Modèle d’étude de cas de l’IA

Publié le 18 décembre 2017 et mis à jour le 19 décembre 2017 - 9 commentaires -
PDF Afficher une version imprimable de cet article

L’IA est un sujet relativement nouveau dans l’actualité des entreprises. C’est même “le” sujet le plus à la mode, après les vagues du cloud, de la mobilité et de la transformation digitale multiforme. Il génère son lot d’IA washing, un phénomène aux contours flous où de nombreux éditeurs de logiciels et startups habillent d’IA leurs solutions. Très souvent, cette appellation correspond à un usage d’une ou plusieurs techniques d’IA qui ne sont malheureusement pas toujours précisées. Les briques technologiques de ces solutions sont soit externes soit internes à la société. Il n’y a pas de mal à ce qu’elles soient externes car on ne reprochera pas à une startup de ne pas réinventer la roue.

Vu des clients, il est critique d’accéder à des études de cas de ces fournisseurs, histoire d’évaluer l’intérêt de lancer tel ou tel projet d’IA dans son entreprise. J’avais évoqué la question du “benchmark de l’IA” dans un post en mai 2017.

Nous avons grandement besoin de formalisme pour décrire les études de cas. Cela permet par exemple d’éviter les déclarations enflammées relayées par les médias et qui ne sont étayées par rien du tout. Comme l’exemple ci-dessous où l’on apprend qu’au Japon, une IA a été battue de justesse par des créatifs humains dans une agence de communication (source). Mais pas moyen de mettre la main sur les méthodes employées et sur les réponses des créatifs et de l’IA ! Ni, bien entendu, sur les techniques employées ! On ne voit que des clips vidéos produits par une IA et par des créatifs humains.

Voici donc une proposition de modèle de documentation d’étude de cas de projet intégrant de l’IA. C’est un modèle extensif qui sera probablement rarement complètement rempli. Peu d’entreprises ont envie de documenter leurs projets avec ce niveau de détails. Mais ces études de cas peuvent être réalisées par certains éditeurs pour des projets présentés “behind closed doors”. J’ai notamment pu le constater dans une présentation de Justine Baron de Recast.ai (solution de création de chatbots) lors du séminaire Intelligence Artificielle organisé par Frenchweb lors du Cristal Festival de Courchevel les 14 et 15 décembre 2017. Lors de ce séminaire d’un jour et demi, je faisais un tour d’horizon assez large des techniques et usages de l’IA.

Qu’est-ce qui est spécifique à l’IA dans ce modèle ? C’est ce qui est en bleu ci-dessous.

Société cliente

  • Secteur d’activité.
  • Taille de l’entreprise. Bien préciser la taille de l’entité couverte par la solution. “Total” ou “Orange” n’est pas assez précis. On est souvent trompé par les études de cas qui ne précisent pas leur portée dans une très grande entreprise. Très souvent, les projets n’en concernent qu’une toute petite entité.
  • Lieu, ce qui intéressant dans le cas de déploiements internationaux.

Solution

  • Description métier du besoin et de la solution. Comment faisait-on avant ? Quelles techniques classiques étaient utilisées ? Quels étaient les surcouts engendrés par l’existant ?
  • Description technique de la solution. Quelles techniques d’IA intègre-t-elle : de l’IA symbolique (système expert, moteur de règle, logique floue), du machine learning, des réseaux de neurones simples, du deep learning, des réseaux convolutionnels, des réseaux récurrents ou à mémoire, des techniques de traitement du langage.
  • Copies d’écrans de la solution, vue de l’utilisateur. L’interface utilisateur d’une solution logicielle est aussi importante que sa fonction !
  • Schémas fonctionnels, un diagramme des flux des données avec leurs sources étant indiqué.

Données

  • Nature, volume, origine et coût des données d’entrainement puis de production. Quels capteurs les ont générées (logs Internet, objets connectés, …). Quelles données sont d’origine interne et externe à l’entreprise ? Quelles données exploitées relèvent de l’open data. Quelles sont leurs conditions d’obtention commerciales ou en open data ?
  • Fréquence de la mise à jour opérationnelle des données. Comment le modèle est-il réentrainé avec l’arrivée de nouvelles données ?
  • Taux d’erreur mesuré de la solution si applicable. Ce taux est mesuré après l’entrainement du système d’IA si celui-ci utilise du machine learning ou du deep learning.
  • Anonymisation des données exploitées le cas échéant. Est-ce que les données qui alimentent le machine learning ou le deep learning sont bien anonymisées. Normalement, c’est toujours le cas.
  • Vidéo avec témoignage et démonstration, le cas échéant.

