Qu’est-ce que l’intelligence artificielle et comment en profiter ?
L’intelligence artificielle est souvent évoquée, mais sa signification exacte reste floue pour beaucoup d’entre nous. Dans cet article, nous allons décrypter l’intelligence artificielle en examinant ses avancées récentes, tout en abordant ses limites et les meilleures pratiques pour en bénéficier pleinement. Nous explorerons également les prérequis essentiels pour se lancer dans un projet d’IA.
Qu’est-ce que l’intelligence artificielle ?
Ce sont des technologies informatiques capables de résoudre des problèmes à forte complexité algorithmique, particulièrement des tâches que les humains réalisent grâce à leurs fonctions cognitives.
Pour opérer, l’IA requiert plusieurs éléments essentiels :
- Une grande quantité de données représentatives du problème à résoudre.
- Des algorithmes pour traiter ces données et créer des modèles de représentation
- Un matériel spécifique pour l’entraînement et l’exécution de l’IA
Le machine learning, une sous-branche de l’IA, a considérablement évolué depuis quelques années. Aujourd’hui, il n’a plus besoin de millions de données ; quelques-unes peuvent suffire pour aborder différentes catégories de problèmes, rendant ainsi le machine learning beaucoup plus accessible.
Démonstration Machine learning
Tout d’abord, nous avons constitué une base de données contenant environ 150 images, dont 90 avec un visage et 60 avec un fond vide. L’IA va être entraînée à reconnaître à la fois l’individu et le fond vide, dans cette démonstration, ce processus ne prendra que quelques secondes. Dans une application réelle, l’entraînement peut prendre plusieurs jours à plusieurs semaines.. Ensuite, l’IA sera en mesure de déterminer si la personne apparaît sur l’image ou non.
Nous procédons à la création d’une base de données, à l’optimisation des paramètres d’un modèle, et enfin, pour que l’IA puisse prédire une sortie pour de nouvelles données. Il est essentiel que la base de données soit représentative du problème à résoudre. Ainsi, il est plus important d’avoir des données de qualité que d’avoir une grande quantité de données pour entraîner de manière optimale un algorithme de machine learning.
L’IA Générative
En parlant d’IA générative, les GAN (generative adversarial network) reposent sur deux composants : le générateur, dont l’objectif est de tromper le discriminateur, et le discriminateur, qui distingue les données réelles des fausses. Plus le discriminateur identifie correctement les vraies données, plus le générateur en crée. C’est ainsi que des données peuvent être générées.
Il existe également des IA qui fonctionnent sans annotation. C’est le cas par exemple des modèles de fondation qui sont utilisés par les IA génératives. Pour générer du texte, on entraîne un algorithme à compléter des phrases que l’on connaît. Des propriétés qui n’étaient pas prévues peuvent alors apparaître. Par exemple, l’IA peut apprendre à générer ses propres histoires ou à faire de l’arithmétique, sans être explicitement entraînée pour le faire.
Cependant, il y a des limites à l’intelligence artificielle générative. Elle ne peut pas penser comme un être humain et fonctionne en se basant sur une base de données prédéfinie, ce qui engendre des limites. Elle excelle dans les questions de culture générale, mais peut fournir des réponses incorrectes sur des sujets spécifiques ou complexes.
Données et réglementations
Pour entraîner une IA, il est impératif d’avoir des données exploitables. La collecte de données personnelles nécessite d’abord d’obtenir un consentement, suivi de l’anonymisation de ces données. Afin d’utiliser des données brutes, leur annotation est essentielle. Pour apprendre à une IA à distinguer des éléments distincts, il faut lui montrer divers exemples. Par exemple, pour segmenter un objet précisément dans une image et en déterminer la nature, il faut annoter minutieusement des images pixel par pixel.
Il est crucial de prêter attention aux biais afin de minimiser les erreurs. Ces biais peuvent découler de la société ou des scénarios présents dans les bases de données.
Il convient de souligner que l’utilisation des données personnelles n’est pas illimitée. Le RGPD, le règlement général européen en vigueur depuis mai 2018, porte sur la confidentialité et la protection des données personnelles. Il s’applique aux données stockées en Europe. Attention cependant aux opérateurs étrangers, comme par exemple les États-Unis où la loi américaine prévaut. Dans ce contexte, l’anonymisation ou la pseudonymisation des données est essentielle.
