Contrairement à certaines idées reçues, l'IA n'est pas capable de définir de manière autonome la stratégie d'une organisation. C'est un outil d'automatisation et d'optimisation de la prise de décision opérationnelle. Elle s'appuie sur un objectif stratégique en intégrant toutes les données historiques utiles à des modèles mathématiques pour prendre les meilleures décisions.
Toutes les activités du quotidien d'une entreprise génèrent des données qui permettent de la comprendre, de l'automatiser partiellement et de l'optimiser. Chaque décision est évaluée pour participer à l'optimisation d'indicateurs définis à l'avance : rentabilité d'un dossier financier, évaluée traditionnellement par un analyste, difficulté d'exécution d'un projet par un chef de produit, disponibilité de ressources par un responsable RH, repérage d'un défaut par un expert en qualité textile, etc.
L'annotation, une étape clef de la construction d'un modèle.
Dans le cadre d'un modèle de contrôle qualité dans l’industrie textile, le rejet d'un textile est suscité par la détection d'un ou plusieurs défauts. Un opérateur peut éduquer l'IA en identifiant simplement les textiles à rejeter, mais cette information est difficile à exploiter car les clients ont différents niveaux d'exigence. Elle peut impacter la détection d'un défaut "en général" ou la spécificité d'une commande. L'annotation la plus utile consiste à identifier tous les défauts sur une image, et sélectionner ensuite les défauts qui susciteront un rejet. Si le modèle est performant pour détecter les défauts, seul l'enregistrement du rejet sera utile ; l'opérateur pourra alors enregistrer la décision prise dans le cadre de son travail habituel en améliorant les résultats du logiciel.
Ce processus manuel d'enrichissement des données s'appelle l'annotation : c'est souvent la partie la plus laborieuse d'un projet d'intelligence artificielle, car il est nécessaire de fournir des indications très nombreuses pour augmenter la performance des modèles.
Une annotation peut prendre plusieurs formes, de la simple décision finale à la mise en exergue des informations utiles.
La qualité des annotations est essentielle. Meilleures sont-elles, meilleur est le résultat et plus rapide est la convergence des calculs vers un modèle performant.
L'intelligence artificielle se nourrit de l'expérience de chaque opérateur
En s'appuyant sur son expérience, l'opérateur est la seule personne capable de réaliser efficacement les annotations en quantité suffisante.
Seul, le statisticien n'est pas capable de prendre des décisions opérationnelles efficaces car il ne connaît pas les subtilités de chacun des métiers de l'entreprise. Par exemple, un data-scientist ne sait pas distinguer les défauts des effets d'un tissu dont il faut contrôler la qualité. D'autant plus qu'il s'appuie sur une image isolée quand un opérateur de contrôle qualité peut surveiller directement la surface du tissu. Il ne sait pas non plus interpréter les actions d'un client, pour évaluer le risque qu'il s'en aille : seule l'expérience permet aux commerciaux de comprendre les signaux discrets d'un nouveau comportement.
Au-delà de l'exécution des annotations, les opérateurs ont une connaissance très avancée des opérations qui permet d'accélérer la construction de modèles performants. Si l'on prend le cas de l'amélioration de l'aspect visuel de documents, la définition même de la liste de structures à détecter doit s'appuyer sur l'expérience des opérateurs qui améliorent l'aspect d'un document, car ce sont souvent les seuls à détenir la connaissance exhaustive de ces structures. De même, l'évaluation de la valeur d'un bien immobilier nécessite de discerner les informations utiles à l'intérieur des milliers de documents utiles afin de réduire davantage le bruit et converger plus rapidement.
Négliger ces connaissances au démarrage d'un projet, c'est dépendre de la multiplication des calculs et des annotations pour répliquer l'expertise au moyen de statistiques colossales. C'est l'une des raisons les plus communes de l'échec d'un projet d'intelligence artificielle.
L'annotation est un processus agile
Le travail d'annotation ne s'arrête pas lorsque de premiers modèles sont performants. L'intelligence artificielle se nourrit des données qu'on peut lui fournir - données qui sont historiques par essence - et ne peut garantir les même performances sur les cas nouveaux que l'on ne parvient pas à anticiper. L'apparition d'un nouveau motif ou type de textile nécessite de reprendre l'annotation de défauts sur des exemples ciblés. Les opérateurs sont les premiers témoins de ces changements discrets dans les données : les impliquer permet de réagir plus rapidement pour conserver d'excellentes performances dans le temps.
Plus le travail d'annotation ressemble aux opérations courantes, moins il diminue la productivité d'un opérateur. Mais il faut parfois des détails supplémentaires pour interpréter rapidement les données fournies à l'IA. L'opérateur sensibilisé et régulièrement informé contribue à la décision du niveau d'information à fournir pour accroître rapidement la performance globale du système.
Une collaboration efficace entre opérateurs et data-scientists peut donc diviser par dix le volume d'annotations nécessaires pour obtenir d'excellents modèles, car la valeur de chaque annotation change en fonction de la forme des données et des annotations effectuées par le passé.
En responsabilisant les opérateurs, l'IA transforme l'entreprise
La génération et la consommation d'indicateurs, de rapports, puis de dashboards en temps réel, sont longtemps restées l'apanage d'une élite au sein de l'entreprise : consultants, dirigeants, statisticiens, analystes et plus récemment data-scientists. Il est très facile de faire des erreurs en interprétant les données collectées et générées par une organisation au fil de son activité, et l'accès à ces ressources est donc très contrôlé.
L'intelligence artificielle modifie profondément ce rapport à l'information dans l'entreprise en responsabilisant les opérateurs, qui s'impliquent quotidiennement dans l'annotation sélective des données et des décisions. Les signaux qu'ils interprètent participent à l'amélioration des décisions opérationnelles et de la productivité de tous les services, à condition qu'ils soient traités de manière synchronisée et évolutive. Au terme d'un projet d'IA, on constate que de nombreux opérateurs sont en mesure de mieux comprendre leur rôle au sein de l'entreprise et les enjeux de leurs décisions.
Si le nombre d'opérateurs nécessaire pour gérer un volume d'activité constant est plus faible grâce à l'IA, la vocation des data-scientists n'est pas de remplacer les services complets d'une entreprise. L'IA responsabilise tous les participants à l'entreprise, engage la discussion et encourage l'analyse régulière des performances à tous les niveaux. Elle invite chacun à prendre une décision opérationnelle avec le souci d'optimiser la productivité. L'entreprise qui intègre ce nouveau mode de fonctionnement sera la première à croître et nous faisons le pari que les opérateurs seront plus impliqués pour assurer sa croissance.