de ses avantages immédiats ; elle introduit également d’importants défis techniques, économiques, éthiques, réglementaires et, surtout, humains. Former les employés pour qu’ils comprennent mieux les outils d’IA et les utilisent avec discernement est crucial afin d’accroître l’efficacité, d’encourager l’innovation et d’améliorer la prise de décision pour en faire de véritables utilisateurs augmentés.

L’IA et l’apprentissage automatique s’intègrent progressivement dans les flux de travail quotidiens, souvent sans que les collaborateurs en soient pleinement conscients, que ce soit à travers des moteurs de recommandation pour le e-commerce, des systèmes de messagerie automatisés pour filtrer les spams, ou des plateformes collaboratives destinées à améliorer la communication interne. Cette présence croissante soulève des questions cruciales sur la formation et l’engagement des employés. Une étude de Forrester Consulting a révélé que seulement 31 % des décideurs estiment que leurs équipes sont enthousiastes à l’idée de l’intégrer dans leur travail. En effet, les appréhensions et les difficultés liées à ce changement peuvent compromettre le succès des initiatives en matière d’IA. Pour faire du facteur humain un avantage stratégique, la technologie doit non seulement stimuler la productivité, mais aussi susciter la confiance des employés – un objectif qui reste à atteindre.

L’importance de la formation continue

Pour atteindre des performances optimales, il est essentiel d’établir une collaboration transparente entre les employés et les machines, qui exploite leurs forces respectives : le leadership humain, le travail d’équipe, la créativité et les compétences sociales, associés à la vitesse, à l’évolutivité et aux capacités fonctionnelles des machines. Les collaborateurs doivent être formés pour enseigner à ces outils des tâches spécifiques, interpréter et expliquer les résultats générés par l’IA, en particulier lorsqu’ils sont controversés ou biaisés, tout en garantissant une utilisation responsable de la technologie. En outre, l’évolution des algorithmes d’apprentissage automatique exige une formation continue avec des ensembles de données spécialisés. L’IA générative, qui s’appuie sur de larges modèles de langage (LLM) conçus pour interagir avec le langage humain et entraînés sur de vastes quantités de données, en est un excellent exemple. Selon un rapport de McKinsey, un tiers des entreprises déclarent aujourd’hui utiliser régulièrement l’IA générative dans au moins une de leurs fonctions.

Adoption stratégique et conformité réglementaire

Pour que l’IA soit pleinement intégrée par les collaborateurs, elle doit être une priorité stratégique pour les dirigeants. Ces derniers ont tout intérêt à privilégier des solutions logicielles accessibles et conviviales, garantissant une adoption rapide et un retour sur investissement (ROI) plus élevé. Il est tout aussi essentiel que les organisations définissent clairement leurs objectifs avant d’introduire l’IA. Aligner cette technologie sur les défis commerciaux spécifiques permet aux entreprises d’assurer non seulement son efficacité, mais aussi une meilleure compréhension de ses objectifs par les employés, ce qui favorise leur engagement et la compréhension et renforce les chances de réaliser un ROI significatif.

Par ailleurs, les organisations doivent rester attentives aux cadres réglementaires, tels que la loi européenne sur l’IA, et adopter des politiques solides pour garantir la conformité aux exigences en constante évolution. Ces politiques devraient être intégrées dans la stratégie de conformité globale de l’organisation, guidant l’utilisation éthique et responsable de l’IA. Pour ce faire, les employés doivent recevoir une formation approfondie sur ces réglementations, afin de les aider à comprendre l’importance du respect des politiques de l’entreprise et la manière dont elles s’inscrivent dans le paysage réglementaire plus large. Cette formation est indispensable pour créer un environnement d’IA conforme et digne de confiance, en adéquation avec les obligations légales et les valeurs de l’entreprise.

Un catalyseur pour maximiser les avantages pour les entreprises

Pour tirer pleinement parti de l’intelligence artificielle, il est essentiel que les employés ne se contentent pas d’en reconnaître l’importance, mais qu’ils comprennent également son fonctionnement et son potentiel. En approfondissant leurs connaissances, ils peuvent maximiser l’utilisation des outils d’IA, réduire les tâches répétitives et accroître la productivité. Une meilleure compréhension des capacités de l’IA leur permettra aussi d’identifier de nouvelles applications dans leurs domaines respectifs, favorisant ainsi l’innovation. Une formation solide équipera les employés pour interpréter les données et les résultats générés par l’IA avec une plus grande précision, ce qui améliorera la qualité des décisions et élèvera leur expertise globale.

Une gestion efficace du changement est cruciale à la réussite de tout projet d’IA ; sans l’adhésion totale des employés, l’entreprise risque de ne pas tirer pleinement parti de la technologie. La qualité des données qui l’alimentent est également déterminante. Ces données doivent être fiables, complètes et compatibles pour garantir des performances optimales. Les modèles d’IA doivent également être étroitement alignés sur la stratégie de l’entreprise afin d’en maximiser la valeur. En outre, ces architectures doivent être évolutives, permettant une adaptation aux fluctuations du marché et un recyclage basé sur de nouvelles données afin de garantir une bonne expérience utilisateur.

L’avenir de la transformation numérique des entreprises sera indéniablement porté par l’intelligence artificielle. En investissant dans la formation et la sensibilisation des employés, les organisations peuvent libérer le potentiel de réussite de projets innovants, conduisant à l’émergence d’une véritable intelligence collaborative augmentée. Bien que l’IA ne soit pas destinée à remplacer les humains, il est clair que dans un avenir proche, les employés qui sauront exploiter son potentiel auront un avantage significatif sur ceux qui ne le feront pas.

Selon la dernière publication du Guide mondial des dépenses en IA et en IA générative de l’International Data Corporation (IDC), le marché européen de l’IA et de l’IA générative (GenAI) atteindra près de 47,6 milliards de dollars en 2024. Malgré la généralisation de l’IA dans la sphère professionnelle, toutes les entreprises ne sont pas encore prêtes à en tirer pleinement parti. En effet, Gartner révèle que seulement 4 % d’entre elles estiment disposer de données « prêtes pour l’IA ». Pour exploiter efficacement cette technologie, les organisations ont tout intérêt à bien préparer leurs données afin d’éviter toute vulnérabilité face à un large éventail de problèmes potentiels.

Les biais dans les données entraînent des biais dans l’IA

Même si l’IA est censée être impartiale, les entreprises doivent toujours l’utiliser en accord avec leurs priorités commerciales. La fiabilité des résultats fournis par ces outils dépend entièrement de la qualité des données qui les alimentent. De ce fait, un manque de diversité dans les données affectera les résultats produits par l’intelligence artificielle. Il est souvent présumé que les statistiques sont intrinsèquement objectives ; cependant, elles peuvent être influencées par les biais des personnes qui les collectent.

Dès lors, pour tirer parti de tous les avantages promis par l’IA, les entreprises doivent s’assurer de la parfaite intégrité de leurs données, c’est-à-dire en garantir l’exactitude, la fiabilité et la contextualisation. Pour y parvenir, trois étapes majeures sont nécessaires : l’intégration des données existantes dans tous les environnements, la mise en œuvre d’une approche rigoureuse en matière de gouvernance et de qualité des données, et enfin l’exploitation de la géolocalisation et de l’enrichissement des données pour en extraire le maximum d’informations.

Intégrer les ensembles de données stratégiques à travers différents systèmes

Les grandes entreprises utilisent généralement plusieurs environnements, souvent disparates, pour héberger leurs données stratégiques relatives aux clients, aux prospects, aux fournisseurs, aux stocks ou bien aux employés. Dans le secteur des services financiers notamment, les informations sensibles sont généralement stockées dans des systèmes centraux très fiables et sécurisés. Toutefois, ils peuvent entraver l’intégration efficace des données complexes des mainframe dans les plateformes cloud où est gérée l’IA.

Pour améliorer la fiabilité et la crédibilité des résultats de l’IA, les organisations doivent d’abord éliminer les silos de données et connecter leurs données critiques hébergées dans des environnements cloud, on-premises ou hybrides, ainsi qu’entre dans leurs différents départements. Cette approche permet de regrouper les données similaires, telles que les données démographiques des clients ou les informations sur le pays où l’entreprise exerce une activité. Cette gestion globale offre aux modèles d’intelligence artificielle une compréhension plus complète des dynamiques et des corrélations recelées par ces données, aboutissant à des résultats plus fiables et fondés sur des informations de meilleure qualité.

Imposer une approche rigoureuse en matière de qualité et de gouvernance des données

Bien que l’intégration des données permette à l’IA de bénéficier d’une vision plus complète des informations d’une entreprise, des données de mauvaise qualité (inexactes, obsolètes, incomplètes, incohérentes ou non pertinentes) peuvent fausser les résultats, rendant le modèle d’IA moins fiable et moins utile. Ainsi, tout projet impliquant l’IA exige une attention particulière pour assurer la qualité des données en termes d’exactitude, de fiabilité et de pertinence. Cela comprend l’application proactive de règles de qualité des données et de procédures métier, l’automatisation de la validation et du nettoyage des données, ainsi que l’instauration de vérifications basées sur l’intelligence artificielle. Il devient alors plus facile pour les entreprises de détecter et de corriger rapidement les anomalies dans les ensembles de données, prévenant de nombreux problèmes futurs.

Par ailleurs, la gouvernance des données est essentielle pour assurer la confidentialité et la sécurité des informations utilisées par l’IA, et veille au respect des régulations sur la protection des données personnelles. La supervision de l’accès et de l’utilisation des données, intégrée dans ce cadre, est indispensable pour garantir leur utilisation appropriée selon les objectifs définis. Cette démarche permet aux modèles d’IA d’accéder aux informations nécessaires de manière éthique et responsable, constituant ainsi la base de la gouvernance de l’IA au sein de l’entreprise.

Exploiter les données externes pour mieux comprendre le contexte et réduire les préjugés

Enfin, il est impératif de disposer de données complètes et exactes pour obtenir des résultats fiables avec les outils d’intelligence artificielle. Cependant, sans contexte, ces outils peuvent être biaisés et manquer de précision, compromettant ainsi la prise de bonnes décisions et les modélisations prédictives. Les entreprises ont ainsi tout intérêt à accroître la diversité de leurs données et découvrir des corrélations inattendues en les enrichissant avec des jeux de données tierces fiables et des informations géospatiales, telles que les points d’intérêt ou les statistiques sur les risques environnementaux.

Aussi, les attentes des clients pour des communications personnalisées et des services sur mesure ont considérablement augmenté dans tous les secteurs. L’enrichissement des données clients permet alors aux entreprises d’obtenir une vision précise de leurs consommateurs et de se démarquer de la concurrence. En utilisant ces données enrichies pour alimenter les modèles d’IA, elles garantissent des résultats contextuellement pertinents et fiables pour toutes leurs décisions critiques.

Alors que l’utilisation de l’IA continue de croître à un rythme quasi exponentiel dans le monde des affaires, offrant des outils et des applications virtuellement illimités, une approche d’intégrité des données devient essentielle pour pouvoir exploiter pleinement cette technologie. En effet, une telle stratégie permet aux entreprises d’assurer la qualité des données qui alimentent les modèles d’IA, garantissant ainsi des bases de données précises, fiables et contextualisées, qui valorisent les résultats produits par l’IA.

La France émerge comme un acteur central dans la révolution mondiale de l’intelligence artificielle, et consolide sa position de leader européen.

La France en quête de leadership dans l’Intelligence Artificielle

L’intelligence artificielle est aujourd’hui omniprésente. Même si les géants américains tels que Salesforce et AWS sont très actifs, les entreprises françaises innovantes telles que H, anciennement Holistic, qui a levé 220 millions de dollars avec le soutien d’investisseurs de renom tels qu’Amazon et Eric Schmidt, ex-PDG de Google, elles sont présentes sur le devant de la scène. Cette levée de fonds illustre parfaitement la capacité de la France à attirer des investissements internationaux significatifs et à jouer un rôle clé dans l’écosystème global de l’IA.

L’engagement massif de Microsoft, avec un investissement historique de 4 milliards d’euros en France, illustre la confiance des grandes entreprises américaines dans le potentiel français en matière d’IA, ainsi que l’ambition de la France de développer ses propres technologies et de devenir un hub mondial de l’innovation technologique. Le gouvernement français soutient activement cette dynamique avec des politiques favorables à l’innovation, des subventions à la recherche et des initiatives de formation pour répondre à la demande croissante de compétences en IA.

Un centre de recherche et incubateur de start-ups technologiques à Paris

La France abrite déjà des centres de recherche en IA de premier plan, tels que le Facebook AI Research Center de Meta et le hub de recherche en IA de Google à Paris, en plus de ses universités renommées. Cet écosystème vibrant stimule une scène de start-ups florissante, où de nombreux chercheurs et ingénieurs en IA issus de ces laboratoires se lancent dans la création d’entreprises innovantes.

Les investissements massifs dans la recherche et le développement en IA ont catalysé la création de technologies avancées telles que Gemma AI de Google qui a été développée en grande partie à Paris. Cette technologie, qui révolutionne le traitement des données et l’apprentissage automatique, témoigne de la capacité des chercheurs français à mener des projets de pointe et à collaborer efficacement avec des partenaires internationaux.

Entre ambitions et défis réglementaires

Cependant, le chemin vers la domination n’est pas sans obstacles. Alors que l’Europe adopte des régulations strictes sur l’IA, telles que l’AI Act récemment approuvé par l’UE, certains acteurs craignent que ces mesures freinent l’innovation. Il est nécessaire d’équilibrer la régulation pour éviter de ralentir l’innovation tout en assurant une utilisation éthique et sûre de l’IA. La France est confrontée à la responsabilité de trouver un équilibre qui favorise la croissance économique tout en garantissant une gouvernance éthique et transparente des technologies émergentes.

Ainsi, la France pourrait bien être sur le point de devenir non seulement un leader de l’IA en Europe, mais également un compétiteur sérieux sur la scène mondiale, aux côtés des États-Unis et de la Chine. L’avenir de l’IA est prometteur, et la France semble déterminée à en faire partie intégrante. Avec une collaboration continue entre le gouvernement, l’industrie et le milieu universitaire, la France est bien positionnée pour façonner un avenir où l’innovation technologique et l’intégrité éthique vont de pair. Elle pourrait ainsi jouer un rôle clé dans la définition des standards internationaux de l’IA, influençant non seulement le développement technologique mais aussi les pratiques éthiques et réglementaires à l’échelle mondiale.

Les entreprises évoluent rapidement à mesure que l’intelligence artificielle (IA) passe de simples projets pilotes à une mise en œuvre à plus grande échelle. Ce déploiement plus large de l’IA transforme les industries, stimule l’innovation et améliore l’efficacité opérationnelle dans les différentes activités de l’entreprise.

L’importance de la mise à l’échelle l’IA

Le passage des PoC (démonstrations de faisabilité) à l’application de l’IA à grande échelle est un moment charnière pour les entreprises. Alors que les premiers projets mettent en évidence un certain potentiel sans parvenir à produire un impact significatif, l’IA déployée à l’échelle de l’entreprise améliore quant à elle considérablement l’efficacité, la prise de décision et constitue un véritable avantage concurrentiel. Prenons l’exemple d’un retailer européen spécialisé dans la vente de produits électroniques : il peut s’appuyer sur l’IA pour prédire les taux de conversions des acheteurs en ligne et déclencher des interventions et actions adaptées lors de leur navigation. Autre exemple : un média européen peut utiliser l’IA pour évaluer le sentiment des lecteurs en se basant sur les commentaires et les critiques afin d’améliorer les futurs articles.

Cependant, selon le rapport “Global AI Adoption Index”, les entreprises européennes sont réticentes concernant l’adoption de l’IA pour des raisons de réglementation et de sécurité. La Cour des comptes européenne a confirmé que les investissements de l’UE dans l’IA étaient inférieurs à ceux des leaders mondiaux. Pour remédier à cette situation, l’UE a proposé un règlement européen sur l’IA (EU AI Act), qui impose des utilisations spécifiques de l’IA, réduit les charges administratives et financières et confie la responsabilité de la conformité aux fournisseurs de solutions d’IA, étant donné que de nombreuses entreprises ne disposent pas de l’expertise nécessaire en matière d’IA.
L’AI Innovation Package et le Coordinated Plan on AI visent également à stimuler l’investissement dans l’IA au sein de l’Union Européenne.
Comme les entreprises en Europe estiment que l’adoption des technologies d’IA à grande échelle est de plus en plus lucrative, elles espèrent tirer des bénéfices significatifs en termes d’efficacité interne et d’innovation sans courir de grand risque réglementaire.

Efficacité interne, innovation et succès

Autre avantage du déploiement à grande l’échelle de l’IA : il améliore l’efficacité interne en automatisant les tâches à faible risque, ce qui permet de se concentrer davantage sur les activités stratégiques. Par exemple, l’IA peut gérer les demandes d’un Service clients, la logistique complexe de la chaîne d’approvisionnement ou encore l’évaluation du risque de crédit. Prenons l’exemple d’une grande banque européenne : elle utilise l’IA pour analyser les dossiers des clients et effectuer des évaluations du risque de crédit, et ce même dans les langages dits à faibles ressources (langages disposant de peu de données numériques). Les conseillers bancaires conservent bien entendu le pouvoir de décision, la solution d’IA jouant le simple rôle d’assistant.

La mise à l’échelle de l’IA favorise aussi l’innovation, permet d’identifier des données clefs et de prendre des décisions plus pertinentes. Dans le domaine des biens de consommation, l’IA peut stimuler l’engagement en ligne en analysant les termes de recherche et les descriptions de produits par rapport à la concurrence sur des places de marché tierces. Elle permet de mettre en évidence les caractéristiques principales des produits et les mots clés appropriés dans leurs descriptions. Ces informations sont également utilisées pour le Développement produit.

Exemples de passage à l’échelle réussis

Pour comprendre la valeur ajoutée de l’IA à grande échelle, il faut analyser son déploiement et son impact au sein des différentes fonctions et services de l’entreprise :

• Service client
  Le centre d’appel d’une grande banque européenne utilise une solution d’IA pour aider les agents dans leurs missions en leur suggérant des solutions, en réacheminant les appels, en prédisant les intentions et en recommandant des éléments de langage. Intégrée à l’application du centre d’appel, la solution réduit la complexité de gestion du changement et a permis d’améliorer le taux de satisfaction des clients et de réduire la perte de clients.
• Ressources humaines
  L’utilisation de l’IA générative dans le domaine des ressources humaines comporte des risques car cette technologie peut diffuser les biais cognitifs inhérents aux méthodes de sélection. Toutefois, ces risques sont atténués grâce à des garde-fous qui évitent les flux de données PII au point d’entrée (en écartant le code postal, le nom, le sexe par exemple), et au masquage de style par le biais de résumés de candidatures plutôt que par la soumission de textes originaux. La suppression des biais et l’amélioration de la précision conduisent à une utilisation à grande échelle plus sûre.
• Gestion de la chaîne d’approvisionnement
  Une grande entreprise européenne de produits de grande consommation déploie un système alimenté par l’IA qui gère de manière autonome les prévisions de demande. Il regroupe automatiquement les produits en unités de prévision de demande (DFU), sélectionne les algorithmes optimaux, s’autocorrige en tenant compte des erreurs récentes et explique les variations exceptionnelles des prévisions pour plus de 20 000 combinaisons de magasin et de codes UGS, le tout sans personnalisation manuelle.
• Marketing
  Le site web est souvent considéré comme la vitrine numérique d’une marque. Les grandes enseignes de l’habillement tirent ainsi parti de l’IA pour rationaliser leur site web en élaborant du contenu à partir de diverses sources de données, telles que la base de données produits, les informations sur les fournisseurs, les PDF/PPT et les bibliothèques d’actifs numériques marketing, réduisant ainsi les délais de création de contenu. Ce contenu généré par l’IA réduit les délais de création et fait l’objet d’une révision et d’une approbation humaine avant toute publication.

