Qu’est-ce que l’intelligence artificielle ?

Chez Gartner, nous définissons l’intelligence artificielle (IA) comme l’application de techniques avancées d’analyse et de logique, notamment le Machine Learning (ML ou apprentissage automatique), pour interpréter des évènements, soutenir et automatiser la prise de décisions et entreprendre certaines opérations. Cette définition reflète l’état actuel et émergent des technologies et des capacités de l’IA, elle reconnait également que l’IA fait désormais généralement appel à l’analyse probabiliste (combinaison de probabilité et de logique pour attribuer une valeur à l’incertitude). 

D’autres entreprises ou spécialistes peuvent proposer d’autres définitions de cette technologie. Il n’existe pas de terme unique et universellement accepté pour décrire l’intelligence artificielle, car il existe un large éventail de moyens par lesquels l’intelligence artificielle peut soutenir, renforcer et automatiser les activités humaines et apprendre et agir de manière indépendante.

Toutefois, pour tirer parti des possibilités offertes par l’IA au sein d’une entreprise, vous devrez formuler et adopter une définition généralement acceptée, axée sur les objectifs que vous souhaitez atteindre grâce à l’IA. 

Prévoyez une certaine marge de manœuvre en cas de divergences d’opinions, mais assurez-vous que les responsables de l’entreprise, de l’informatique, des données et de l’analyse ne sont pas fondamentalement en désaccord sur la signification de l’IA pour votre entreprise, faute de quoi vous ne pourrez pas élaborer une stratégie qui permette d’en tirer profit. 

Notez que les fournisseurs de technologies d’IA sont également susceptibles de proposer leur propre définition du terme. Demandez-leur de préciser en quoi leurs offres répondent à vos attentes de valorisation de l’IA.

Les grands modèles de langage (large language models ou LLM) sont des intelligences artificielles génératives orientées texte, qui font la une des journaux depuis l’arrivée sur le marché de ChatGPT d’OpenAI en novembre 2022.  

Les LLM sont formés sur de grands volumes de texte, qui comptent généralement des milliards de mots, simulés ou extraits de collections de données publiques ou privées. Cela leur permet d’interpréter les données textuelles et de générer des résultats proches de ceux d’un être humain. Les LLM facilitent déjà la compréhension des questions par les moteurs de recherche et les aident à formuler une réponse.

Grâce aux avancées réalisées dans le domaine des LLM, les entreprises pourraient changer radicalement leur façon de travailler, notamment en automatisant des tâches auparavant effectuées par des êtres humains, de la programmation au traitement des requêtes de clients.

Le Machine Learning ou apprentissage automatique est une technique clé qui permet à l’IA de résoudre certains problèmes. Contrairement aux idées reçues (et aux expressions erronées véhiculées par la culture populaire), les machines ne sont pas douées de facultés d’apprentissage. Elles accumulent des données et effectuent ensuite des calculs, certes avec une complexité croissante. Le Machine Learning apporte des solutions aux problèmes des entreprises en utilisant des modèles statistiques pour identifier des informations et des tendances à partir des données.

Le Machine Learning est une discipline strictement analytique. Elle applique des modèles mathématiques aux données afin d’extraire des connaissances et de trouver des modèles que les humains n’auraient probablement pas été en mesure de déceler. Le Machine Learning recommande également des actions, mais il n’ordonne pas aux systèmes d’agir sans intervention humaine. 

Concrètement, le Machine Learning crée un algorithme ou une formule statistique (appelé « modèle ») qui convertit une série de points de données en un résultat unique. Les algorithmes de ML « se forment » par le biais de « l’apprentissage », au cours duquel ils identifient des modèles et des corrélations dans les données et les utilisent pour fournir de nouvelles perspectives et prédictions sans être explicitement programmés à cette fin. Quoi qu’il en soit, le Machine Learning joue un rôle central dans de nombreuses applications probantes de l’IA, ce qui explique sa très grande popularité sur le marché.