Fournisseurs

  • Technologies. Au sens : logiciels de base (TensorFlow), d’infrastructure (Spark, Hadoop), progiciels divers et autres.
  • Prestataires de services. En indiquant leur apport dans le projet.
  • Ressources en cloud si pertinent. Et notamment, si des processeurs spécialisés (GPU ou neuromorphiques) sont utilisés, notamment pour l’entrainement d’un modèle de deep learning.

Dates

  • Début du projet.
  • Date des premiers tests opérationnels. Ce que l’on appelle un “PoC”, pour proof of concept.
  • Date de la mise en production. Et portée de la mise en production en nombre d’utilisateurs.

Economie

  • Coût du projet. Ressources humaines consommées en interne et en externe pour créer la solution. Types de compétences : développeurs, data-scientists, etc.
  • Durée d’entrainement des modèles, dans le cas de solutions à base de deep learning.
  • Nombre d’utilisateurs de la solution. Aujourd’hui et demain.
  • Retour sur investissement. C’est la partie la plus difficile à mesurer sur de nombreux projets. Il faut pouvoir y intégrer l’ensemble des coûts relatifs au projet, y compris la formation des utilisateurs.
  • Validation du projet au regard de la RGPD, la Règlementation Générale de la Protection des Données européenne qui entre en vigueur le 25 mai 2018.

J’ai aussi proposé le modèle à l’équipe du Hub#FranceAI dans le cadre de ses activités de formation des entreprises.

Est-ce complet ? Que manque-t-il à un tel modèle ?

Un volontaire pour créer une première étude de cas entièrement documentée ? Je la publierai volontiers dans ces colonnes !

RRR

 
S
S
S
S
S
S
S
img
img
img

Publié le 18 décembre 2017 et mis à jour le 19 décembre 2017 Post de | Intelligence artificielle | 15701 lectures

PDF Afficher une version imprimable de cet article          

Reçevez par email les alertes de parution de nouveaux articles :

Les 9 commentaires et tweets sur “Modèle d’étude de cas de l’IA” :

  • [1] - J-Philippe Déranlot (@efficaciTIC) a écrit sur Twitter le 18 décembre 2017 :

    “Modèle d’étude de cas de l’ #iA ” de @olivez sur https://t.co/sBQhgz7qiQ pour @AssoPascaline @CINOV_IT @Lionelhovsepian @iconomie

  • [2] - Benoît Beaucourt (@BenoitBeaucourt) a écrit sur Twitter le 19 décembre 2017 :

    @olivez #proposition de #modèle d’#étudedecas sur l’#IA
    #Intelligence #Artificielle  https://t.co/FoBs6ngm91

  • [3] - Christophe Tricot (@ctricot) a écrit sur Twitter le 20 décembre 2017 :

    Modèle d’étude de cas de l’IA: une bonne trame pour les études de cas https://t.co/bPcqQ2BJqG

  • [4] - Côme Chatagnon a écrit le 20 décembre 2017 :

    Bonjour Olivier,

    Toujours un plaisir et un enrichissement de lire vos articles.

    Dans une étude de cas IA, je rajouterais néanmoins une matrice d’impacts (dont l’humain, trop souvent oublié).
    Identifier l’ensemble des répercussions sur la chaîne de valeur de l’entreprise est nécessaire avant l’implémentation et requiert des compétences et une expérience en IA non négligeables.

    Egalement, les projets IA que nous menons ont des impacts humains généralement plus forts que les projets de transformation plus “traditionnels”. Un point important à prendre en compte.

  • [5] - Olivier Ezratty a écrit le 21 décembre 2017 :

    Intéressant. Sachant cependant qu’une étude de cas n’est pas une thèse de doctorat en économie ou en sciences sociales !

  • [6] - Côme Chatagnon a écrit le 22 décembre 2017 :

    Bien entendu !
    Cependant la matrice d’impacts peut être assez rapidement complétée avec de l’expérience dans les projets IA et une bonne connaissance des métiers de l’entreprise.
    Comme vous le disiez très justement dans votre livre sur l’usage de l’IA : l’intelligence artificielle peut faire peur (syndrome de Frankenstein, disparition des emplois…). Il faut alors accompagner les entreprises et leur faire comprendre que loin de faire disparaître des postes, l’IA transforme (notion “d’augmenté”) et crée des nouveaux besoins humains.
    Bref, je pense que comme dans tout projet, l’entreprise est intéressée non seulement par la solution (très bien découpée dans votre article), mais également – et de plus en plus – par les conséquences (en particulier RH, culture d’entreprise…) sur l’ensemble de la chaîne de valeur de l’entreprise. On est là sur un grand débat : tsunami technologique, culture d’entreprise, humain vs IA… comment garder le juste milieu? (un nouvel article peut être?)

