Selon une article dans The Economic Times, près de 90 % du monde s'appuie quotidiennement sur des algorithmes - de commander des pizzas or un Uber à trouver une émission sur Netflix. Nous vivons dans un monde où l'intelligence artificielle (IA) et l'apprentissage automatique (ML) sont tout autour de nous. Et parmi tous les changements économiques et technologiques et les percées en cours, l'IA pourrait avoir le plus grand impact économique sur le monde, selon Matt Wolodarsky à Le hibou riche, un blog d'investissement.
Très peu de technologies à travers l'histoire ont eu ce niveau d'impact sociétal et économique. Nous parlons d'Internet, de l'électricité, de la machine à vapeur et de l'impact au niveau de la presse à imprimer. En 2018, le McKinsey Global Institute a prévu que l'IA rapporterait 13 XNUMX milliards de dollars d'activité économique supplémentaire d'ici 2030. Leurs prévisions prévoient une croissance supplémentaire du produit intérieur brut (PIB) de 1.2 % par an jusqu'en 2030. Le double de la croissance, en comparaison, de la croissance de la productivité de la machine à vapeur de 0.3 % par an entre 1850 et 1910, et l'augmentation de 0.6 % des technologies de l'information dans les années 2000.
Cette projection est tout à fait possible lorsque l'on pense aux applications que les technologies de l'IA, telles que la vision par ordinateur, le langage naturel, les assistants virtuels, l'automatisation des processus robotiques et l'apprentissage automatique, auront dans tous les secteurs. Les opportunités peuvent être classées en quatre domaines principaux :
- Améliorer la façon dont les processus ou les tâches sont effectués aujourd'hui
- Automatisation des tâches manuelles répétitives
- Étendre ou innover les produits et services via la personnalisation personnelle, par exemple
- Accroître la compétitivité d'une entreprise (ou d'un pays) grâce à une meilleure IA et/ou des données
Transformation forcée par la pandémie
La pandémie a fondamentalement accéléré le processus de transformation numérique dans tous les secteurs. En conséquence, les entreprises équipées du numérique sont plus résilientes et capables de s'adapter plus rapidement. En raison de l'impact du COVID-19, International Data Corporation (IDC) prévoit que 65 % du PIB mondial serait numérisé d'ici 2022. Ce à quoi nous allions penser en 2030 se réalisera probablement en 2025, Satya Nadella, Le PDG de Microsoft, a déclaré lors d'une conversation au coin du feu avec le PDG du groupe Flipkart, Kalyan Krishnamurthy. Par conséquent, Prévisions IDC les investissements directs dans la transformation numérique augmenteront à un taux de croissance annuel composé (TCAC) sain de 15.5 % à l'échelle mondiale entre 2020 et 2023.
Le moment est venu de commencer à investir dans l'IA. Certaines industries ont déjà été et continueront d'être entièrement perturbées par des opérateurs historiques nouveaux ou innovants qui appliquent l'IA de manière transformatrice. Si vous avez besoin de preuves supplémentaires, Apple Vient d'être annoncé il construit un nouveau campus et un centre d'ingénierie en Caroline du Nord. Cette décision créerait au moins 3,000 XNUMX emplois dans les domaines du ML, de l'IA et du génie logiciel.
Prenons l'exemple d'un nouveau disrupteur et startup de l'assurance, Lemonade. La société est devenue publique en 2020 et bouleverse l'ensemble du secteur de l'assurance en utilisant Des algorithmes d'IA pour quantifier plus précisément le risque lors de la souscription de polices d'assurance. Leur technologie conduit à des gains de rentabilité substantiels qui leur permettent de facilement saper les compagnies d'assurance traditionnelles. Et, comme limonade collecte plus de données pour alimenter ses algorithmes, les assureurs traditionnels sont laissés pour compte.
De nombreuses entreprises explorent des processus qui leur permettraient de commencer à tester et à explorer le potentiel de l'IA pour offrir une valeur commerciale améliorée (comme l'augmentation de la détection des fraudes, la fourniture de meilleures recommandations aux clients, etc.) ou une preuve de concept à court terme. Les cas d'utilisation ont tendance à être étroits, et les développeurs tirent généralement parti des outils d'analyse exploratoire des données (EDA) et des services d'IA et de ML prêts à l'emploi pour les preuves de concept et le prototypage. Deux exemples utilisent un service de vision par ordinateur prédéfini pour détecter le texte imprimé et manuscrit et l'utilisation d'analyses descriptives pour créer un modèle de segmentation de la clientèle.
Les organisations investissent dans l'amélioration des processus métier et créent une nouvelle valeur grâce à l'apprentissage automatique. Les entreprises peuvent commencer par explorer les cas d'utilisation de l'apprentissage automatique mis en œuvre par d'autres entreprises.
Il est également important d'évaluer la faisabilité des cas d'utilisation de l'apprentissage automatique, d'être en mesure d'identifier les exigences pour créer, former et évaluer un modèle ML et de définir les caractéristiques des données et les biais qui affectent la qualité des modèles ML. Après avoir identifié les considérations clés pour la gestion des projets ML, vous pouvez commencer à créer un cas d'utilisation ML personnalisé qui peut avoir un impact significatif sur votre entreprise.