Le Deep Learning (DL), une variante des algorithmes de Machine Learning, fait appel à de nombreux types d’algorithmes pour résoudre les problèmes en extrayant les connaissances des données brutes et en les transformant tout au long de la chaîne de traitement. Ces différents algorithmes permettent d’obtenir progressivement des éléments caractéristiques de plus haut niveau à partir des données brutes, ce qui permet de résoudre des problèmes plus complexes avec une plus grande précision et en limitant les opérations de paramétrage manuel.

Les entreprises assimilent souvent le Machine Learning et le Deep Learning à l’ensemble des formes d’IA existantes et ignorent les autres approches dans ce domaine. Elles délaissent par la même occasion inutilement certains projets d’IA ou ne les mettent pas en œuvre lorsque des solutions basées uniquement sur le ML ne donnent pas les résultats escomptés.

Les solutions actuelles de Machine Learning impliquent généralement de disposer d’un grand volume de données parfaitement structurées, ce qui ne facilite pas la tâche des entreprises disposant d’ensembles de données plus restreints, de données de qualité médiocre ou de budgets limités.

L’utilisation du ML, y compris du Deep Learning, pour faire des prédictions, permet à un processus contrôlé par l’IA d’automatiser la sélection du résultat le plus favorable, ce qui peut se traduire par le retrait du décideur humain du processus décisionnel.

La majorité des applications de l’IA reposent aujourd’hui sur des techniques robustes et éprouvées qui se répartissent en trois catégories principales :

1. Raisonnement probabiliste. Ces techniques (souvent désignées par le terme d’apprentissage automatique ou Machine Learning) permettent de valoriser la grande quantité de données recueillies par les entreprises. Cette catégorie comprend des techniques qui ont pour objectif de mettre au jour des informations encore non identifiées qui se trouvent dans une grande quantité de données (ou de formats). Ces techniques permettent de faire émerger des connaissances inexploitées en identifiant des corrélations intéressantes en rapport avec un objectif ou une étiquette particulière au sein de ces données. Par exemple, une technique de Machine Learning peut consister à passer au crible un grand nombre de données clients, à identifier certains facteurs et à mettre en évidence la corrélation entre ces facteurs, ce qui permet à l’entreprise d’anticiper si ces clients sont susceptibles de changer de prestataire.

2. Logique computationnelle. Ces techniques, souvent appelées systèmes à base de règles, exploitent et enrichissent les compétences implicites et explicites de l’entreprise. Ces techniques ont pour objectif de recueillir les données connues d’une manière structurée, souvent sur la base de règles. Les professionnels peuvent intervenir sur ces règles, mais la technologie garantit la cohérence de l’ensemble des règles. (En d’autres termes, la technologie veille à ce que les règles ne se contredisent pas ou ne conduisent pas à un raisonnement circulaire (pétition de principe), ce qui n’est pas évident lorsque vous devez traiter des dizaines de milliers de règles). Une nouvelle série de lois sur la conformité a attiré l’attention sur les approches fondées sur des règles.

3. Techniques d’optimisation. Habituellement utilisées par les groupes de recherche en exploitation, les techniques d’optimisation permettent de maximiser les bénéfices sans pour autant compromettre l’activité de l’entreprise. Elles y parviennent en déterminant la meilleure combinaison possible de ressources, en tenant compte d’un certain nombre de contraintes dans un laps de temps donné. Les outils d’optimisation génèrent souvent des plans d’action exécutables et sont parfois décrits comme étant des techniques d’analyse prescriptive. Les groupes de recherche appliquée dans les secteurs centrés sur les actifs (tels que l’industrie manufacturière et les services publics) ou les fonctions (telles que la logistique et la supply chain) ont recours aux techniques d’optimisation depuis des dizaines d’années.

Les principales techniques émergentes, par ordre décroissant de maturité, sont les suivantes :

• Traitement automatique du langage naturel (NLP). Le traitement automatique du langage naturel (NLP ou Natural Language Processing) permet de mettre en place des formes intuitives de communication entre les humains et les systèmes. Le NLP regroupe des techniques linguistiques informatiques (symboliques et subsymboliques) visant à reconnaître, analyser, interpréter, étiqueter automatiquement, traduire et générer (ou résumer) des langages naturels. 

