Par Benjamin Ejzenberg, Conseiller principal, Analytiques des données
Comment faire de votre projet d’intelligence artificielle un succès ? Dans un article précédent, nous vous partagions 5 clés pour comprendre l’intelligence artificielle. Une fois prêt à lancer votre projet d’intelligence artificielle, apparaît la question de sa réalisation : doit-on développer ses propres algorithmes ou recourir à des services clés en main ?
Il s’agit d’une interrogation qui est particulièrement structurante. Pour y répondre, vous devez prendre en compte un certain nombre de considérations au niveau de votre organisation: les expertises dont vous disposez, le niveau de maturité globale en matière d’analytique avancée et les ressources disponibles pour mener un tel projet.
Les critères à prendre en considération
Pour déterminer la meilleure approche, vous devez examiner 3 paramètres essentielles: les données, le modèle et l’infrastructure.
– Les données sont le principal carburant de votre projet.
La plupart des projets n’iront pas bien loin sans données en quantité et en qualité. Cela étant, vous n’en avez pas besoin pour réaliser des tâches simples. En effet, il existe des intelligences artificielles (IA) en libre-service capables d’effectuer des tâches génériques telles que : identifier les objets d’une image, analyser le sentiment d’un texte ou transcrire un message audio en texte. Ainsi, il est possible d’implémenter certaines IA sans posséder les données qui seraient nécessaires à leur élaboration.
– Le modèle est la représentation mathématique de votre problème.
C’est le moteur de notre système d’IA. Par exemple, un hôtelier peut optimiser en temps réel les prix de l’ensemble de ses chambres. Pour ce faire, un modèle a été développé. Son rôle est de fournir un prix pour une chambre donnée, à une date donnée. Vous pouvez constituer vous-même ce modèle en interne ou externaliser cette tâche.
– L’infrastructure va permettre à votre projet d’IA d’être opérationnel.
Elle regroupe l’ensemble des systèmes informatiques. Avec l’avènement de l’informatique nuagique, vous pouvez externaliser tout ou partie de ces environnements informatiques.
Approche #1 : Acheter un service d’intelligence artificielle
C’est l’approche la plus simple et la plus rapide pour débuter un projet d’intelligence artificielle. Elle consiste à vous tourner vers des fournisseurs qui proposent des solutions clés en main. Il s’agit notamment des géants de la technologie tels que Google, Amazon ou Microsoft. Ces sociétés construisent et mettent à disposition des services d’IA en libre-service. Ils remplissent des tâches « généralistes » comme nous allons le voir.
Dans cette approche, tout est pris en charge par votre fournisseur : les modèles, les données d’apprentissage et l’infrastructure. La seule chose que vous avez à faire est d’envoyer les données que vous souhaitez analyser.
Voici quelques exemples de tâches génériques que vous pouvez réaliser :
Prenons un exemple pour illustrer cette approche:
Une directrice du service à la clientèle souhaite tirer profit de l’IA. Chaque jour, ses services reçoivent des milliers de sollicitations de la part de ses clients : demandes d’informations, réclamations, demandes d’assistance, etc.
Elle souhaite automatiser le tri de l’ensemble des messages écrits reçus (plusieurs milliers chaque semaine). En particulier, elle souhaite dans un premier temps, identifier les messages avec un ton de colère, pour leur attribuer un traitement spécifique.
Pour mener un tel projet, il existe de nombreuses IA spécialisées dans le traitement du langage naturel. De telles IA existent en « libre-service ». Elles ont déjà été « pré-entraînées ».
Avantages et inconvénients d’acheter un service d’IA?
| Acheter un service d’IA | |
|---|---|
| Avantages | Inconvénients |
| Pas besoin d’une équipe complète en science de données |
Risque de coûts élevés en fonction du volume |
| Mise en place rapide du projet | Pas accès au modèle (Pb pour le faire évoluer) |
| Pas de besoin en infrastructure | Externalisation données vers le serveur du fournisseur |
| Aucun coût fixe | |
Approche #2 : Acheter un service d’apprentissage automatisé
L’approche précédente clé en main est excellente quand il s’agit de traiter un problème généraliste. Elle est aussi utile pour amorcer un projet, mais se révèle limitée dans des situations plus spécifiques.
