Ne pariez pas aveuglément sur l’IA...pour l'instant.

#Intelligence Artificielle , #Machine Learning , #Startups , #Economie

par AJ Christensen, Chef de Produit "Machine Learning" chez C3.ai (vf : Christian Renard. La VO ici)

"J'ai analysé 7000 " Startups de l’IA". La plupart sous-estiment les défis qui pèsent sur l'IA. Et la vôtre?"

"L'IA va changer le monde, mais cela ne se fera pas du jour au lendemain. L'IA connaîtra un succès rapide dans certains domaines. Dans d'autres, cela prendra des années ou des décennies. Les entreprises qui connaissent la différence et investissent en conséquence survivront et prospéreront. Ceux qui misent sur chaque initiative d'intelligence artificielle sans réfléchir auront du mal. J'ai travaillé avec des douzaines d'experts en IA dans le monde entier et j'ai vu à maintes reprises les défis qui empêchent les initiatives d'IA de réussir. Cet article a pour ambition de vous aider dans la prise de décision quand il s'agit d'investir dans le "Machine Learning".

Vous avez probablement entendu une variante de cette citation d' Andrew Ng :

"L'IA est la nouvelle électricité ! L'électricité a transformé d'innombrables industries ; l'IA va maintenant faire de même."

Je suis globalement d'accord avec ce sentiment. Le problème, c'est que cette déclaration ne tient pas compte des obstacles massifs qui empêchent l'adoption rapide de l'IA. L'IA ne sera pas un phénomène instantané. Il a fallu plus de 40 ans pour que l'électricité devienne une technologie omniprésente ! Le monde avait déjà découvert les éléments clés de l'électricité moderne en 1882. Cependant, de nombreux défis ont empêché son adoption massive instantanée : infrastructure coûteuse, manque de talents, réglementations opaques, et plus encore. Ensemble, ces obstacles ont empêché l'électricité d'entrer dans le foyer américain moyen avant 1925 !

L'IA est la nouvelle électricité. Elle transformera les secteurs industriels. Mais comme pour l'électricité, cela prendra des décennies. Dans le monde de l'IA, nous sommes aujourd'hui en 1882 , pas en 1925.

Quels sont les freins à l'adoption de l'IA ? Où l'IA réussira-t-elle en premier ? Où sera-t-elle à la traîne ?

Si nous n'approfondissons pas cette conversation, de nombreuses startups de l'intelligence artificielle, technologiquement viables et bien pensées, échoueront.C'est important parce que la planète parie beaucoup sur l'IA en ce moment, peut-être imprudemment.

En "fouillant" sur le web, j'ai trouvé 7 192 "Startups de l'IA" - des entreprises qui se disent être centrées sur l'IA ou qui disent utiliser le Machine Learning. Ces startups ont levé plus de 19 milliards de dollars et emploient plus de 150 000 personnes. Voici comment elles se répartissent et les fonds levés en Capital-Risque par Marché:

Quand votre projet d'IA réussira-t-il ? - Un cadrage.

Heureusement, vous pouvez prédire si votre entreprise dédiée à l’IA aura plus de chances de réussir à court, moyen ou long terme. Les capacités et les défis de l'IA sont bien compris - tout ce que vous avez à faire est de les passer en revue de manière holistique, puis de réfléchir de manière critique à votre cas d'utilisation de l'IA.

Pour ce faire, envisagez d'utiliser un cadre simple :

La vitesse d'adoption de votre solution d'IA sera fonction :(1) du potentiel de création de valeur et (2) des frictions spécifiques qu'elle rencontre. Il y a beaucoup de frictions qui ralentissent l'adoption de l'IA. Mais ces frictions ralentissent certaines entreprises plus que d'autres. Pourquoi? Parce que certaines solutions d'IA créent plus de valeur que d'autres. Lorsqu'une solution d'intelligence artificielle a un potentiel de valeur considérable, les entreprises, les investisseurs, les organismes de réglementation et les consommateurs s'alignent plus facilement pour faire face aux frictions. Cette relation simple entre la valeur et les frictions fournit un cadre utile :

Figure 2 Rate of AI Adoption = f(AI friction, AI value)


Alors, à quoi ressemble la voie de l'adoption de masse pour votre pari sur l'IA ? Ce cadre peut être opérationnalisé d'une manière simple et directe pour tout problème, entreprise ou industrie. Voici une ventilation plus détaillée.