En outre, l’IA Act, prévue pour être mise en œuvre fin 2025, établit qu’il n’y a pas de bonne ou mauvaise technologie, mais que certains cas d’utilisation seront inacceptables et interdits. Cela inclut la manipulation subliminale, l’exploitation des enfants ou des personnes présentant un handicap psychologique, la notation sociale généralisée (actuellement en vigueur en Chine), et l’identification biométrique à distance (toutefois autorisée dans des cas exceptionnels, comme la recherche d’un fugitif). De plus, certaines IA à risque élevé seront soumises à une gouvernance des données, à une documentation technique, à la transparence envers les utilisateurs, et au contrôle humain pour garantir l’exactitude, la robustesse et la cybersécurité.
Cas d’usage en entreprises
Détection de défauts sur des bouteilles
Le verre est une matière très malléable et donc sujet au défaut, sur ce genre de produit ces défauts peuvent être très dangereux. Nous avons donc développé une IA qui tourne sur une carte graphique avec une cadence élevée, qui permet de détecter le défaut, l’identifier pour enfin trier les bouteilles correctement.
Reconnaissance de bouteille de vin
WineAdvisor est une application mobile intègrant de l’IA qui reconnaît les bouteilles de vin à l’aide d’une simple photo de l’étiquette. Cette reconnaissance d’image améliore l’expérience utilisateur en fournissant un accès rapide à des informations détaillées sur le vin. La fonction OCR permet de lire le millésime, offrant ainsi des données précises, même à partir d’images de qualité moyenne.
Reconnaissance de peau gravée au laser
Nous avons développé des algorithmes de lecture de gravure de peau de bêtes au laser pour assurer leur traçabilité à chaque étape de la chaîne logistique.
Diagnostic et planification médicale
Logiciel qui apprend les planifications du chirurgien sur des cas passés pour proposer des prédictions pour de nouvelles opérations, en choisissant le bon implant et en proposant un placement. C’est une technologie qui a été approuvé par différents experts en santé.
Tri de déchets
Une technologie permettant de trier les déchets, afin que les plastiques alimentaires ne soient pas mélangés avec des plastiques non alimentaires, en respectant les normes européennes qui sont de maximum 5% plastique non alimentaire dans le plastique alimentaire. C’est un logiciel qui détecte en temps réel les différents plastiques en 1.5 milliseconde.
Prédiction de stocks
En prenant en compte les stocks passés et les facteurs externes comme la météo, les soldes, les vacances, on arrive à prédire les ventes futures et donc la gestion des stocks pour éviter les ruptures ou le sur-stock.
L’optimisation d’empaquetage
Nous avons travaillé sur des courbes de températures, qui sont des facteurs internes et externes d’une boite isothermes contenants des produits nécessitant un conditionnement exigeant. Le but étant de prédire les capacités de froid de la boite et savoir s’il va y avoir des excursions de température afin de voir lesquelles respecteront les contraintes de froid pour limiter les risques liés à la chaîne de froid, d’optimiser le choix de l’emballage et d’optimiser les trajets associés.
Analyse visuel de documents
Analyse de documents contenant des schémas électriques complexes, comprenant de nombreuses pages avec des symboles difficiles à interpréter tels que des disjoncteurs et des tableaux explicatifs. L’objectif est de développer une lecture automatique de PDF ou de documents scannés. Cette automatisation permet d’importer les informations dans un logiciel spécialisé pour permettre un chiffrage en vu d’une maintenance des systèmes électriques.
Optimisation de tournées
Pour des transporteurs scolaires, nous avons fait de l’optimisation de tournée, l’objectif étant d’affecter les bonnes ressources aux bonnes tournées, pour des centaines de transporteurs. Cette IA a fait économiser 500 000 km / an à notre client, sachant que 1km = 1€ en moyenne.
Nous avons également travaillé sur la détection de personnes dans les bus. Compter le nombre d’enfants grâce à l’IA lui permet d’optimiser la taille de ses cars et donc de réaliser des économies.
IA Booster France 2030
IA Booster est un programme d’accompagnement et de financement de Bpifrance qui vise à favoriser l’adoption de l’IA par les entreprises. Elle permet à une entreprise de connaître sa maturité en IA et de se faire accompagner par des experts Data IA référencés par Bpifrance.
IA Booster se fait en 4 phases distinctes :
En premier, la formation à l’intelligence artificielle sur la plateforme Bpifrance Université.
En second, l’identification des différents cas d’usage d’exploitation des données par l’IA, grâce au Diagnostic Data IA.
En troisième, la sélection de l’intelligence artificielle pertinente selon le problème.
En dernier, l’expérimentation de la solution d’intelligence artificielle.
