Comment savoir quand l’IA est la bonne solution

L’adoption de l’intelligence artificielle (IA) est en augmentation. Selon une récente enquête McKinsey, 55 % des entreprises utilisent l’intelligence artificielle dans au moins une fonction, et 27 % attribuent au moins 5 % des bénéfices avant intérêts et impôts à l’IA, dont une grande partie sous la forme d’économies sur les dépenses.

Comme l’IA va considérablement changer presque tous les marchés qu’elle touche, il n’est pas surprenant que les fournisseurs et les entreprises essaient de trouver des opportunités pour diffuser l’IA partout où ils le peuvent. Tous les projets ne peuvent pas bénéficier de l’IA et essayer d’utiliser l’IA de manière inappropriée peut non seulement coûter du temps et de l’argent, mais aussi égarer les employés, les clients et les dirigeants d’entreprise sur les futurs emplois en IA.

Les facteurs clés pour déterminer si un projet convient à l’IA sont la valeur de l’organisation, le calendrier des données de formation et la préparation culturelle à la modification. Voici un aperçu de la façon de vous assurer que ces critères sont conformes à votre projet d’IA avant que votre incursion dans le système expert ne devienne une dépense irrécupérable.

Commencez par le service le plus simple possible

Les chercheurs en données, en particulier, se tournent vers une technique axée sur l’IA, déclare Zack Fragoso, responsable de la science des données et de l’IA chez Domino’s, qui compte plus de 18 000 dans plus de 90 pays à travers le monde. Vous ne pouvez pas utiliser l’IA partout.

Bien qu’il s’agisse d’une ligne de travail vraiment standard, Domino’s a en fait adopté la modification, en particulier pendant la pandémie. Les clients disposent désormais de 13 moyens numériques pour commander des pizzas, et l’entreprise a réalisé plus de 70 % de ses ventes via les canaux d’achat numériques en 2020. Cela a en fait ouvert de nombreuses opportunités pour tenir la promesse de l’IA.

Le secret pour Domino’s dans l’utilisation de l’IA, déclare Fragoso, a été d’adopter une approche simple. « En fin de compte, la solution simple fonctionne beaucoup plus vite, fonctionne beaucoup mieux et nous pouvons l’expliquer à nos partenaires de l’organisation », déclare-t-il. « L’explicabilité en est une partie importante : plus les gens comprennent les outils et les techniques que nous utilisons, plus il est facile de les adopter. »

La technique elle-même est simple : s’il y a un problème d’organisation qui doit être résolu, Domino’s se penche sur le service le plus simple et le plus standard, et après cela, « si nous augmentons à partir de là, il doit y avoir une valeur ajoutée dans les performances de la conception », déclare Fragoso.

Par exemple, anticiper le temps nécessaire pour préparer une pizza et la mettre dans une boîte est facile. « Nous tirons cela directement de notre étude de recherche opérationnelle. Vous pouvez brancher les temps de cuisson », déclare-t-il. Mais certains problèmes peuvent simplement être résolus avec l’IA, ajoute-t-il, tels que ceux qui nécessitent une reconnaissance d’image ou un traitement du langage naturel.

Par exemple, l’année dernière, Domino’s a lancé un programme d’engagement qui récompensait les clients pour avoir mangé pizza– n’importe quelle pizza, de n’importe quel pizzaiolo. « Nous avons créé un classificateur de pizza utilisant des millions d’images de différents types de pizza et l’avons intégré dans une application », déclare Fragoso.

Cette tâche a fourni 2 types de valeur de service. Tout d’abord, cela a amélioré l’expérience client, dit-il. Deuxièmement, il a créé une collection d’images de pizza que l’entreprise a ensuite utilisée pour repérer la qualité et le niveau de température de la pizza. « C’était une tâche d’IA vraiment géniale », dit-il.

Une tâche d’IA plus utile que Domino’s a entreprise était un prédicteur axé sur l’amélioration de la précision de son tracker de pizza, car les consommateurs veulent savoir quand précisément venir au magasin pour récupérer leur nourriture, ou quand anticiper l’arrivée de leur envoi, déclare Fragoso. L’ajout de la détection de la machine au codage traditionnel si-alors du traceur de pizza de Domino a entraîné une augmentation de 100 % de la précision, déclare-t-il.

Lors de la construction du modèle, Domino’s s’en est tenu à son concept le plus simple. « La toute première version était une conception de régression de base », déclare-t-il. « Cela nous a rapprochés. Ensuite, un modèle d’arbre de choix, où nous avons pu examiner plus d’éléments. Ensuite, nous sommes vraiment passés à un réseau de neurones car nous pouvions capturer quelques-unes des mêmes variables que dans l’arbre de décision. Cependant, le réseau neuronal produit une réponse beaucoup plus rapide. Nous souhaitons que notre expérience client sur le site Web soit vraiment rapide. »

Il existe un emplacement pour l’apprentissage automatique, déclare Sanjay Srivastava, responsable numérique principal chez Genpact, en particulier lorsqu’une entreprise vise à développer des processus qui s’améliorent continuellement en fonction de l’expérience. Parfois, tout ce qui est nécessaire est une connexion facile, qui peut être obtenue à partir d’une modélisation analytique fondamentale.