Découvrez comment commencer à déployer des applications d'IA qui peuvent libérer une valeur durable (des centaines de millions à des milliards de dollars par an) grâce à des coûts réduits, des revenus accrus et des marges plus élevées.
Identifier la valeur commerciale de l'utilisation du ML
Le ML est un moyen d'utiliser des algorithmes standard pour analyser les données afin d'en tirer des informations prédictives et de prendre des décisions répétées. Lorsque vous discutez de la valeur commerciale avec votre équipe de direction, répondre aux questions suivantes vous aidera à identifier la valeur que l'apprentissage automatique aura sur vos processus commerciaux.
- Analyse des avantages : comment la résolution de ce problème améliorerait ou profiterait à l'entreprise, aux clients et/ou aux personnes en général ?
- Valeur ajoutée : Comment classeriez-vous le projet : gain rapide, développement à long terme ou transformation complète ?
- Ressources et adhésion : Avons-nous déjà un budget, une expertise et/ou un soutien de la part de la direction ?
Qui utilisera et comment utilisera-t-il les données et les processus facilités par l'IA et le ML ? Évaluer les cas d'utilisation du ML selon deux critères :
- Objectifs de difficulté - devraient être difficiles, mais pas impossibles
- Objectifs de spécificité - doivent être clairs mais pas trop spécifiques
Il est important que les managers et les dirigeants apprennent à traduire les problèmes métier en cas d'utilisation de l'apprentissage automatique et à en vérifier la faisabilité et l'impact.
Définir le ML comme une pratique
La clé d'un modèle ML réussi réside dans une grande quantité de données. Les frameworks et technologies cloud de Big Data facilitent l'adoption du ML par les entreprises. Les professionnels occupant des postes non techniques ont une opportunité unique de diriger ou d'influencer des projets d'apprentissage automatique. Il existe plusieurs types de problèmes d'apprentissage automatique. Il est important d'apprendre à différencier les plus courants ; développer le vocabulaire clé pour vous soutenir lorsque vous travaillez avec des experts en ML ; et être en mesure d'identifier les avantages à court et à long terme lors de la résolution de ces problèmes de ML.
Le plus grand impact que l'apprentissage automatique peut avoir consiste à utiliser des données à grande échelle. La PDF du cadre d'adoption de l'IA de Google Cloud cite un exemple de la façon dont un site d'enchères réinvente son processus d'évaluation des voitures avec ML. Un processus qui prenait auparavant 20 minutes, qui utilise maintenant l'apprentissage automatique, est réduit à deux à trois minutes.
Là où il y a des données, il y a des opportunités de ML. Une institution financière peut utiliser le ML pour aider à évaluer :
- Cette transaction par carte de crédit est-elle frauduleuse ?
- Dois-je proposer à ce client un crédit ou un compte épargne ?
- Combien ce client actuel déposera-t-il au cours des 10 prochaines années ?
- Pourquoi ce client appelle-t-il la banque maintenant ?
Les barrières à l'entrée sont tombées
- Augmentation de la puissance et de la disponibilité du matériel informatique et des logiciels
- Accroître la maturité et la sophistication des algorithmes de ML
- Accroître la disponibilité des données
Un autre exemple de ML résolvant un problème est comment aidons-nous à arrêter COVID-19 en utilisant ML ?
Créer et évaluer des modèles de ML
Pour préparer les données pour le ML, vous aurez besoin d'ensembles de données étiquetés ou d'exemples. Le livre blanc Google Cloud utilise les attributs d'une feuille comme exemple.
Les étiquettes sont les résultats que nous recherchons.
Les types d'étiquettes peuvent être des nombres, des catégories ou des phrases.
Parfois, les données étiquetées ne sont pas aussi facilement disponibles, il est suggéré que vous :
- Utiliser des étiquettes à partir de données historiques (jointes)
- Utiliser une étiquette proxy
- Créer un système d'étiquetage
- Utiliser un service d'étiquetage
3 étapes pour formuler le problème de ML
- Choisissez un objectif
- Choisir les caractéristiques d'entrée
- Obtenir des étiquettes
Le rapport Google Cloud indique que "la formation du modèle est généralement l'étape la plus simple de l'apprentissage automatique". Les modèles les plus performants sont continuellement entraînés avec de nouvelles données. Évaluez toujours un modèle avant de l'utiliser en production. Google a quelques bonnes pratiques à prendre en compte :
- Impliquer l'expérimentation
- Commencez simplement
- N'utilisez pas vos données de test pendant l'expérimentation
- Testez vos projets ML avec les utilisateurs finaux
Utiliser le ML de manière responsable et éthique
Google a un ensemble de principes d'IA mais a récemment fait l'objet de critiques après licencier deux chercheurs en éthique de l'IA. Timnit Gebru, responsable de l'équipe Ethical AI chez Google, dit qu'elle avait été licenciée par l'entreprise en décembre 2020 après avoir critiqué son approche (dans un document de recherche) à l'embauche de minorités ainsi que son approche des biais dans l'IA. The New York Times rapporté en février 2021, une autre chercheuse en IA, Margaret Mitchell, a déclaré qu'elle avait été licenciée après avoir critiqué la façon dont elle avait traité les employés qui travaillaient sur des moyens de lutter contre les biais et la toxicité dans ses systèmes d'IA. La Fois l'article a également mis en évidence un conflit croissant dans l'industrie de la technologie sur biais dans l'IA, qui est liée à des questions impliquant l'embauche de communautés sous-représentées.