• Représentation des connaissances. Des outils tels que les graphes de connaissances ou les réseaux sémantiques visent à faciliter et à accélérer l’accès aux réseaux de données et aux graphes, ainsi que leur analyse. De par leur représentation des données, ces systèmes tendent à être plus intuitifs pour certains types de problèmes. L’adoption des techniques de graphes de connaissances a connu un essor considérable au cours des trois dernières années.

• Informatique reposant sur un modèle à base d’agents. Cette technique est la solution la moins mature parmi les techniques d’IA établies, mais elle gagne rapidement en popularité. Les agents logiciels sont des programmes persistants, autonomes et axés sur des objectifs précis qui agissent pour le compte d’utilisateurs ou d’autres programmes. Les chatbots ou agents conversationnels, par exemple, jouissent d’une popularité croissante.

Deux grandes catégories d’applications basées sur des agents sont couramment utilisées dans les solutions actuellement disponibles :

• Les agents d’automatisation des tâches peuvent être à vocation générique (par exemple, les assistants de planification de réunions dans les systèmes de messagerie) ou plus spécifiques (par exemple, les robots logiciels de validation de contrats pour les applications d’automatisation des ventes).

• Les programmes pour objets autonomes peuvent remplir des fonctions telles que le réglage automatique de la température (par exemple, dans les systèmes de diagnostic automobile ou les thermostats domestiques).

Voici quelques-uns des principaux termes relatifs aux technologies et techniques d’IA que les chefs d’entreprise peuvent être amenés à devoir maîtriser :

• Les systèmes d’IA adaptative permettent de modifier le comportement des modèles après le déploiement en apprenant des modèles de comportement sur la base des expériences des utilisateurs et des machines et au sein des environnements de production afin de s’adapter plus rapidement aux circonstances fluctuantes du monde réel.

• Les assistants virtuels avancés (AVA), parfois appelés agents conversationnels reposant sur l’IA, analysent les saisies humaines et viennent ensuite exécuter certaines tâches, fournir des prédictions et suggérer des décisions. Les AVA sont dotés à la fois d’interfaces utilisateur plus avancées, d’un traitement du langage naturel et de techniques de deep learning permettant une aide à la décision et une personnalisation, ainsi que le recours à des connaissances contextuelles et spécialisées dans un domaine.

• L’intelligence artificielle dites «∘générale∘» (IAG) est une forme d’IA prospective. On prévoit qu’elle aura la capacité de comprendre ou d’apprendre n’importe quelle tâche cognitive qu’une personne est capable d’accomplir.

• L’intelligence artificielle enrichie est une tendance désignée également sous la dénomination de « X intelligent », cette tendance concerne des systèmes où les techniques d’IA apportent des fonctionnalités inédites et inexploitées.

• ChatGPT est un service d’OpenAI qui fait appel à un agent conversationnel (chatbot) reposant sur un LLM pour créer du contenu. Il a été formé sur un modèle fondateur composé de milliards de mots provenant de sources multiples, puis perfectionné grâce à un apprentissage par renforcement sur la base de retours de spécialistes humains.

• L’IA composite désigne l’application combinée (ou la fusion) de différentes techniques d’IA pour améliorer l’efficacité de l’apprentissage. Elle permet aux entreprises qui la mettent en œuvre de faire apparaître de nouvelles perspectives et représentations des données et, à terme, de répondre à un plus large éventail de problèmes d’entreprise de manière plus efficace. 

• La vision par ordinateur (CV) est un processus qui implique la saisie, le traitement et l’analyse d’images et de vidéos du monde réel pour permettre aux machines d’extraire des informations pertinentes et contextuelles du monde physique. Les techniques de vision par ordinateur présentent des contraintes technologiques et infrastructurelles qui se distinguent des approches traditionnelles de ML. 

• L’IA en périphérie fait référence à l’utilisation de techniques d’IA intégrées dans les terminaux de type Internet des objets (IoT), les passerelles et les serveurs en périphérie, dans des applications allant des véhicules autonomes aux analyses en continu. Elle offre la possibilité de fournir des applications différenciées pour les entreprises numériques. 

