Deep learning: l'intelligence artificielle fait du business

Vivrons-nous bientôt dans le monde d' Iron Man? C'est en tout cas le défi que s'est lancé Mark Zuckerberg sur son profil Facebook le 3 janvier dernier. Chaque année, le fondateur du célèbre réseau social se lance un challenge comme apprendre le mandarin, lire deux livres par mois ou rencontrer une nouvelle personne chaque jour. Pour 2016, il a annoncé vouloir construire une intelligence artificielle, similaire à Jarvis dans Iron Man , capable de gérer sa domotique et de l'assister dans son travail. "Je lui apprendrai à comprendre ma voix pour contrôler toute ma maison - musique, lumière, température ; à laisser mes amis rentrer chez moi en reconnaissant leur visage quand ils sonnent à la porte. Et dans mon travail, elle m'aidera à visualiser les données en réalité virtuelle pour développer de meilleurs services et diriger plus efficacement mon entreprise", a-t-il ainsi publié.

Des machines intelligentes

Toutes ces fonctionnalités, aussi avancées semblent-elles, sont aujourd'hui parfaitement accessibles grâce au deep learning. Cette méthode permet d'entraîner des machines, plutôt que de les programmer directement, à faire des tâches typiquement attribuées aux animaux et aux humains. S'il est par exemple très difficile de définir, dans un programme informatique, à quoi ressemble une chaise et de le transcrire par une suite d'instructions lisibles pour un ordinateur, le deep learning permet "d'apprendre" à la machine à reconnaître cette chaise sur une image, dans un film ou dans la réalité.

En juin 2012, Google a ainsi réalisé une expérience inédite où un réseau de 16 000 processeurs, organisés pour reproduire le fonctionnement neuronal du cerveau humain, a reconnu, après avoir étudié dix millions d'images numériques, un chat. L'identification d'un visage, la transcription de la parole ou le traitement des données sont donc autant d'applications déjà effectives. Et cela n'est pas près de s'arrêter. En 2013, Mark Zuckerberg a débauché en personne un des pères de la méthode, le Français Yann LeCun, pour diriger son laboratoire de recherche en intelligence artificielle. Car Facebook, comme les autres géants américains du digital, s'est emparé de cette technologie pour développer des applications.

Des applications déjà concrètes

Le réseau social, par exemple, l'a exploité pour son application DeepFace de reconnaissance faciale. Grâce à sa galerie photo en ligne, la plus importante du monde, elle est capable d'identifier les personnes présentes sur une photo, avec un taux de réussite de 97,25 % - soit quasiment le même qu'un humain qui, selon les chercheurs de Facebook, atteint 97,53 %. L'objectif? Améliorer la précision de ses recommandations lorsqu'un membre "tague" ses amis sur une photo partagée.

Autre mastodonte du secteur à se pencher sur le sujet : Microsoft. En combinant reconnaissance vocale et interprétation de texte, il a mis au point un système de traduction instantanée de conversation. En 2012, la présentation du directeur de Microsoft Research à Tianji, en Chine, était retranscrite sur écran via ce logiciel de reconnaissance vocale, traduite en mandarin par écrit, puis retransmise à l'oral par synthèse vocale. Le tout quasiment instantanément. Depuis, la technologie, baptisée Skype Translator, s'est améliorée. La dernière version, disponible depuis octobre, traduit en temps réel une conversation orale en six langues, et à l'écrit en 50 langues.

Comme eux, Google, Amazon, Baidu et bien d'autres s'en sont également emparés pour améliorer, notamment, leurs systèmes de recommandations. "C'est aujourd'hui la principale utilisation du deep learning. Qu'il s'agisse de proposer des produits supplémentaires en fonction de vos achats ou les meilleurs résultats quand vous effectuez une recherche, on a désormais la capacité de très bien capter les besoins individuels", souligne Nikos Paragios, professeur d'informatique et de mathématiques appliquées à l'École centrale Paris.

Des systèmes prédictifs plus fins

L'idée: chercher, grâce aux machines, des corrélations invisibles pour l'homme, afin de donner de la valeur aux données. "Ces dernières sont aujourd'hui très structurées et sont générées par les utilisateurs. Les opportunités du deep learning viennent du croisement de ces données variées et issues de multiples sources. On ne recherche plus dans un système les solutions existantes et préprogrammées, on crée la meilleure solution", avance Guillaume Chevillon, professeur d'économétrie et de statistiques de l'Essec Business School. "Le deep learning est en effet considéré aujourd'hui comme la méthode la plus efficace pour traiter un grand nombre de données et aboutir aux meilleures prédictions", assure Nikos Paragios.