    Je vais m’essayer à votre proposition de modèle en y ajoutant la dimension impact que je décris, et vous ferais un retour quand j’aurai quelque chose de satisfaisant ! 😉

  • [7] - Stanislas Segard (@El_Stanou) a écrit sur Twitter le 9 janvier 2018 :

    Ready to share a case study on AI? here is the template https://t.co/DfX0ziqWot

  • [8] - Luc a écrit le 3 avril 2018 :

    Cher Olivier,

    Après la lecture très intéressante de la critique du Rapport Villani, il me semble que cette initiative de structuration des études de cas doive être mise à jour avec 2 aspects :
    > La contribution d’un cas à l’amélioration des capacités françaises en termes d’IA (ce que l’on a indirectement dans les moyens utilisés)
    > Un sujet qui me semble crucial : l’absence de biais ou de renforcement de biais dans les dataset d’entraînement et les algorithmes. Je travaille sur une méthode d’évaluation et de correction de ces biais, tout retour pourra l’alimenter et aller ainsi au-delà de la bienveillante “éthique”.

    Luc

    • [8.1] - Olivier Ezratty a répondu le 3 avril 2018 :

      Merci pour cet input.

      Le premier point serait optionnel car nombre d’études de cas peuvent provenir d’acteurs étrangers, soit à l’étranger, soit réalisées en France.

      Le second point est intéressant en effet.

      Sachant que pour l’instant, les études de cas courantes sont extrêmement mal documentées et que mon template d’origine relève déjà de la science fiction dans le marketing des principaux fournisseurs ! 🙂




Ajouter un commentaire

Vous pouvez utiliser ces tags dans vos commentaires :<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong> , sachant qu'une prévisualisation de votre commentaire est disponible en bas de page après le captcha.

Captcha

Pour valider votre commentaire, veuillez saisir les lettres ci-dessus et cliquer sur le bouton Publier le commentaire ci-dessus.


Derniers articles

Derniers albums photos

Depuis juillet 2014, mes photos sont maintenant intégrées dans ce site sous la forme d'albums consultables dans le plugin "Photo-Folders". Voici les derniers albums publiés ou mis à jour. Cliquez sur les vignettes pour accéder aux albums.
albth
Mondial Auto et CES Unveiled Oct2018
2018
239 photos
albth
France Digitale Day Sept2018
2018
26 photos
albth
Universités d'Eté du MEDEF Aug2018
2018
37 photos
albth
L'Echappée Volée Jul2018
2018
297 photos
albth
Nouveaux portraits
Expo
511 photos
albth
Lancement Fondation Femmes Numériques Jun2018
2018
112 photos
albth
USI Jun2018
2018
195 photos

Téléchargements gratuits

Le Guide des Startups, mis à jour chaque année au printemps, avec la somme la plus complète et actualisée d'informations pour lancer et faire vivre votre startup :

image

Le Rapport du CES de Las Vegas, publié chaque année en janvier depuis 2006. Vous souhaitez une restitution personnalisée et un point de veille du marché pour votre organisation ? Contactez-moi.

CouvertureRapportCES

L'ebook Les usages de l'intelligence artificielle, octobre 2017 (362 pages)

CouvertureAvanceesIA

Voir aussi la liste complète des publications de ce blog.

image

Avec Marie-Anne Magnac, j'ai lancé #QFDN, l'initiative de valorisation de femmes du numérique par la photo. Installée depuis début octobre 2015 au Hub de Bpirance à Paris, elle circule dans différentes manifestations. L'initiative rassemble plus de 650 femmes du numérique (en juillet 2017) et elle s'enrichi en continu. Tous les métiers du numérique y sont représentés.