Pour mieux comprendre, envisageons un nouveau cas d’usage:
Un assureur automobile doit régulièrement évaluer des demandes de prises en charge. Pour cela, il reçoit des photos des dommages d’un véhicule et un expert évalue ensuite le coût estimé de réparation. La compagnie souhaite désormais se tourner vers un service d’intelligence artificielle pour automatiser cette estimation.
Quand il s’agit d’amorcer ce type de projets, les IA généralistes évoquées précédemment ne sont plus du tout pertinentes. En effet, ces IA n’ont pas été entraînées sur des données aussi spécifiques (ici des voitures endommagées).
Notre assureur a un atout considérable pour son projet. Il possède un large historique de dossiers de dédommagements (plusieurs dizaines de milliers). Ses équipes ont fait un travail d’inventaire et structuré ce patrimoine de données. Un excellent point de départ pour un projet d’IA ! Notre objectif est d’identifier pour chaque image : le type de dommage et une évaluation du montant des réparations.
Pour prototyper un tel projet, nous pouvons recourir à un service d’auto-ML (Automated Machine Learning). C’est une approche similaire à la première approche vue plus haut, à ceci près que nous pouvons fournir nos propres données. Excellent pour tester et prototyper. Notre objectif sera donc, dans un premier temps, d’identifier le type de dommage du véhicule de façon automatique. Ici, nous pouvons compter sur notre fournisseur pour s’occuper de l’infrastructure et du modèle. Il s’agit d’une IA de type « vision par ordinateur » dont le travail consistera à classifier des informations.
Avantages et inconvénients d’acheter un service d’apprentissage automatisé?
| Acheter un service d’apprentissage automatisé | |
|---|---|
| Avantages | Inconvénients |
| Pas besoin d’une équipe complète en science de données |
Risque de coûts élevés en fonction du volume |
| Utilisation de données propres | Pas accès au modèle (Pb pour le faire évoluer) |
| Possibilité de bâtir un service sur-mesure |
Externalisation données vers le serveur du fournisseur |
Approche #3 : Concevoir l’IA en interne
Les deux approches précédentes démocratisent considérablement l’accès à l’IA. Elles vous permettent de lancer des projets d’IA avec une équipe limitée de développeurs. Cela vous permet de tester et d’itérer rapidement.
Cela étant, elles présentent de nombreuses limites car le prestataire gère beaucoup de choses. Vous allez vous rabattre vers une conception en interne si vous souhaitez avoir plus de latitude sur les 3 composants : données, modèle et infrastructure.
Bien sûr, il vous faudra renforcer votre équipe de profils en sciences de données. Pour bâtir le modèle, ils pourront souvent s’appuyer sur de très nombreuses ressources « open source ». Ces modèles sont développés par des communautés d’experts de pointe dans le monde entier et partagés au plus grand nombre.
Dans cette approche, vous aurez besoin de données, c’est indispensable. Le modèle sera développé par votre équipe. Quant à l’infrastructure, vous pourrez l’externaliser à un service d’informatique nuagique.
Avantages et inconvénients de concevoir l’IA en interne?
| Concevoir l’IA en interne | |
|---|---|
| Avantages | Inconvénients |
| Possibilité de construire des modèles très pointus |
Besoin d’expertises TI pointues internes |
| Tout est réalisé en interne |
Cycles de dev. potentiellement longs |
Conclusion
Le choix de votre approche dépend en réalité d’un paramètre essentiel : la maturité analytique actuelle de votre organisation. Plus votre organisation est mature, et plus il sera intéressant d’internaliser ces projets.
Vous avez en tête un projet d’IA et vous vous posez des questions sur votre maturité analytique? Contactez-nous pour faire un point avec un de nos experts!