Les systèmes d'IA d'aujourd'hui peuvent comporter des préjugés humains car les chercheurs et les ingénieurs qui construisent ces systèmes sont souvent des hommes blancs, et beaucoup craignent que les chercheurs n'accordent pas à cette question l'attention dont elle a besoin. Selon un article de Josh Feast, publié dans le Harvard Business Review, il existe de nombreux cas où l'IA adopte des préjugés sexistes de la part des humains. L'article de HBR cite un exemple de traitement du langage naturel (NLP) présent dans Alexa d'Amazon et Siri d'Apple. Un article dans Journée internationale des femmes à propos Lutter contre les préjugés sexistes dans l'IA, suggère que "les entreprises d'IA doivent attirer plus de femmes dans les emplois technologiques, diversifier le pipeline et la main-d'œuvre créant ces nouvelles technologies".
En raison du besoin croissant de femmes leaders en technologie, j'ai lancé un groupe de réseautage privé et d'apprentissage par les pairs appelé Femmes leaders dans les données et l'IA (WLDA) pour les femmes cadres supérieures travaillant dans la technologie, les données et l'IA pour aider à encadrer plus de femmes et à faire progresser leur cheminement vers des postes technologiques C-suite.
Découvrir des cas d'utilisation du ML dans les activités quotidiennes
Comment une entreprise commence-t-elle à trouver des cas d'utilisation où l'apprentissage automatique peut être utilisé dans son entreprise ? Chaque entreprise a des problèmes, et heureusement, l'apprentissage automatique est un autre outil de votre boîte à outils de résolution de problèmes. Alors, quels types de problèmes sont de bons candidats pour l'apprentissage automatique ? Généralement, les problèmes qui nécessitent une série de décisions et qui ont des données pertinentes sont les meilleurs. Après tout, c'est ce que fait le machine learning : il automatise les décisions à l'aide de données pertinentes. Il y aura différents cas d'utilisation commerciale pour l'apprentissage automatique en fonction du secteur d'activité de votre entreprise. (Consultez les secteurs et les exemples identifiés dans un poster sur le blog Squadex.)
Gérer avec succès les projets ML
Des cas d'utilisation pratiques de l'IA définiront votre entreprise. Vous avez besoin de l'expertise, des données, des outils, de la technologie, de l'écosystème de partenaires et de l'économie appropriés pour développer et opérationnaliser votre intelligence artificielle. Chaque cas d'utilisation de machine learning est différent en termes de conception, d'architecture, d'outillage et d'optimisation. Pour couronner le tout, la disponibilité des données, la qualité des données, le stockage des données, la puissance de traitement et de nombreux autres facteurs jouent un rôle.
Les considérations clés pour gérer avec succès les projets de ML incluent :
- Valeur commerciale – En quoi la résolution de ce problème améliorerait ou profiterait à l'entreprise, aux clients et/ou aux personnes en général ? Comment qualifieriez-vous le projet : gain rapide, développement à long terme ou transformation complète ? Disposons-nous d'un budget, d'une expertise et/ou d'un soutien de leadership ?
- Stratégie de données – Les systèmes sont-ils conçus pour que vous disposiez de plus de données l'année prochaine ? Pouvez-vous briser les silos de données ? Avez-vous effectué la transition des lacs de données aux entrepôts de données ? Vous voudrez exécuter des modèles ML sur des données en temps réel pour extraire le plus de valeur.
- Gouvernance – L'accès aux données doit toujours être mis en balance avec la sécurité. Former des modèles sur des sous-ensembles ou des données anonymisées. Parfois, les informations les plus importantes sont aussi les plus privées. Les problèmes de confidentialité doivent être résolus avant que les données ne soient partagées avec les équipes de science des données. Les objectifs du ML et de la confidentialité sont : identifier les données sensibles, les protéger, créer une documentation de gouvernance publique.
- Equipe (compétence) – Les rôles les plus importants en science des données sont : les ingénieurs de données, les ingénieurs ML, les analystes de données. Lors de l'embauche, assurez-vous que les scientifiques des données connaissent votre domaine. Tirez parti des plateformes d'apprentissage pour perfectionner votre équipe (par exemple, Coursera, Qwiklabs ou Pluralsight).
- Culture – Quelques principes clés : se concentrer sur l'utilisateur, penser 10x, lancer et itérer.
L'IA et le ML sont en constante évolution. Une chose que cette pandémie nous a appris à tous, c'est que la transformation numérique est indispensable.
Votre entreprise a-t-elle discuté de l'utilisation de l'IA pour améliorer vos processus, vos produits ou l'expérience client ? Quels problèmes avez-vous rencontrés dans votre domaine ?