Les photos et les bios de ces femmes du numérique sont présentés au complet sur le site QFDN ! Vous pouvez aussi visualiser les derniers portraits publiés sur mon propre site photo. Et ci-dessous, les 16 derniers par date de prise de vue, les vignettes étant cliquables.
flow
Elise de Préville
Elise est consultante en Data Privacy et Cyber sécurité chez KPMG.
flow
Aroussia Maadi (Orange)
Aroussia est team Manager chez Orange, en charge d'une équipe de spécialistes en bases de données à la DSI d''Orange. Elle accompagne les applications du SI dans la construction d'architectures de bases de données et assure le maintien en conditions opérationnelles des plateformes. Elle est aussi investie dans la société civile, pour l'empowerment des femmes, en particulier en Afrique.
flow
Amina Maïza
Amina est ingénieure études et développement en Java/JEE chez Vizeo Technologies.
flow
Maud Franca (CDC)
Maud est Directrice Adjointe du Programme des Investissements d’Avenir en charge de l’économie numérique, Banque des Territoires, Groupe Caisse des dépôts (CDC). Membre de la cellule nationale French Tech, mentor et aux boards de startups.
flow
Chloé-Agathe Azencott
Chloé-Agathe est chargée de recherche au Centre de Bioinformatique de MINES ParisTech et de l'Institut Curie. Cofondatrice de la branche parisienne du meetup Women in Machine Learning and Data Science.
flow
Béatrice Moulin et Clara Deletraz (Switch Collective)
Béatrice et Clara sont cofondatrices de la startup Switch Collective.
flow
Laurence Devillers
Laurence est chercheur et Professeur en Intelligence Artificielle à Sorbonne Université/LIMSI-CNRS, équipe de recherche "Dimensions affectives et sociales dans les interactions parlées". Membre du comité de réflexion sur l’éthique du numérique (CERNA) d’Allistène, Auteure de « Des Robots et des Hommes : mythes, fantasmes et réalité », Plon 2017.
flow
Sophie Viger
Sophie est Directrice de la Web@cadémie, de la Coding Academy by Epitech et directrice pédagogique du Samsung Campus.
flow
Laura Jacquemod
Laura est consultante digitale au sein de Nexworld, accompagnant notamment ses clients dans l'intégration d'Intelligence Artificielle, comme dans un chatbot.
flow
Anais Barut (Damae Medical)
Anaïs est co-fondatrice et présidente de DAMAE Medical, elle est en charge de la stratégie globale de la société ainsi que des problématiques marketing et financières. La startup développe un dispositif médical permettant au dermatologue au sein même de son cabinet d’acquérir des images d’anomalies de la peau, en profondeur, de manière non invasive. #entrepreneuse
flow
Virginie Mathivet
Virginie est ingénieure en innovation spécialisée en Intelligence Artificielle (IA) et objets connectés (IoT), chargée de Recherche et Développement dans l’équipe innovation de TeamWork (InTW’IT), société de services du numérique.
flow
Catherine Bocquet
Catherine est fondatrice et dirigeante de SFI, une ESN de 25 personnes. Aussi co-présidente de Digital League, Cluster des entreprises du numérique en Auvergne Rhône-Alpes. Membre de l’association Femmes & Business et du Pôle Femmes à la CPME Loire. #entrepreneuse
flow
Nicole Sgro
Nicole est co-fondatrice et présidente de la société Fingerprint Technologies, opérateur télécom et intégrateur de services numériques hébergés, membre du cluster numérique Digital League. #entrepreneuse
flow
Frédérique Segond
Frédérique est Directrice de l'Innovation et des Partenariats pour l'Université Grenoble Alpes, Professeur Associée à l'Institut National des Langues et des Cultures Orientales, à Paris, où elle enseigne la représentation des connaissances. Co fondatrice et Présidente de l'Association ScientiMix pour promouvoir la mixité dans les Sciences et les technologies.
flow
Sonia Mokhtar
Sonia est chercheuse au CNRS en informatique au Laboratoire d'Informatique en Image et Systèmes d'Information (LIRIS). Responsable de l'équipe de recherche DRIM: Distribution, Recherche d'Information et Mobilité. Spécialiste des systèmes distribués et de la protection des données personnelles.
flow
Nathalie Mancuso
Nathalie est Directrice Générale du site de e-commerce Wanimo.com, une animalerie en ligne 100% française.

Derniers commentaires

“Article très intéressant. Tout comme Nora, je me demande aussi quelle est la place de senior dans cette évolution? Surtout les seniors qui sont à la recherche d'emploi. Mais aussi pour les seniors qui occupent des...”
“L’Europe et le quantique, par @olivez En quelques jours, la Commission Européenne a annoncé le financement de 22 p…...”
“Une synthèse très utile des résultats des études sur l'impact de l'#AI sur l'emploi. Le futur n'est pas clair mais…...”
“En effet, mon upload d'hier n'a visiblement pas été jusqu'au bout. C'est corrigé !...”
“Merci Oliver pour le contenu et l'effort fourni. Je viens de découvrir votre blog après votre intervention hier sur le live TV de l’expérience18 de Microsoft. Sauf erreur de ma part le fichier pdf de "ebook pour...”

Abonnement email

Pour recevoir par email les alertes de parution de nouveaux articles :


 

RRR

 
S
S
S
S
S
S
S
img
img
img

Catégories

Tags


Voyages

Voici les compte-rendu de divers voyages d'études où j'ai notamment pu découvrir les écosystèmes d'innovation dans le numérique de ces différents pays :

Evénements

J'interviens dans de nombreuses conférences, événements, et aussi dans les entreprises. Quelques exemples d'interventions sont évoqués ici. De nombreuses vidéos de mes interventions en conférence sont également disponibles sur YouTube.