Les données, la technologie et les personnes sont à portée de main pour rendre l’intelligence artificielle et l’apprentissage automatique disponibles à toutes les entreprises commerciales.
Certes, l’intelligence artificielle et son sous-domaine, l’apprentissage automatique, ont traversé des cycles d’attentes démesurées suivis de déceptions. Ces cycles, que certains appellent «hivers de l’IA», remontent à des décennies.
Échecs précoces
Par exemple, dans les années 50 et 60, le gouvernement des États-Unis a financé des recherches sur la traduction automatique des langues. L’espoir était que les documents en russe pourraient être immédiatement traduits en anglais. Mais en 1966, un rapport du Comité consultatif sur le traitement automatique du langage, une équipe gouvernementale de sept scientifiques, a essentiellement tué la recherche en traduction automatique aux États-Unis pendant environ une décennie.
«Les chercheurs en informatique parlent d’un premier système de traduction de langue informatisé qui a été testé en lui faisant traduire des phrases de l’anglais vers le russe, puis de nouveau vers l’anglais», a écrit Andrew Pollack, dans un article du New York Times, «Technology; The Computer as Translator », d’avril 1983.
«Dans la déclaration,« l’esprit est disposé, mais la chair est faible ». Le résultat est sorti: «La vodka est bonne, mais la viande est pourrie». De même, l’expression «hors de vue, hors de l’esprit» est devenue «invisible, insensée». »
AI-ML aujourd’hui
Selon le problème que l’on essaie de résoudre avec l’intelligence artificielle et l’apprentissage automatique, les premiers chercheurs auraient probablement rencontré des problèmes avec la collecte et l’organisation des données, la capacité de calcul pour traiter ces données (c’est-à-dire la technologie) et la disponibilité de individus pour résoudre les problèmes.
À différents moments et de différentes manières, cette combinaison de défis – données, technologie, personnes – a eu un impact sur la façon dont AI-ML était employée.
La situation est maintenant différente. De nombreuses entreprises, y compris la plupart des grandes entreprises, utilisent AI-ML pour résoudre des problèmes aussi divers que l’étalonnage de la fabrication de haute précision ou la gestion d’un immense entrepôt de traitement robotique (demandez à Amazon).
AI-ML a résolu de nombreux problèmes liés au langage. Par exemple, l’algorithme Word2vec de Google peut apprendre les associations de mots et éviter les malentendus tels que « La vodka est bonne, mais la viande est pourrie ».
Google et d’autres moteurs de recherche utilisent ce concept lorsqu’ils cherchent à comprendre les entités impliquées dans une requête de recherche.
Données. Aujourd’hui, la collecte, le stockage et le partage des données ne sont pas vraiment un problème. Les praticiens utilisant des systèmes hérités peuvent avoir des difficultés à transférer les données de ces anciens systèmes vers une base de données moderne. Mais dans l’ensemble, ce n’est pas un défi de taille.
La technologie. La quantité de puissance de calcul nécessaire pour exécuter des modèles d’IA ou de ML était autrefois prohibitive. Imaginez essayer de faire de la traduction par apprentissage automatique en 1966 par rapport à 2021.
La technologie n’est plus un obstacle à l’utilisation de l’IA-ML pour résoudre de vrais problèmes commerciaux. Photo: Ali Shah Lakani.
J’ai parlé récemment avec Jeff DeVerter, directeur de la technologie chez Rackspace Technology, le fournisseur d’hébergement et de services. Il a déclaré que les chercheurs dans les premières années du développement de l’IA avaient «la vision, mais pas la capacité».
Comparez cela à la situation actuelle, lorsque «quiconque possède un ordinateur, une carte graphique et un GPU décents [graphics processing unit] qui peut décharger une partie du traitement peut non seulement faire fonctionner des modèles ML, mais aussi faire apprendre ces modèles », a déclaré DeVerter.
Un seul ordinateur n’est pas idéal pour appliquer l’apprentissage automatique à, par exemple, une opération de fabrication ou pour rationaliser l’inventaire. Mais le fait que l’apprentissage automatique soit réalisable de la manière décrite par DeVerter indique que la technologie n’est plus un obstacle.
Gens. Historiquement, AI-ML nécessitait des scientifiques spécialisés en données qui étaient en nombre limité. Même lorsque la technologie avait la capacité d’une IA-ML significative, il n’y avait pas assez d’experts pour se généraliser. Mais vers 2021, ce n’est pas le cas.
«Tout d’abord, quiconque a terminé ses études secondaires et a suivi de bons cours de mathématiques au secondaire a la possibilité de suivre des cours pendant six mois ou un an. [from Jeremy Howard of Fast.ai] et devenez un praticien de l’apprentissage automatique et de la science des données », a déclaré DeVerter.
«Il y a beaucoup de scientifiques des données vraiment intelligents, et il existe des modèles d’IA qui aident à gérer une partie de la science dans les coulisses. Vous n’avez pas besoin d’un data scientist pour chaque projet ou certainement pas d’une équipe de data scientists », a poursuivi DeVerter.
Les gens ne sont plus la barrière de l’AI-ML.
AI-ML pour tous
Aujourd’hui, même les petites entreprises de commerce utilisent AI-ML. Il est intégré à de nombreuses ou à la plupart des plates-formes de logiciels en tant que service. AI-ML est également présent dans Google et la plate-forme publicitaire Facebook, à titre d’exemple.
L’étape suivante consiste pour les petites et moyennes entreprises de commerce à utiliser AI-ML pour résoudre des problèmes spécifiques à leur situation.
«AI-ML est accessible à 100% aux plus petites entreprises», a déclaré DeVerter.
Auteur/autrice
