Comment savoir quand l'IA est la bonne solution

L'adoption de l'IA est en hausse. Selon une récente enquête McKinsey55 % des entreprises utilisent l'intelligence artificielle dans au moins une fonction, et 27 % attribuent au moins 5 % de leurs bénéfices avant intérêts et impôts à l'IA, une grande partie sous la forme de économies de coûts.

Alors que l'IA transformera de manière spectaculaire presque tous les secteurs qu'elle touche, il n'est pas surprenant que les fournisseurs et les entreprises recherchent des opportunités pour déployer l'IA partout où ils le peuvent. Mais tous les projets ne peuvent pas bénéficier de l'IA et tenter d'appliquer l'IA de manière inappropriée peut non seulement coûter du temps et de l'argent, mais aussi égarer les employés, les clients et les chefs d'entreprise sur les futurs projets d'IA.

Les facteurs clés pour déterminer si un projet est adapté à L'IA est une valeur commerciale, la disponibilité des données de formation et la préparation culturelle au changement. Voici un aperçu de la façon de vous assurer que ces critères sont conformes à votre projet d'IA proposé avant que votre incursion dans l'intelligence artificielle ne devienne un coût irrécupérable.

Commencez par la solution la plus simple possible. approche, déclare Zack Fragoso, responsable de la science des données et de l'IA chez la chaîne de pizzas Domino's, qui compte plus de 18 000 emplacements dans plus de 90 pays à travers le monde. Mais vous ne pouvez pas appliquer l'IA partout.

Bien qu'il s'agisse d'un secteur d'activité très traditionnel, Domino's a adopté le changement, en particulier pendant la pandémie. Les clients disposent désormais de 13 moyens numériques pour commander des pizzas, et l'entreprise a généré plus de 70 % de ses ventes via les canaux de commande numériques en 2020. Cela a ouvert de nombreuses opportunités pour tenir la promesse de l'IA.

La clé pour Domino's dans l'application de l'IA, dit Fragoso, a adopté une approche simple. "En fin de compte, la solution simple fonctionne plus vite, est plus performante et nous pouvons l'expliquer à nos partenaires commerciaux", déclare-t-il. "L'explicabilité en est une grande partie – plus les gens comprennent les outils et les méthodes que nous utilisons, plus il est facile de les adopter."

L'approche elle-même est simple : s'il y a un problème commercial à résoudre, Domino's la solution la plus simple et la plus traditionnelle, puis, "si nous partons de là, il doit y avoir une valeur ajoutée dans les performances du modèle", déclare Fragoso.

Par exemple, prédire combien de temps il faut pour cuisiner une pizza et la mettre dans une boîte est simple. « Nous tirons cela directement de notre recherche opérationnelle. Vous pouvez brancher les heures du four », dit-il. Mais il y a certains problèmes qui ne peuvent être résolus qu'avec l'IA, ajoute-t-il, comme ceux qui nécessitent la reconnaissance d'images ou le traitement du langage naturel. , de n'importe quel pizzaiolo. "Nous avons construit un classificateur de pizza en utilisant des millions d'images de différents types de pizza et l'avons intégré dans une application", explique Fragoso.

Ce projet offrait deux types de valeur commerciale. Tout d'abord, cela a amélioré l'expérience client, dit-il. Deuxièmement, il a créé une collection d'images de pizza que l'entreprise a ensuite utilisée pour détecter la qualité et la température de la pizza. "C'était un très bon projet d'IA en boucle complète", dit-il. magasin pour récupérer leur nourriture, ou quand s'attendre à ce que leur livraison arrive, dit Fragoso. L'ajout de l'apprentissage automatique au codage traditionnel si-alors du tracker de pizza de Domino a entraîné une augmentation de 100 % de la précision, dit-il.

Lors de la construction du modèle, Domino est resté fidèle à son principe le plus simple. "La première itération était un modèle de régression simple", dit-il. «Cela nous a rapprochés. Ensuite, un modèle d'arbre de décision, où nous pourrions examiner plus de facettes. Ensuite, nous sommes passés à un réseau de neurones car nous pouvions capturer certaines des mêmes variables que dans l'arbre de décision, mais le réseau de neurones produit la réponse plus rapidement. Nous voulons que notre expérience client sur le site Web soit très rapide. »

Il y a une place pour l'apprentissage automatique, déclare Sanjay Srivastava, directeur numérique chez Genpact, en particulier lorsqu'une entreprise cherche à créer des processus qui s'améliorent continuellement en fonction de de l'expérience. Mais parfois, tout ce qui est nécessaire est une simple corrélation, qui peut être obtenue à partir d'une modélisation statistique de base. toute l'équipe MLOps autour de lui », déclare Srivastava. "Vous devez savoir quand vous rabattre sur des techniques existantes qui sont beaucoup plus simples et beaucoup plus efficaces." scénarios, c'est logique. Mais dans 90 % des scénarios, vous connaissez les questions qui vont être posées parce que vous pouvez regarder les questions qui ont été posées au cours des trois dernières années et vous connaissez la réponse à chaque question. Il s'avère que 90 % des chatbots peuvent s'en tirer avec de simples paires question-réponse. »

Données historiques : la clé de l'IA pour prédire les résultats futurs

Tout ensemble fini de données peut être ajusté à une courbe. Par exemple, vous pouvez prendre les numéros de loterie gagnants des années précédentes et proposer un modèle qui les aurait tous parfaitement prédits. Mais le modèle ne sera toujours pas meilleur pour prédire les gains futurs car le mécanisme sous-jacent est complètement aléatoire.

