IA 2030 : À quoi peut-on s’attendre et cinq domaines à explorer

Andrew Moore est responsable IA chez Google Cloud et ancien doyen de la Carnegie Mellon School of Engineering à Pittsburgh, où il a travaillé sur les grandes interrogations de l'IA pendant plus de 20 ans. Il nous livre dans cet article sa vision de ce à quoi nous pouvons nous attendre au cours des dix prochaines années. 

Quand on me demande à quoi ressemblera l'IA dans un avenir proche, je réponds souvent par l'exemple théorique suivant :

Supposons que vous soyez sur le point de partir en voyage d'affaires et que vous décidiez à la dernière minute d'emmener votre enfant faire du tourisme. Organiser ce déplacement implique tellement de tâches logistiques aujourd’hui que vous auriez presque besoin d'un assistant pour vous aider.

Mais bientôt, vous pourrez obtenir le même résultat en dialoguant simplement avec un appareil à proximité : 

• Hey, assistant personnel, connecte-moi avec Sunflower Airlines

• Bien sûr, Andrew

• Bonjour, ici l'IA de Sunflower. Ravie de vous parler, Andrew. C'est à propos de votre vol pour Bournemouth demain ?

• Oui, je voudrais emmener Joey avec moi

• Bien. Je vais voir comment organiser cela. Ai-je la permission de consulter l'IA de votre hôtel et de votre agence de voiture de location ?

• Bien sûr.

(Neuf secondes plus tard)

• OK, nous avons une solution. Vous devrez payer un supplément de 340 $ en tout. Nous avons fait en sorte que vous soyez assis côte à côte sur tous les vols et nous avons changé votre chambre d’hôtel. Votre voiture n’a pas besoin d’être changée mais nous nous sommes assurés qu’elle dispose d’un siège pour enfant. Est-ce que cela vous convient ?

• Oui, merci.

• De rien. Souhaitez-vous qu’on aborde les options touristiques plus tard quand vous serez dans le taxi ?

Il s’agit bien entendu d’un exemple théorique et en aucun cas de la roadmap d’un nouveau service développé par Google ou tout autre fournisseur. Mais la projection est tout à fait réaliste et illustre parfaitement l’orientation que pourraient prendre bientôt les technologies IA, pour offrir à tous des services de conciergerie jusqu’ici réservés à une minorité.

Afin de se préparer à cet avenir où l’IA sera omniprésente et utile à tous, les dirigeants d’entreprise devraient d’ores et déjà commencer à imaginer des cas d’usage comme celui que je viens d’évoquer. Ils devraient réfléchir aux implications de tels services en termes d’expériences utilisateur et de réponses aux attentes de leurs clients. Ils devraient également se demander comment les usages basiques de l’IA aujourd’hui convergeront à l’avenir pour donner naissance à des imbrications toujours plus complexes, masquées derrière des interfaces simples pour les utilisateurs. Et, surtout, ils devraient anticiper l’agilité informatique dont ils vont avoir besoin pour s’adapter à ce futur (comme tout autre futur régenté par une disruption technologique continue).

Dans cette perspective, je tiens à souligner un point particulièrement important : la gestion du dialogue - autrement dit la capacité des machines à comprendre les demandes et à y répondre - n'est pas la partie la plus difficile. Nous savons déjà gérer ces problématiques avec des services tels que Contact Center AI. La véritable difficulté réside dans les capacités de prise de décision et d'action dont une IA aura besoin instantanément :
1) comprendre le contexte d'une requête ;
2) réagir habillement en conséquence ;
3) fournir un service à moindre coût avec un impact carbone minimal.
Nous résumerons ce rôle de l'IA à une résolution d’un ensemble de problèmes.

Convergence des cas d’usage de l’IA vers la résolution de problèmes 

La gestion d’horaires et de réservations n'est que la partie émergée de l'iceberg dans notre exemple de départ. Pour avoir une vue d’ensemble des possibilités offertes par l’IA du futur, il faut savoir que dans notre exemple, beaucoup d’IA sont impliquées. Mais elles sont structurées autour du thème central de la compréhension des besoins de l'utilisateur final et du découpage de ces besoins en multiples requêtes gérées par les systèmes transactionnels sous-jacents.

L'idée d'utiliser l'IA pour transformer des données audio en texte n'est pas nouvelle. Mais l'IA conversationnelle va beaucoup plus loin : elle transcrit non seulement avec précision les mots prononcés mais interprète également leur sens. Outre les technologies vocales utilisées dans le domaine de l’IA conversationnelle, l’exemple des moteurs de recherche illustre parfaitement le concept. Autrefois, on faisait correspondre les mots des requêtes avec les mots des pages web. Bien meilleurs, les modèles utilisés aujourd’hui sont capables de comprendre l'intention d'une requête et de diagnostiquer ce dont l'utilisateur final a réellement besoin. Éventuellement, ils peuvent même formaliser des questions complémentaires pour aider l’utilisateur quand celui-ci ne sait pas exactement de quoi il a besoin.