• L’IA générative (GenAI) acquiert des connaissances sur des artefacts issus de données et génère de nouvelles créations innovantes qui sont similaires aux modèles originaux sans pour autant les répliquer. L’IA générative a le potentiel de créer de nouvelles formes de contenu créatif, comme des vidéos, et d’accélérer les cycles de R et D dans des domaines allant de la médecine à la création de produits. L’IA générative connaît un essor fulgurant et se présente comme une technologie à vocation générale susceptible de modifier radicalement la société grâce à son retentissement sur les structures économiques et sociales existantes.

• Les modèles de fondation ou fondateurs sont de grands modèles de Machine Learning qui sont formés sur un large ensemble de données non annotées, puis adaptés à un large éventail d’applications grâce à une optimisation minutieuse.

• L’Internet des objets (IoT) désigne le réseau d’éléments physiques (objets) qui contiennent une technologie intégrée permettant de détecter ou d’interagir avec ses composants internes et avec l’environnement extérieur. Ce réseau n’inclut pas les appareils multi-usages, tels que les smartphones. Les exemples d’IoT sont nombreux, allant des prises de courant intelligentes aux véhicules autonomes. L’IoT s’appuie sur un large éventail de terminaux et de passerelles informatiques pour fonctionner et sur des données pour exploiter l’IA, en particulier pour permettre de fournir des réponses en temps réel (par exemple, pour les véhicules autonomes).

• Les technologies de traitement du langage naturel (NLT ou Natural language technologies) sont des systèmes qui analysent les affects et/ou caractéristiques propres aux communications textuelles ou aux enquêtes afin de créer des outils de notation du ressenti, en s’appuyant sur des technologies et des techniques telles que les NLT, l’analyse de texte, les réseaux de neurones à convolution et les réseaux neuronaux récurrents. 

• L’analyse prédictive est une forme d’analyse avancée qui examine les données ou le contenu pour répondre à la question suivante : « Que va-t-il se produire ? » et se caractérise par des techniques telles que l’analyse de régression, la prévision, les statistiques multivariées, la comparaison de modèles, la modélisation prédictive et prévisionnelle.

• Les données synthétiques sont générées artificiellement par les techniques du Machine Learning. Elles reflètent les propriétés statistiques des données réelles, mais ne font pas intervenir les attributs d’identification de ces données (par exemple, les noms et les informations personnelles). L’IA requiert d’énormes quantités de données pour produire des résultats exploitables et les données synthétiques constitueront une source importante de grands ensembles de données permettant de modéliser des scénarios aberrants tout en protégeant les données sensibles et personnelles.

Les dernières avancées en matière d’IA générative, notamment ChatGPT, ont soudainement accru la popularité de l’IA, non seulement en tant que technologie ou outil commercial, mais aussi en tant que technologie à vocation généraliste (composante omniprésente et essentielle du développement et de l’innovation des produits en général). L’IA a aujourd’hui des répercussions sur la société comparables à celles de l’avènement de l’Internet, de l’imprimerie ou même de l’électricité. Elle est en passe de transformer la société dans son ensemble.

Parmi les hypothèses de planification stratégique de Gartner concernant l’IA, on peut citer :

• D’ici 2026, les entreprises qui mettent en œuvre les principes de transparence, de confiance et de sécurité de l’IA verront leurs modèles d’IA améliorer de 50 % leurs résultats en termes d’adoption, d’objectifs commerciaux et d’acceptation par les utilisateurs.

• D’ici 2026, les entreprises qui auront adopté des pratiques d’ingénierie de l’IA pour concevoir et gérer des systèmes d’IA adaptatifs surpasseront leurs homologues pour ce qui est des effectifs et du temps nécessaires à la mise en œuvre opérationnelle des modèles d’IA, et ce d’au moins 25 %.

• D’ici 2027, au moins deux prestataires qui proposent des fonctionnalités de gestion des risques grâce à l’IA seront acquis par des prestataires de gestion des risques d’entreprise proposant des fonctionnalités plus larges.

• D’ici 2027, au moins une entreprise internationale verra le déploiement de son IA interdit par un régulateur pour non-conformité avec la législation sur la protection des données ou la gouvernance de l’IA.