Les principales frictions empêchant l'adoption rapide de l'IA.

La première étape consiste à effectuer une analyse réfléchie des frictions de l'IA qui pourraient ralentir l'adoption de votre solution IA. Les frictions humaines, celles liées aux données et au marché ralentissent l'adoption de solutions d'IA éprouvées. Elles compliquent le développement, limitent l'évolutivité et introduisent des risques d'élimination des cas d'utilisation. Et toutes les frictions ne sont pas égales. Certaines sont beaucoup plus dangereuses que d'autres :

 

Figure 3 Estimated Magnitude of AI Frictions | Source: Interviews with AI Experts


Contraintes humaines sur l'IA

- Exigences liées à la présence de l'homme dans la boucle : de nombreux algorithmes nécessitent une supervision humaine. Par exemple, Facebook emploie plus de 15 000 personnes pour assister ses algorithmes de modération de contenu.

- Exigences liées à l’étiquetage manuel des données : de nombreux cas d'utilisation de l'IA ont besoin de l'homme pour enseigner aux algorithmes ce qu'il faut prédire (ou, en termes techniques, "étiqueter" les données). Par exemple, Baidu a dû embaucher des milliers de traducteurs pour entraîner ses algorithmes de traduction chinoise.

- Manque d'accès aux talents :Il y a une pénurie mondiale de spécialistes des données, d'ingénieurs en Machine Learning et, plus généralement, de talents en intelligence artificielle. Il est donc difficile pour les entreprises de constituer des équipes d'IA compétentes. En 2018, Indeed.com a eu 3X plus d’offres d’emplois que de recherches d'emplois liés à l'IA.

Contraintes en matière de données sur l'IA

- Création de données organiques : certains modèles économiques ne génèrent pas naturellement les données dont l'intelligence artificielle a besoin. Par exemple, les commerces de détail traditionnels ne saisissent pas de données riches sur les habitudes d'achat des clients. Pour incorporer l'IA, les détaillants doivent adopter de nouveaux modèles d'affaires, comme « en ligne » et « direct consommateur ».

- Manque d'infrastructure de données : l'IA exige des investissements importants à tous les niveaux de l’infrastructure technologique. Les solutions matérielles et logicielles existantes sur site sont des anathèmes de l'intelligence artificielle. Pour permettre l'intelligence artificielle, les entreprises doivent investir dans le cloud, la centralisation des données, la sécurité des données et les outils de développement de l'intelligence artificielle.

- Les données existantes sont désordonnées : les données sont rarement organisées en tableaux propres et centralisés de lignes et de colonnes. Au lieu de cela, la plupart des données vivent dans des documents malpropres ou dans des systèmes logiciels hérités. Les entreprises ont tendance à cloisonner les données entre les équipes et les organisations. En règle générale, ils ne gèrent pas la documentation pour les cas où il existe des données différentes. Et ils n'appliquent pas de normes sur la façon de capter et de stocker leurs données.

- Dépendance à l'égard des données de tiers : L'IA a soif de données. Lorsque votre entreprise n'a pas assez de données propriétaires, elle doit les acheter. L'octroi de licences et la maintenance d'API pour accéder à des données tierces sont coûteux.

- La vitesse des données est faible : la plupart des IA nécessitent des milliers d'exemples de boucles de rétroaction complétées pour apprendre. C'est un défi dans les domaines où les boucles de rétroaction sont lentes. Par exemple, la saisie de données sur les résultats des soins de santé à long terme pour les maladies chroniques est un processus coûteux.