La transcription précise du discours en énoncé de problèmes favorise un modèle d'interaction intuitif et sans couture, dans lequel les gens n'ont pas besoin d'apprendre une série d'étapes ou d'utiliser des commandes prédéfinies pour obtenir les résultats souhaités. Ces technologies permettent également de faire abstraction de la complexité croissante sous-jacente, à savoir la transmission des commandes vocales à d’autres IA, une transmission bien évidemment invisible pour l’utilisateur final.

À titre d’exemple, pour gérer une demande simple du type « Est-ce que je pourrai passer à la pharmacie pour prendre mes médicaments après le travail ? », l’IA doit lancer une série de tâches en quasi simultanéité. Elle commence par établir des liens entre les mots ou les phrases prononcés et un graphe de connaissances constitué d'objets et d'informations du monde réel : quelle pharmacie spécifique l'utilisateur souhaite, quels sont les horaires de la pharmacie, combien de temps il faut pour s'y rendre si l'utilisateur quitte le travail à l'heure habituelle, etc. De même, si quelqu'un demande « Quel est ce film à suspense qui se déroule à San Francisco et dont le personnage principal porte une robe verte ? », l'IA frontale pourrait passer le relais à une IA de résolution de problèmes qui évalue les descriptions et les critiques de films ou qui exploite l'IA de vision pour analyser les images des films.

Dans tous ces scénarios, le "solutionneur de problèmes" repose sur une technologie d'IA fondamentale à laquelle d'autres IA sont rattachées, ce qui permet de conserver une expérience utilisateur simple, même quand les cas d'utilisation gagnent en complexité et en envergure. Il n’est pas bien difficile d’imaginer d’autres “agents IA” qui ne seraient pas simplement des “concierges” - comme dans les exemples ci-dessus - mais davantage des “sauveteurs” (en coordonnant les actions des secouristes après un appel aux urgences) ou encore des “découvreurs de sens” (se transformant en chercheurs capables d'analyser et interpréter d’immenses ensembles de données structurées et non structurées).

Investir dans un futur à base d’IA

La résolution de problèmes par l’IA est un domaine qui évolue rapidement, tout comme les technologies qui permettent aujourd'hui - et plus encore demain - aux interfaces conversationnelles de transformer en profondeur les interactions entre l'homme et la machine. Les entreprises ont tout intérêt à commencer dès aujourd’hui à se pencher sur le sujet, faute de quoi elles risquent d’être dépassées quand ce futur animé par l’IA se concrétisera.

Comme le suggère cet article, la maîtrise de l'IA conversationnelle et des connexions aux backends est essentielle. C’est une considération majeure que les entreprises doivent prendre en compte dans leur stratégie, en y ajoutant le potentiel de transformer cette maitrise en cas d’usages diversifiés et utiles.

Pour préparer votre entreprise, je vous recommande de donner la priorité aux points suivants :

Axer la recherche IA sur les cas d’usage

La recherche est de loin la dépense la plus importante dans le développement de modèles d'IA utiles et durables. Elle implique non seulement le coût de la conception et de la construction de l'infrastructure, mais aussi les exigences liées à l'entraînement des modèles, qu’il s’agisse de gagner en précision ou d’éviter les biais. À cela, il faut encore ajouter le coût de transformation d’expériences technologiques abstraites en réels services d’entreprise. 

La recherche pure qui ne tient pas compte des potentiels usages dans le monde réel équivaut souvent à gaspiller de l’argent pour rien. Inversement, le développement axé produit sans vérification par la recherche a peu de chances de produire des modèles nets et précis qui soient utiles à long terme. De fait, les investissements les plus rentables – en temps et en ressources – sont ceux qui privilégient une recherche axée sur les problèmes les plus courants de vos clients.

Alors que les entreprises continuent d'adopter l'IA comme un élément essentiel de leur mode de fonctionnement, elles doivent se préparer à ces investissements massifs ou opter pour des fournisseurs de technologies ayant des pratiques de recherche robustes qui pourront les aider à se maintenir à la pointe du progrès. 

Cohérence et interopérabilité des données

Même si l'IA peut comprendre le langage et le relier au monde réel, sa perspicacité et ses solutions dépendent souvent de données éparpillées dans différentes sources cachées ou silotées. En d’autres termes, l’unification et le nettoyage des données sont une condition préalable à l’exploitation de l'IA. 