La pandémie de COVID-19 a été un excellent exemple de la façon dont cela se produit dans la vie réelle. Il n'y avait aucun moyen de prédire où les fermetures allaient entraîner des fermetures d'usines, par exemple. En conséquence, les entreprises ont constaté une baisse des gains de revenus qu'elles ont constatés dans de nombreux domaines, selon l'enquête sur l'état de l'IA de McKinsey. % l'ont fait cette année. La différence était encore plus frappante dans la gestion de la chaîne d'approvisionnement. L'année dernière, 72 % ont vu leurs revenus augmenter dans ce domaine, mais seulement 54 % l'ont fait cette année. pratique de croissance chez Axiom Consulting Partners. « Vous êtes mariés, enchaînés, menottés par l'histoire. L'IA est bonne dans des circonstances où l'histoire est susceptible de se répéter – et vous êtes d'accord pour que l'histoire se répète. »

Par exemple, dit-il, certains de ses clients ont essayé d'utiliser l'IA pour prédire les revenus futurs. Mais souvent, les revenus sont influencés par des facteurs qui ne peuvent pas être prédits, qui ne peuvent pas être contrôlés et pour lesquels l'entreprise ne dispose d'aucune donnée. Et si certains de ces facteurs ont un impact extérieur sur les résultats, cela peut perturber l'ensemble du modèle.

« Alors, cela n'a aucun sens de choisir l'IA », dit-il. "Allez-vous investir des centaines de milliers de dollars dans une solution qui peut être immédiatement rendue inutile par un changement d'une variable ?"

L'IA peut encore jouer un rôle ici, dit-il, en aidant à modéliser divers scénarios, ou en faisant émerger des idées qui pourraient ne pas être apparentes autrement. "Vos chances de succès augmentent si votre objectif est plus étroit."

L'IA échouera également si la présence même de l'IA modifie le comportement du système. Par exemple, si l'IA est utilisée pour filtrer les propos haineux, les gens apprennent rapidement les schémas recherchés par l'IA et expriment les choses de manière à passer à travers les filtres.

« Les meilleurs esprits du monde ont essayé de résoudre ces problèmes. et ils n'ont pas réussi », déclare Carroll.

Le partenaire de Kearney, Bharath Thota, a déjà travaillé avec un conglomérat mondial de biens et de produits de consommation de plus de 30 milliards de dollars. L'équipe de direction du directeur financier voulait une meilleure visibilité sur les mesures financières du conglomérat afin de pouvoir voir si sa croissance montait et descendait. Le processus existant consistait à obtenir des PDF de rapports 30 jours après la clôture de la période de référence.

L'équipe de science des données a appliqué l'IA pour prévoir à quoi ressembleraient les chiffres. «Ils avaient de bonnes intentions», dit Thota. "Ils voulaient fournir à la direction une vision futuriste."

L'erreur qu'ils ont commise concernait les données financières qu'ils alimentaient dans l'algorithme. Les analystes financiers alimentant ces données ont dû formuler de nombreuses hypothèses, et l'ensemble de données s'est donc retrouvé à contenir de nombreux biais individuels.

« La direction était excitée », déclare Thota. «Ils avaient quelque chose orienté vers l'avant, pas vers l'arrière. Mais lorsque le trimestre s'est terminé et qu'ils ont revu ces prévisions, elles étaient complètement fausses. »

L'ensemble du projet a pris des mois, explique Thota. "Ils ont dû trouver comment construire ce truc, faire l'architecture, rechercher des plates-formes d'IA, faire en sorte que tout fonctionne ensemble."

Lorsqu'un projet comme celui-ci échoue, les gens perdent tout intérêt et confiance dans l'IA, dit-il. Pour cette entreprise en particulier, la solution consistait simplement à créer pour l'équipe de direction du directeur financier un tableau de bord financier qui leur donnait les mesures dont ils avaient besoin, quand ils en avaient besoin. génération de langage naturel, pour fournir automatiquement aux dirigeants des informations clés sur les données en termes simples.

« C'était un problème de visibilité », dit-il. "Et il y avait une solution simple pour fournir cette visibilité."

Le défi des données

La plupart des projets d'IA nécessitent des données. De bonnes données, des données pertinentes, des données correctement étiquetées et sans biais qui fausseraient les résultats.

Par exemple, une entreprise qui cherche à éloigner les chats d'un poulailler peut choisir d'installer une caméra et une technologie de reconnaissance d'images pour repérer les chats qui arrivent Mais le succès dépend d'un ensemble de formation adéquat.

