Modèle d’étude de cas de l’IA

Publié le 18 décembre 2017 et mis à jour le 19 décembre 2017 - 12 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 | 25858 lectures

PDF Afficher une version imprimable de cet article     

Reçevez par email les alertes de parution de nouveaux articles :


 

RRR

 
S
S
S
S
S
S
S
img
img
img

Les 12 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 ! 🙂

  • [10] - Philippe Marques a écrit le 24 novembre 2019 :

    Bonjour Olivier,

    Je viens de voir ta demande de use cases.
    Je bosse pas pour Deezer,et ils n’en ont pas fait beaucoup de publicité.
    Leur outil, utilise TensorFlow.
    Ils utilisent le machine learning avec un jeux d’entrainement MUSDB18-HQ

    Ce que fais l’outil, c’est de dissocier les différents instruments dans un morceau musical, tu sais que toutes les fréquences sont mélangées dans un moreceau, même en appliquant les transformées de Fourrier, les transformées en ondelettes etc. c’est extrèmement difficile de dissocier les différents instruments.

    Ce qui était utilisé auparavent, rien de bien probant que je sache.
    J’ai personnellement fait un essai avec un morceau, et c’est assez bluffant.

    https://github.com/deezer/spleeter

  • [11] - Joel Rubino a écrit le 28 novembre 2019 :

    Je vais essayer de remplir le template avec un cas d’IA dans le Edge (industriel)
    Joël




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.

Last posts / derniers articles

Free downloads

Understanding Quantum Technologies 2024, a free 1,554 pages ebook about all quantum technologies (computing, telecommunications, cryptography, sensing):

image

Understanding Quantum Technologies 2024 Short version, a 26 pages version with key takeaways from the eponymous book.

image

The Two-Spin Enigma: From the Helium Atom to Quantum Ontology, a quantum foundations paper coauthored with Philippe Grangier, Alexia Auffèves, Nayla Farouki and Mathias Van den Bossche (paper backstory).
image

Voir aussi la liste complète des publications de ce blog.

Derniers commentaires

“Bravo Olivier! Quel boulot tu m’épates totalement et je t’adresse mes plus sincères félicitations! Je ne suis pas sûr de tout lire car je suis maintenant 100% dans l’art et la poésie et mon seul rapport à la...”
“[…] to Olivier Ezratty, author of Understanding quantum technologies 2023, the challenge for Europe is to position itself outside of where the US and China are likely end up...”
“Désolé, je suis passé à l'anglais en 2021 sans revenir au français. Traduire un tel ouvrage (1366) pages d'une langue à l'autre est un travail herculéen, même avec des outils de traduction automatique. Sachant...”
“Je suis un artiste conceptuel, certes je garde la grande majorité de mon travail dans ma tête par défaut d'un grand mécène. Mon travail de base se situe sur le "mimétisme" qui mène aux itérations et de nombreux...”
“Better than a Harry Potter! Thanks Olivier...”

Abonnement email

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


 

RRR

 
S
S
S
S
S
S
S
img
img
img

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
QFDN
Expo
791 photos
albth
Remise Légion d'Honneur Philippe Herbert Jul2021
2021
15 photos
albth
Vivatech Jun2021
2021
120 photos
albth
Visite C2N Palaiseau Mar2021
2021
17 photos
albth
Annonce Stratégie Quantique C2N Jan2021
2021
137 photos
albth
Maison Bergès Jul2020
2020
54 photos
albth
Grenoble Jul2020
2020
22 photos

image

Avec Marie-Anne Magnac, j'ai lancé #QFDN, l'initiative de valorisation de femmes du numérique par la photo. Elle circule dans différentes manifestations. J'ai réalisé entre 2011 et mi 2023 plus de 800 portraits photographiques de femmes du numérique avec une représentation de tous les métiers du numérique.

Les photos et les bios de ces femmes du numérique sont présentées 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
Gaëlle Rannou
Gaëlle est étudiante à 42 Paris et tutrice de l’équipe pédagogique (en 2021).
flow
Jehanne Dussert
Jehanne est étudiante à l'école 42, membre d'AI For Tomorrow et d'Open Law, le Droit ouvert. Elle est aussi fondatrice de "Comprendre l'endométriose", un chatbot informant sur cette maladie qui touche une personne menstruée sur 10, disponible sur Messenger. #entrepreneuse #juridique #santé
flow
Chloé Hermary
Chloé est fondatrice d'Ada Tech School, une école d'informatique alternative et inclusive dont la mission est de former une nouvelle génération de talents diversifié à avoir un impact sur le monde. #entrepreneuse #formation
flow
Anna Minguzzi
Anna est Directrice de Recherche au CNRS au Laboratoire de Physique et Modélisation des Milieux Condensés (LPMMC) à Grenoble. #quantique
flow
Maeliza Seymour
Maeliza est CEO et co-fondatrice de CodistAI, qui permet de créer une documentation du code informatique par une IA.
flow
Candice Thomas
Candice est ingénieure-chercheuse au CEA-Leti, travaillant sur l’intégration 3D de bits quantiques au sein du projet Quantum Silicon Grenoble. #recherche #quantique
flow
Stéphanie Robinet
Stéphanie dirige un laboratoire de conception intégrée de circuits électroniques du CEA-Leti qui travaille sur des systèmes sur puces intégrés, des interfaces de capteurs, des interfaces de contrôle de qubits et de la gestion intégrée de l'énergie. #recherche #quantique
flow
Sabine Keravel
Sabine est responsable du business development pour l’informatique quantique chez Atos. #quantique #IT
flow
Céline Castadot
Céline est HPC, AI and Quantum strategic project manager chez Atos.
flow
Léa Bresque
Léa est doctorante, en thèse à l'institut Néel du CNRS en thermodynamique quantique, sous la direction d'Alexia Auffèves (en 2021). #quantique #recherche
flow
Emeline Parizel
Emeline est chef de projet web et facilitatrice graphique chez Klee Group, co-fondatrice TEDxMontrouge, gribouilleuse à ses heures perdues, joue dans une troupe de comédie musicale, co-animatrice de meetups et est sensible à l’art et à la culture. #création
flow
Elvira Shishenina
Elvira est Quantum Computing lead chez BMW ainsi que présidente de QuantX, l'association des polytechniciens du quantique. #quantique
flow
Marie-Noëlle Semeria
Marie-Noëlle est Chief Technology Officer pour le Groupe Total après avoir dirigé le CEA-Leti à Grenoble. #recherche
flow
Gwendolyn Garan
Gwendolyn est travailleuse indépendante, Game UX Designer, Game UX Researcher (GUR) et 2D Artist pour le jeu vidéo, étudiante en Master 2 Sciences du Jeu, speaker et Formatrice sur l'autisme et la neurodiversité, l'accessibilité et les systèmes de représentation dans les jeux vidéo. #création #jeuvidéo
flow
Alexandra Ferreol
Alexandra est étudiante d'un bachelor Game Design à L'Institut Supérieur des Arts Appliqués (année scolaire 2019/2020) #création #jeuvidéo
flow
Ann-elfig Turpin
Ann-elfig est étudiante en deuxième année à Lisaa Paris Jeux Vidéos (Technical artist, 3D artiste), année scolaire 2019/2020. #création #jeuvidéo