C'est pourquoi l'IA n'a pas encore remodelé la plupart des entreprises

Dessin conceptuel de la bouteille de parfum et du réseau AI Derek Brahney

L'art de fabriquer des parfums et des eaux de Cologne n'a pas beaucoup changé depuis les années 1880, lorsque des ingrédients synthétiques ont commencé à être utilisés. Les créateurs de parfums experts bricolent avec des combinaisons de produits chimiques dans l'espoir de produire de nouveaux parfums fascinants. Alors Achim Daub, un cadre de l'un des plus grands fabricants de parfums au monde, Symrise, s'est demandé ce qui se passerait s'il injectait de l'intelligence artificielle dans le processus. Une machine suggérerait-elle des formules attrayantes qu'un humain ne penserait peut-être pas à essayer ?

Daub a engagé IBM pour concevoir un système informatique qui analyserait d'énormes quantités d'informations - les formules des parfums existants, les données des consommateurs, les informations réglementaires, etc. - puis suggérerait de nouvelles formulations pour des marchés particuliers. Le système s'appelle Philyra, d'après la déesse grecque du parfum. Nom évocateur mis à part, il ne sent rien, il ne peut donc pas remplacer les parfumeurs humains. Mais cela leur donne une longueur d'avance sur la création de quelque chose de nouveau.

Cette histoire faisait partie de notre numéro de mars 2019

• Voir la suite du problème
• S'abonner

Daub est satisfait des progrès accomplis jusqu'à présent. Deux parfums destinés à la jeune clientèle brésilienne y seront commercialisés en juin. Seuls quelques-uns des 70 créateurs de parfums de l'entreprise utilisent le système, mais Daub s'attend à le déployer à tous.

Cependant, il prend soin de souligner qu'il a fallu près de deux ans pour en arriver là et que cela a nécessité des investissements qui mettront encore un certain temps à récupérer. Les premières suggestions de Philyra étaient horribles : elle n'arrêtait pas de suggérer des recettes de shampoing. Après tout, il a examiné les données de vente et le shampoing se vend bien plus que le parfum et l'eau de Cologne. La mise sur les rails a demandé beaucoup de formation par les parfumeurs de Symrise. De plus, la société est toujours aux prises avec des mises à niveau informatiques coûteuses qui ont été nécessaires pour pomper des données dans Philyra à partir de systèmes de tenue de dossiers disparates tout en gardant certaines des informations confidentielles des parfumeurs eux-mêmes. C'est une sorte de courbe d'apprentissage abrupte, dit Daub. Nous sommes loin d'avoir l'IA fermement et complètement établie dans notre système d'entreprise.

L'industrie de la parfumerie n'est pas la seule à adopter l'apprentissage automatique sans voir des changements rapides. Malgré ce que vous pourriez entendre à propos de l'IA qui balaie le monde, les gens d'un large éventail d'industries disent que la technologie est difficile à déployer. Cela peut être coûteux. Et le gain initial est souvent modeste.

C'est une chose de voir des percées dans l'intelligence artificielle qui peuvent surpasser les grands maîtres de Go, ou même d'avoir des appareils qui allument de la musique à votre commande. C'est une autre chose d'utiliser l'IA pour apporter plus que des changements incrémentiels dans des entreprises qui ne sont pas intrinsèquement numériques.

Cela ne signifie pas que l'IA est surestimée. Mais les algorithmes ne sont qu'une petite partie de ce qui compte vraiment pour remodeler la façon dont les affaires se font.

L'IA pourrait éventuellement transformer l'économie en rendant possibles de nouveaux produits et de nouveaux modèles commerciaux, en prédisant des choses que les humains n'auraient pas pu prévoir et en soulageant les employés de la corvée. Mais cela pourrait prendre plus de temps que prévu ou craint, selon l'endroit où vous vous asseyez. La plupart des entreprises ne génèrent pas beaucoup plus de rendement à partir des heures que leurs employés consacrent. Ces gains de productivité sont les plus importants dans les entreprises les plus grandes et les plus riches, qui peuvent se permettre de dépenser beaucoup pour les talents et l'infrastructure technologique nécessaires au bon fonctionnement de l'IA.

Cela ne signifie pas nécessairement que l'IA est surestimée. C'est juste que lorsqu'il s'agit de remodeler la façon dont les affaires se font, les algorithmes de reconnaissance de modèles ne sont qu'une petite partie de ce qui compte. Bien plus importants sont les éléments organisationnels qui se répercutent du service informatique jusqu'aux premières lignes d'une entreprise. Presque tout le monde doit être conscient du fonctionnement de l'IA et de ses angles morts, en particulier les personnes qui devront faire confiance à ses jugements. Tout cela demande non seulement de l'argent, mais aussi de la patience, de la minutie et d'autres compétences essentiellement humaines qui font trop souvent défaut.

