L’Intelligence Artificielle fait partie comme le Big Data ou la Blockchain de ces concepts technologiques que l’on évoque bien plus qu’on ne comprend vraiment. Les notions à la base de l’IA restent très floues, et on a encore du mal à comprendre comment cela fonctionne concrètement.  

Comprendre l’IA, oui mais…

L’intelligence artificielle est, en tout cas un concept chargé d’affect qui touche à l’essence de l’humain et soulève logiquement autant d’espoirs que de craintes. En imitant l’homme dans l’imaginaire collectif, la technologie peut pour certains, assister l’humain et le soulager, et, pour d’autres, le remplacer et l’aliéner. C’est un peu comme le problème du verre à moitié plein ou à moitié vide. Il faut tout d’abord comprendre que la notion d’intelligence dont on parle dans l’IA est, pour l’instant du moins, focalisée sur un processus unique, qui cherche à reproduire les mécanismes du raisonnement humain sur une problématique bien précise. On parle d’IA faible par opposition à l’IA forte, consciente d’elle-même et capable de simuler les actions et raisonnements humains dans toutes leurs dimensions. Ce qui caractérise l’IA se résume en deux mots : Machine Learning. En effet, alors qu’un programme informatique classique doit prévoir à l’avance tous les cas de figures et les combinaisons d’événements, un programme d’IA basé sur du Machine Learning est conçu pour apprendre tout seul, s’adapter aux situations nouvelles dans le contexte défini et évoluer pour mieux prendre en compte l’avenir.  

Comment la machine apprend ?

Pour apprendre, un système a besoin de données en entrée qui vont lui permettre de s’entrainer pour être en mesure d’effectuer des prédictions sur des nouvelles données qui lui seraient présentées. Cet apprentissage peut être supervisé ou non supervisé. En mode supervisé, le jeu de données fourni pour entrainer le système doit comporter la réponse pour chaque enregistrement, sur la variable à prédire. Ainsi, si vous souhaitez mettre en place un algorithme de scoring de nouveaux clients, vous devez fournir au système un jeu d’entrainement comportant des clients existants avec leurs caractéristiques (prédicteurs) et le score qui est associé à chacun d’entre eux (valeur à prédire). L’apprentissage non supervisé fonctionne sans valeur de référence. Le jeu d’entrainement ne comporte que des caractéristiques à partir desquelles le système est chargé de constituer des groupes. Cette approche correspond aux processus de clustering connus des professionnels des études marketing. Les groupes ainsi définis en détectant des similarités entre les contenus et les individus du fichier, peuvent être étiquetés a posteriori par l’expert « humain » Data Analyst après analyse de leurs caractéristiques. Après cette phase d’apprentissage, il est possible d’interroger le système sur des nouvelles données pour avoir un pronostic en fonction de ce qu’il a appris. Cette interrogation peut être ponctuelle ou en direct. Le premier cas correspond à un usage analytique, où l’expert Data Analyst utilise le programme d’IA pour qualifier un fichier de données, en d’autres termes pour identifier les données pertinentes et exclure les données aberrantes qui pourraient fausser/biaiser l’analyse ou le modèle généré. Quant au deuxième cas, il correspond à une interaction en temps réel avec l’algorithme d’IA au travers d’une interface dynamique qui permet de communiquer avec la machine. Ainsi, l’expert humain agit sur la machine par exemple pour : identifier des profils bien précis, isoler des comportements émergeants, identifier des signaux faibles, évaluer les caractéristiques de certains segments pour déterminer les actions à mener, etc. C’est le cas de l’algorithme d’IA développé par la startup française FANVOICE, qu’elle utilise pour analyser les contenus des campagnes de co-création et d’innovation menées sur sa plateforme, pour de nombreuses grandes marques dans l’énergie, Internet de l’objet, alimentaire, banque, assurance, etc.  

Quelles sont les clés de réussite d’un apprentissage pertinent de la machine chez FANVOICE ?

La qualité des données est bien sûr essentielle pour un apprentissage pertinent de la machine. Il est donc important de veiller à plusieurs paramètres pour concevoir un corpus de données de qualité :

• Taille du fichier : un corpus trop petit ne permettra pas d’obtenir un modèle de qualité. Les règles classiques d’échantillonnage et de nombres utilisées en Market Research s’appliquent aussi dans ce cas.
• Structure des campagnes : les campagnes powered by FANVOICE intègrent une cartographie d’inspiration créée à partir d’un design et d’une méthodologie marketing qui favorisent un recueil de données ciblées, en répondant à une problématique précise déclinée en thématiques. Ainsi, cette cartographie d’inspiration, bien conçue pour traduire la problématique de la marque, permet de guider les participants en les invitant à s’exprimer sur des sujet utiles qui répondent aux objectifs assignés à la campagne.
• Animation et modération : l’animation des fils de discussion de la plateforme par un Community Manager et par un Expert projet contribue à générer des contenus riches et pertinents au regard de la problématique adressée, et donc de contribuer de prime abord à un modèle d’analyse pertinent et porteur d’insights.
• Représentativité des données : les données en entrée doivent intégrer toutes les nuances que vous souhaitez dégager et exclure les données aberrantes qui pourraient fausser l’analyse (par exemple via une liste de stop words adaptée à la campagne).
• Qualité des prédicteurs : les prédicteurs doivent permettre à l’algorithme de dégager un modèle d’analyse pertinent. La présence d’éléments inutiles (bruits) peut fausser le système et aboutir à une modélisation inefficace.

L’humain agit sur la machine et reste au cœur du processus décisionnel !

L’IA ne fait pas disparaître l’expertise humaine, bien au contraire. Les algorithmes d’intelligence artificielle basent leur fonctionnement sur ce qui leur est fourni au départ. Leur capacité de calcul rapide et de combinaisons complexes dépasse les nôtres pour gagner toujours en précision et en efficacité. Enfin, les machines seules, aussi efficaces soient-elles, ne peuvent acquérir ni sagesse ni bon sens, propriétés – non mathématiques donc non transformables en algorithmes – propres à l’être humain. Kasparov, le précise dans sa parole : « Les machines font des calculs. Nous comprenons les choses. Les machines reçoivent des instructions. Nous avons des buts. Les machines ont pour elles l’objectivité. Nous avons la passion. Nous ne devrions pas avoir peur de ce que nos machines peuvent faire aujourd’hui. Nous devrions plutôt nous inquiéter de ce qu’elles ne peuvent toujours pas faire car nous aurons besoin de l’aide de ces nouvelles machines intelligentes pour faire de nos rêves les plus fous une réalité » La raison d’être de l’IA n’est donc pas de remplacer l’humain mais au contraire de lui simplifier la tâche, tout en le replaçant au centre de son activité. La course à la pertinence et à la performance des données pour en extraire de la data intelligence est en marche !