Surmonter les obstacles

Si les avantages de l’IA déployée à l’échelle sont évidents, les entreprises doivent néanmoins relever plusieurs défis :

• Considérations éthiques
  Les systèmes d’IA doivent être conçus et déployés de manière éthique afin d’éviter les biais et garantir l’équité, comme dans le cas des ressources humaines. La loi européenne sur l’IA (EU AI Act) aidera les entreprises à adopter cette technologie de manière éthique en leur fournissant un cadre réglementaire.
• Infrastructure technologique
  Les entreprises doivent investir dans la technologie nécessaire pour répondre aux exigences des applications d’IA à grande échelle. L’IA responsable n’est pas seulement une question de réglementation, elle est aussi une question de budget. S’il est possible de générer du contenu marketing automatiquement, cette pratique n’est pas toujours conseillée.
• Gestion du changement
  La mise en place de stratégies efficaces de gestion du changement est cruciale pour assurer une transition fluide et obtenir l’adhésion des employés. Lorsqu’un agent de centre d’appel reçoit des instructions d’un outil d’IA et non plus d’un moteur de règles traditionnel, les réactions négatives sont réduites.

La révolution induite par le passage à l’échelle de l’IA est bien plus qu’une avancée technologique, il s’agit d’un impératif stratégique pour les organisations. L’IA responsable implique des dépenses, concerne les collaborateurs et doit prendre en considération les réglementations.

Plus de 10% de la population française est âgée de 75 ans ou plus, de quoi mettre une pression de taille sur le secteur de la santé. Si de nouveaux défis émergent en continu, ceux-ci exigent également toujours plus de prestataires de soins, de personnel médical et de partenaires pour l’ensemble de leur écosystème. En parallèle, avec un système de soins bien différent de celui des Etats-Unis, le marché français peine encore à aller vers l’optimisation du parcours, pourtant aujourd’hui nécessaire au-delà des enjeux de sécurité.

Pour rendre cette tâche déjà délicate encore plus difficile, les soins aux patients sont entravés par des architectures informatiques héritées qui fragilisent tous les aspects des opérations – sans parler des cyberattaques particulièrement intenses depuis la crise du COVID. Mais cela pourrait bel et bien changer fondamentalement en intégrant des dispositifs intelligents à ces infrastructures.

Des cas d’application concrets

Au-delà de l’IoT, nous voyons aujourd’hui émerger les technologies de l’Internet des objets médicaux (IoMT) qui peuvent être utilisées pour la surveillance, le dépistage ou le traitement à distance. Du point de vue de la gestion, l’utilisation de ces appareils peut être optimisée, notamment pour en réduire les coûts d’exploitation.

Les services de localisation en intérieur peuvent également être utilisés pour permettre à un établissement tel qu’un hôpital de fonctionner plus efficacement. Prenons l’exemple d’une personne ayant besoin d’un fauteuil roulant dès son entrée dans le bâtiment. Avec un système numérique interactif comme un tag, celui-ci pourrait être localisé voire livré sans avoir besoin de l’intervention du personnel. Cette même technologie peut être utilisée pour améliorer la sécurité, par exemple en empêchant les patients à risque de quitter une certaine zone ou en alertant le personnel si une situation dangereuse ou potentiellement mortelle devait survenir. Déployés sur l’ensemble d’une infrastructure, ces dispositifs ont la capacité d’améliorer fondamentalement les pratiques, de soutenir le personnel et potentiellement même de sauver des vies.

Une patientèle mieux suivie et sereine

Du point de vue du patient, ces innovations permettront de mieux contrôler leurs parcours médicaux grâce à des applications et à d’autres technologies conviviales. Les systèmes de soins de santé en ligne seront plus interactifs, similaires à la façon dont certaines banques fonctionnent actuellement.

Fournir aux patients un accès simplifié à leurs dossiers médicaux réduit le besoin de rendez-vous inutiles, ce qui permet à chacun d’économiser du temps et de l’argent. Cela permettra aussi aux patients de devenir de véritables acteurs de leur propre santé en proposant par exemple des actions préventives avant que toute maladie ne se déclare. Les indicateurs de risque précoces peuvent être signalés à l’aide de capteurs tels que des pilules intelligentes ou des dispositifs portables. Cela donnera alors au professionnel de santé un suivi optimal de l’état de santé d’un patient sans même qu’il ait à consulter. Ce type de capteurs peut être utilisé pour des examens non invasifs et la surveillance de divers cas. Dans certains cas, par exemple lors de crises cardiaques, les signes avant-coureurs d’irrégularité du rythme cardiaque peuvent amener les patients à consulter immédiatement, ce qui peut sauver des vies. Les dispositifs portables et les pilules intelligentes sont également plus rassurants pour les patients qui évitent alors de consulter un médecin, et de s’exposer à des tests sanguins, souvent craints.

Dans un cadre médical, la continuité de services de la technologie peut sauver des vies. En effet, la disponibilité continue de systèmes et des applications vitaux est cruciale pour les personnes qui peuvent être sous assistance respiratoire par exemple. Alors que de nombreux appareils doivent rester connectés en permanence, un réseau alimenté par l’IA s’avère particulièrement utile pour assurer une analyse solide des données et des opérations continues dans tout l’établissement.

Les soins de santé numériques sont la prochaine étape évidente vers des services médicaux à l’épreuve du temps. Ils permettront aux établissements de fonctionner plus efficacement, d’économiser du temps, de l’argent, de la frustration et, surtout, de simplifier voire de sauver la vie des patients. Bien qu’il y ait un investissement initial nécessaire pour remplacer l’existant, ces technologies ont le potentiel de transformer fondamentalement la façon dont les soins de santé sont fournis. Elles peuvent en effet améliorer les conditions de travail du personnel, ce qui, encore une fois, renforce fondamentalement le service offert. Les décideurs doivent donc faire preuve d’audace dans leurs choix et ne pas hésiter à investir dans le bien-être de leur salarié et de leur patientèle.

Voilà plusieurs décennies que le secteur des services financiers est un grand consommateur d’analyses avancées. Aujourd’hui, de nouvelles innovations en matière de solutions soutenues par l’IA ont fait leur apparition et permettent d’améliorer considérablement le service client, l’efficacité opérationnelle et la résilience. Pour cela, il est essentiel d’obtenir des cadres et des plateformes à la fois standardisées et cohérentes.

Le secteur de la finance est confronté à de nombreux défis, notamment l’environnement macroéconomique mondial, marqué par un risque de défaut de paiement dans un contexte de stagnation de la croissance mondiale. Par ailleurs, le secteur subit une pression grandissante pour se moderniser : les institutions financières doivent gagner en efficacité, améliorer leur service client, réduire les risques, lutter contre la criminalité financière, aborder la question de la durabilité et procéder à des changements réglementaires. L’adoption de l’IA jouera un rôle clé dans la réalisation de ces objectifs.

L’IA comme moteur de la modernisation résiliente

Les technologies d’IA ont déjà été déployées dans le secteur financier, par exemple dans des chatbots interactifs dédiés au service client, dans l’analyse de documents ou dans l’identification d’anomalies dans les transactions de paiement pour la détection des fraudes. Les banques s’appuient depuis longtemps sur l’IA prédictive – en grande partie sur des solutions basées sur le Machine Learning – pour automatiser et rationaliser les processus. En outre, l’IA générative peut considérablement améliorer les capacités de nombreuses applications existantes, y compris dans le cadre d’enjeux environnementaux, sociaux et de gouvernance (ESG). Par exemple, le projet Gaia lancé par la BRI a démontré la capacité à automatiser l’extraction et l’analyse des données ESG des entreprises afin de rendre l’évaluation du risque climatique plus transparente et plus efficace.

Bien qu’il s’agisse de premières réalisations marquantes pour les institutions individuelles, les banques centrales et les autorités de régulation sont confrontées à un défi majeur : garantir la stabilité du système financier mondial. Les changements réglementaires à venir à l’échelle internationale, apportés de façon progressive, porteront sur de nouveaux types de risques systémiques potentiels, tels que les risques de concentration dans le cloud, l’utilisation de l’IA, le changement climatique et les futurs risques corrélés émergeant d’un système financier mondial en constante évolution.

Appliquer l’IA à l’automatisation des processus sera essentielle pour soutenir l’efficacité et la résilience du secteur. Par exemple, l’automatisation event-driven soutenue par l’IA aidera les institutions à répondre aux exigences de portabilité des applications pour les technologies d’information et de communication (TIC) critiques tierces. Démontrer régulièrement cette capacité est d’ailleurs une des exigences réglementaires clés de la réglementation DORA (Digital Operational Resilience Act) mise en place par l’Union européenne.

Concernant l’infrastructure, la priorité reste la modernisation des applications héritées – comme les systèmes bancaires centraux – pour leur permettre de gagner en agilité. Les plateformes centrales continueront d’être utilisées par certaines applications, tandis que d’autres workloads seront déplacées vers le cloud – ou deviendront cloud natives pour suivre le rythme rapide de développement moderne et gagner en portabilité pour pouvoir fonctionner dans des environnements cloud selon les besoins. Toutefois, le replatforming ou la réécriture des logiciels peut être un processus à la fois complexe et coûteux. C’est un domaine où l’IA générative peut aider, en traduisant les logiciels dans différents langages de programmation, ou en contribuant à la reconversion des équipes informatiques grâce à des assistants de codage capables de prendre en charge un plus large volume de tâches basiques. L’IA peut également optimiser les environnements où les applications sont déployées, en tenant compte des défis comme les mesures de durabilité, l’efficacité opérationnelle et les préoccupations liées aux coûts.

Par ailleurs, l’utilisation de l’IA apporte de sérieux avantages aux équipes opérationnelles et de service. À l’avenir, les assistants alimentés par l’IA seront en mesure de traiter des demandes et de répondre à des problématiques client bien plus complexes. En outre, l’utilisation de l’IA peut rationaliser les rapports financiers dans le secteur bancaire en automatisant l’agrégation et l’analyse de données pour obtenir des rapports plus précis dans les meilleurs délais.

L’IA jouera également un rôle déterminant dans la capacité d’une banque à gérer les risques issus de chocs macroéconomiques externes à court terme ou de changements transformateurs à plus long terme, à l’instar du changement climatique. Dans ces situations, l’IA a besoin d’accéder à de vastes ensembles de données qui peuvent apporter de nouvelles perspectives pour améliorer les capacités de prédiction.

Le potentiel des données synthétiques

Aujourd’hui, l’IA peut déjà accélérer le processus de prise de décision dans certaines situations. Au fur et à mesure de son développement, l’IA aura la capacité d’étendre et d’améliorer sensiblement les possibilités de nombreuses applications. Toutefois, le succès de l’IA sera freiné par l’absence de données de haute qualité. La pénurie de données résulte du silotage de ces dernières au sein des institutions à cause des exigences croissantes en matière de confidentialité des données, de propriété intellectuelle et de souveraineté des données.

Heureusement, l’IA elle-même pourra contribuer à pallier ce manque de sources de données adaptées et de haute qualité en passant par la création de « données synthétiques ». Il s’agit de reproduire des sources de données existantes afin de les rendre anonymes pour des raisons de confidentialité et de simplification du partage de données. L’IA peut être utilisée pour créer des sources de données synthétiques plus robustes qui permettront à certaines applications d’outrepasser les limites des données purement historiques pour développer des perspectives plus pertinentes sur d’éventuelles situations émergentes.

La criminalité financière est un domaine d’application idéal pour les données synthétiques. Si un modèle de Machine Learning ou d’IA est construit à partir d’un ensemble de données contenant un nombre limité de cas d’un certain type de crime financier, il peut en prévoir la récurrence de manière extrêmement précise. Toutefois, cette précision prédictive est considérablement réduite lorsqu’il s’agit de saisir différentes variations de ce type de crime qui n’existent pas dans les données disponibles. Afin de faire gagner ce modèle en robustesse et d’avoir une longueur d’avance sur les menaces, les simulations basées sur l’IA peuvent générer des centaines de milliers ou de millions de scénarios synthétiques, fournissant un système de détection potentiellement plus robuste qui peut être validé par des inspections sur les nouvelles variations probables d’un certain type de crime financier. De cette manière, les données synthétiques générées par l’IA peuvent considérablement améliorer la détection de fraude. En outre, les modèles de réseaux antagonistes génératifs (GAN) et les simulations de modèles basés sur des agents (ABM) constituent deux approches de l’IA utilisées pour ces types de cas d’utilisation.

Le défi de l’IA explicable

Au-delà des données, de nombreux défis se posent pour rendre les modèles d’IA plus résilients et plus fiables. L’un des domaines clés est l’effort de recherche mondial mené pour développer des approches innovantes en matière d’IA explicable (XAI). L’objectif de l’XAI consiste à développer des cadres pour rendre le processus de prise de décision par l’IA plus transparent et responsable et d’améliorer la fiabilité, la prise de décision, et le respect des règlementations en vigueur.

Ces cadres développés par XAI vont devoir d’abord, pour être applicables et avoir un impact, relever trois défis majeurs : les solutions de boîte noire en raison de la complexité des modèles, les limites posées par un accès plus large aux données pour l’analyse des modèles en raison de la confidentialité des données, et un paysage réglementaire de l’IA en rapide et constante évolution.

Du côté de la réglementation, la récente initiative AI Act adoptée par l’Union européenne constitue le premier vrai effort pour établir un cadre réglementaire complet pour les systèmes d’IA. Cette réglementation adopte une approche fondée sur le risque : plus le niveau de risque est élevé, plus les réglementations liées à l’IA sont strictes. Les systèmes d’IA à haut risque doivent répondre à un large éventail d’exigences, parmi lesquelles l’explicabilité et la documentation, la gouvernance des processus basés sur l’IA, la gouvernance des données, la surveillance humaine, la gestion des risques et l’auditabilité. À mesure que des cadres réglementaires similaires axés sur l’IA seront mis en place dans d’autres régions et pays, il faudra garantir un certain degré de cohérence réglementaire mondiale fondée sur le risque afin d’encourager l’innovation continue en matière de capacités et de solutions d’IA.

Les possibilités créées par l’IA sont, en principe, presque illimitées, à condition que des équipes, des solutions et des processus adaptés soient mis en place. Comme de nombreux dirigeants d’entreprise envisagent d’adopter une stratégie de cloud hybride prise en charge par une plateforme commune et une couche d’automatisation afin de leur garantir davantage de liberté et de flexibilité, la même chose s’applique dans le cadre de l’IA. Il s’agit d’offrir à toutes les équipes de l’entreprise une expérience cohérente et centralisée lors de la formation, de la maintenance, de la mise au point et du déploiement de modèles d’IA en production. En outre, un environnement holistique (par opposition à un environnement siloté) évitera d’avoir trop de points de défaillance et aidera à normaliser les tests et la validation pour répondre aux exigences de contrôle et de transparence fondamentales pour pouvoir obtenir les approbations réglementaires et faire évoluer l’IA.

Intelligence artificielle, machine learning… Ces “buzzwords” sont devenus des incontournables du vocabulaire technologique, mais combien de personnes comprennent réellement leur signification profonde ? Avant de nous aventurer plus loin dans cet article pour comprendre comment ces technologies peuvent être mises au service du e-commerce, prenons le temps de dissiper le mystère qui les entoure.

L’intelligence artificielle (IA) se caractérise par la création d’algorithmes informatiques capables d’accomplir des tâches avec une “certaine” intelligence. Ce domaine est très vaste et regroupe des dizaines de champs d’études comme par exemple les systèmes distribués (systèmes multi-agents), la résolution de problèmes d’optimisation (métaheuristique), la construction de systèmes experts, la satisfaction de contraintes ou encore la planification.

Le machine learning est l’un de ces champs d’étude de l’IA. Les algorithmes de machine learning ont la capacité d’apprendre de la donnée et d’en extraire de l’information pertinente grâce à l’application de règles statistiques qui définissent un modèle d’apprentissage. Avec le machine learning, le développeur ne code plus directement le moyen de résoudre un problème mais le moyen d’apprendre à résoudre le problème sur la base de données.

L’apprentissage automatique se décompose généralement en deux phases fondamentales : l’apprentissage et la prédiction. Durant la phase d’entraînement, l’algorithme ajuste ses paramètres en utilisant un ensemble de données, apprenant ainsi les modèles et relations sous-jacents présents dans les données. Une fois le modèle entraîné, il peut être déployé pour effectuer des prédictions ou prendre des décisions sur de nouvelles données au cours de la phase d’inférence.

Lorsque l’on sait qu’un site e-commerce gère une large gamme de produits, attire de nombreux utilisateurs effectuant diverses actions (navigation, expression d’un intérêt pour les produits, achats) et que tout cela génère une quantité considérable de données… On réalise immédiatement le potentiel significatif des algorithmes de machine learning dans la compréhension du comportement du visiteur et, par conséquent, dans l’amélioration directe de l’expérience client et l’optimisation des ventes.

Pour garantir l’efficacité de ces algorithmes, deux ingrédients sont nécessaires : des données de qualité et des contextes d’utilisation spécifiques. En voici quelques exemples concrets.

Le machine learning pour optimiser la recherche de produits

En matière de search, le machine learning peut être employé de différentes manières :

– Pour optimiser la compréhension automatique du sens sémantique d’une requête.
Illustrons cela avec une recherche vocale. Lorsqu’un visiteur exprime “Je voudrais un canapé gris s’il te plaît”, le moteur de recherche, basé sur le machine learning, peut discerner que les termes importants sont “canapé gris” et que “gris” correspond à une couleur, en mettant de côté le reste de la phrase. Grâce à des technologies issues du NLP (Natural Language Processing) ou plus récemment grâce aux LLMs (Large Language Models), le moteur de recherche a la capacité de comprendre sémantiquement l’utilisateur, même si la phrase est formulée en langage naturel, de manière complexe.

– Pour proposer des produits en cas d’expression de recherche inconnue.
En cas d’expression de recherche inconnue, il est envisageable d’utiliser un algorithme de réouverture. Celui-ci permet de présenter des articles pertinents même s’ils sont désignés avec des termes différents. Par exemple, si un visiteur saisit “sombrero”, le site marchand pourra proposer des bonnets en hiver ou des chapeaux de paille en été. Cette capacité résulte du fait que le machine learning comprend sémantiquement que “sombrero” est proche de “bonnet” ou de “chapeau”.

Un autre aspect de l’application de ces algorithmes consiste à personnaliser le parcours client.

Les algorithmes de machine learning ouvrent des perspectives en matière de personnalisation

Celle-ci peut se faire notamment au niveau du ranking de produits et se manifeste dans divers contextes :

– la saisonnalité : le ranking peut varier en accord avec les saisons. Par exemple, si les visiteurs cherchent des pulls en été, le système privilégiera des articles plus légers, tandis qu’en hiver, il mettra en avant des pulls plus épais et chauds.

– l’appétence utilisateur : lorsque ce dernier effectue des recherches de produits pour hommes puis saisit le terme “chaussures”, les résultats de recherche pourront être orientés vers les chaussures destinées aux hommes.

– le profil utilisateur : il est possible d’apprendre à classifier les clients et définir des profils types qui serviront ensuite à personnaliser les réponses du moteur de recherche ou des algorithmes de recommandation, voire à créer des listings de produits personnalisés sur la page d’accueil par exemple.

– les mots clés tapés : lorsque l’utilisateur saisit “jean”, le moteur de recherche comprend qu’il cherche principalement des pantalons plutôt que des vestes en jean, une déduction tirée de son apprentissage des attentes des utilisateurs. En ajustant le ranking en fonction des mots clés, le machine learning organise les produits de manière pertinente, en intégrant par exemple des notions de best-sellers.