Contraintes du marché sur l'IA

- Modifications du modèle d'affaires nécessaires pour saisir la valeur de l'IA : pour saisir la valeur de l'IA, de nombreuses industries devront changer la façon dont elles offrent leurs produits et services. Par exemple, les véhicules autonomes forceront les constructeurs automobiles à adopter des stratégies de transport "as-a-service"

- Exigences de performance d'algorithme presque parfaites : certains cas d'utilisation de l'IA ont un coût d'échec élevé. Prenons, par exemple, les décisions de diagnostic dans le domaine des soins de santé ou de l'auto-conduite. Dans ces contextes, les solutions d'IA présentent des risques importants.

- L'IA nécessite un changement de processus : Les produits compatibles avec l'intelligence artificielle introduisent souvent des flux de travail radicalement différents. Par exemple, les solutions de recrutement basées sur l'intelligence artificielle préfèrent souvent les entrevues et les demandes d'emploi non traditionnelles. Cela effraie les équipes RH plus traditionnelles.

- Algorithmes non interprétables : dans de nombreux cas, les consommateurs (et même les organismes de réglementation) exigent des outils d'IA qui peuvent s'expliquer eux-mêmes. Malheureusement, il est très difficile d'interpréter la manière dont bien des 'algorithmes d'IA prennent des décisions. Par exemple, si une banque refuse le crédit d'un client, elle doit expliquer pourquoi. Cela rend l'IA dans les prêts difficiles.

- Algorithmes biaisés : les algorithmes d'IA prennent souvent des décisions biaisées. C'est illégal et désagréable dans de nombreux domaines (comme l'application de la loi, les RH, et l'éducation).

- Des normes onéreuses en matière de protection de la vie privée : l'IA est une menace pour la vie privée. L'intelligence artificielle incite les entreprises à recueillir de grandes quantités d'informations privées. De plus, l'IA est capable de déduire des renseignements personnels (comme l'état émotionnel d'une personne) à partir de données inoffensives (comme des modèles de frappe). Les solutions d'IA qui menacent la vie privée sont susceptibles de se heurter à la résistance des consommateurs et des organismes de réglementation.

Détermination de la valeur de l'IA

Une fois que vous comprenez les frictions de l'intelligence artificielle auxquelles votre entreprise est confrontée, effectuez une analyse de la valeur. Votre solution d'IA réduit-elle les coûts ? fait-elle gagner du temps ? atténue-t-elle les risques ? crée-t-elle une nouvelle valeur pour le consommateur ? Dans l'affirmative, combien ? Il n'existe pas d'approche unique pour le déterminer.

Une fois que vous avez évalué votre solution d'IA, réfléchissez de façon critique à la façon dont cette valeur motivera les parties prenantes à dépasser les frictions. Ce faisant, vous devriez tenir compte des tendances au niveau macroéconomique. Il est dangereux d'être dans une catégorie où l'IA ne crée pas, plus généralement, de valeur significative . Si c'est le cas, vous serez un défenseur solitaire de l'IA. Le McKinsey Global Institute (MGI) a récemment évalué le potentiel de l'IA et de l'Analytique à plus de 9 trillions de dollars. Il est important de noter que cette valeur n'est pas répartie proportionnellement entre les divers cas d'utilisation et secteurs industriels.

Les Cas d’Usage pour l’IA.

Après avoir évalué une liste de plus de 400 cas connus d'utilisation de l'IA, le McKinsey Global Institute (MGI) a constaté que les problèmes commerciaux courants - chaîne d'approvisionnement, ventes et marketing - étaient les cas d'utilisation les plus valables pour l'IA.

Figure 4 Value of AI by Use Case | Source: McKinsey Global Institute

Valeur de l'IA selon le secteur industriel

En établissant une correspondance entre les cas d'utilisation et les secteurs industriels, MGI a évalué l'importance de l'IA selon le secteur. Ils ont constaté que les industries qui connaissent des problèmes complexes dans les fonctions de haut niveau (comme la Vente) sont celles qui ont le plus à gagner avec l'IA.