A la recherche des licornes

En septembre dernier, un data scientist nommé Peter Skomoroch a tweeté : En règle générale, vous pouvez vous attendre à ce que la transition de votre entreprise vers l'apprentissage automatique soit environ 100 fois plus difficile que votre transition vers le mobile. Cela sonnait comme une blague, mais Skomoroch ne plaisantait pas. Plusieurs personnes lui ont dit qu'elles étaient soulagées d'apprendre que leurs entreprises n'étaient pas seules dans leurs luttes. Je pense qu'il y a beaucoup de douleur là-bas - des attentes gonflées, dit Skomoroch, PDG de SkipFlag, une entreprise qui dit qu'elle peut transformer les communications internes d'une entreprise en une base de connaissances pour les employés. L'IA et l'apprentissage automatique sont considérés comme de la poudre de fée magique.

L'un des plus grands obstacles consiste à faire en sorte que des systèmes d'archivage disparates communiquent entre eux. C'est un problème que Richard Zane a rencontré en tant que directeur de l'innovation chez UC Health, un réseau d'hôpitaux et de cliniques médicales du Colorado, du Wyoming et du Nebraska. Il a récemment déployé un agent logiciel conversationnel appelé Livi, qui utilise la technologie de langage naturel d'une startup appelée Avaamo pour aider les patients qui appellent UC Health ou utilisent le site Web. Livi leur ordonne de renouveler leurs ordonnances, prend et confirme leurs rendez-vous et leur montre des informations sur leur état.

Zane est heureux qu'avec Livi traitant les requêtes de routine, le personnel d'UC Health puisse passer plus de temps à aider les patients ayant des problèmes complexes. Mais il reconnaît que cet assistant virtuel fait peu de ce que l'IA pourrait éventuellement faire dans son organisation. Ce n'est que la pointe de l'iceberg, ou quelle que soit la version positive de cela, dit Zane. Il a fallu un an et demi pour déployer Livi, en grande partie à cause des problèmes informatiques liés à la liaison du logiciel aux dossiers médicaux des patients, aux données de facturation des assurances et à d'autres systèmes hospitaliers.

Des configurations similaires perturbent également d'autres industries. Certains grands détaillants, par exemple, enregistrent les enregistrements de la chaîne d'approvisionnement et les transactions des consommateurs dans des systèmes séparés, dont aucun n'est connecté à des entrepôts de données plus larges. Si les entreprises ne s'arrêtent pas pour établir des connexions entre ces systèmes, l'apprentissage automatique ne fonctionnera que sur certaines de leurs données. Cela explique pourquoi les utilisations les plus courantes de l'IA jusqu'à présent, impliquaient des processus métier cloisonnés mais disposant néanmoins de données abondantes, telles que la sécurité informatique ou la détection des fraudes dans les banques.

Même si une entreprise obtient des données provenant de nombreuses sources, il faut beaucoup d'expérimentation et de surveillance pour s'assurer que les informations sont exactes et significatives. Lorsque Genpact, une société de services informatiques, aide les entreprises à lancer ce qu'elles considèrent comme des projets d'IA, 10 % du travail est de l'IA, déclare Sanjay Srivastava, directeur du numérique. Quatre-vingt-dix pour cent du travail consiste en fait à extraire, nettoyer, normaliser, bricoler des données.

Ces étapes peuvent sembler transparentes pour Google, Netflix, Amazon ou Facebook. Mais ces entreprises existent pour capturer et utiliser des données numériques. Ils sont également dotés d'un personnel luxueux avec des doctorats en science des données, en informatique et dans des domaines connexes. C'est différent de la base de la plupart des entreprises, dit Skomoroch.

En effet, les petites entreprises exigent souvent que leurs employés se plongent dans plusieurs domaines techniques, explique Anna Drummond, data scientist chez Sanchez Oil and Gas, une société énergétique basée à Houston. Sanchez a récemment commencé à diffuser et à analyser les données de production des puits en temps réel. Il n'a pas construit la capacité à partir de zéro : il a acheté le logiciel à une société appelée MapR. Mais Drummond et ses collègues devaient encore s'assurer que les données du terrain étaient dans des formats qu'un ordinateur pouvait analyser. L'équipe de Drummond s'est également impliquée dans la conception du logiciel qui alimenterait les écrans des ingénieurs en informations. Les personnes adeptes de toutes ces choses ne sont pas faciles à trouver, dit-elle. C'est comme les licornes, en gros. C'est ce qui ralentit l'adoption de l'IA ou de l'apprentissage automatique.