La personnalisation peut également s’étendre à d’autres aspects, comme par exemple dans:

– les fiches produits : des suggestions peuvent être faites pour des produits populaires qui se marient bien avec celui que l’utilisateur visualise. Cette fonctionnalité repose sur des algorithmes de type cross-sell, identifiant les produits fréquemment achetés ensemble. De plus, il est possible d’afficher les choix d’autres clients qui ont acheté le même produit, offrant ainsi des suggestions complémentaires pour un panier. Une autre possibilité serait de suggérer des articles similaires, mais dans une gamme de prix supérieure (up sell).

– la page d’accueil : des produits personnalisés peuvent être proposés à l’utilisateur en fonction de son historique. Cela peut se faire de différentes manières : en ouverture pour lui faire découvrir des articles qu’il ne connaît pas encore mais qui pourraient l’intéresser, ou en fermeture pour lui suggérer des produits qu’il a déjà achetés ou qu’il acquiert fréquemment. Cette approche est particulièrement pertinente dans l’alimentaire, où la recommandation de produits réguliers facilite l’expérience d’achat.

Les scénarios d’utilisation mentionnés se concentrent sur des améliorations directes de l’expérience client. Parallèlement, le machine learning peut également contribuer à fournir aux personnes qui gèrent le site marchand des pistes d’amélioration de leurs tâches professionnelles.

Les algorithmes de machine learning : des alliés puissants pour les e-merchandiseurs

Considérons une situation où un groupe de produits semble mal ventilé au sein d’une catégorie. Les algorithmes de machine learning ont la capacité de détecter cette situation et de la signaler. Une intervention humaine serait ensuite nécessaire pour évaluer et qualifier la catégorie. De plus, les algorithmes peuvent également repérer des catégories qui manquent de pertinence, regroupant une variété de produits sans lien significatif et suggérer de la diviser en sous-catégories plus spécifiques.

Ces algorithmes offrent également aux e-merchandiseurs des suggestions de synonymes pertinents à intégrer dans le Back Office. Cette fonctionnalité repose sur l’analyse des zéro résultats des utilisateurs, permettant ainsi une optimisation fine des résultats de recherche. Par exemple, la proposition de synonymes tels que ‘applique murale’ pour ‘luminaire’, ou encore ‘chemise de nuit’ pour ‘nuisette’, démontre la capacité de ces technologies à anticiper et répondre aux attentes des clients.

En conclusion

L’expertise des algorithmes de machine learning réside dans leur aptitude à assimiler finement les comportements des utilisateurs, à identifier des tendances, à classifier et à révéler des corrélations significatives entre les produits. Cette capacité en fait des outils incontournables pour optimiser l’expérience globale des utilisateurs, en particulier dans les domaines de la recherche et de la recommandation. Ils ouvrent ainsi la voie à une expérience utilisateur plus immersive et personnalisée, contribuant de manière conséquente à maximiser le taux de conversion sur le site marchand.

À quoi ressemblera le futur de la recherche en ligne ? Il est certain qu’il ne se limitera plus aux requêtes par mots-clés telles que nous les connaissons aujourd’hui. Les évolutions récentes de l’intelligence artificielle, notamment dans le domaine de l’IA générative ; comme par exemple les LLMs (modèles de langage naturel capables de comprendre et générer du texte humain) utilisés par ChatGPT ; ouvrent la voie à de nouvelles perspectives.

Ces avancées technologiques offrent des opportunités de réinventer la manière dont nous utilisons les moteurs de recherche et pourraient évoluer vers une interaction plus directe, où la discussion avec les moteurs de recherche deviendrait aussi naturelle que celle avec un vendeur physique en magasin.

Demain, l’expérience utilisateur sur les sites web pourrait subir une transformation majeure, marquant une évolution significative par rapport à nos habitudes actuelles.

Nous sommes au cœur de la révolution de l’IA, un moment qui promet de redéfinir le paysage du travail tel que nous le connaissons. Alors que cette révolution prend de l’ampleur, une question pressante se pose : les emplois sont-ils confrontés à une menace existentielle ? Le potentiel de transformation de l’IA devenant de plus en plus évident dans tous les secteurs d’activité, nous trouvons-nous à un tournant décisif ? Quels défis et opportunités représente l’IA pour le marché de main-d’œuvre ? Aujourd’hui, l’exploration de la manière dont l’IA remodèle le marché du travail révèle qu’il ne s’agit pas de remplacer des emplois, mais plutôt de les améliorer.

Une évolution des rôles professionnels

L’étude du passé révèle que de nombreux rôles ont disparu au fil du temps, laissant place à de nouvelles opportunités. Les emplois de rêve d’antan, comme travailler dans des magasins de disques remplis de vinyles et de CD, ont largement disparu. De même, des fonctions telles que celles d’opérateur de cartes perforées dans les années 50 ou d’opérateur téléphonique dans les années 30, autrefois essentielles, ont été rendues obsolètes par les progrès technologiques. Pourtant, ces changements ont ouvert la voie à de nouvelles carrières. Les emplois les plus demandés aujourd’hui, tels que les community managers, n’existaient pas il y a quelques décennies, ce qui témoigne de la nature dynamique du marché de l’emploi. Cette évolution démontre un schéma récurrent : à mesure que les anciens emplois disparaissent, de nouveaux rôles, différents et souvent plus passionnants, apparaissent, reflétant les besoins et les capacités en constante évolution de notre société.

Historiquement, chaque révolution technologique a entraîné des changements économiques importants, alimentant des croissances économiques sans précédent, et créant des industries et des rôles professionnels entièrement nouveaux presque du jour au lendemain. Aujourd’hui, nous sommes à l’aube d’une nouvelle révolution avec l’IA. Cette technologie transforme l’économie, modifie le marché du travail et suscite de profondes questions sociales et éthiques. Ces transformations suscitent souvent, dans un premier temps, des craintes et des résistances, mais elles débouchent en fin de compte sur un élargissement des possibilités économiques et une amélioration de la qualité de vie. Embrasser ces changements plutôt que d’y résister permet d’en exploiter tout le potentiel.

L’essor de l’économie des services

L’impact de l’IA sur le travail est déjà évident. Les données de diverses plateformes révèlent une augmentation constante du travail en freelance. Malgré les fluctuations des offres d’emploi traditionnelles, le travail en freelance est de plus en plus répandu. En 10 ans, il y a eu une augmentation de 92 % de freelances en France (Eurostat, Statista), surtout depuis la crise sanitaire de 2019. Cette tendance est le reflet d’une évolution plus large vers une économie du travail à la tâche, dans laquelle l’IA joue un rôle crucial en facilitant l’efficacité et l’innovation. Les freelances, dotés d’outils d’IA, peuvent désormais offrir des services spécialisés qui étaient autrefois réservés aux grandes entreprises, démocratisant ainsi l’accès à des ressources de haute qualité et égalisant les chances des petites entreprises et des entrepreneurs individuels.

Les vagues d’innovation sont de plus en plus spectaculaires et se produisent à intervalles plus courts. Des innovations dont l’adoption prenait autrefois des décennies sont désormais intégrées en l’espace de quelques années, voire de quelques mois. L’IA en est un excellent exemple, car elle est rapidement adoptée dans divers secteurs. Cette accélération exige de s’adapter rapidement et de garder une longueur d’avance pour tirer parti de ces avancées de manière efficace. La vitesse à laquelle l’IA est adoptée peut être attribuée à sa polyvalence et à son potentiel de révolutionner d’innombrables secteurs, de la santé à la finance en passant par les arts créatifs. Cette intégration rapide met en évidence la nécessité d’un apprentissage continu et d’une agilité dans le développement professionnel.

Répondre aux questions sociales et éthiques

Considérez les trois phases des révolutions technologiques : l’introduction d’une technologie perturbatrice, l’impact économique et les questions sociales et éthiques qui en découlent. Au cours de la révolution industrielle, les machines ont remplacé une grande partie de la main-d’œuvre, ce qui a suscité des inquiétudes quant à la perte d’emplois et aux disparités économiques. L’ère des “dot-com” dans les années 90 et 2000 a mis au premier plan les questions relatives à la protection de la vie privée. Aujourd’hui, l’IA suscite des débats sur l’autonomie et l’utilisation éthique de la technologie, y compris les défis posés par les “deep fakes”. Cela souligne l’importance d’aborder non seulement les implications économiques des nouvelles technologies, mais aussi les impacts sociétaux, en veillant à ce que les progrès profitent à tous et atténuent les préjudices potentiels.

Depuis le lancement d’outils d’ IA tels que ChatGPT, on observe une augmentation exponentielle des recherches liées à l’IA. Les entreprises explorent le potentiel de l’IA dans diverses applications, de la création de premières ébauches au développement de projets complets. Cette tendance souligne le rôle de l’IA dans la modification des procédés et l’amélioration de la productivité. La capacité de l’IA à traiter et à analyser rapidement de grandes quantités de données permet aux entreprises de prendre des décisions plus éclairées, de rationaliser leurs opérations et d’innover plus rapidement que jamais.

Pour prospérer aujourd’hui, entreprises et individus sont bien inspirées d’ adopter un état d’esprit proactif et adaptable. L’IA offre un accès démocratisé aux connaissances, mais il faut dépasser les résultats moyens en y ajoutant créativité et originalité, afin de garantir compétitivité et innovation. L’adaptabilité est clé, surtout en marketing : se remettre en question, rester curieux et adopter les nouvelles technologies permet de saisir les opportunités de l’IA et de réagir aux changements rapides. Les entreprises cultivant cette adaptabilité prospéreront face aux bouleversements technologiques.

“Lorsqu’un travailleur indépendant trouve en l’IA une solide source de productivité , cela reflète bien la situation actuelle : l’IA n’est pas une menace, mais un outil qui, utilisé de manière créative et efficace, peut considérablement améliorer la vie professionnelle” note Franck Thomas, responsable France de Fiverr. Cette dernière peut offrir des avantages concurrentiels, en permettant aux individus de fournir un travail de meilleure qualité et de manière plus efficace. Ceci, à son tour, peut conduire à une plus grande satisfaction des clients, à un développement de l’activité et à une croissance globale de la carrière.

En conclusion, la société a entamé la révolution de l’IA. Cette technologie offre un potentiel incroyable pour transformer le travail, en rendant les gens plus productifs et plus innovants. Pour les freelances, adopter l’IA n’est pas une fin en soi mais un moyen d’élever son niveau de jeu. L’avenir présente de vastes possibilités, et la clé du succès consiste à considérer l’IA comme un partenaire de progrès, travaillant aux côtés de l’ingéniosité humaine pour réaliser des avancées jusque-là inédites.

L’intelligence artificielle générative (GenAI) suscite un engouement considérable, marquant potentiellement le début d’une ère nouvelle en technologie. Tandis que la France et l’Europe peinent à tenir le rythme face aux géants américains et chinois dans le domaine de l’IA, la GenAI émerge comme un catalyseur possible de transformation profonde, notamment en France et en Europe. Mais derrière cet enthousiasme, quelle réalité se dessine ?

De nombreuses initiatives, à la fois publiques et privées, menées par des innovateurs tels que Mistral.ai, Probabl.ai, ou The H Company œuvrent à rattraper un retard scientifique significatif. Cependant, ces investissements vers la GenAI sont aujourd’hui principalement dirigés vers la recherche. Les géants du CAC 40, quant à eux, semblent également déployer de gros efforts en R&D dans la création et la spécialisation de modèles fondationnels français (ou non).

L’écueil majeur rencontré en IA ces dix dernières années réside dans notre incapacité à transférer l’IA des laboratoires vers le terrain. La question se pose alors : la GenAI ne va-t-elle pas renvoyer tous les efforts des dernières décennies dans les laboratoires ?

L’IA générative est certes impressionnante et ouvre de nombreuses possibilités d’utilisation pour les entreprises. Cependant, elle distrait souvent les acteurs économiques des plans stratégiques Data & IA établis depuis des années en France. Les modèles de langage de grande taille (LLM) adoptent une approche « one-size-fits-all » qui peut rendre les organisations moins attentives à leur stratégie globale de données, les détournant ainsi de cas d’usage métier spécifiques, bien que moins séduisants.

Il est crucial de ne pas laisser la GenAI détourner les entreprises des opportunités immédiates et tangibles offertes par des technologies plus matures comme le deep learning, qui, en particulier en dehors des LLM, est prêt pour un déploiement massif. Des domaines comme la vision par ordinateur (computer vision) ont atteint une maturité qui permet une industrialisation à grande échelle. Si tous les investissements se concentrent exclusivement sur la GenAI, nous risquons de négliger ces technologies prêtes à l’emploi. Cela pourrait nous priver des moyens nécessaires pour industrialiser et déployer des applications pratiques de deep learning, telles que la reconnaissance d’images et l’analyse vidéo, qui peuvent transformer divers secteurs industriels et impacter positivement l’environnement.

Dans ce contexte, les récents engagements du président Emmanuel Macron, qui a annoncé des investissements supplémentaires de l’État dans l’IA, sont une occasion de renforcer nos efforts dans l’industrialisation et le déploiement de ces technologies. Si ces investissements visent à propulser la France et l’Europe en leaders de la recherche en IA, essayons également de devenir leader dans son industrialisation !
La GenAI, avec ses promesses de révolution industrielle et d’innovation sans précédent, mérite une attention critique et nuancée. Pour les entreprises françaises et européennes, l’enjeu est de taille : il ne s’agit pas seulement d’adopter cette technologie parce qu’elle est à la mode, mais de l’industrialiser de manière stratégique.
L’intégration judicieuse de la GenAI doit renforcer les opérations existantes, catalyser la croissance et améliorer la compétitivité sur le long terme. Plutôt que de suivre aveuglément la vague, les entreprises sont appelées à naviguer avec discernement, alignant innovation et stratégie opérationnelle pour transformer véritablement l’essai en un succès durable.

Les technologies d’IA, de ML et d’automatisation sont en train de remodeler en profondeur les industries. Une récente enquête de Deloitte indique que 93 % des entreprises manufacturières estiment que l’IA sera une technologie clé pour stimuler la croissance et l’innovation.

L’industrie manufacturière a tout à gagner car elle s’appuie sur différents systèmes d’ingénierie qui génèrent de grandes quantités de données, lors de la curation des données, de la conception, ou encore lors de la création de modèles d’IA dans la fabrication des produits. Ces systèmes peuvent être liés à la gestion du cycle de vie des produits (PLM), la planification des ressources de l’entreprise (ERP), ou encore le pilotage de la production (MES). En outre, il existe une grande diversité de données dans l’écosystème des fournisseurs, des équipementiers, des régulateurs et d’autres parties prenantes.

D’autre part, les fusions et acquisitions courantes dans cette industrie, entraînent la nécessité d’intégrer constamment de nouveaux concepts, de nouvelles données et une nouvelle culture au sein des entreprises.

L’IA et le Machine Learning (ML) au service des résultats de l’entreprise

Au cours des dernières années, l’IA et l’automatisation ont eu un impact significatif sur l’industrie manufacturière en offrant la possibilité d’examiner les données historiques, de les nettoyer et de les rationaliser. L’IA peut supprimer les informations en double et réduire le nombre de biais afin d’assurer la normalisation de la base de données.

Les systèmes traditionnels d’ingénierie ont permis jusqu’à aujourd’hui de traiter, conserver et réutiliser les connaissances existantes. Ces systèmes transitent vers l’IA de nouvelle génération. Ils offrent une plus grande précision et une meilleure traçabilité, qui sont des atouts importants pour la recherche et le développement de la plupart des chaînes de valeur des produits. Les grands modèles de langage permettent désormais d’apporter l’échelle nécessaire au traitement et à l’extraction des connaissances à chaque fois que cela est nécessaire.

Les algorithmes d’IA peuvent piloter des analyses prédictives de la demande et de l’offre en utilisant des modèles ML simples, des modèles de réseaux neuronaux ou des réseaux neuronaux profonds.

Intégration et centralisation des données

Les outils alimentés par l’IA peuvent collecter et intégrer des données provenant de divers systèmes d’enregistrement, tels que les logiciels de CAO/FAO, les appareils IoT, les systèmes ERP, et plus encore, et compléter les entreprises grâce à leurs capacités d’IA. Par exemple, un réseau neuronal artificiel a été utilisé pour une entreprise aérospatiale mondiale afin d’aider à équilibrer les moteurs d’avion.

Nettoyage et préparation des données

L’automatisation peut contribuer au nettoyage et à la préparation des données pour l’analyse, en réduisant les efforts manuels et le temps requis pour le nettoyage des données. Par exemple, une classification et un résumé de documents juridiques ont été fournis à une entreprise d’informatique et d’électronique grand public.

Maintenance prédictive

Les modèles de maintenance prédictive pilotés par l’IA analysent les données provenant de capteurs et d’appareils IoT pour prédire quand un équipement ou une machine est susceptible de tomber en panne. Par exemple, une société minière mondiale utilise des camions lourds de type mammouth pour transporter le minerai. Un travail a été mené avec leurs équipes pour développer les modèles de diagnostic et de pronostic pour les camions afin d’identifier et de prédire les défaillances. L’ensemble du processus a été développé dans le cadre d’un projet de retour sur investissement.

Recommandations contextuelles et optimisation des performances

L’ingénierie des connaissances peut être utilisée pour développer des systèmes de recommandation qui fournissent aux utilisateurs des contenus, des produits ou des services pertinents en fonction de leurs préférences et de leur comportement. Cela peut grandement améliorer l’expérience de l’utilisateur en rendant les interactions plus efficaces et plus satisfaisantes.

Le contrôle et l’optimisation des performances des produits par le biais de tests utilisateurs permettent d’identifier et de résoudre les problèmes qui ont une incidence sur l’expérience des utilisateurs, ce qui débouche sur des conceptions plus accessibles.
Les ingénieurs logiciels peuvent développer des solutions logicielles personnalisées et des outils d’automatisation qui rationalisent divers processus de fabrication. Cela permet de réduire le travail manuel, de minimiser les erreurs et de garantir une qualité constante des produits, ce qui améliore l’expérience des opérateurs et des utilisateurs finaux.

Maximiser le potentiel de l’IA

Il n’est pas facile pour les fabricants d’intégrer les capacités de l’IA dans leurs systèmes et infrastructures existants. Il existe une résistance culturelle, un manque de talent et l’incapacité d’absorber les nouveaux algorithmes d’IA dans les systèmes existants. Ainsi, il est essentiel de préparer l’organisation à surmonter les obstacles, à conduire le changement et à favoriser une culture de l’innovation pour que l’adoption de l’IA soit couronnée de succès. Les chefs d’entreprise doivent ainsi identifier les freins technologiques qui entravent l’adoption de l’IA, telles que l’infrastructure obsolète, le manque de talents qualifiés ou les problèmes de cybersécurité, la croissance future de l’entreprise, et y remédier par le biais d’investissements et de formations.

Les leaders du secteur doivent ainsi devenir les fers de lance de l’innovation et du changement. Il se doivent de créer des espaces et des processus qui encouragent les employés à réfléchir, à expérimenter et à proposer des idées novatrices. Aussi, ils doivent mettre en place les formations nécessaires pour leurs employés et tirer ainsi pleinement parti des nouvelles technologies pour prendre les devants sur le secteur.

En 2023, le marché mondial de la géolocalisation a atteint une valeur de 18,52 milliards de dollars et pourrait enregistrer une croissance annuelle de 15,6 % sur la période 2023-2030, selon Grand View Research. La croissance du marché en France peut être expliquée par plusieurs facteurs, les services de géolocalisation devenant rapidement un aspect essentiel de la vie quotidienne de nombreuses personnes, avec une dépendance accrue aux logiciels de navigation, aux applications de covoiturage ou aux mises à jour des transports en temps réel.