Il est ainsi possible, pour un service clients, de répondre automatiquement et de manière intelligente aux questions des clients posées en ligne via l'apprentissage de l'historique d'un SAV. Ou, dans le marketing, d'analyser les réseaux sociaux pour prédire la combinaison idéale de contenus, textes et images à diffuser auprès de son audience pour susciter le plus grand engagement. Ou encore d'exploiter ces fonctionnalités pour optimiser les ressources humaines.

C'est ce que propose, par exemple, la start-up Riminder, fondée par Mouhidine Seiv et Ouazan Hanania. Avec leur solution, le recruteur construit son propre outil d'évaluation des candidatures. Pour cela, il renseigne les CV qu'il a déjà acceptés ou refusés par le passé et l'algorithme évalue dans la foulée les compétences, formations et expériences des candidats à la lumière de ces choix antérieurs. Riminder accompagne également les services RH dans leur gestion des équipes. En s'appuyant sur les données internes à l'entreprise, il est capable d'analyser des milliers de parcours professionnels et de suggérer des évolutions de poste pour les salariés, de détecter des nouveaux potentiels ou d'anticiper un risque de départ.

Une nouvelle source d'innovation

Mais les opportunités ne s'arrêtent pas là. Par le traitement de l'image, de la vidéo et de la voix, le deep learning est un support essentiel au développement d'innovations d'avenir dans tous les secteurs. Dans le domaine de l'automobile, avec la voiture sans chauffeur grâce à la détection d'objets comme les piétons, les panneaux de signalisation, le marquage au sol ou les autres véhicules. Pour la robotique, avec des technologies capables d'interagir avec les humains et de se mouvoir en autonomie. Dans la santé pour rechercher automatiquement des cellules cancéreuses sur des supports d'imagerie médicale. Ou dans l'industrie pour identifier les pièces produites défectueuses, en les comparant aux banques d'images des défauts déjà observés.

"Dans tous ces cas, la valeur ne vient pas du deep learning, mais du service apporté par le produit ou la solution qui l'exploite, souligne Nikos Paragios . Or aujourd'hui, cette technologie est accessible à tous, il suffit de quelques notions de base et du bon outil. Pas besoin d'être un expert". Et si les États-Unis dominent encore le secteur, de nombreuses start-up et PME françaises se lancent, comme Riminder, dans le deep learning.

D'autant qu'en plus de réaliser des tâches impossibles ou complexes auparavant, il le fait dans un temps record. Seule la phase d'apprentissage prend, elle, quelques jours ou semaines. Mais, là encore, des évolutions sont à venir, et elle devrait se réduire considérablement dans les prochaines années. Avant qu'une nouvelle méthode vienne détrôner le deep learning de son podium d'ici cinq à dix ans. Une chose est sûre, l'intelligence artificielle, déjà qualifiée de quatrième révolution industrielle après la vapeur, l'électricité et Internet, n'a pas fini de faire entrer la science-fiction dans nos vies et nos entreprises.

Le témoignage de Didier Farge, président de Conexance MD

"Pour scorer et prédire,l'analyse est très fine"

Conexance a pris le pas du deep learning. Si la société, spécialisée dans la connaissance client et la prédiction de comportement d'achat, continue d'utiliser des méthodes statistiques classiques, elle trouve, dans cette nouvelle méthode, des opportunités inédites d'analyse de données. "Pour nous qui travaillons sur du scoring et du prédictif, le deep learning permet de déterminer et de sélectionner de façon beaucoup plus fine les personnes susceptibles d'acheter un produit ou un service", indique Didier Farge, le président de Conexance.

À partir de sa base de données, il est capable d'identifier les meilleurs clients et de reconnaître leurs jumeaux statistiques afin de les solliciter. En tout, leurs fichiers comptent les caractéristiques de 20 000 foyers français, enrichis d'un historique de 900 millions de transactions commerciales, déclinées sous la forme de 1 700 variables. Et c'est précisément ce spectre très large d'éléments qui a poussé Conexance, face aux limites des algorithmes traditionnels, à se tourner vers le deep learning.

Un investissement de plusieurs centaines de milliers d'euros qui leur a offert un gain de productivité. De 7 à 8 heures, l'étape du scoring est passée à moins d'une heure. Et les résultats ont gagné en fiabilité. "On travaille beaucoup plus de données et on fait tourner différents modèles pour, à la fin, prendre le meilleur", souligne le dirigeant, pour qui le deep learning est devenu une évidence que tout le monde doit saisir : "La question n'est pas 'Est-ce que vous allez vous y mettre ?', mais 'quand ?'".

Fiche repères:

Activité: Marketing direct
Ville: Lille (Nord)
Dirigeant: Didier Farge, 59 ans
Forme juridique: SAS
Année de création: 2006
Effectif: 40 salariés
CA 2015: 6,5 M€