Düsseldorf Ce qui a commencé chez IBM comme une « mission lunaire » s’est terminé par une braderie. Au fil des années, le groupe informatique a construit une grande division pour les technologies de la santé, avec de grandes ambitions. L’analyse intelligente de grandes quantités de données par les systèmes de l’entreprise devrait aider à diagnostiquer des maladies rares, à mettre au point des thérapies individuelles contre le cancer – et enfin à apporter de la croissance à IBM.
Mais au début de l’année, le groupe technologique a vendu une partie de sa division Watson Health, qui avait commencé avec beaucoup de relations publiques, soi-disant pour seulement un milliard de dollars. Ce ne serait qu’une fraction de l’investissement.
Les raisons de l’échec sont multiples, dont l’une est probablement le manque d’intégration pratique dans le système de santé : la technologie n’a pas répondu aux attentes, ce qui a rendu sceptiques les médecins des organisations partenaires. L’intelligence artificielle (IA) est restée inutile.
L’IA est une technologie étonnante qui peut vaincre les cerveaux humains, guider les voitures dans les embouteillages et traduire avec précision le texte dans d’autres langues dans le jeu-questionnaire Jeopardy. Certains chercheurs comparent l’influence de l’IA à celle de l’électricité il y a 100 ans. Selon le cabinet de conseil en management Capgemini, les entreprises qui prennent des décisions basées sur des données réalisent 22 % de bénéfices en plus et 70 % de revenus par employé en plus que leurs concurrents.
Top jobs du jour
Trouvez les meilleurs emplois maintenant et
être prévenu par email.
Mais l’utiliser dans les affaires n’est souvent pas aussi simple que les fournisseurs de technologie et les consultants en gestion voudraient vous le faire croire. Dans une étude récente du représentant de l’industrie Bitkom, les managers affirment à l’unanimité l’importance de l’IA, mais seuls 9 % déclarent l’utiliser réellement. Le président de l’association, Achim Berg, a qualifié le résultat de « qui donne à réfléchir ». Au niveau international, le tableau n’est pas fondamentalement différent. IBM l’a appris à ses dépens.
Certaines prévisions optimistes ne sont donc plus valables. Le cabinet d’études de marché Forrester s’attend à ce que les ventes de logiciels d’IA passent de 33 milliards de dollars l’an dernier à 64 milliards de dollars d’ici 2025.
Il y a dix ans, IBM lançait son offensive dans le secteur de la santé. Auparavant, son système informatique Watson avait les meilleurs joueurs de Jeopardy ! battu – mais quand il s’agissait d’évaluer les données des patients, les choses n’étaient pas si réussies.
(Photo: dapd)
Certes, les grandes crises de ces dernières années ont eu un effet néfaste. Selon le président de Bitkom, Berg, il y a « peu de place pour réfléchir aux nouvelles technologies et aux nouveaux modèles commerciaux pour l’avenir » en mode crise permanente. Cependant, il y a aussi des problèmes tangibles avec la technologie. Il y a un manque de travailleurs qualifiés et de données, et parfois aussi d’argent, comme les entreprises l’ont signalé à Bitkom. Les préoccupations en matière de sécurité informatique et les préoccupations concernant les violations de la protection des données pèsent le plus lourd.
Enfin et surtout, les bonnes idées manquent. « Mon travail le plus important avec les clients consiste à trouver la bonne application », déclare Eng Lim Goh, responsable de la technologie IA chez Hewlett Packard Enterprise (HPE). Les clients ont souvent de fausses attentes : « L’IA n’est ni super intelligente, comme certains le croient, ni complètement incapable de ce que les autres supposent. » Seuls ceux qui savent ce que la technologie peut et ne peut pas faire peuvent l’utiliser de manière judicieuse.
Problème 1 : Intégration dans les processus métier
Pour que l’utilisation de l’intelligence artificielle en vaille la peine, les entreprises doivent intégrer la technologie dans leurs processus commerciaux. Le système Watson a impressionné le public avec des réponses rapides aux questions du quiz, mais les médecins des cliniques partenaires n’ont finalement pas fourni de réponses.