L’intelligence de localisation joue un rôle décisif en connectant les éléments de données existants au contexte géospatial environnant. Dans un monde de plus en plus data driven, les données spatiales offrent une valeur ajoutée incontestable. Tous les points de données entretiennent des liens avec le monde physique, que ce soit à travers les domiciles ou les adresses professionnelles des clients. Elles peuvent révéler des informations sur leurs revenus probables, leur situation familiale et leur mode de vie. Les entreprises, qu’elles soient clientes ou concurrentes, opèrent sur divers marchés et dans différents domaines de services. De même, les modèles météorologiques et de circulation, en s’étendant dans le temps et l’espace, fournissent des informations précieuses aux décideurs qui ont à leur disposition les données et les outils appropriés.

Les cas d’utilisation des données géospatiales sont pratiquement illimités. Les institutions financières y recourent pour détecter les anomalies et identifier les potentiels cas de fraude, par exemple. En combinant des données météorologiques en temps réel avec des informations sur les assurés, ils sont en mesure d’avertir leurs clients de l’imminence d’un ouragan, d’une tempête ou d’un événement similaire. Enfin, les opérateurs de télécommunications s’appuient pour leur part sur la géolocalisation pour une meilleure compréhension des besoins des clients et pour s’assurer de l’optimisation de la planification du réseau. Trois principales tendances émergent ainsi en matière d’intelligence de localisation observées pour 2024.

Les informations de localisation, gage de meilleurs résultats en matière d’IA

L’intelligence artificielle révolutionne le fonctionnement des entreprises dans tous les secteurs d’activité. Il est nécessaire de garantir que les données utilisées pour l’apprentissage des modèles d’IA soient intègres, avec une précision, une cohérence et un contexte des plus exigeants, afin d’optimiser les performances.

Sans contexte des nuances et des dépendances d’un scénario réel donné, l’IA peut finir par baser ses recommandations sur une partie infime de la situation globale. Cela peut conduire à des résultats incomplets, inexacts ou non pertinents du point de vue du contexte, avec des conséquences potentiellement dangereuses par la suite.

Pour mieux comprendre les comportements d’achat des clients et autres acteurs du marché, les entreprises doivent ainsi utiliser des données de localisation pour enrichir leurs modèles. Cette pratique relie l’emplacement des consommateurs à diverses données, améliorant ainsi l’efficacité du modèle. Il est donc nécessaire d’intégrer des jeux de données tiers et des informations spatiales pour augmenter la valeur, la précision et l’utilité des données pour les applications d’IA.

Le geo addressing au service du succès de la livraison du dernier kilomètre

Pour répondre aux attentes croissantes des consommateurs en matière de livraison rapide et fiable, les entreprises doivent intégrer des données de localisation dans leurs processus logistiques afin d’optimiser la livraison du dernier kilomètre. C’est la dernière étape cruciale du parcours d’un colis, généralement lorsqu’il quitte un centre de distribution pour atteindre sa destination finale. Les livraisons à domicile sont devenues si courantes au quotidien qu’elles passent souvent inaperçues, jusqu’à ce qu’un problème ne survienne. La montée en popularité des services de livraison alimentaire et des achats en ligne proposant la livraison le jour même, ont en effet élevé encore davantage le niveau d’attente : les consommateurs recherchent de manière croissante des expériences rapides, abordables et sans erreur.

De plus, les problèmes de livraison du dernier kilomètre émanent souvent de données d’adresse incomplètes. Par exemple, en cas d’informations de livraison incomplètes, le livreur ne peut mener sa mission à bien ou accuser des retards sur son planning, voire celui de collègues contraints de prendre le relais; affectant à la fois l’expérience des clients et des livreurs eux-mêmes.

Ainsi, les entreprises intègrent de plus en plus des solutions de geo addressing et d’enrichissement des données pour obtenir des informations pertinentes sur leurs clients. Le geo addressing combine le géocodage avec la vérification et l’auto-complétion des adresses, assurant ainsi des livraisons réussies et une expérience client fluide.

L’intelligence de localisation, moteur de l’intégrité des données

Cependant, afin de maximiser le potentiel des données de localisation, les entreprises doivent d’abord s’attaquer à la qualité de leurs données. Nous avons pu constater que 41% reconnaissent que la mauvaise qualité des informations de localisation constitue le principal frein à l’utilisation optimale des données de localisation dans leur organisation. Il est crucial de normaliser et de vérifier les données pour garantir leur adéquation à leur utilisation prévue.

En somme, l’impact des données de localisation repose sur un solide cadre de gouvernance des données, alignant le personnel, les processus et la technologie pour permettre aux entreprises de comprendre et de faire confiance aux données et métadonnées de localisation pour répondre à leurs impératifs. En abordant les problèmes de qualité des données et en éliminant les silos, les entreprises peuvent avancer vers le parcours pour l’intégrité de leurs données.

La crise sanitaire a mis en exergue notre manque de souveraineté. Le secteur de l’industrie de la santé a particulièrement été pointé du doigt et a cristallisé la désindustrialisation de la France. En effet, en l’espace de 15 ans, la France est passée de leader européen de la production de médicaments à la 5e place et 40% des médicaments commercialisés dans l’UE sont produits hors d’Europe.

Face à ce constat sombre, les pouvoirs publics ont massivement soutenu des plans de relocalisation et de réindustrialisation afin de permettre la production de produits de santé sur notre territoire. Cependant, cette réindustrialisation se déroule dans un contexte très particulier : les industriels sont confrontés simultanément à une nouvelle révolution industrielle faisant appel aux nouvelles technologies (IoT, Big Data, IA…) et à une pénurie de personnel qualifié d’une ampleur inédite. Comment les industries de santé s’adaptent-elles à l’orée de la quatrième révolution industrielle ? De quelle façon repenser les formations des salariés, à travers le prisme des nouvelles technologies ? En prenant l’exemple de la région Hauts-de-France, cette dernière concentre une filière santé qui a pour particularité de donner une place prépondérante aux métiers de la production industrielle.

La quatrième révolution industrielle, ou industrie 4.0

Le Conseil National de l’Industrie définit l’industrie du futur comme : « l’ensemble de transformations des systèmes de production permises par les nouvelles technologies, qui permettent à l’industrie de gagner en compétitivité et en flexibilité et d’innover mais aussi de répondre aux nouvelles exigences environnementales et sociales.

Cette filière regroupe le secteur des machines et solutions industrielles intelligentes (mécanique, électrique, électronique, numérique, robotique, fabrication additive…) ainsi que l’offre digitale. L’objectif est d’accompagner la montée en gamme et la compétitivité de l’industrie française. ».

Cette définition met ainsi en avant le vrai bouleversement des pratiques dans le milieu industrie, et tout particulièrement dans le milieu de la santé qui est soumis à des contraintes réglementaires très strictes.

Les industries de la santé sont ainsi particulièrement intéressées par l’apport des outils numériques et du traitement des données. Les logiciels de pilotage de la production (MES) permet une meilleure synchronisation des maillons de la chaine de production et d’éviter les goulots d’étranglement. L’exploitation des données permet également de mieux traiter les signaux faibles et agir en conséquence. Par exemple, trois sites pilotes de Novartis proposent une détection précoce des dérives de pH et de température grâce à l’intelligence artificielle, permettant de corriger le tir au plus vite et éviter de dépasser seuil où le lot devrait être détruit, permettant des économies.

Si les avantages semblent évidents, les entreprises de la santé restent encore peu avancées dans la transition par rapport aux autres industries (automobile, aéronautique…)

D’après l’enquête du GIE Eurasanté auprès de l’écosystème régional Hauts-de-France des industries de santé, moins de la moitié (44%) des entreprises interrogées ont initié leur transition vers l’industrie 4.0, Ce relatif retard s’explique notamment par les investissements importants pour acquérir les nouveaux outils de production, mais il se traduit également par un retard dans la formation des salariés aux enjeux de l’industrie du futur.

Un vrai bouleversement des besoins en formation

Le secteur industriel fait face à une véritable pénurie de personnel et un turnover important. L’industrie pharmaceutique a été l’un des rares secteurs à voir son nombre de salariés augmenter lors de la crise sanitaire. En 2021, environ 11% des postes proposés dans le secteur pharmaceutique n’étaient pas pourvus. Le secteur n’attirant pas particulièrement les plus jeunes dont seulement 28% d’entre eux déclarent envisager de travailler dans les entreprises du médicament.

Les enjeux de formation sont ainsi doubles : il faut adapter la formation aux évolutions des pratiques et des contraintes réglementaires et réussir à rendre la formation pertinente pour un public qui n’est pas sensibilisé aux enjeux de l’industrie de santé. Il y a donc une urgence à repenser la formation des salariés, en changeant complétement de paradigme pour intégrer les outils numériques et mettre l’emphase sur la pratique et proposer une vraie stratégie d’onboarding.

Ces enjeux de formation étant intimement liés à la transition vers l’industrie 4.0, de nombreuses solutions numériques proposent à la fois des outils de suivi de production et un volet formation pour les salariés.

C’est par exemple ce que propose la société Picomto, basée dans la région lilloise. Picomto propose de digitaliser les opérations de production en permettant de se basant sur les outils numériques pour former les salariés et pour contrôler la production.

Toujours dans une optique de formation, nous voyons émerger des outils utilisant des jumeaux numériques (digital twins) de l’usine pour proposer des modules de formation aux salariés. C’est par exemple la proposition de valeur d’Hakobio, qui, en partenariat avec le groupe de formation IMT, propose aux industriels de créer un jumeau numérique de leur entreprise pour ensuite simuler la chaine de production au plus près de la réalité du terrain et donc mieux former les salariés.

L’apport de l’IA est pour le moment assez limité dans l’offre de formation, mais son utilisation devrait se populariser. En effet, l’un des principaux défis de la formation des salariés réside dans “l’adaptative learning”, l’adaptation du programme de formation aux acquis du salariés et à ses besoins spécifiques. Dans cette optique, l’IA est un outil puissant afin de personnaliser l’expérience des salariés et proposer une formation la plus efficace possible.

Ainsi, l’industrie de santé est en pleine transformation et sa digitalisation est une étape importante pour assurer la compétitivité de l’industrie française. Le numérique s’impose à la fois dans les outils de production, mais également dans les outils de formation. Si cette transition reste pour le moment timide dans le secteur de la santé, il y a un vrai enjeu à accompagner l’industrie dans ce virage et surtout investir dans la formation des salariés, qui resteront les éléments les plus importants de la chaine de production.

Les solutions technologiques basées sur l’IA s’étant développées très rapidement au point d’envahir notre quotidien, on comprend aisément pourquoi certains marketeurs – y compris les plus avertis – éprouvent quelques réticences à les adopter pleinement.

Principal problème relevé par ces derniers : le fait que les outils d’IA fournissent des informations parfois erronées. Près d’un marketeur sur deux qui recourt à l’IA générative a en effet déjà reçu des informations générées par l’IA qu’il savait inexactes. Plus préoccupant, un marketeur sur trois seulement serait capable d’identifier avec certitude si des informations fournies sont inexactes.

La partialité de l’IA est également un sujet : les outils d’IA sont connus pour être parfois sources d’informations biaisées. Si les équipes qui créent les modèles d’IA ne sont pas assez diversifiées, si elles n’ont pas connu suffisamment d’expériences différentes, les modèles d’IA seront alimentés avec des informations à la partialité proportionnelle à ce manque de diversité.

En outre, les marketeurs ne veulent pas dépendre trop largement des technologies d’IA. Ils se sont efforcés d’affûter leurs compétences dans le domaine de l’e-mail marketing, la rédaction de contenus, l’analyse de données ou encore le SEO… Ils ne veulent pas cesser d’utiliser et perdre ces compétences durement acquises. Au passage, il apparaît indispensable de rappeler que l’IA n’a pas pour vocation de remplacer l’humain, elle l’aide à travailler plus rapidement, jusqu’à gagner 25 jours par an !

La question mérite donc d’être posée : comment mieux contrôler les informations fournies par ces outils et trouver l’équilibre entre IA et compétences humaines ?

S’assurer de l’exactitude du contenu généré par l’IA

L’IA est en théorie un merveilleux outil, qui peut néanmoins s’avérer assez imprévisible. La principale raison étant que les modèles qui alimentent la plupart, voire tous les outils d’IA générative, ne peuvent qu’extraire du contenu daté d’il y a deux ans ou plus. Difficile dans ce contexte de compter sur des informations fiables sur un sujet qui évolue très rapidement, au fil de l’actualité. Les sujets de niche sont ainsi également sources de réponses inexactes de la part de la machine. Les outils d’IA ne restituent que les informations dont ils ont été nourris. Ils ne peuvent les trouver par eux-mêmes.

Si l’on ne peut donc jamais être sûr de l’exactitude des résultats, il est possible, par contre, de choisir la façon dont on tire parti de l’IA générative. L’IA peut fournir des résultats assez précis lorsqu’il s’agit de sujets bien documentés, durables et facilement vérifiables. En dehors de ce genre de contenu, il faut rester vigilant et ne pas hésiter à vérifier via un moteur de recherche.

Les meilleures pratiques éthiques et vérification des données fournies par l’IA

Apprendre à utiliser l’IA à bon escient – Les outils d’IA ne conviennent pas à toutes les tâches. Les résultats seront insuffisants, non pertinents voire biaisés, pour tout ce qui demande de la créativité, de l’originalité, ou de construire une opinion ou un certain point de vue, comme sur des sujets controversés ou politiques.

Si une information paraît inexacte, il faut la vérifier – Les moteurs de recherche permettent d’accéder à un large inventaire de sources fiables. Plus les données sont récentes, mieux c’est.

Ne pas faire cavalier seul – Surtout si le besoin est de créer du contenu qui aborde un sujet potentiellement polémique, ou pouvant avoir de graves répercussions. Mieux vaut demander à une tierce personne de relire avant de le publier.

Ne pas confondre utilisation de l’IA pour stimuler votre créativité, et le pur plagiat – En équipe, il faut décider du pourcentage de contenu qui doit être modifié avant de le considérer comme propriétaire.

L’IA ne remplacera jamais la créativité de l’être humain ni les liens que ce dernier sait établir. Une machine n’a pas de vécu et ne peut ni se former une opinion, ni gérer et former un employé. Elle représente un merveilleux outil pour les marketeurs, mais est inutile sans un regard humain, une vision stratégique et une bonne implémentation. Il ne faut donc pas voir l’IA comme un moyen de sauter des étapes, mais bien comme un moyen d’accélérer la création de contenu.

Il n’est pas simple de suivre les avancées dans le domaine de l’intelligence artificielle, encore moins leur mise en œuvre. Cependant, face à la mise en place de nouvelles réglementations (IA Act ou la déclaration de Bletchley sur la sécurité de l’IA signée par 28 pays), il sera bientôt difficile d’invoquer cette excuse. Un cadre plus précis pour la réglementation de l’IA va faciliter sa mise en œuvre dans les entreprises, à condition de disposer d’un socle de données solide.

Principale conséquence, les dirigeants mettent la pression sur leurs collaborateurs en leur demandant de démontrer rapidement la valeur de l’IA pour l’entreprise. Ce sont les équipes en charge des données qui se trouvent en première ligne. Ces experts jouent un rôle clé dans toute stratégie d’IA, car leur mission consiste à alimenter les modèles en injectant des informations contrôlées tout en s’assurant de leur pertinence et de leur éthique.

Les équipes data entretiennent désormais avec l’IA des relations réellement fusionnelles. Certes, une de leurs missions consiste à vérifier les informations alimentant l’intelligence artificielle, mais pour réaliser son plein potentiel, l’IA peut avant tout les aider à extraire le maximum de valeur des données disponibles.

Améliorer les processus de données avec l’IA

S’il est reconnu depuis longtemps que les données massives engrangées par les entreprises cachent une valeur significative ; aujourd’hui l’IA peut jouer un rôle majeur dans l’amélioration des processus analytiques et contribuer à exploiter pleinement le potentiel non encore exploré des données.

Au-delà de la rapidité d’analyse souvent associée à l’IA, ces technologies sont capables de créer des modèles prédictifs qui permettent aux entreprises d’anticiper les tendances et leurs résultats, un avantage incontesté dans un contexte économique perturbé. Ainsi, dans le domaine de la santé, les entreprises collectent des données à chaque interaction avec le patient et à chaque test de diagnostic. Ces données sont ensuite utilisées pour prévoir de possibles goulots d’étranglement et le flux de patients entre les services, pour mieux répondre à la demande et dispenser les meilleurs soins possibles.

Le principal atout de l’IA pour les équipes data est bien là : apporter des réponses aux questions qu’elles ne se posaient même pas. Outre la capacité à analyser de très grandes quantités d’informations, l’IA peut instantanément identifier des relations, des formes, des patterns et des anomalies dans des jeux de données. Pour les entreprises cela signifie que sans être des data scientists, les utilisateurs métiers et les analystes seront capables de tirer des données toute leur valeur.

Et pourtant adopter l’IA ne se fait pas d’un coup de baguette magique. Les équipes data connaissent les difficultés que présente l’intégration de l’IA aux processus en place qui ont fait leurs preuves, même s’ils demeurent perfectibles. Des tests rigoureux et le respect des réglementations en vigueur sont essentiels pour créer un socle de données nécessaire à l’adoption de l’IA et atteindre l’équilibre entre le risque et l’innovation.

Mettre l’IA au service des équipes data

Conscients des avantages, mais aussi des interrogations que peuvent avoir les professionnels des données qui cherchent à améliorer les processus analytiques grâce à l’IA, comment appliquer concrètement ces techniques et les mettre en pratique pour maximiser leur valeur ?

• Trouver des quick wins : malgré la capacité de l’IA à gérer des données non structurées, c’est dans les informations structurées que se trouvent les gains les plus rapides. Connues et exploitées de façon régulière par les entreprises, ces données sont propres, fiables et représentent une bonne base pour tester des techniques d’IA plus sophistiquées sans prendre de risques.
• Choisir un cas d’usage pour mesurer l’impact de l’IA : fait désormais avéré, l’IA aura un fort impact dans les entreprises. Il est donc important d’associer l’IA à un cas d’usage précis pour produire un retour démontrable. Simplement expérimenter avec la technologie ne mènera nulle part. Pour démontrer les avantages de la technologie, les initiatives et les investissements dans l’IA, souvent pilotés par l’équipe data chargée de la gestion des modèles, doivent être guidés par un objectif précis.
• Penser aux utilisateurs : utiliser l’IA dans les processus de données ne garantit pas qu’elle apportera un résultat business. Une analyse avancée ne présente aucun intérêt si elle ne peut être partagée clairement avec les décideurs. Il est essentiel d’impliquer les utilisateurs de ces informations dans tout le processus, de la création du modèle d’IA jusqu’à la manière dont les insights vont être partagés. Trop souvent les modèles innovants restent non utilisés parce que la façon dont ils sont déployés ne correspond pas aux besoins et aux attentes de l’utilisateur final des données.
• Minimiser les risques grâce à l’intégration des données : l’intégration et la gouvernance des données sont deux piliers essentiels à la mise en œuvre de nouveaux processus impliquant l’IA. Cette dernière exige également une approche plus souple de la gestion des données, parce que l’ingestion de nouvelles données peut très vite modifier un modèle. Les organisations doivent bâtir une source de données fiable, solide et gouvernée, pour soutenir les processus de données et d’analyse actuels, mais aussi être en mesure de s’ouvrir aux nouvelles techniques basées sur l’IA.
• Aller de l’avant et expérimenter : le déploiement de processus de sécurité et de gouvernance des données ne doit pas empêcher les équipes data d’expérimenter avec l’IA. Il est essentiel de se donner des objectifs clairs, correctement anonymiser les données et introduire des POC avec le concours du service IT. Remettre en cause des processus existants n’est jamais facile, c’est même une raison de plus pour expérimenter sans tarder.