Figure 5 Value of AI as % of Industry Revenues | Source: McKinsey Global Institute

L'avenir de l'IA selon les secteurs - Application du cadre

Quels secteurs industriels sont donc les plus vulnérables à une adoption plus lente que prévu de l'IA ? Qui est le plus susceptible de peupler le cimetière des paris d'intelligence artificielle au mauvais moment ? Pour le savoir, on peut appliquer ce cadre à un niveau macro-économique. J'ai interviewé plusieurs experts de l'IA afin d'estimer la force des frictions de l'IA dans chaque industrie, puis j'ai regroupé ces renseignements et les ai comparés aux estimations de la valeur de l'IA de MGI :

D'après mon analyse, l'IA sera déployée dans l'ensemble des secteurs industriels en trois vagues :

- 1ère vague d'IA - Adoption rapide : cette vague, qui intègre la technologie et les médias grand public, est déjà bien amorcée. Les avancées de Google, Facebook et Netflix les placent en tête de peloton.

- 2e vague de l'IA - Adoption lente : cette vague, elle aussi, a déjà commencé, mais elle devrait se dérouler plus lentement. Certains acteurs (tels que les fabricants et les opérateurs de la chaîne d'approvisionnement) sont moins motivés à adopter l'IA. D'autres (comme les banques) voient d'énormes gains s'ils réussissent, mais font face à des défis importants dans l'adoption de l'IA.

- 3e vague d'IA - Adoption frustrante : la santé, l'automobile et (peut-être) le commerce de détail risquent d'adopter l'IA plus lentement que prévu. Tous sont confrontés à d'énormes obstacles à l'adoption de l'IA. Tous, dollar pour dollar, sont moins incités à adopter l'IA. Il convient toutefois de noter que le commerce de détail n'a pas vraiment sa place dans cette vague: les détaillants traditionnels sont confrontés à des frictions importantes dans certains domaines (ventes et marketing), mais ils adoptent rapidement l'IA dans d'autres (opérations de la chaîne logistique).

Alors, quand votre entreprise d'IA réussira-t-elle ? Analysez les frictions de l'IA auxquelles vous faites face. Dimensionnez la valeur que vous souhaitez créer. Ensuite, regardez où en est votre entreprise par rapport aux succès connus de l'IA. Plus de friction et moins de valeur ? Ce n'est peut-être pas encore le moment de parier. Mais si vous avez une solution d'IA de grande valeur, à faible friction, alors arrêtez de lire ce post. Et en avant toute !

Merci à Vince Law, Brian Polidori, Daan Kakebeeke, Matthew Stepka, Ryan Dingler, Gauthier Vasseur, Gregory Lablanc, et Harry Goldberg pour leurs commentaires inestimables et leur soutien à l'égard de cet article. Je n'aurais pas pu développer ces idées sans leurs perspectives et leurs idées.

Si vous avez trouvé ces idées intéressantes, j'aimerais avoir vos réactions. Laissez un commentaire. Si vous avez des suggestions pour améliorer ce billet, laissez un commentaire. Enfin, si je peux vous être utile dans vos projets d'IA, n'hésitez pas à me contacter sur LinkedIn

Cet article d' AJ Christensen fait partie de la série "Thoughtleaders en VF"...des articles d'experts ou des éclairages originaux sur la Transformation Sociétale, Economique, et Culturelle provoquée par la Technologie. Notre veille intègre beaucoup d'articles anglophones. Nous traduisons le plus fidèlement possible ceux qui nous paraissent les meilleurs, mais nous n'intervenons pas dans leurs contenus, à l'exception de certaines adaptations d'images à des fins de clarification.

Pour recevoir directement par email les articles de notre blog, inscrivez-vous, sans aucun engagement, sur notre liste de diffusion.