Depuis l’explosion de l’IA générative avec ChatGPT en 2022, l'Intelligence Artificielle (IA) a suscité un fort engouement, mais aussi de nombreuses confusions. Différencier clairement IA, machine learning, deep learning et IA générative reste complexe pour les non-initiés, tandis que « l’AI-washing » brouille encore davantage les lignes. Comment s’assurer du potentiel d'un projet IA ? Comment garantir son usage en entreprise ? Quelles réflexions et points de vigilance pour favoriser un projet IA viable ? Tant de questions auxquelles nous avons tentés de répondre au cours de l'événement Démystifier l'IA : comment évaluer le vrai potentiel technologique des startups IA ?
Les interventions ont été menées par Jihane Bennis, AI Officer chez Bouygues Construction et co-organizer de WiMLDS, Antoine Foures, Tech Lead chez Matters, et Victor Pacaud, expert innovation et IA chez Dynergie.
L'intelligence artificielle (IA) trouve ses racines dans les années 1950, avec Turing, McCarty ou Minsky, et ouvrant la porte vers la fusion des mathématiques et de la programmation informatique. L'un des premiers jalons de cette époque est ELIZA, un programme développé en 1966 au MIT qui simulait une conversation humaine, posant ainsi les bases du traitement du langage naturel. Cette période a été marquée par un enthousiasme initial, suivi du premier "hiver de l'IA", une phase de désillusion due aux limitations technologiques de l'époque.
La révolution des microprocesseurs dans les années 1980 a relancé l'intérêt pour l'IA, même si un second hiver s’imposa à la fin de la décennie. Malgré tout, des avancées notables ont eu lieu, notamment avec Deep Blue d'IBM, qui a battu le champion du monde d'échecs Garry Kasparov en 1997. Cette période a vu l'émergence du machine learning et les premiers pas du deep learning, ouvrant la voie à des modèles plus sophistiqués.
Aujourd'hui, l'IA est accessible à tous, grâce à l'IA générative, au deep learning et aux modèles transformers tels que GPT-4. Cet "effet iPhone" a démocratisé l'IA, la rendant omniprésente dans notre quotidien. Cette explosion repose sur trois piliers essentiels : la donnée, la technologie et l'usage.
La donnée est le carburant indispensable de l'IA. Sa qualité, son acquisition et son accessibilité déterminent la viabilité d'un projet. Il est crucial de mettre en place une stratégie efficace de collecte et de transformation des données pour assurer leur pertinence et leur fiabilité, permettant ainsi de garantir un apprentissage sain et efficace. L'accessibilité des données, qu'elles soient publiques ou privées, influence également la capacité d'une entreprise à s'intégrer dans un écosystème donné.
L'exploitation de ces données soulève pareillement des enjeux majeurs en matière de sécurité et de propriété intellectuelle. Le stockage sécurisé des données est primordial pour prévenir les fuites et les cyberattaques. De plus, l'utilisation des données des utilisateurs pour entraîner les modèles doit respecter les droits de propriété intellectuelle, nécessitant de cadrer au plus vite d’éventuels partenariats de codéveloppement. Les réglementations comme le RGPD, l'IA Act et les directives de la CNIL imposent des cadres stricts pour assurer la conformité et protéger les droits des individus en Europe, contrastant avec des approches plus souples ailleurs dans le monde.
Sélectionner la technologie adéquate est essentiel pour la performance et la durabilité d'une solution d'IA. Différents types d'algorithmes sont adaptés à des problématiques spécifiques, qu'il s'agisse de tâches d'entraînement ou d'inférence. Il est donc vital d'aligner le choix technologique avec les objectifs et besoins du projet.
De plus, la mise en œuvre des pratiques MLOps (Machine Learning Operations) est indispensable pour gérer efficacement les coûts, l'évolution et la maintenance des algorithmes. Cela comprend la mise à l'échelle des modèles, la projection des coûts en fonction de l'utilisation et la surveillance continue des performances pour éviter la dérive des modèles (performance drift).
Enfin, adopter une vision produit centrée sur l'intégration et la transparence est également crucial. L'observabilité du système permet d'effectuer des audits, de respecter les normes réglementaires et de détecter rapidement les anomalies. Par ailleurs, l'impact environnemental de l'IA ne doit plus être négligé. Nous encourageons les entreprises à choisir finalement la technologie pour développer des solutions durables, en adaptant sa puissance aux fonctionnalités attendues. En tenant compte de la consommation énergétique et de l'empreinte carbone des modèles, une approche plus frugale et vertueuse permettrait de résoudre l’antinomie actuelle entre l’usage exponentiel de l’IA et son impact carbone important.
.png)
Finissons par le plus important : l’usage. L'IA doit être envisagée comme un outil au service d'un besoin réel, qu'il s'agisse de résoudre un problème existant ou de saisir une opportunité d'amélioration. Plutôt que de chercher à remplacer l'humain, l'IA doit être positionnée dès la conception d’une solution comme un assistant, renforçant les capacités des utilisateurs tout en préservant la valeur ajoutée humaine.
Du point de vue de la conception produit, il est donc essentiel d'adopter une approche centrée sur le client. L'IA doit être perçue comme un moyen d'enrichir le produit ou le service, et non comme une fin en soi. Cela implique de s'assurer que l'IA répond à un besoin identifié, évitant ainsi le piège du "AI-washing" où l'IA est présentée comme un simple argument marketing sans réelle utilité, profitant du flou global derrière la compréhension du terme “IA”.
Pour les entreprises, son intégration nécessite une approche réfléchie. La règle des "3U" (Utile, Utilisable, Utilisé) souligne l'importance de créer des solutions qui apportent une réelle valeur, sont faciles à adopter et s'intègrent harmonieusement dans les processus existants. Mettre l'accent sur le retour sur investissement (ROI) dès le départ garantit une meilleure considération des parties prenantes.
En plaçant l'usage au centre, les entreprises peuvent développer des solutions d'IA qui sont non seulement innovantes, mais aussi pertinentes et efficaces, favorisant ainsi l'adoption par les utilisateurs et créant une valeur durable.
Développer et déployer l’IA efficacement nécessite une compréhension fine des technologies, une gestion rigoureuse des données et une approche centrée sur l’usage. De nombreux enjeux réglementaires viennent complexifier cette tâche impliquant une grande vigilance. De nombreuses recommandations et pratiques sont donc à considérer pour faire de l’IA un outil puissant, avec une intégration et un usage réfléchis, responsables et orientés vers l’impact réel pour son utilisateur.