  Avec l’aide de l’IA, les équipes data peuvent extraire les données plus rapidement et en obtenant des résultats bien meilleurs. Parfois des applications adressant des consommateurs font la une, mais avant d’y arriver, il est indispensable d’optimiser l’utilisation des données pour les équipes internes. Comme pour toute nouvelle technologie, introduire de l’AI dans des processus établis suscite des débats sur son véritable impact business. Si l’IA était appliquée aux process fondamentaux qui sous-tendent l’IA, cet impact pourrait être exponentiel.

Compte tenu du potentiel que cachent les données d’entreprise, l’IA semble un allié indispensable pour beaucoup, mais son l’adoption reste un long chemin. Pour maximiser son intérêt, les équipes data doivent avancer étape par étape, par itérations et apprendre en permanence, sans négliger les pratiques éthiques et responsables. Et surtout, se lancer sans hésiter !

Si les appareils mobiles ont considérablement évolué depuis le premier iPhone, ils n’ont toujours pas la puissance de calcul nécessaire pour exploiter pleinement les grands modèles de langage (LLM) contemporains. La solution pour maximiser le potentiel de l’IA sur mobile et en périphérie ne réside pas dans la puissance de calcul pure, mais dans une approche stratégique de l’architecture du modèle, de la gestion des données et de l’exploitation des capacités de calcul issues d’un appareil.

Un cloud indépendant pour l’IA mobile

Une véritable IA mobile ne peut pas dépendre uniquement de solutions basées sur le cloud. Il ne s’agit pas seulement d’une question de connectivité, mais aussi d’efficacité, de rapidité et de confidentialité des données. L’IA qui repose sur la transmission de données à un serveur central ne peut pas répondre en temps réel. La latence introduit des lenteurs qui compromettent la fiabilité des informations générées par l’IA, sans compter les coûts de bande passante associés à la transmission constante des données.

Les serveurs cloud sont la solution appropriée pour les applications de calcul puissant, comme l’entraînement des modèles d’apprentissage profond et des LLM. À l’inverse, les opérations nécessitant une interaction immédiate entre l’IA et les utilisateurs, ainsi que d’autres processus de Machine Learning, sont traitées plus efficacement sur l’appareil, à la périphérie du réseau. Cette approche améliore les performances tout en garantissant la confidentialité des utilisateurs grâce à une simplification de la transmission des données.

L’optimisation de la performance sur les appareils mobiles

Réduire la charge de calcul de l’appareil est une autre étape critique. Des techniques comme la quantification des modèles (« quantization » en anglais) qui simplifie les modèles d’IA en optimisant ses paramètres pour réduire l’espace de stockage requis sont essentielles pour maintenir les performances sans compromettre la fonctionnalité. Le GPTQ, qui compresse les modèles après l’entraînement, LoRA, qui affine les matrices plus petites au sein d’un modèle préentraîné, et QLoRA, qui optimise l’utilisation de la mémoire du GPU pour une plus grande efficacité, représentent des options destinées à satisfaire les besoins spécifiques de chaque application.

Confidentialité, sécurité et synchronisation des données

La confidentialité, la sécurité et la synchronisation des données sont d’autres facteurs et éléments clés à prendre en compte pour le développement de l’IA mobile. La mise en place d’un chiffrement des données solide pour la préservation de la vie privée garantit la protection des informations utilisateurs, ce qui conforte l’un des principaux avantages du traitement des données au niveau local. Parallèlement, des mécanismes de synchronisation des données entre les appareils périphériques et le cloud ou les serveurs centraux garantiront l’intégrité et la cohérence des données sur l’ensemble du réseau.

Une plateforme de données unifiée capable de gérer différents types de données et qui permet aux modèles d’IA d’accéder aux données locales et d’interagir avec elles, à la fois en ligne et hors ligne, représente ainsi un avantage significatif. Cette approche améliore non seulement les performances, mais aussi l’expérience utilisateur en garantissant que les applications d’IA sont réactives, fiables et capables de fonctionner dans divers environnements.

La meilleure architecture pour l’IA mobile — et l’IA en général — est celle qui consiste à minimiser sa complexité. Plus l’architecture est simple, plus elle peut consacrer de puissance à l’IA elle-même, ce qui est particulièrement important dans un environnement mobile.

L’intelligence artificielle est devenue un catalyseur de la transformation numérique des industries. La technologie fait partie du Peak of Inflated Expectations présentant les technologies émergentes en 2023. Elle devrait impacter les entreprises, offrant une synergie entre main-d’œuvre et machine. Toutefois, à mesure que les technologies d’IA évoluent, les entreprises doivent engager leur responsabilité dans l’élaboration de bonnes pratiques.

Alors que les régulateurs tentent de s’imposer dans ce nouveau paradigme, les entreprises sont en bonne posture pour proposer des outils garantissant sécurité, gouvernance, contrôles et mesures responsables pour l’IA. Voici les raisons pour lesquelles il est crucial pour une organisation de développer des bonnes pratiques pour l’usage de l’IA et que quelques conseils pour renforcer les compétences dans ce domaine.

Evoluer dans le paysage réglementaire

Il faudra des années pour que régulateurs et autorités législatives élaborent un corpus complet de réglementations et de législations concernant l’IA qui concilient innovation, éthique et sécurité. Qui plus est, il s’agit d’un processus continu et donc en constante évolution. Le manque de réglementations strictes peut de prime abord sembler lucratif car il laisse de place à l’innovation. Toutefois, une entreprise avant-gardiste se rendra compte qu’il existe des mises en œuvre de l’IA contraires à l’éthique et potentiellement nuisibles.

Une longueur d’avance en termes de business

Les entreprises qui proposent un guide de bonnes pratiques bénéficient d’un avantage concurrentiel. Lorsqu’il s’agit d’IA, les clients exigent que les solutions soient à la fois dignes de confiance, transparentes, responsables et éthiques. Lorsqu’une entreprise définit des bonnes pratiques, elle crée une émulation auprès des autres entreprises.
Aussi, l’adoption anticipée de ces pratiques peut également protéger les entreprises contre d’éventuelles responsabilités une fois les réglementations et législations mises en place.

Faire preuve d’un leadership éthique

L’IA éthique ne doit pas être considérée comme une tendance. Il s’agit d’un engagement à utiliser cette technologie de sorte à ce qu’elle bénéficie à la société et faire regagner la confiance des utilisateurs. Pour s’inscrire dans un leadership éthique, les entreprises doivent faire preuve de transparence dans leurs pratiques, leurs sources, l’utilisation des données, les algorithmes et les processus de prise de décision ainsi que sur la reproductibilité et l’audibilité. En outre, elles doivent s’appliquer à créer une culture de la responsabilité en élaborant des guidelines et en limitant les biais de leurs systèmes d’IA afin que les décisions prises soient justes et non discriminatoires. Enfin, elles doivent donner la priorité à la confidentialité et à la sécurité des données afin de garantir que les applications d’IA aient autant d’accès que nécessaire aux données des utilisateurs. Cela ne peut se faire que par le biais d’audits réguliers des systèmes d’IA et de la rectification immédiate des problèmes éthiques potentiels. Ces audits doivent être réalisés par des tiers indépendants afin de garantir l’impartialité.

Développer les compétences en IA en entreprise

Les entreprises doivent prioriser le développement des compétences en IA au sein de l’organisation. À l’heure où l’IA remodèle le paysage commercial et social, il est essentiel que les employés acquièrent les connaissances et les capacités nécessaires pour exploiter efficacement son potentiel.

Pour ce faire :

• Les entreprises doivent identifier les référents IA en interne chargés de mener des projets d’IA, de comprendre les subtilités de ces technologies et d’encadrer leurs collègues, mais aussi traduire les connaissances internes et convertir les connaissances en données. Lorsqu’une entreprise favorise l’acquisition d’une expertise en interne, elle réduit sa dépendance vis-à-vis des consultants externes, ce qui permet de réduire les coûts et de mieux intégrer la technologie dans ses opérations. La formation des référents en IA, ainsi que la mise en place de pratiques responsible by design contribue à créer une culture d’apprentissage continue. Ceci est d’autant plus vrai dans le domaine de l’IA, un domaine en constante évolution.
• Se tourner vers les établissements d’enseignement pour former une nouvelle génération d’employés. Aujourd’hui, plusieurs établissements d’enseignement supérieur tiennent compte de la demande croissante d’expertise en IA et proposent une formation dédiée. En collaborant avec des universités à travers le monde et en les aidant à concevoir des programmes de formation à l’IA conformes aux exigences du secteur, les entreprises peuvent recruter des talents dans ce domaine.

L’ère de l’IA a créé une vague d’opportunités et de défis pour les entreprises. Alors que les réglementations régissant l’IA sont encore en cours d’élaboration, les entreprises doivent se montrer proactives dans l’élaboration des bonnes pratiques et des approches responsible by design. L’objectif est de garantir que les technologies de l’IA soient utilisées à la hauteur de leur potentiel, de manière éthique et responsable.

La 8e édition d’AgeingFit, l’événement européen pour l’innovation au service du bien-vieillir aura lieu à Lille, les 11 et 12 mars 2024. Cet événement annuel réunit plus de 600 participants dont des structures d’hébergement, des chercheurs et des investisseurs. Il incarne la fusion entre innovation et enjeux sociétaux. Dans un monde en constante évolution, les nouvelles technologies et l’intelligence artificielle révolutionnent de nombreux secteurs, y compris celui des soins aux personnes âgées. Grâce aux progrès de l’IA, il est possible d’offrir une assistance supplémentaire et une surveillance accrue, améliorant ainsi leur qualité de vie et indépendance.

Relever les défis du secteur grâce à l’intelligence artificielle

L’intelligence artificielle offre des solutions innovantes pour relever les défis posés par le vieillissement de la population. En exploitant des ensembles de données massifs à l’aide d’algorithmes, elle permet le développement d’outils personnalisés visant à améliorer la qualité de vie des personnes âgées et de faciliter la tâche de leurs soignants. Parmi ces solutions, certaines offrent un soutien aux aidants : les systèmes basés sur l’IA peuvent surveiller en temps réel les signes vitaux et habitudes des personnes âgées, offrant ainsi une assistance proactive en cas de besoin. Ces technologies intelligentes sont également capables de détecter les chutes potentielles et d’alerter les secours en cas d’urgence.

Parallèlement, l’IA favorise une individualisation accrue des soins. Grâce à des applications mobiles et des dispositifs de suivi connectés, le suivi médical devient plus personnalisé, offrant des conseils nutritionnels et des recommandations adaptés aux besoins spécifiques de chaque individu.

HiNounou, start-up créée par Charles Bark (intervenant à AgeingFit) et reconnue par l’ONU et le Forum Economique Mondial, donne un bon aperçu de ces utilisations. HiNounou est une plateforme d’intelligence artificielle qui permet la prévention et le management des maladies chroniques à domicile. Cette plateforme de bien-être à domicile propose plusieurs dispositifs médicaux connectés permettant de surveiller à domicile les 5 dimensions des données du patient modélisées dans un jumeau numérique. Les algorithmes d’intelligence artificielle permettent en parallèle d’analyser et détecter, le plus tôt possible, les risques de maladie chronique comme le diabète, l’hypertension ou les maladies cardiovasculaires.
Cette start-up propose d’autres solutions pour les aides-soignants familiaux et professionnels comme les changes connectés permettant de respecter la dignité des séniors incontinents. Elle propose également la prévention/détection des chutes via un capteur intelligent respectant la vie privée des séniors et de leur aidants, fonctionnant de nuit comme de jour, permettant de détecter les signaux faibles et d’alerter au bon moment leurs aidants avant qu’il ne soit trop tard. Cette solution Sensio installée chez plus de 11000 résidents en Europe a permis de réduire les chutes entre 50% et 80% à domicile et dans les Ephads. Cette approche holistique améliore la santé et le bien-être des personnes âgées chez elles, offrant également une sérénité aux enfants vivant loin de leurs parents âgés.

Des freins face à l’utilisation de l’intelligence artificielle ?

L’intelligence artificielle ouvre de nouvelles perspectives pour l’amélioration des soins aux personnes âgées, mais elle soulève également des questions éthiques et des défis. Parmi ceux-ci, la sécurité et la protection des données occupent une place importante. Il est donc impératif de mettre en place des mesures rigoureuses pour garantir la confidentialité des informations médicales des patients. De plus, un équilibre doit être trouvé entre l’utilisation de la technologie pour améliorer la qualité de vie des personnes âgées et la préservation de l’aspect humain des soins. Il est important de ne pas perdre de vue l’importance des interactions humaines dans la prestation des services de santé. Enfin, il est important de veiller à ce que chaque partie prenante adopte ce nouveau fonctionnement, qu’il s’agisse du personnel soignant et des aidants familiaux.

L’événement AgeingFit offre une plateforme idéale pour aborder ces sujets et promouvoir un dialogue constructif entre les différents acteurs du secteur. En favorisant la collaboration et l’innovation, cet événement se positionne comme un catalyseur essentiel dans la transformation du paysage du bien-vieillir. Il constitue un espace propice à l’échange constructif et au développement de solutions concrètes pour relever les défis liés à la santé mentale, aux soins institutionnels, ainsi qu’à l’adoption des nouvelles technologies.

Durant l’événement, un parcours de conférences étudiera l’innovation en matière de soins en institution et à domicile. Il permettra d’explorer les freins au déploiement des technologies, notamment en établissements de soins. Cette table ronde identifiera les obstacles liés à l’intégration de la technologie dans les soins résidentiels, qu’il s’agisse de contraintes budgétaires, de réticences au changement ou d’obstacles organisationnels. Les experts partageront leur expérience et exploreront des stratégies visant à faciliter une mise en œuvre bénéfique de la technologie.

Les nouvelles technologies face à l’isolement des personnes âgées

Malgré ces défis face auxquels il faut rester vigilant et s’adapter, l’intelligence artificielle est un outil de choix, comme l’utilisation des nouvelles technologies qui permettent de garder un lien pour les personnes isolées. Des initiatives visant à améliorer la prise en charge dans les zones rurales ou isolées voient de plus en plus le jour, tout comme la télémédecine, les surveillances à distance. Certaines initiatives seront mises en avant durant l’événement AgeingFit, notamment grâce au partage d’expériences des intervenants, qui exploreront les thématiques émergentes autour de la santé mentale et l’inclusion sociale. Parmi eux, Iñaki Bartolomé, Directeur Général chez Ideable Solutions, entreprise IoT du Pays-Basque, qui développe des applications mobiles et des systèmes de cloud computing et notamment Kwido, application de santé destinée au suivi des personnes âgées.

Cette évolution vers des solutions technologiques reflète l’engagement des acteurs de la filière à repousser les limites de l’innovation pour répondre aux besoins complexes des populations vieillissantes. L’événement AgeingFit permet de réunir durant deux jours ces experts. C’est l’occasion pour chacun d’échanger, partager leur expérience, présenter leur innovation et trouver de potentiels partenariats afin de contribuer activement à l’avenir du bien-vieillir.

Réguler la conception et l’usage de l’IA est au cœur de tous les débats. Est-il nécessaire d’anticiper l’AI Act ? En quoi consiste ce texte ?

L’AI Act prévoit une approche par les risques. Les grands principes de l’IA (contrôle humain, sécurité, protection de la vie privée, transparence, non-discrimination…) devront systématiquement être pris en compte lors de la conception, mais aussi de l’utilisation des systèmes d’IA (SIA). Des obligations graduelles s’ajoutent concernant les SIA à haut risque (les plus règlementés) et certains SIA spécifiques (ex. : IA à usage général, IA génératives, chatbots…), à la charge des fournisseurs et des utilisateurs professionnels. Leur non-respect est assorti d’amendes importantes (jusqu’à 6 % du CA annuel mondial). Certains secteurs (infrastructures critiques, banques…) sont visés en priorité. Mais aucun n’y échappe. Les activités des ressources humaines sont particulièrement concernées.
Concrètement, les fournisseurs de SIA à haut risque devront mettre en place des systèmes de gestion des risques et de la qualité, une documentation technique, des évaluations de conformité avant mise sur le marché, et assurer cette conformité dans la durée. Les utilisateurs de leur côté devront garantir, notamment, un contrôle humain, une information des personnes concernées, et une surveillance.

L’adoption de l’AI Act est imminente. Anticiper son application, prévue courant 2025/2026, est indispensable. Rappelez-vous le RGPD ! Une mise en conformité s’impose pour tous. D’ailleurs sont qualifiés de fournisseurs non seulement les prestataires informatiques, mais aussi toute entité qui ferait développer un SIA par un tiers, pour le distribuer sous son propre nom. Par exemple, l’assureur qui propose un SIA à ses courtiers ou la société qui fournit un SIA à ses distributeurs. Vigilance donc.

Quelles actions initier en priorité ?

La priorité est de réaliser systématiquement une analyse d’impact pour chaque projet IA. Ceci permettra de qualifier le SIA et les acteurs, de prévoir les obligations de chacun, d’identifier les risques et de les minorer.
Entrer dans une démarche de mise en conformité permet de sélectionner des produits, partenaires et offres adaptés au sens de l’AI Act. De plus en plus de normes et certifications (ex. : Laboratoire national de métrologie et d’essais) voient le jour, permettant de se tourner vers des IA de confiance. L’adhésion à un code de conduite est également une alternative utile.

Les spécificités de l’IA exigent de personnaliser ses contrats. La complexité du fonctionnement de l’IA implique une obligation d’information, de conseil et de mise en garde renforcée à la charge des fournisseurs. Recourir à une IA générative requiert la révision des clauses de propriété intellectuelle et de garantie pour intégrer la question des résultats générés. Le contour des impératifs de conformité, de recette et de garantie doit être retravaillé à l’aune de l’aléa plus ou moins important des résultats générés. Tout comme la prévision de SLA adaptés. Enfin, les grands principes de l’AI Act doivent impérativement être relayés sur un plan contractuel. Préciser les obligations relatives à l’explicabilité et la transparence (du fonctionnement du SIA voire des résultats) est essentiel, à l’instar du contrôle humain et de la gouvernance des données. Pour être en mesure de respecter les obligations règlementaires à votre charge, il sera souvent nécessaire de reporter une partie d’entre elles sur vos partenaires, prestataires et utilisateurs. Le contrat est clé.

En interne, les équipes (legal, métier, IT) doivent être sensibilisées à l’AI Act. La compliance est à initier dès maintenant, impliquant des formations, politiques, documentations et contrôles adaptés, tout comme la mobilisation de budgets.

En pratique, les contrats sont rarement adaptés. Quels leviers de négociation activer ?

La standardisation jouera un rôle clé pour assurer la conformité à la règlementation. Des normes techniques existent déjà pour encadrer la conception, l’entraînement, le déploiement et la maintenance des SIA. De la même manière, des référentiels juridiques émergent, à commencer par la norme ISO-Afnor Contractualisation des systèmes d’IA (SPEC Z77-100-0). Cette norme, issue d’un travail de collaboration entre l’AFNOR et un groupe d’experts dirigé par le cabinet Derriennic & Associés, fournit une série de recommandations pour adapter vos contrats aux enjeux de l’IA.

Plus récemment, le 29 septembre 2023, pour anticiper l’AI Act, la Commission européenne a proposé des modèles de clauses contractuelles types pour la passation de marchés publics. Deux corpus sont publiés concernant les systèmes d’IA à haut risque et les autres SIA. Si ces clauses apparaissent relativement génériques, elles pourraient à terme servir de base de travail ou de levier aux acteurs privés. Elles devront dans tous les cas être retravaillées pour prendre en compte les cas d’usage envisagés, la nature de l’intervention du prestataire et le rôle plus ou moins actif du client.