DB Fernverkehr AG veut éviter quelque chose comme ça. L’entreprise met en place un « Competence Center » pour favoriser les échanges entre le service développement et le reste du groupe. « Une tâche essentielle est de rendre tangibles les avantages et les possibilités de l’IA pour l’organisation », explique Axel Schulz, qui dirige le département des systèmes d’IA et des analyses clients.
Le technologue en chef de l’IA chez HPE : « Commencez par l’application la plus simple et non celle avec laquelle vous voulez impressionner le patron. »
Différents formats d’échanges sont destinés à donner aux collaborateurs des idées sur la manière dont la technologie peut améliorer leur quotidien, que ce soit en usine ou en service à bord. Ce ne sont pas les développeurs qui doivent définir ce qui est bon, ce sont les collègues qui travaillent par roulement. « Si les modèles d’IA obtiennent des résultats manifestement bons, nous pouvons les intégrer rapidement dans les processus et outils commerciaux existants. »
Exemple de service passagers : Les commentaires des clients – que ce soit par e-mail ou Twitter – sont automatiquement traités par la filiale de la Deutsche Bahn. Des algorithmes identifient les sujets et extraient le contenu, comme des plaintes ou des suggestions spécifiques, des textes. Cela fonctionne si bien que des opinions sélectionnées peuvent être diffusées aux agents de bord en quelques minutes seulement, explique Schulz. Et cela conduit à « une bien meilleure expérience de voyage ». Les données sont traitées plus rapidement et de manière plus ciblée que ne le permettent les capacités du personnel du service.
Cela vous amène à un sujet central de l’IA – les données. Et en même temps avec un problème central.
Problème 2 : Collecter les bonnes données
Ce qu’on appelle aujourd’hui l’intelligence artificielle est un méli-mélo de différentes technologies. Ce que la plupart d’entre eux ont en commun : ils utilisent les données comme matériel d’apprentissage, c’est-à-dire qu’ils dérivent des règles à partir de textes, de photos ou de modèles de vibration.
La règle d’or est la suivante : plus il y a de données, meilleure est l’IA. Par exemple, l’apprentissage automatique nécessite au moins 10 000 points de données du même processus, par exemple d’une machine et de son comportement de production. « De nombreuses petites entreprises ne disposent pas de tels ensembles de données », explique Katharina Zweig, experte en intelligence artificielle et professeure à l’université de Kaiserslautern.
Même lorsqu’il y a suffisamment de données, elles sont souvent peu disponibles. Dans les entreprises, les données sont réparties sur de nombreux systèmes informatiques et sont disponibles dans différents formats de stockage – sur les lecteurs du serveur, les disques durs locaux, les clés USB, les CD, éventuellement les disquettes. Tout ce qui s’est accumulé au fil des années et des décennies.
« Dans aucune autre entreprise, je n’ai trouvé les données traitées comme si elles provenaient d’une source unique », déclare Bryan Harris, responsable de la technologie chez le fournisseur de logiciels d’analyse SAS. Enfin et surtout, il est important de trier les enregistrements de données incorrects ou en double. « La préparation des données est la plus grande partie de ce que nous faisons », déclare Goh, directeur de la technologie chez HPE.
Les données doivent également être complètes. Il y a quelque temps, Eon a prévu une intelligence artificielle pour aider le service après-vente à gérer les problèmes des clients. L’idée : à partir de cas existants, décharger les collaborateurs d’une partie du travail grâce à l’automatisation et trouver une solution pour le client.
« Nous avons pu nous appuyer sur plusieurs millions de cas, chacun ayant été correctement classé dans la catégorie de problème appropriée », explique Christian Essling, responsable mondial des données et de l’analyse au service public. Cependant, il manquait des informations sur les différentes étapes de la solution. « Cependant, comme ces données étaient absolument nécessaires, nous avons dû prendre du recul et adapter le processus de génération de données afin qu’il documente également les étapes sur le chemin de la solution en plus de la demande et de la classification. » données sont disponibles et complètes, elles peuvent être difficiles à utiliser pour des raisons de protection des données ou juridiques.