Une IA « solutionneuse de problèmes » peut tirer avantage de données disparates et en tirer des enseignements plus riches. Les personnes qui ont, au départ, cloisonné les informations n'ont pas tenu compte des relations potentielles que l’IA peut, elle, découvrir. L'apprentissage automatique ne souffre pas de tels biais préexistants. Une entreprise peut construire les fondations d’une gestion des données sans construire d'IA, mais personne ne peut construire une IA utile sans investir fortement dans son substrat de données.

Une IA responsable et explicable

Une IA utile est une IA rentable et durable qui permet d’améliorer l'expérience de vos utilisateurs. Mais cette amélioration de l’expérience peut engendrer de nouveaux risques : ces améliorations perçues peuvent avoir de multiples effets de bord affectant de manière disproportionnée certaines populations de clients. Personne ne veut lancer une IA qui, en pratique, – bien que cela ne soit nullement le but recherché - porte atteinte aux populations vulnérables. Outre la question morale, un nombre croissant de réglementations stipulent aujourd’hui que les systèmes IA doivent être testés pour détecter leurs éventuels biais.

C’est pourquoi les entreprises doivent travailler leur capacité à diagnostiquer le comportement d'une IA dès la phase de conception, et non après coup. Je constate que dans un nombre croissant d'applications IA impliquant des décisions au nom des utilisateurs finaux, mes ingénieurs et moi-même abandonnons les algorithmes en "boîte noire" tels que les réseaux neuronaux en faveur des nouvelles générations de modèles prédictifs qui peuvent être beaucoup plus facilement interprétés par des ingénieurs ML humains formés.

Les pratiques IA durables impliquent des cycles vertueux et continus. Des données sont nécessaires pour créer des modèles IA mais ces modèles génèrent leurs propres données qui doivent ensuite être réinjectées dans les recherches futures. De même, pour perfectionner des modèles, de nouvelles sources de données peuvent être amenées à remplacer les anciennes en raison de diverses perturbations (comme les changements macroéconomiques au cours de COVID-19 qui ont rendu la plupart des données pré-pandémiques inutiles pour les projections). Et ainsi de suite... 

Sans insights (informations) sur le fonctionnement des modèles et les itérations effectuées dans le temps et en l’absence de framework pour agir en fonction de ses insights et conformer les données sous-jacentes, les organisations auront du mal à transformer leurs investissements IA en actifs business viables à long terme.

Démocratisation

La capacité d'injecter de l'IA dans les flux de travail ou de comprendre les outils IA ne peut être limitée à ceux qui ont des compétences en datascience et en programmation : l’IA doit être accessible à tous.
Pour y parvenir, il faut des outils qui utilisent des interfaces plus simples masquant la complexité intrinsèque de l’IA. Les solutions no-code et les API telles que Google Cloud Speech API facilitent en partie l’appropriation des IA. Mais il faut aller plus loin en simplifiant les pratiques de la recherche en IA tout en investissant dans une IA responsable et explicable. Sans acculturation au sein de l’entreprise, les outils déployés n'aident qu'un nombre réduit de personnes et n'ont qu'une portée limitée.

Multicloud

L'IA devient « scalable » lorsqu'elle peut être répliquée sans restriction sur plusieurs clouds ou lorsqu’elle profite de la combinaison des technologies de différents fournisseurs de cloud et de vos propres projets en interne.

Si votre entreprise est liée à un seul fournisseur, toute la propriété intellectuelle que votre organisation développe (les modèles IA ou ML, les analyses, les processus, les règles, les applications et même la base de données) est verrouillée et dépendante de l'infrastructure et des services de votre fournisseur de cloud. Il est alors extrêmement difficile de faire migrer votre propriété intellectuelle d'un fournisseur à un autre. Adopter dès le départ une approche hybride et multicloud peut s'avérer vital pour le succès à long terme de votre stratégie et de vos investissements en matière d'IA.

L'avenir de l'IA se construit maintenant

Fort d’une trentaine d’années d’expérience dans le domaine de l’IA, je ne peux que constater que nous vivons actuellement un des moments les plus passionnants, tant du point de vue de l’interaction avec les machines que de la variété des tâches que nous sommes aujourd’hui en mesure de leur confier. 

Cette évolution est possible parce que de nombreuses technologies IA sont en train de converger vers des points d'entrée uniques, comme l'IA conversationnelle, pour exécuter des tâches de plus en plus sophistiquées et élaborées sur la base de requêtes utilisateur de plus en plus naturelles et intuitives.