ChatGPT a gagné 100 millions d’utilisateurs en seulement trois mois, alors qu’il a fallu 15 ans pour arriver à 100 millions d’utilisateurs pour le mobile et 7 ans pour que 100 millions de personnes surfent sur la toile ! Personne ne peut contester le succès de l’intelligence artificielle.

Bien qu’il y ait de nombreuses conversations passionnantes sur l’importance et le développement de l’IA, sur la flexibilité des modèles ouverts par rapport à la confidentialité des modèles fermés, et sur la façon dont cette technologie progresse très rapidement, trois principes clés se dessinent. Garder ces concepts à l’esprit peut s’avérer utile pour orienter une stratégie d’IA lors de la création de produits et maximiser le retour sur investissement.

Les trois concepts à retenir pour développer sa stratégie d’IA :

1. Développer une approche IA centrée sur le client

Les entreprises doivent voir au-delà des avantages de l’automatisation pour se concentrer sur l’expérience finale. Comprendre les besoins spécifiques de chaque client pour qu’il puisse constater par lui-même la plus-value de l’IA doit être une priorité absolue.

C’est un point clé assimilé depuis des années par certains secteurs, tels que le retail qui utilise l’IA générative pour proposer des recommandations produit personnalisées aux consommateurs, ou encore les plateformes de streaming musical qui déterminent les préférences des utilisateurs pour générer des playlists personnalisées en temps réel. Cela leur permet d’offrir une expérience unique dans leur secteur, et c’est une méthode qui est vouée à se démocratiser car elle applicable à bien d’autres domaines. Dans le secteur des communications unifiées, l’IA peut notamment déterminer les préférences de travail de chaque utilisateur, suggérant ainsi automatiquement les plages horaires optimales pour les réunions et les périodes où il a plutôt besoin de se concentrer sur ses missions sans interruption. Ce type de fonctionnalités contribue à améliorer la productivité individuelle et, à terme, à rendre l’IA bénéfique pour les résultats globaux de l’entreprise.

2. Gagner et surtout maintenir un environnement de confiance

Établir une confiance durable avec ses utilisateurs ne se limite pas à mettre en place des politiques de confidentialité bien rédigées. C’est en faisant preuve de transparence sur la manière dont les données sont traitées et dont les algorithmes participent à la prise de décision qu’une entreprise se positionne comme fiable.

Tout comme les réseaux sociaux proposent déjà des contrôles granulaires sur les préférences de contenu, les utilisateurs de n’importe quel service devraient avoir la possibilité de personnaliser leurs paramètres pour choisir les données qu’ils souhaitent partager. La communication est également primordiale, car ils ont besoin de savoir en quoi l’accès à certaines de leurs données permet non seulement d’offrir le meilleur service possible, mais peut aussi faciliter la découverte de bugs ou de failles de manière proactive, et renforcer la sécurité. Autre facteur rassurant, l’IA peut être utilisée pour chiffrer et sécuriser les données de communication, garantissant ainsi la confidentialité des échanges. Et il ne faut pas oublier de montrer que, peu importe à quel point une technologie est développée, c’est toujours une présence humaine qui l’accompagne et prime sur les décisions finales.

3. Tirer parti de l’adaptabilité de l’IA

Face à une technologie aussi évolutive, l’agilité est un impératif pour les entreprises qui souhaitent rester compétitives. Si elles ont développé leur propre modèle d’IA, elles doivent veiller à l’enrichir continuellement et de manière ciblée. Il peut également être intéressant d’opter pour une approche fédérée, qui réunit plusieurs modèles pour répondre à un éventail de besoins spécifiques.

Prenons l’exemple d’une entreprise qui utilise l’IA pour optimiser sa chaîne d’approvisionnement. En ajustant constamment les prévisions en fonction des données en temps réel, elle peut réagir rapidement aux demandes et à leurs fluctuations, restant compétitive avec un service sur mesure pour ses clients. Dans le secteur des communications unifiées, le constat est le même. L’IA permet d’ajuster automatiquement la qualité du son et de la vidéo en temps réel en fonction de la bande passante disponible, assurant ainsi des communications fluides et adaptées aux conditions du réseau. Elle est également capable de détecter les tendances d’utilisation des différentes fonctionnalités, ajustant ainsi l’interface utilisateur pour une expérience plus intuitive et personnalisée. À terme, cette technologie sera en mesure d’automatiser de nombreux processus dans encore davantage de secteurs et à différentes échelles.

La stratégie IA des entreprises ne peut pas se contenter d’être une simple réponse aux tendances technologiques. Elle doit être une vision intégrée qui place le client au cœur de chaque décision, construit une confiance inébranlable, reste agile dans un monde en mutation constante et saisit les opportunités avant les autres. C’est dans cet équilibre dynamique que l’IA devient véritablement un moteur de succès pour les entreprises innovantes.

Alors que l’intelligence artificielle révolutionne déjà la médecine, la santé mentale demeure un domaine en quête de transformations profondes. En France, la psychologie, souvent ancrée dans des principes du 19e siècle, semble (encore) résister aux avancées scientifiques et technologiques. En repensant la psychologie de manière scientifique et amplifiée par l’IA, on rend la santé mentale plus accessible, plus précise, plus prédictive… sans perdre en humanité.

L’IA pour ouvrir la voie de la psychologie scientifique de demain

L’IA a depuis longtemps pris sa place dans le monde de la santé, que ce soit dans la chirurgie, le diagnostic physique, ou le traitement des patients. En revanche, la santé mentale, un domaine plus récemment scientifique, est quant à lui en retard. Alors même qu’elle offre un éventail d’applications illimitées. Lier IA et psychologie consiste à faire de la santé mentale un domaine aussi objectivement mesurable et traçable que la santé physique.
Un exemple concret est l’utilisation de l’IA pour analyser les biomarqueurs, tels que la modulation de la voix. En effet, tout signal de parole contient une riche combinaison d’informations à partir du ton, des intonations, des pauses, du placement de la voix, etc. Cette richesse fait de la parole un élément de diagnostic précoce puissant pour identifier les signes de dépression et d’anxiété. Les études scientifiques sur le sujet ouvrent des portes pour accélérer le développement d’applications dans ce domaine. C’est pourquoi il est urgent de travailler sur la psychologie scientifique et de permettre aux tendances sociétales de guider la recherche, malgré le manque de prise de risque dans les financements publics. On ne parle pas ici d’une IA surpuissante, mais d’une IA qui sert le travail des professionnels de la santé mentale, qui accélère le diagnostic : plus rapide, plus précis et limitant les erreurs humaines.

L’impact éthique et les biais algorithmiques soulèvent des préoccupations majeures

L’utilisation de l’intelligence artificielle en santé mentale présente des enjeux majeurs liés aux biais algorithmiques et à l’éthique. Les algorithmes peuvent être influencés par des biais présents dans les données d’entraînement, ce qui peut entraîner des prédictions moins précises ou inappropriées, notamment pour les populations minoritaires. De plus, la collecte et l’analyse de données sensibles soulèvent des préoccupations concernant la protection de la vie privée et des données, nécessitant le respect des réglementations en matière de protection des données et la mise en place de mesures de sécurité robustes. La transparence et l’explicabilité des décisions prises par les systèmes d’IA sont essentielles pour garantir la confiance des utilisateurs et permettre la détection et la correction des biais potentiels.

Un autre exemple d’enjeu dans l’utilisation de l’IA en santé mentale est l’origine des données sur lesquelles elle se base. En effet, les bases de données qu’utilisent les algorithmes viennent très régulièrement des pays ayant les moyens de développer ces modèles d’IA. Les pays n’en ayant pas les moyens reprennent ces modèles de données malgré qu’elles ne soient pas forcément transposables à la culture du pays. L’aspect interculturel des données est un fort enjeu en santé mentale.

En somme, la conception et l’utilisation de l’IA en santé mentale exigent une réflexion approfondie sur les implications éthiques et sociales, ainsi qu’un engagement envers la promotion de valeurs telles que la justice, l’inclusion et le respect de la vie privée.

Transformer la dynamique de la santé mentale avec l’IA

La santé mentale a la possibilité d’adopter une approche plus rapide et précise avec l’IA. Prenons l’exemple du Burn out. À travers l’analyse de données multidimensionnelles, l’IA peut permettre d’identifier des patterns et des signaux précurseurs de Burn out qui pourraient passer inaperçus à l’œil humain. Le suivi d’indicateurs biométriques permet de détecter les signes physiologiques du stress et de l’épuisement. Aussi, l’IA peut surveiller les changements de comportement, tels que la baisse de productivité, l’absentéisme, les retards, les erreurs et la communication négative, qui peuvent indiquer un Burn out imminent.

En bref, l’IA offre un potentiel considérable pour améliorer la détection du Burn out. En combinant l’analyse de données, la personnalisation et le respect de la vie privée, l’IA peut aider les entreprises à identifier les employés à risque et à mettre en place des mesures préventives pour les protéger de l’épuisement professionnel. L’utilisation responsable de l’IA dans ce domaine peut contribuer à améliorer le bien-être des employés et à créer un environnement de travail plus sain et plus productif. Il faut s’enthousiasmer de cette nouvelle page qui s’écrit et qui offre de repenser la psychologie de manière scientifique, prédictive, et guidée par les tendances sociétales. Mais il faut le faire avec esprit critique et éthique en intégrant l’IA comme catalyseur d’innovation.

Cette dynamique doit commencer dès la formation, où les futurs professionnels de la psychologie doivent être préparés à intégrer les avancées technologiques (alors qu’aujourd’hui l’innovation n’est pas enseignée en cursus de psychologie) pour inventer le futur de la psychologie et répondre à une question : comment puiser dans les enseignements du passé pour innover et devenir les acteurs de la psychologie de demain ?

Jean-François Vibert : biographie d’un passeur

Si les progrès de la médecine ne sont plus à démontrer, moins connus du public sont en revanche les apports des mathématiques et de la modélisation à ces progrès. Des pionniers comme le professeur Jean-François Vibert, à la fois médecin (neurophysiologiste) et professeur de bio-mathématique, ont largement contribué par leur curiosité intellectuelle et leur esprit d’innovation à cette alliance. Aujourd’hui Professeur émérite des universités à l’
hôpital Saint-Antoine, Jean-François Vibert a réalisé l’essentiel de ses recherches dans le cadre de de l’unité de recherche Inserm U707 (épidémiologie, sciences de l’information et modélisation). Il s’est consacré́ à la compréhension de la neurogenèse du rythme respiratoire à l’aide de réseaux de neurones, puis à la modélisation de la diffusion des informations dans les systèmes dynamiques complexes. Développeur d’un logiciel de simulation de réseau de neurones (XNBC), il a été en 1984 co-fondateur du réseau « sentinelle » de modélisation des épidémies (grippe, hépatites, rougeole…) aujourd’hui reconnu d’utilité publique dans un contexte de regain épidémique. Son fils, Eric Vibert, professeur de chirurgie hépato-biliaire à l’hôpital Paul Brousse, en créant en 2020 la chaire d’innovation Bopa (bloc opératoire augmenté) se situe dans la lignée de cet esprit d’exploration qui contribue à repousser sans cesse les frontières de la connaissance. C’est cette histoire que nous proposons brièvement de retracer ici.

Déplacer les frontières, faire dialoguer les disciplines

Dans les années 1970, Jean-François Vibert travaille en tant que jeune assistant dans un laboratoire de neurophysiologie de l’hôpital Saint Antoine où on s’intéresse à la genèse du rythme respiratoire au niveau du tronc cérébral. C’est donc dans ce contexte qu’un rapprochement va s’opérer entre neurophysiologie et réseaux de neurones. Dans ce laboratoire on procédait à des manipulations sur les chats : des électrodes étaient fichées au niveau du cerveau (au niveau du tronc cérébral) pour enregistrer les cellules (neurones) qui sont en rapport avec la respiration. Cela permettait d’enregistrer le nerf phrénique (qui commande le diaphragme), l’inspiration, l’expiration, autrement dit d’obtenir le timing de la respiration. Or, ce laboratoire était un des tout premiers qui était parvenu à acheter un ordinateur, grâce auquel on pouvait traiter en temps réel les signaux enregistrés depuis les électrodes. La décharge des neurones ainsi capturée était corrélée avec l’enregistrement du nerf phrénique. Cela permis notamment de découvrir qu’il y avait des cellules répondant à l’inspiration, d’autres à l’expiration, puis d’autres qui étaient ce qu’on appelait IE (inspiratoires-expiratoires). Celles-ci commençaient à décharger au milieu de l’inspiration et s’arrêtaient doucement vers le milieu de l’expiration, se trouvant ainsi à cheval sur les deux temps de la respiration. « A l’époque, on ne savait pas très bien où se trouvaient vraiment les centres respiratoires, mais on en avait quand même une idée car certains physiologistes pensaient que c’était au niveau du tronc cérébral, c’est la raison pour laquelle on allait piquer nos électrodes à cet endroit. A cette occasion, l’équipe avait d’ailleurs fait un atlas et une reconstruction 3D des centres respiratoires, qui avait d’ailleurs fait l’objet d’un film au CNRS (c’était un labo CNRS à l’époque). On essayait de comprendre comment la respiration pouvait être un mouvement lent (on respire 10 à 12 fois / min) alors que les cellules et les neurones déchargeaient à toute vitesse. » Jean-François Vibert, s’intéressant depuis toujours à l’électronique, « à tout ce qui était un peu technique », se mit à alors à la programmation sur l’ordinateur du laboratoire et eut l’idée de développer un logiciel de simulation de réseaux de neurones pour comprendre ce phénomène. C’est dans ce cadre qu’il développa le logiciel, l’outil de neurobiologie numérique XNBC, qui permet de modéliser les neurones, de plusieurs façons, de les assembler en réseaux, afin de voir ce qui se passe.

De la tête d’un chat à l’embryon du poulet : le réseau de neurones XNBC

Ce logiciel permet de simuler les neurones de deux façons : soit relativement simple, soit plus complexe avec, en entrées, tous les courants (sodium, potassium, etc.) qui traversent la membrane, et qui génèrent les potentiels d’action. Le réseau de neurones XNBC est constitué d’un ou plusieurs noyaux et/ou d’un ou plusieurs neurones isolés. Les noyaux (groupe de neurones, chacun appartenant à un cluster donné) et les neurones peuvent être positionnés anatomiquement si nécessaire. « Les noyaux et les neurones sont reliés entre eux par des liens représentant les axones des neurones constitutifs. Les neurones peuvent être connectés entre eux. Les connexions peuvent être soit excitatrices, soit inhibitrices, soit avec NMDA (excitation de longue durée), soit un mélange d’excitateurs et d’inhibiteurs, appelé connexion aléatoire. La transmission inter neuronale des potentiels d’action, appelée délai interne (ou longueur de l’axone) peut être ajustée, ainsi que le nombre de boutons synaptiques à l’extrémité de l’axone, appelé également poids synaptique. La matrice de connexion peut être définie globalement ou individuellement, neurone par neurone. Les paramètres des neurones et du réseau peuvent être modifiés au cours de la simulation, afin d’imiter les stimulations électriques et l’action des médicaments. »¹.

Cet outil permet à la fois de visualiser et d’analyser l’activité du réseau.

Le but de l’usage des réseaux de neurones est donc la simulation, la modélisation permettant de prévoir les effets de telle ou telle manipulation. Les réseaux de neurones permettent ainsi de tester des hypothèses. C’est ce qui arriva, dans les années 1980, lorsque Jean-François Vibert développa avec un de ses étudiants une simulation de la rétine, qui permit de montrer que l’organisation de celle-ci faisait émerger des images. Cette simulation fut ensuite appliquée avec succès à la détection des microcalcifications dans les mammographies. Ou encore, en 2000, avec la « Modélisation du réseau de neurone à l’origine des rythmes chez l’embryon de poulet »².

La sinusoïde bruitée de la queue de l’écrevisse

A partir des années 1990, Jean-François Vibert travaille avec un mathématicien, Khashayar Pakdaman, dont il dirige la thèse. Cette collaboration va permettre d’améliorer les réseaux de neurones. Dans le prolongement de ces travaux, il étudie le codage des neurones avec le Pr J.-P. Segundo au Brain Research Institute de Los Angeles, plus précisément la manière dont les informations sensorielles ou motrices sont codées par les neurones ainsi que le comportement de ces réseaux en présence du bruit. L’objet d’étude était les stretch receptors de l’écrevisse, en français « récepteurs à l’étirement » situés dans la queue de l’écrevisse (récepteur d’une fibre musculaire qu’on a dans tous les muscles qui mesure la longueur du muscle). Il s’agissait de déterminer la manière dont le neurone d’entrée transmettait l’information au neurone de sortie (derrière). L’un des résultats fut de démontrer que le bruit linéarise la réponse. En effet, lorsqu’on regarde la manière dont le stretch receptor répond, on s’aperçoit que si on envoie une sinusoïde « bien propre » la réponse n’est pas du tout linéaire, alors que si on envoie une sinusoïde bruitée, la réponse est linéarisée. Le bruit évite ainsi que les neurones ne se synchronisent simultanément, c’est-à-dire ne se trouvent tous simultanément en phase réfractaire absolue puis relative, empêchant alors le système de répondre³.

What the Frog’s eye tells the frog’s brain?⁴

En conclusion, l’IA (en l’occurrence les réseaux de neurones) s’est donc révélée principalement utile en tant qu’outil de simulation. On est proche de l’usage qu’on peut faire des jumeaux numériques en médecine, un des objets sur lesquels le fils de Jean-François Vibert, Éric Vibert, travaille actuellement au sein de la chaire d’innovation Bopa. Les travaux de ce dernier, ainsi que ceux du Dr Nicolas Golse, sont destinés à tirer profit de tous les outils qu’offre l’IA (via la réalité augmentée par exemple) pour la chirurgie du foie⁵. 

Est-ce qu’un jour l’activité neurophysiologique pourra entièrement être décrite et simulée grâce à ces outils ? Jean-François Vibert souligne que les simulateurs sont toujours hyper simplifiés par rapport à la biologie. Même en mettant une dizaine de courants différents, qui ont des constantes de temps différentes, etc., et, même avec un nombre de courants relativement important, ces modèles restent loin de la réalité. En effet, quantité d’éléments ne sont pas pris en compte, en particulier le milieu extérieur des neurones. Si on tient bien compte des conductances de potassium, sodium, calcium, etc, au niveau de la membrane pour générer le potentiel d’action, on néglige en revanche le fait qu’il y a probablement une accumulation de potassium ou de sodium à l’extérieur du neurone qui va probablement moduler les choses (ce que les recherches évoquées plus haut sur la simulation de la rétine ont illustré). Jean-François Vibert pense qu’on n’arrivera jamais exactement à simuler le phénomène biologique, mais sans dogmatisme toutefois, car les progrès fulgurants de l’IA en termes de vitesse de calculs notamment, ne permettent pas selon lui de poser un jugement définitif. 

L’inventeur de la théorie des neurones formels, Warren McCulloch, était lui-même, faut-il le rappeler, neurophysiologiste. Son principal collaborateur était le jeune mathématicien Walter Pitts. L’expérience de Jean-François Vibert illustre et actualise une fois encore l’importance de cette collaboration disciplinaire. Elle met notamment en évidence le rôle crucial pour l’IA de se confronter en permanence aux défis de la complexité du vivant. L’aventure continue donc. 