"Vous aurez besoin d'avoir beaucoup de photos, et ces photos devront avoir des étiquettes indiquant si elles contiennent ou non des chats", explique l'analyste de Gartner. Whit Andrews, ajoutant que la collecte de ces données prend du temps et coûte cher. Et une fois que tout est rassemblé, l'entreprise pourra-t-elle réutiliser le même ensemble de données pour d'autres projets ?

Mais que faire s'il s'avère que l'entreprise a réellement besoin de savoir combien de chats entrent dans le poulailler ? Ensuite, cet ensemble de données original d'images devra également être réétiqueté avec le nombre de chats dans chaque image. ]De plus, si seul un petit pourcentage d'images contient plusieurs chats, il sera beaucoup plus difficile d'obtenir un modèle précis.

Cette situation se présente fréquemment dans les applications marketing, lorsque les entreprises tentent de segmenter le marché au point que les données les ensembles deviennent infiniment petits.

« Presque toutes les entreprises que je connais utilisent la segmentation pour le ciblage des clients », déclare Anand Rao, partenaire et responsable mondial de l'IA chez PricewaterhouseCoopers.

S'ils collectent des données en s'attendant à ce qu'elles soient utilisées dans un seul but, et finissent par l'utiliser pour une autre, les ensembles de données peuvent ne pas répondre aux nouvelles exigences.

Par exemple, si la collecte de données est configurée de manière à équilibrer les points de données de chaque région des États-Unis, mais question finit par porter sur les besoins d'un segment démographique très étroit, toutes les inférences seront inutiles. Disons, par exemple, si l'entreprise s'intéresse aux habitudes d'achat des femmes américaines d'origine asiatique dans une tranche d'âge particulière, et qu'il n'y a qu'un couple dans l'échantillon.

« Soyez très clair sur la décision que vous voulez prendre avec votre segmentation », déclare Rao. "Essayez de vous assurer que l'échantillonnage que vous faites est à la fois représentatif, mais qu'il capture également vos questions."

Le problème de l'échantillon se produit dans tout système essayant de prédire des événements rares. Par exemple, si une entreprise recherche des exemples de comportement frauduleux, dans un ensemble de données d'un million de transactions, il y a une poignée de transactions frauduleuses connues – et un nombre égal ou supérieur de transactions frauduleuses qui ont été manquées.

" Ce n'est pas très utile pour l'inférence », déclare Rao, ajoutant que cela se produit souvent avec l'automatisation des processus métier lorsqu'une entreprise compte de nombreuses personnes effectuant des tâches particulières chaque jour, mais ne capture pas de données sur la façon dont ces tâches sont effectuées, ou ne le fait pas. t capturer les bonnes données nécessaires pour former une IA sur la façon de le faire. "Puis, quelques mois plus tard, revenez et construisez le modèle."

Et pour les projets qui n'ont pas besoin de données, l'IA n'est pas la bonne voie à suivre. Par exemple, certains processus commerciaux, tels que l'assurance et la souscription, sont basés sur des règles, explique Rao. « Vous pouvez construire un système basé sur des règles en interrogeant des experts et en rassemblant des formules traditionnelles. Mais si vous pouvez le faire avec des règles et des scripts, vous n'avez pas besoin d'IA. Ce serait exagéré. »

L'utilisation d'une IA pour un tel projet peut prendre plus de temps et la précision peut ne pas être meilleure, ou seulement légèrement meilleure – ou vous n'avez peut-être pas besoin de performances améliorées.

« Donc, vous avez gagné » t avoir le retour sur investissement parce que vous passez du temps sur un problème que vous auriez déjà pu résoudre », dit-il. sur 304 millions de dollars de maisons qu'elle a achetées sur la base de la recommandation de son service Zillow Offers alimenté par l'IA. quart de sa main-d'œuvre.

"Au cours de notre courte durée d'exploitation de Zillow Offers, nous avons connu une série d'événements extraordinaires : une pandémie mondiale, un gel temporaire du marché du logement, puis un déséquilibre entre l'offre et la demande qui a conduit à un hausse des prix des maisons à un rythme sans précédent », Z a déclaré le PDG de illow, Rich Barton, lors d'une conférence téléphonique avec des investisseurs. « Nous n'avons pas été en mesure de prévoir avec précision les prix futurs des maisons. … Nous pourrions blâmer cette volatilité démesurée sur des événements exogènes de cygne noir, ajuster nos modèles en fonction de ce que nous avons appris et continuer. Mais sur la base de notre expérience à ce jour, il serait naïf de supposer que des prévisions de prix imprévisibles et des événements perturbateurs ne se produiront pas à l'avenir. "Si quelque chose ne s'est pas produit dans le passé, alors il est impossible pour un algorithme de le prédire."

Et les IA n'ont pas de bon sens, ajoute-t-il. "Un algorithme d'IA conçu pour prédire la production d'une usine qui n'a jamais vu d'incendie auparavant ne prédira pas que la production chuterait en cas d'incendie."

La prévision des prix de l'immobilier est une utilisation intéressante de l'IA, dit-il. . "Mais vous pouvez voir tout le monde devenir un peu timide face à ce type d'application."