« Des pratiques vieilles de dix ans concernant les forêts aléatoires et d’autres ensembles d’outils statistiques peuvent vous donner la réponse beaucoup plus rapidement et beaucoup moins cher que de développer toute une équipe MLOps autour d’elle », déclare Srivastava. « Vous devez comprendre quand revenir aux méthodes existantes qui sont beaucoup plus faciles et beaucoup plus efficaces. »

Un domaine commun dans lequel l’IA propose fréquemment une solution, mais qui est généralement exagérée, est celui des chatbots, il déclare : « Dans certains scénarios, cela a du sens. Dans 90 % des situations, vous comprenez les préoccupations qui vont être posées puisque vous pouvez regarder les questions qui ont été posées au cours des trois dernières années et vous connaissez la réponse à chaque Au final, 90 % des chatbots peuvent s’en tirer avec des paires questions-réponses faciles. »

Données historiques : la clé de l’IA pour anticiper les résultats futurs

Tout ensemble fini de l’information peut être ajustée à une courbe. Par exemple, vous pouvez prendre les numéros de loterie gagnants des années précédentes et développer un modèle qui les aurait tous prévus complètement. Cependant, le modèle ne sera toujours pas meilleur pour anticiper les gains futurs puisque le mécanisme sous-jacent est complètement aléatoire.

La pandémie de COVID-19 a été un excellent exemple de la façon dont cela se produit dans la vie réelle. Il n’y avait aucun moyen de prévoir où les fermetures allaient entraîner des fermetures d’usines. Selon l’étude McKinsey sur l’état de l’IA, les entreprises ont vu leurs gains diminuer dans de nombreux domaines.

Par exemple, 73 % des participants ont vu leurs revenus augmenter dans les méthodes et la finance d’entreprise. l’année dernière, alors que seulement 67 % l’ont fait cette année. La différence était encore plus nette dans la gestion de la chaîne d’approvisionnement. L’année dernière, 72 % ont vu leurs revenus augmenter dans ce domaine, mais seulement 54 % l’ont fait cette année.

« La caractéristique fondamentale de l’IA ou de l’apprentissage automatique est que vous utilisez l’historique pour informer », déclare Donncha Carroll. , associé dans la pratique de la croissance des bénéfices chez Axiom Consulting Partners. « Vous êtes marié, enchaîné, menotté par l’histoire. L’IA est excellente dans les situations où l’histoire est la plus susceptible de se dupliquer – et vous êtes d’accord pour que l’histoire se duplique. »

Il dit, certains de ses les clients ont en fait essayé d’utiliser l’IA pour prévoir les revenus futurs. En règle générale, les revenus sont affectés par des facteurs qui ne peuvent pas être prévus, qui ne peuvent pas être contrôlés et pour lesquels l’entreprise ne dispose d’aucune donnée. Et si certains de ces facteurs ont un effet extérieur sur les résultats, cela peut perturber l’ensemble de la conception.

« Alors cela n’a aucun sens de sélectionner l’IA », dit-il. « Allez-vous investir des centaines d’innombrables dollars dans une solution qui peut être instantanément rendue inutile par un changement d’une variable ? »

L’IA peut toujours jouer un rôle ici, déclare-t-il, en aidant à concevoir différents situations, ou dans des idées émergentes qui ne seraient peut-être pas évidentes autrement. « Votre probabilité de succès augmente si votre objectif est plus étroit. »

L’IA échouera également si l’existence réelle de l’IA change les habitudes du système. Par exemple, si l’IA est utilisée pour filtrer les discours malveillants, les gens apprennent rapidement quels modèles l’IA recherche et formulent les choses de manière à passer à travers les filtres.

« Les meilleurs esprits de la planète ont en fait été essayer de résoudre ces problèmes et ils n’ont pas réussi », déclare Carroll.

Le partenaire de Kearney, Bharath Thota, a déjà travaillé avec une société mondiale de produits et d’articles client de plus de 30 milliards de dollars américains. L’équipe de direction du directeur financier souhaitait une meilleure présence dans les paramètres monétaires de la société afin de pouvoir voir si sa croissance fluctuait. Le processus existant était qu’ils recevaient les PDF des rapports trente jours après la fin de la durée du rapport.

L’équipe de science des données a appliqué l’IA pour prévoir à quoi ressembleraient les chiffres. « Ils avaient d’excellentes intentions », déclare Thota. « Ils voulaient fournir aux dirigeants une vision futuriste. »

L’erreur qu’ils ont commise était dans les données monétaires qu’ils alimentaient dans l’algorithme. Les experts financiers qui alimentaient ces informations devaient émettre de nombreuses hypothèses, et l’ensemble de données comprenait donc de nombreux biais individuels.

« La direction était ravie », déclare Thota. « Ils avaient quelque chose vers l’avant, pas vers l’arrière. Mais lorsque le trimestre s’est terminé, et qu’ils se sont souvenus de ces prédictions, ils étaient complètement à côté de la plaque. »

L’ensemble du travail a pris des mois, déclare Thota. « Ils ont dû trouver comment développer ce truc, faire l’architecture, rechercher des plates-formes d’IA, faire interagir n’importe quoi. »

Lorsqu’une tâche comme celle-là échoue, les individus perdent intérêt et confiance en l’IA, il dit. Pour cette entreprise en particulier, le service consistait simplement à créer pour l’équipe de direction du directeur financier un panneau de contrôle financier qui leur donnait les mesures dont ils avaient besoin, quand ils en avaient besoin.

Finalement, déclare Thota, une certaine IA a également été utilisée, dans le type de génération de langage naturel, pour fournir immédiatement aux dirigeants des informations cruciales sur les informations en termes simples.

« C’était un problème de présence », dit-il. « Et il y avait un service simple pour offrir cette visibilité. »

Lire la suite sur la page suivante…

Page

• 1
• 2
• suivant