¹ https://xnbc.sorbonne-universite.fr.
² « Modélisation du réseau de neurone à l’origine des rythmes chez l’embryon de poulet », Automatique, Biologie et Santé : Modélisation et commande de régulations biologiques, Vol. 9, 2000, p.101-117.
³ J.-F. Vibert et al., “Single Neuron with Recurrent Excitation: Effect of the Transmission Delay”, Neural Networks, 9-5, July 1996, 797-818 et J.-F. Vibert et al., Neurophysiologie: De la physiologie à l’exploration fonctionnelle, Elsevier, 2019.
⁴ McCulloch W.S., Lettvin J.Y, Maturana H.R, Pitts W.H, “What the Frog’s eye tells the frog’s brain”. In : Proc. of the I.R.E. Vol.47 (11), 1959.
⁵ Golse N., Modélisation anatomique, hémodynamique et physiologique en chirurgie hépatique, Université Paris-Saclay, 2021

Bibliographie

Brunet J.-N., Mendizabal A. et al., “Physics-based Deep Neural Network for Augmented Reality during Liver Surgery”, Medical Image Computing and Computer Assisted Intervention – MICCAI 2019. MICCAI 2019. Lecture Notes in Computer Science (), vol 11768. Springer, Cham.

J.-F. Vibert et al., “Single Neuron with Recurrent Excitation: Effect of the Transmission Delay”, Neural Networks, 9-5, July 1996, 797-818.

J.-F. Vibert et al., “XNBC : a simulation tool. Application to the study of neural coding using hybrid netwoks”, BioSystems 40, 1997, 211-218.

J.-F. Vibert et al., “XNBC V9: A user friendly simulation and analysis tool for neurobiologists”, Neurocomputing, 38-40, 2001, 1715-1723.

J.-F. Vibert et al., Neurophysiologie : De la physiologie à l’exploration fonctionnelle, Elsevier, 2019.

Au cours des dernières années, l’IA a été profondément impactée par les grands modèles de langue (LLMs). Ces puissants outils tirent parti d’énormes ensembles de données issus de sources variées et générales telles que Wikipédia, le Web, des articles de presse, et autres. Ces modèles excellent dans diverses tâches allant de la résolution d’analogies à la synthèse automatique de textes.

Cependant, comme tout modèle d’apprentissage automatique, la forte dépendance des LLMs aux données d’entraînement engendre de multiples défis. Dans le domaine juridique, les LLMs posent de nombreux problèmes, dont l’utilisation de contenus soumis à des copyrights ou la protection de la vie privée. Du point de vue éthique, les données d’entraînement contiennent des stéréotypes et des préjugés sociaux, et les LLMs peuvent occasionner divers préjudices. De plus, les LLMs ayant appris sur des informations trompeuses peuvent conduire à des utilisateurs moins bien informés et éroder la confiance dans les informations partagées. Les concepteurs de modèles génératifs deviennent réticents à divulguer la composition complète de leur corpus d’entraînement. Ces modèles étant très coûteux à entraîner, en termes de coût et d’impact écologique, la tâche d’apprentissage de nouveaux modèles plus éthiques est difficile.

Pour répondre à ces préoccupations, Microsoft propose une approche révolutionnaire visant à désapprendre des extraits issus de données d’entraînement. Présentée dans l’article intitulé « Who’s Harry Potter? Approximate Unlearning in LLMs », cette méthode cherche à éviter les coûts élevés liés à l’apprentissage complet d’un nouveau modèle, tout en permettant la sélection d’un corpus d’entraînement pertinent.

Comment désapprendre des concepts ?

Même si l’ajout de contexte dans des modèles de langue est devenu courant et relativement simple grâce aux mécanismes de réentraînement, supprimer des informations apprises par ces modèles est une tâche plus délicate. Dans cette étude, les chercheurs se sont penchés sur la question de la suppression de connaissances concernant le concept de « Harry Potter » avec le modèle open source Llama2-7b, entraîné par Meta. Ce concept a été choisi, car les livres de la saga Harry Potter figurent dans l’ensemble de textes « books 3 », inclus dans le corpus d’entraînement du modèle.

Pour éliminer des connaissances d’un LLM, une approche basée sur la prédiction générique a été proposée par les scientifiques de Microsoft. Cette méthode consiste à demander à un LLM de générer plusieurs alternatives pour un concept donné que l’on souhaite supprimer. Par exemple, le LLM a été sollicité pour prédire la suite d’une phrase telle que : « Les deux meilleurs amis d’Harry Potter sont ». Dans 100 % des cas, le LLM a correctement prédit la suite attendue de la phrase, à savoir « Ron Weasley et Hermione Granger ». Les chercheurs de Microsoft considèrent que la tâche de désapprentissage vise à proposer une alternative plausible à cette prédiction, qui ne soit pas liée à Harry Potter, mais qui reste probable pour tout modèle ignorant les détails de ces ouvrages. Pour cela, ils proposent de combiner deux approches leur permettant de construire un corpus de désapprentissage et de réentraîner LLaMa 2. Une méthode intrigante, car elle cherche à apprendre au modèle à désapprendre des concepts, en apprenant des informations contradictoires.

➡️ La première approche vise à obtenir des prédictions génériques grâce à des « termes ancrés ». Cette méthode est simple, car elle consiste à articuler un corpus de connexions génériques entre des concepts Harry Potter. Concrètement, des passages d’Harry Potter sont donnés à GPT-4, qui doit en extraire des entités nommées spécifiques aux livres (par exemple, des termes relatifs au jeu de Quidditch). Au lieu d’oublier l’entité « Harry Potter », l’objectif est d’oublier le lien entre Harry Potter et ces entités nommées. Pour ce faire, GPT-4 remplace les entités nommées existantes par d’autres entités cohérentes du point de vue syntaxique et sémantique, mais génériques. Ainsi, le mot Quidditch pourrait être substitué par Basketball. Grâce à ce processus, un corpus de désapprentissage composé de 1500 termes ancrés est construit.

➡️ La deuxième approche consiste à obtenir des prédictions génériques grâce à un modèle d’apprentissage par renforcement. Pour obtenir des réponses spécifiques à un texte, LLama-2-7b est davantage entraîné sur les livres d’Harry Potter. Cette étape permet au modèle de développer une connaissance plus profonde et précise de ce corpus. Le modèle renforcé est capable de fournir des réponses liées au texte cible, même en l’absence d’indices explicites dans la requête. Par exemple, le modèle est capable de répondre à des questions sur « la cicatrice » sans avoir à mentionner qu’il s’agit d’Harry Potter. Pour produire des réponses génériques à des requêtes qui ne sont pas spécifiquement liées au texte cible, les auteurs utilisent une formule qui combine les prédictions du modèle de base et du modèle renforcé.

Ces deux approches sont ensuite fusionnées pour réentraîner le modèle LLama-2-7b sur un corpus de prédiction générique, en sélectionnant l’approche obtenant la prédiction la plus générique des deux à chaque itération.

Évaluation du modèle

Les résultats obtenus mettent en évidence que même après avoir été soumis à un processus de réentraînement, le modèle conserve un niveau élevé de performance sur de nombreux référentiels d’évaluation de la littérature. Malgré une légère diminution de sa performance sur quelques tâches, parfois de l’ordre de quelques centièmes voire millièmes de points de précision, le modèle affiche une stabilité remarquable tout en maintenant son efficacité. Cette expérience revêt une importance cruciale, car elle démontre que le contenu effacé des LLMs d’origine n’était pas essentiel pour la performance dans diverses tâches génériques, et que par conséquent, il peut être utilisé de la même manière qu’un modèle classique.

Les chercheurs présentent ensuite divers exemples de génération de textes, avant et après le désapprentissage du modèle. Certains des résultats sont présentés dans le Tableau 1. Ils démontrent ainsi, sur quelques exemples, que le modèle de génération n’a pas supprimé le concept « Harry Potter », mais a supprimé de nombreuses informations qui y sont associées. Par exemple, le modèle affirme qu’Harry Potter est un acteur anglais, et n’associe plus sa cicatrice à son personnage. Les concepts existants dans le corpus de désapprentissage ont bien été correctement désappris sur ces exemples.

Tableau 1 — Comparaison de LLaMa 2 avant et après désapprentissage

Conclusion de l’étude

L’étude parvient à démontrer que le désapprentissage est réalisable, comme en témoignent les résultats positifs obtenus avec le modèle Llama2-7b, bien que leur méthode d’évaluation puisse avoir des limites. La présence d’éléments distinctifs, tels que dans la saga Harry Potter, peut faciliter le désapprentissage, mais souligne également le défi posé par la mémoire profonde du modèle. De plus, la dépendance à la connaissance préexistante de GPT-4 pour détecter des termes spécifiques soulève des questions sur l’efficacité de la technique sans cette connaissance préalable. L’application de cette approche à d’autres types de contenus, en particulier non fictionnels, pose des défis particuliers en raison de la différence de densité des termes et de la nature abstraite des concepts. L’article conclut que la technique offre un point de départ prometteur, mais qu’elle nécessite des recherches futures pour affiner et étendre la méthodologie à d’autres tâches de désapprentissage dans les LLMs, en mettant en évidence l’intérêt d’adapter l’approche à différentes sortes de contenus pour une application plus généralisée.

Quelles sont les limites de l’étude ?

Malgré son caractère novateur et ses performances dans la tâche d’évaluation, cette approche présente de nombreuses limites. Les auteurs utilisent en effet un corpus dont ils savent qu’il existe dans le corpus d’entraînement du modèle. Cela signifie que le modèle d’apprentissage doit avoir connaissance du corpus d’entraînement, et que ce corpus doit être facilement exploitable. Cependant, dans le contexte du respect de la vie privée, il peut s’avérer difficile de trouver toutes les informations sur un utilisateur, qu’il s’agisse d’informations personnelles ou compromettantes.

Les chercheurs montrent ensuite que le modèle conserve des performances élevées même après avoir désappris le concept de « Harry Potter ». Ce constat n’est pas inattendu, car il est peu probable que ces informations soient cruciales pour le fonctionnement global du modèle. Cependant, il est possible que d’autres concepts, tels que ceux liés à la politique ou au travail, puissent avoir un impact sur les performances. Une évaluation de la méthode sur des concepts plus complexes serait nécessaire, d’autant plus que ces concepts sont largement présents dans les données d’entraînement.

Enfin, bien que le désapprentissage montre de bonnes performances, celles-ci sont basées sur des analyses qualitatives portant sur seulement quelques exemples. Aucune méthodologie d’évaluation du désapprentissage n’a été fournie, ce qui aurait permis de déterminer si toutes les facettes du concept ont été correctement effacées. Cette question est essentielle, car il se peut qu’elle nécessite une connaissance détaillée du concept pour pouvoir le désapprendre de manière exhaustive.

Quels pourraient être les impacts du désapprentissage des modèles ?

Le désapprentissage des modèles transcende les limites des modèles de langue, suscitant un intérêt généralisé au sein de l’IA. À titre d’exemple, Google a initié un défi lors de la conférence NeurIPS 2023, axé sur le désapprentissage de réseaux de neurones appliqués au traitement d’images, visant à oublier des photos de personnes et ainsi préserver leur anonymat. En intégrant le désapprentissage dans le panorama de l’apprentissage automatique, émergent de nouvelles perspectives. Envisageons un futur où les modèles d’IA s’apprennent sur l’ensemble des données disponibles, avec la possibilité ultérieure de supprimer des informations personnelles ou compromettantes. Des modèles éthiques contribueraient à établir une relation de confiance entre les développeurs et les utilisateurs des modèles.

Si le désapprentissage s’avère efficace, il s’accompagne de la promesse de résoudre des dilemmes éthiques liés à la collecte et au traitement de données sensibles. Les corpus issus de domaines sensibles tels que la médecine pourraient être utilisés sans porter atteinte à la confidentialité ou à de quelconques droits d’auteur. Le potentiel du désapprentissage pour la transformation des secteurs où la confidentialité des données revêt une importance primordiale.

Références
Eldan, R., & Russinovich, M. (2023). Who’s Harry Potter? Approximate Unlearning in LLMs. arXiv preprint arXiv:2310.02238.

La réussite du mariage entre le progrès technologique et les impératifs réglementaires

L’intelligence artificielle s’est imposée comme un thème central dans les discussions internationales, notamment à Davos et au sein de l’Union Européenne. Lors de sa 54ème édition, Davos a récemment mis en lumière l’importance cruciale de l’IA dans le futur technologique, particulièrement l’IA générative avec des avancées majeures comme ChatGPT d’OpenAI. Le président d’OpenAI, Sam Altman, a marqué les débats en présentant la perspective d’une IA générale, imaginant des machines ayant une intelligence similaire à celle des humains.

Malgré ces perspectives enthousiasmantes, de nombreuses préoccupations sont soulignées. Le progrès rapide de l’IA alimente les inquiétudes quant à l’avenir du travail et les implications pour l’économie mondiale. Selon Goldman Sachs, près de 300 millions d’emplois pourraient disparaître dans le monde en raison de l’intégration généralisée de l’IA. Les PDG à travers le monde sont conscients de cette réalité, un sondage de PwC indiquant que près d’un quart des dirigeants d’entreprise s’attendent à réduire leurs effectifs en raison des gains de productivité apportés par l’IA.

Le rôle majeur de l’Union Européenne pour l’équilibre entre innovation et protection des droits fondamentaux

Les progrès de l’intelligence artificielle mettent en évidence l’importance croissante d’une régulation appropriée de cette technologie. L’Union Européenne s’est affirmée comme un acteur central dans cette démarche. En effet, en avril 2021, la Commission européenne a présenté un cadre réglementaire inédit, connu sous le nom de « loi sur l’IA », l’IA Act. Et plus récemment, le 9 décembre 2023, le Conseil et le Parlement européens ont conclu un accord provisoire sur cette proposition de loi. Ce texte est une avancée importante vers une régulation harmonisée de l’IA à l’échelle européenne, et au-delà.

Cette loi novatrice ambitionne de trouver un équilibre entre la protection des droits fondamentaux et le soutien à l’innovation. Elle a été conçue pour cultiver une IA digne de confiance, soutenant la sécurité et les droits des individus et entreprises tout en favorisant l’adoption et l’innovation dans une variété de domaines. En parallèle, un défi majeur apparaît : il est nécessaire d’établir des cadres réglementaires fiables qui permettent un développement harmonieux de l’IA à l’échelle mondiale. Alors que l’Europe a fait un pas décisif avec l’IA Act, d’autres régions expriment leurs préoccupations et leurs demandes de régulation, illustrant le caractère incontournable de ces considérations éthiques et pratiques pour l’avenir de l’IA.

La montée en puissance de l’intelligence artificielle, soulignée au Forum de Davos et matérialisée par des avancées comme ChatGPT d’OpenAI, crée donc à la fois des opportunités et des défis. Malgré les promesses d’innovation, le rapide développement de l’IA engendre des préoccupations légitimes sur l’emploi à l’échelle mondiale. Face à ces enjeux, l’Union Européenne s’établit comme un leader réglementaire avec son IA Act, une loi novatrice cherchant un équilibre entre l’innovation et la protection des droits fondamentaux.

Néanmoins, pour un avenir harmonieux de l’IA à l’échelle internationale, l’implication et la collaboration d’autres régions et des grands acteurs de l’industrie informatique sont cruciales. La discussion entre tous les acteurs concernés doit continuer.

Citius, Altius, Fortius, trois mots latin signifiant « plus vite, plus haut, plus fort », forment la devise originelle des Jeux Olympiques, mais aussi une forme de course vers une augmentation indéfinie de la performance que certains ont pu comprendre comme une invitation au dopage. Le parallèle avec l’intelligence artificielle s’avère intéressant à plus d’un titre. L’IA, c’est une révolution ! Mais elle est permanente, infatigable, un peu à la manière dont elle est menée par nos machines dorénavant déifiées, ces ordinateurs qui comptent sans se tromper, sans se plaindre aussi… Dans tous les domaines, l’IA progresse. Voyez plutôt :

Chœur des louanges techniques

Fortius : Grâce aux GPU, TPU et consorts, les capacités de calcul continuent de soutenir la force requise pour entraîner des modèles consommant des quantités astronomiques de données (et aussi d’électricité) au sein de clouds pour servir le deep learning. Dernière grande réussite en date : les Large Language Models («LLM»), noyau dur de ChatGPT, l’assistant conversationnel qui écrit. Quel dommage que de moins en moins de gens lisent…

Altius : Et c’est vrai qu’ils sont forts, ces LLM! Etonnante surprise que leur haute performance dans la maîtrise du langage, disons du versant purement syntaxique du langage. L’illusion fait le reste. L’ordinateur vous parle ; le test de Turing vole littéralement en éclat (en même temps, c’était un canular…). Et si l’on n’y prend garde, ce sera bientôt toute la cognition humaine qui sera reproduite par ces capacités « machiniques » nouvelles. Pourquoi l’IA connaîtrait-elle de limites ?

Citius : Ce rythme, qui nous entraîne jusqu’au bout de l’IA (mais peutêtre aussi au bout de la nuit ? – il paraît que les années 80 reviennent à la mode), semble s’accélérer à son tour. Les retombées techniques des LLM s’auto-entretiennent dans un concert assez cacophonique d’open-source et de but lucratif bien compris (mais il n’y a pas de mal à cela). Et nous nous précipitons, mus par un progrès qui demeure inquestionné, à toute
allure vers… Bien malin qui saurait dire quoi !

Intermezzo : Retour à la devise des J.O. : il est d’ores et déjà su que le cru parisien de 2024 aura recours à l’IA, à l’œuvre derrière les caméras intelligentes censées veiller à la sécurité du peuple, augmenté de ses généreux touristes étrangers. La surveillance – d’autres disent « la sécurité » – ne saurait se reposer, contrairement aux contrôleurs et aux athlètes (il faudrait bientôt songer à les remplacer un jour, ceux-là aussi !)

Chœur des louanges éthiques

La fin de l’année qui vient de s’achever portait comme un avant-goût de nouvel an, largement confirmé depuis :

Prospérité ! L’IA ne se limite heureusement pas à ses performances techniques sans cesse repoussées. Le business est aussi florissant et le montant des dernières levées de fonds ou des investissements consentis donne le tournis. A moins de compter en milliards de dollars – altius ! –, on ne fait pas vraiment partie des acteurs intéressants. En centaines de millions d’euro, on a une place dans le décor, ou on peut être promu à un petit rôle de configuration, peut-être. Bien sûr, les rabat-joie pointeront qu’un investissement n’est qu’une espérance de gains futurs (et pour ce qui est du présent, une dépense tout à fait effective). Ils n’omettront pas de noter également que la valeur en bourse n’est qu’une mesure bien volatile de la valeur réelle d’une société. Mais enfin, il faut bien s’occuper…

Bonheur ! Et comme on n’est pas tous traders et qu’il en faut pour tous les goûts, la régulation de l’IA bat aussi son plein. Sommet mondial de l’intelligence artificielle les 1er et 2 novembre 2023 en Angleterre où les figures politiques discutent avec chercheurs et dirigeants des inévitables grandes entreprises du numérique. Réunion placée sous l’égide du bien des peuples et des Nations (et de la figure tutélaire d’Alan Turing – autres temps, autres mœurs) qui conduisit même à la signature d’un accord – ou n’était-ce qu’une déclaration ? –, dit de Bletchley, intervenant à peu près en même temps que la signature du décret Biden visant un début de réglementation en la matière et que l’édiction d’un code de bonne conduite par le G7. Les choses apparaissent enfin clairement : c’était une conspiration menée contre l’AI Act européen qui accouchera (?) seulement un mois plus tard ! Citius : chacun veut être le premier à dire la même chose, à savoir, faire de l’IA responsable, éthique et sécurisée (pieuse « wishlist » non exhaustive). Même la Chine a pu signer. Fortius !

Une dissonance audible ou un chœur qui chante faux ?