Exemple de données patient : Grâce à eux, les chercheurs et les modèles d’IA peuvent obtenir des informations précieuses sur le contrôle des maladies. Mais les antécédents médicaux ne doivent pas être divulgués si facilement, la vie privée doit être protégée.
Google a développé une solution partielle en 2017 avec « Federated Learning ». Le terme technique « d’apprentissage fédéral » décrit que les réseaux de neurones sont entraînés sur plusieurs appareils ou « nœuds » participants. Les enregistrements de données restent stockés localement, ce qui garantit la protection des données.
Problème 3 : Trouver la bonne application
La sélection des données est d’une grande importance, même de petits détails peuvent être décisifs. Par exemple, lors de l’analyse des réseaux sociaux : Si l’IA a été formée il y a environ un mois pour reconnaître les tendances géopolitiques importantes, elle ne peut pas réagir aux événements mondiaux qui se sont produits il y a seulement deux à trois semaines.
Par exemple, une machine entraînée début février 2022 ne peut pas savoir que la Russie a envahi l’Ukraine fin février. Il lui est donc difficile de classer les messages sur Internet. Si les données de base et les hypothèses ne sont pas cohérentes, une IA peut rapidement tirer des conclusions erronées.
Le danger s’est manifesté il y a cinq ans avec le programme « Libratus »: l’IA a vaincu quatre des meilleurs joueurs de poker du monde. Lorsqu’on a demandé aux joueurs ce qu’ils avaient remarqué sur la façon dont l’ordinateur était joué, toutes les personnes impliquées ont répondu : le programme jouait comme un « extraterrestre », par exemple en pariant des sommes extrêmement importantes « comme aucun humain ne le ferait », explique Goh, qui était en charge du projet informatique à l’époque.
Un tel comportement peut devenir un problème dans les affaires quotidiennes. « Les clients doivent comprendre que l’IA n’est pas toujours précise », déclare Sebastian Bluhm, responsable du cabinet de conseil en informatique Plan D. « Ce n’est qu’une approximation statistique. »
Par exemple, une IA peut reconnaître correctement une image 98 % du temps, explique Goh, directeur technique de HPE. Selon lui, c’est plus que ce qu’un humain peut faire. Mais il y a une différence importante : dans les 2 % de cas où l’IA reconnaît mal une image, elle peut se comporter de manière presque absurde par rapport aux humains.
Comme le montre ici une étude de l’Université d’Ispahan, l’intelligence artificielle peut identifier tous les types possibles de pommes et de dégâts avec une grande précision – mais peut aussi être trompée rapidement.
Goh donne un exemple : L’IA reconnaît facilement une pomme et un verre d’eau. Mais si la pomme se trouve derrière le verre d’eau, alors certains réseaux neuronaux produisent la réponse « jus de pomme ». Une grossière erreur qu’un humain ne ferait pas. Et qui pourrait coûter une fortune en décisions de production importantes.
Il s’agit de trouver l’application où l’IA peut jouer à son avantage. « C’est un défi », dit Goh. Une de ses recommandations : « Commencez par l’application la plus simple et non celle avec laquelle vous voulez épater le patron. » Et puis augmentez petit à petit le niveau de difficulté et la gamme d’applications, en commençant par exemple par l’évaluation des images de dix caméras. , puis plus tard à 100 caméras ou plus pour aller.
Un bon conseil : demandez de l’aide
En résumé : commencez petit et ne vous attendez pas à une solution miracle. L’IA est une chose complexe et épuisante. L’entreprise papetière américaine Georgia-Pacific, par exemple, exploite un total de 15 000 modèles pour contrôler et optimiser sa production et ses machines. Par conséquent, les entreprises devraient demander de l’aide, en particulier les petites entreprises. « Les petites entreprises ont le plus de problèmes avec l’IA », déclare le président de Bitkom Berg, « elles manquent souvent de savoir-faire et de capacités techniques ».
Mais selon Berg, se mettre la tête dans le sable n’est pas une option : « L’intelligence artificielle est une technologie clé. »
Suite: « Voir les immenses opportunités aux côtés des risques » : les entreprises allemandes craignent une réglementation trop stricte de l’IA