Fluor, une énorme société d'ingénierie, a passé environ quatre ans à travailler avec IBM pour développer un système d'intelligence artificielle permettant de surveiller des projets de construction massifs pouvant coûter des milliards de dollars et impliquer des milliers de travailleurs. Le système inhale des données numériques et en langage naturel et alerte les chefs de projet de Fluor sur les problèmes qui pourraient ultérieurement entraîner des retards ou des dépassements de coûts.

Les scientifiques des données d'IBM et de Fluor n'ont pas eu besoin de longtemps pour modéliser les algorithmes que le système utiliserait, explique Leslie Lindgren, vice-président de la gestion de l'information chez Fluor. Ce qui a pris beaucoup plus de temps a été d'affiner la technologie avec la participation étroite des employés de Fluor qui utiliseraient le système. Pour qu'ils fassent confiance à ses jugements, ils devaient avoir leur mot à dire sur la façon dont cela fonctionnerait et ils devaient soigneusement valider ses résultats, dit Lindgren.

Pour développer un système comme celui-ci, vous devez faire venir vos experts de domaine de l'entreprise, je veux dire vos meilleurs collaborateurs, dit-elle. Cela signifie que vous devez les retirer d'autres choses. L'utilisation de personnes de haut niveau était essentielle, ajoute-t-elle, car la construction du moteur d'IA était trop importante, trop longue et trop coûteuse pour qu'ils fassent autrement.

Les graines de l'IA

Une fois qu'une innovation surgit, à quelle vitesse se diffusera-t-elle dans l'économie ? L'économiste Zvi Griliches a proposé des réponses fondamentales dans les années 1950 en examinant le maïs.

Griliches a examiné les taux auxquels les producteurs de maïs dans diverses régions du pays sont passés à des variétés hybrides qui avaient des rendements beaucoup plus élevés. Ce qui l'intéresse, ce n'est pas tant le maïs lui-même mais la valeur des hybrides comme ce que nous appellerions aujourd'hui une plate-forme pour les innovations futures. Le maïs hybride était l'invention d'une méthode d'invention, une méthode de sélection de maïs supérieur pour des localités spécifiques, écrivait Griliches dans un article historique en 1957.

Les hybrides ont été introduits dans l'Iowa à la fin des années 1920 et au début des années 1930. En 1940, ils représentaient presque tout le maïs planté dans l'État. Mais la courbe d'adoption était loin d'être aussi abrupte dans des endroits comme le Texas et l'Alabama, où les hybrides ont été introduits plus tard et couvraient environ la moitié de la superficie de maïs au début des années 1950. L'une des principales raisons est que les semences hybrides étaient plus chères que les semences conventionnelles et que les agriculteurs devaient en acheter de nouvelles chaque année. Passer à la nouvelle technologie était une proposition plus risquée pour les fermes de ces États que dans la ceinture de maïs plus riche et plus productive du Midwest.

Ce que Griliches a saisi, et ce que les économistes ultérieurs ont confirmé, c'est que la diffusion des technologies est façonnée moins par les qualités intrinsèques des innovations que par la situation économique des utilisateurs. La question clé des utilisateurs n'est pas, comme c'est le cas pour les technologues, que peut faire la technologie ? mais combien allons-nous gagner à y investir ?

Aujourd'hui, l'apprentissage automatique sous-tend tous les aspects des opérations d'entreprises telles que Facebook, Google, Amazon et de nombreuses startups. Cela rend ces entreprises exceptionnellement riches. Mais en dehors de cette ceinture d'IA, les choses évoluent beaucoup plus lentement, pour des raisons économiques rationnelles.

Chez Symrise, Daub pense que le projet d'IA de parfum est tombé dans un sweet spot. C'était une expérience à relativement petite échelle, mais cela impliquait un vrai travail pour un client de parfum et n'était pas une simple simulation de laboratoire.

Nous subissons tous beaucoup de pression, dit-il. Personne n'a vraiment le temps de faire de l'apprentissage greenfield à côté. Pourtant, même cela nécessitait un acte de confiance dans la technologie. Tout est question de conviction, dit-il. Il y a une très forte conviction en moi que l'IA jouera un rôle dans la plupart des industries que nous voyons aujourd'hui, certaines plus principalement. L'ignorer complètement n'est pas une option.

cacher