Et pourtant, de « révolution permanente » (notez bien sûr l’oxymoron) à « crise », il n’y a pas loin. Comment expliquer, sinon, ces récents engouements médiatico-politiques ? Le succès technique des LLM suffit-il pour remettre au goût du jour les vieilles lunes du grand remplacement, du revenu universel (qui sera « élevé », selon Elon Musk, mal habitué, il est vrai, aux inconforts du SMIC) et des robots humanoïdes qui pourraient devenir méchants si leur IA venait à dérailler ?

Crise des consciences, aussi, comme prises de vertige devant l’extrapolation de ce que pourrait être l’IA de demain. Raison de plus pour s’assurer de ce qu’est l’IA d’aujourd’hui, l’IA qui se fait plutôt qu’elle ne se raconte dans la bouche des « heureux du monde ». Revenons donc à un peu de science et de pédagogie, à la fabrique des IA, et non aux communications à son sujet. Entreprendre un voyage au bout de la nuit est toujours possible, réaliser celui au bout de l’IA s’avérera sans doute plus enthousiasmant, on l’espère !

Retrouvez le nouveau livre “Voyage au bout de l’IA”
d’Axel Cypel aux éditions De Boeck supérieur.

L’intelligence artificielle a révolutionné de nombreux domaines dont celui de la cybersécurité. Cependant, cette technologie prometteuse soulève des questions en termes d’explicabilité et de transparence. Le machine learning a connu des avancées remarquables depuis ces dernières années.

Aujourd’hui, grâce à d’énormes bases de données, des modèles de plus en plus élaborés peuvent classifier des attaques complexes et variées sans qu’il soit nécessaire de les définir explicitement. Cependant, cette évolution s’accompagne d’une opacité croissante. Bien que des méthodes de ML avancées, telles que les réseaux neuronaux profonds, démontrent une excellente efficacité en laboratoire, leur utilisation comme « boîtes noires » peut causer des erreurs inattendues et difficiles à comprendre en conditions réelles. Il est donc utile de comprendre en quoi consiste l’explicabilité des IA dans le monde de la cybersécurité et pourquoi cela est devenu une nécessité.

Le concept de l’explicabilité des IA

L’explicabilité est la capacité d’un système à rendre son processus de raisonnement et ses résultats intelligibles pour les humains. Dans le contexte actuel, des modèles sophistiqués opèrent souvent comme des « boîtes noires », masquant les détails de leur fonctionnement. Ce manque de transparence soulève des enjeux. En effet, sans une compréhension claire du processus décisionnel, il devient difficile d’identifier, et encore moins de corriger, d’éventuelles erreurs. De plus, il est compliqué pour l’être humain de faire confiance à une IA qui délivre des résultats sans justification apparente.

L’importance de l’explicabilité

Dans des domaines où la prise de décision est critique, il est primordial de comprendre comment l’IA opère pour lui accorder notre confiance. L’absence d’explicabilité et de transparence est aujourd’hui un frein à l’intégration de l’IA dans ces secteurs sensibles. Prenons l’exemple d’un analyste de sécurité ; il a besoin de savoir pourquoi un comportement a été classé comme suspect et d’obtenir des rapports d’attaque approfondis avant d’engager une action aussi importante que de bloquer le trafic en provenance d’adresses IP spécifiques. Mais l’explicabilité ne profite pas uniquement aux utilisateurs finaux. Pour les ingénieurs et concepteurs de systèmes d’IA, elle simplifie la détection de potentielles erreurs du modèle de ML et évite les ajustements « à l’aveugle ». L’explicabilité est donc centrale dans la conception de systèmes fiables et dignes de confiance.

Comment rendre les IA explicables

Des modèles de ML comme les arbres de décision sont naturellement explicables. Bien qu’en général moins efficaces que des techniques de ML plus sophistiquées comme les réseaux neuronaux profonds, ils offrent une totale transparence.

Certaines techniques « post hoc », telles que SHAP et LIME, ont été développées pour analyser et interpréter des modèles « boîte noire ». En modifiant les entrées et en observant les variations correspondantes dans les sorties, ces techniques permettent d’analyser et de déduire le fonctionnement de nombreux modèles existants.

L’approche « explainability-by-design » va au-delà des techniques post hoc en intégrant l’explicabilité dès la conception de systèmes d’IA. Plutôt que de chercher à expliquer les modèles a posteriori, l’« explainability-by-design » s’assure que chaque étape du système est transparente et compréhensible. Cela peut impliquer l’utilisation de méthodes hybrides et permet la conception d’explications appropriées.

L’explicabilité en IA n’est donc pas un luxe, mais une nécessité, surtout dans des domaines sensibles comme la cybersécurité. Elle permet de gagner la confiance des utilisateurs mais aussi d’améliorer continuellement les systèmes de détection. Il s’agit d’un point essentiel à prendre en considération dans le choix d’une solution de sécurité.

L’IA générative (GenAI) a connu un essor rapide au cours des deux dernières années, confrontant les dirigeants d’entreprise à un bouleversement technologique majeur. Nous voulons tous savoir comment des changements tels que celui-ci nous affecteront et quelles seront les prochaines étapes. Heureusement, nous sommes déjà passés par là.

Lorsque le cloud computing a fait son apparition au milieu des années 2000, il a suscité des réticences et des craintes. Aujourd’hui, il est rare de rencontrer un dirigeant qui ne s’appuie pas dessus. Les parallèles entre l’adoption du cloud computing et de l’IA générative permettent de tirer des enseignements essentiels alors que nous nous dirigeons vers une adoption généralisée de l’IA générative.

1. L’IA générative est un investissement opérationnel

Tout comme le cloud, l’IA générative devrait concerner tous les types d’entreprises. La technologie peut être adoptée par tout le monde, des plus grandes entreprises du monde aux plus petites entreprises indépendantes. D’ailleurs, McKinsey estime que l’IA générative est sur le point d’accroître les effets de l’ensemble de l’IA de 15 à 40 %, ce qui représente un montant annuel de 4 400 milliards de dollars.

L’ère du cloud a permis aux entreprises de passer de projets de forte intensité capitalistique à des investissements opérationnels plus durables. L’IA générative est en passe de reproduire cette tendance, puisqu’elle implique un changement similaire, à savoir le passage du CapEx à l’OpEx qui convient à tous les types d’entreprises.

Il est donc possible de mettre l’IA générative au service de l’entreprise, quelle que soit sa structure. Ceux qui adoptent cette approche accessible de la technologie devraient bénéficier d’une productivité accrue, d’un travail efficace et d’une réduction des coûts d’exploitation.

2. L’IA générative exige de la sécurité et une gestion des données

L’IA générative a besoin d’une énorme quantité de données pour fonctionner efficacement. Les entreprises n’en sont encore qu’aux prémices de leur réflexion sur ce qu’implique pour la sécurité le fait d’alimenter des solutions d’IA avec leurs données.

Dans les premiers temps de l’adoption du cloud, les entreprises ont été confrontées aux mêmes préoccupations. Les leaders du secteur ont dû démontrer que le cloud était suffisamment fiable pour encourager les entreprises à y placer de grandes quantités de données. Ils ont dû également déterminer avec quels partenaires travailler pour en garantir la sécurité. Il y avait un sentiment d’incertitude ou d’ambiguïté, ce que de nombreux dirigeants ressentent aujourd’hui à l’égard de l’IA générative.

Exploiter en toute sécurité des solutions basées sur des données implique des enjeux importants. Les données ont pris une nouvelle dimension, car les consommateurs sont de plus en plus conscients de la manière dont les entreprises gèrent et utilisent leurs données.

Selon une étude réalisée en 2022 par Statista, 70 % des consommateurs européens craignent que les entreprises n’utilisent leurs données personnelles à d’autres fins que celles prévues. Ce chiffre montre que la sécurité des données est une priorité absolue pour les consommateurs de la région EMEA lorsqu’ils choisissent d’acheter quelque chose à une entreprise.

Devant la complexité de l’adoption de l’IA générative, nous devons nous rappeler les leçons tirées de l’ère du cloud et donner la priorité à la gestion des données et à la sécurité. Il faut reconnaître les immenses possibilités qui se présentent, mais rester parfaitement conscient des sanctions potentiellement plus lourdes pour les entreprises qui se trompent.

3. Il n’existe pas de stratégie d’IA générative universelle

Tous les types d’entreprises peuvent tirer profit de l’IA, à condition qu’elles réalisent les investissements appropriés. Pour devenir un précurseur de l’IA générative, il faut investir dans le recrutement de collaborateurs qui maîtrisent la technologie : data scientists, analystes de données ou ingénieurs data.

Selon une étude de l’Université d’Oxford, depuis 2015, la demande de compétences liées à l’IA a été multipliée par cinq à l’échelle mondiale. La conclusion pour les entreprises est simple : si vous ne comprenez pas le cycle de vie de vos données ou les réglementations relatives à l’IA, vous devez recruter des spécialistes en la matière.

Les entreprises qui hésitent à adopter d’emblée l’IA générative ont tout intérêt à attendre et à s’intéresser aux enseignements que tirent celles qui se lancent. Une fois que ces premières entreprises auront réalisé les investissements nécessaires, nous verrons apparaître une façon plus largement admise de gérer les données dans les grands modèles de langage.

4. L’IA générative doit être considérée comme une valeur ajoutée à long terme

Toute technologie qui conduit à une transformation, qu’il s’agisse du cloud, de l’IA générative ou d’autre chose, suit le même schéma. Le cycle de battage médiatique classique commence par une période d’anticipation, suivie d’une adoption rapide, d’un stade intermédiaire caractérisé par la prudence et, finalement, de retardataires qui restent légèrement à la traîne.

L’IA générative se trouve encore aux tout premiers stades de ce cycle. Une étude de Dell révèle que seules 44 % des entreprises se trouvent actuellement dans les phases d’adoption rapide ou intermédiaire de l’IA générative, ce qui signifie que la plupart d’entre elles n’ont pas encore fait de réels progrès.

Par ailleurs, de nombreuses informations erronées circulent sur le sujet. Nous pouvons ici établir un autre parallèle : lorsque le cloud s’est imposé pour la première fois, les dirigeants pensaient qu’il serait moins rentable, moins sûr et moins fiable que l’infrastructure IT traditionnelle.

La seule véritable façon de résoudre ce problème et de traverser le cycle de l’IA générative, c’est de laisser les choses se produire naturellement. Nous commençons à voir à quoi ressemble l’IA générative pour les entreprises dans la pratique. Exemples de nouveaux cas d’utilisation :

• Génération d’idées : l’IA générative pour résoudre le problème de la « page blanche » et contribuer au brainstorming et à la génération d’idées au sein de l’entreprise

• Capacité d’évaluation, de classement et de recommandation : l’IA générative pour résumer de grandes quantités de données ou de longs rapports/journaux, classer les informations et fournir des recommandations et un raisonnement à partir de ces données

• Génération de contenu : l’IA générative pour proposer des e-mails, des messages sur les réseaux sociaux, des récapitulatifs hebdomadaires ou des réponses à des demandes de service liées à la gestion de tickets IT

L’adoption de l’IA générative est un parcours. Les entreprises se doivent d’aller à leur rythme et à commencer par rationaliser une couche de base d’IA ou d’automatisation.

Les capacités matures de l’IA générative, comme l’intelligence prédictive, l’analyse statistique, la compréhension du langage naturel, pour n’en citer que quelques-unes, changent réellement la donne. Il est important de déterminer exactement comment la technologie peut favoriser un cas d’utilisation dans votre entreprise et de partir de là.

L’année 2023 restera marquée comme l’année de l’IA, avec les entreprises qui se sont toutes efforcées de comprendre et d’adapter leurs processus et produits en conséquence. En 2024, elles devront continuer à évoluer pour prospérer face à une concurrence de plus en plus innovante. Alors que toutes les industries sont concernées, l’IA constitue clairement la prochaine étape de l’automatisation, permettant d’accomplir des tâches qui, jusqu’à présent, nécessitaient le raisonnement d’un expert en informatique.

Un certain nombre d’emplois tels que nous les connaissons aujourd’hui seront bientôt transformés, ce qui représente de réelles opportunités. Dans le domaine des réseaux, l’IA donnera de nouvelles capacités aux ingénieurs, leur permettant d’accomplir en quelques minutes ce qui prenait parfois des heures. Ils pourront alors se consacrer à des tâches plus utiles et moins chronophages.

La possibilité d’interroger le réseau plutôt que le service support

L’IA générative et les grands modèles de langage (LLM) continueront d’être utilisés pour créer des réseaux informatiques plus intelligents et réactifs. Ainsi, au lieu de devoir appeler le support pour résoudre un problème, les utilisateurs pourront simplement demander à leur réseau pourquoi leur session Zoom ne fonctionne pas, et celui-ci sera en mesure de le diagnostiquer et de le solutionner. Les LLM seront également utilisés pour développer des outils de maintenance informatique encore plus proactifs et prédictifs, capables même d’anticiper les problèmes.

Jusqu’à 50% de gains de productivité

En 2024, les modèles LLM accéléreront les procédures dans tous les secteurs de l’entreprise, générant jusqu’à 50 % de gains de productivité. Les professionnels commenceront donc à entraîner les LLM sur l’ensemble des données détenues, permettant ainsi une véritable “fusion mentale”. En bref, les collaborateurs pourront exploiter les connaissances de n’importe quel autre pair, révolutionnant ainsi le mode de fonctionnement en permettant aux employés d’apprendre plus facilement et plus rapidement de nouvelles compétences, de mieux collaborer et d’améliorer la qualité de leur travail. Concrètement, ces solutions basées sur LLM seront mises en œuvre pour automatiser des tâches (rédaction d’emails, génération de code), identifier et analyser des tendances parmi les données et faire évoluer le support client avec un support automatisé et plus efficace.

Le coût de la formation baissera

Le coût de la formation associée aux modèles LLM diminuera rapidement dans les mois à venir, alors que le silicium est conçu pour les faire évoluer à un rythme de 50 % tous les deux ans. Les entreprises pourront ainsi développer et déployer leurs propres LLM en plus grand nombre, et les applications basées sur cette technologie proliféreront en 2024 et au-delà.

LLM ou Chatbots ?

Toutefois, l’engouement actuel autour des LLM est susceptible de connaître un revers en 2024, car les entreprises commencent à faire face aux défis de la conception d’assistants IA dédiés. Les chatbots, par exemple, sont des agents conversationnels utilisés pour automatiser des tâches et fournir une assistance aux clients dans des domaines variés tels que la santé, la banque ou encore le retail. Les entreprises développeront donc plutôt ce type de chatbots spécifiques, plus difficiles à construire que les LLM à usage général mais qui offrent une bien meilleure expérience à l’utilisateur.

Ne pas oublier la question de la propriété des données

À mesure que les grands modèles linguistiques (LLM) deviendront plus sophistiqués, les débats sur la propriété des données prendront de l’ampleur. La façon dont les grandes entreprises utilisent des données qui ne leur appartiennent pas pour entraîner leurs modèles pose en effet des questions. Cela pourrait conduire à une concentration du pouvoir entre quelques mains, à l’instar de ce qui s’est passé avec l’open-source. Pour résoudre ce problème, de nouveaux dispositifs de licences verront le jour. Ces cadres devraient garantir que les propriétaires de données soient rémunérés à leur juste valeur et que les utilisateurs puissent accéder aux fichiers et les exploiter d’une manière responsable et éthique.

Les modèles LLM deviendront de plus en plus puissants dans les mois à venir, et les opérateurs réseaux devront donc continuer leur transformation afin de les intégrer au mieux. Ceux-ci favorisent en effet la productivité des équipes en leur permettant de se concentrer sur des tâches créatrices de valeur. Reste à garder en tête que cet essor introduit plusieurs questions, comme le défi de la propriété des données et la création de modèles plus précis, plus détaillés et nécessitant donc plus d’investissements.

L’évolution rapide de la technologie a apporté son lot de progrès, mais également de nouveaux défis en matière de sécurité informatique. Face à une augmentation constante des menaces et des attaques cyber sophistiquées, l’intégration de l’intelligence Artificielle (IA) et du Machine Learning (ML) s’est avérée être un nouvel atout dans la protection des systèmes et des données.

Prévention, détection et réponse

L’utilisation de l’intelligence artificielle et du machine learning, dans le domaine de la cybersécurité, a permis de renforcer la prévention, la détection et la réponse aux attaques. Ces modèles peuvent analyser de vastes ensembles de données à une vitesse inégalée, identifiant ainsi les schémas et les comportements anormaux, signes potentiels d’activités malveillantes.
Les technologies d’IA et de ML sont déployées dans divers domaines de la cybersécurité. Dans la détection des intrusions, par exemple, les systèmes basés sur l’IA surveillent en temps réel les activités réseau, identifiant tout comportement inhabituel révélateur d’un trafic malveillant. De même, les algorithmes de ML sont utilisés pour créer des modèles de comportement des logiciels malveillants, permettant ainsi une détection proactive des menaces potentielles.

De ce fait, l’IA est cruciale dans l’analyse des vulnérabilités. Sans elle, il serait beaucoup plus compliqué, voire impossible, de détecter les vulnérabilités Zero Day. Les IA apprennent et s’adaptent au comportement des attaquants pour mieux anticiper les menaces futures. Il devient alors beaucoup plus difficile, pour les acteurs cybermalveillants, de les contourner.

Automatisation et réponses rapides

L’automatisation de certains processus de sécurité constitue un avantage majeur de l’IA. Les technologies autonomes peuvent rapidement isoler les menaces, déployer des correctifs et prendre des contre-mesures sans intervention humaine, ce qui réduit considérablement le temps de réponse face à une attaque.

Toutefois, l’utilisation de l’IA et du ML en cybersécurité n’est pas sans défi. Les cybercriminels recherchent constamment des moyens pour contourner ces systèmes, en élaborant des attaques plus sophistiquées. La nécessité d’une évolution constante des modèles est alors indispensable pour maintenir leur niveau d’efficacité.

De plus, la confidentialité des données utilisées pour entraîner les modèles d’IA est une problématique majeure. Cette préoccupation est cruciale pour plusieurs raisons. Tout d’abord, d’un côté violation de la vie privée : les données utilisées, pour entraîner les modèles, peuvent souvent contenir des informations sensibles sur les individus, telles que des détails médicaux, des informations financières, des préférences personnelles, etc. L’utilisation non autorisée, ou la divulgation de ces données, peut violer la vie privée des personnes concernées.

Ensuite, d’un point de vue risque de sécurité, les bases de données massives utilisées pour l’entraînement des modèles représentent des cibles potentielles pour les cyberattaques. Si ces données tombent entre de mauvaises mains, elles peuvent être exploitées à des fins malveillantes.

Nous pouvons citer, aussi, les biais et la discrimination. Un modèle peut être biaisé si les données utilisées pour l’entraînement sont elles-mêmes biaisées. Si les ensembles de données sont incomplets, non représentatifs ou reflètent des préjugés humains, les modèles peuvent perpétuer ces biais, conduisant ainsi à des décisions discriminatoires ou injustes.

Ou encore par rapport aux normes de conformités. En effet, dans de nombreuses régions du monde, il existe des lois et des réglementations strictes concernant la protection des données personnelles (comme le RGPD en Europe, le PIPL en Chine, etc.). Les organisations doivent se conformer à ces normes, ce qui rend la gestion des données utilisées dans les modèles encore plus complexe et exigeante.

L’adoption croissante de l’IA et du ML dans le domaine de la cybersécurité offre un avantage significatif pour la lutte contre les menaces cyber. Cependant, pour maximiser leur efficacité, il est essentiel de continuer à développer les modèles tout en maintenant une approche équilibrée entre l’innovation et la protection de la vie privée.