Pour les entreprises, l’IA est intéressante à plus d’un titre. Elle permet de repenser les processus existants afin d’améliorer l’intervention des opérateurs en exécutant les tâches répétitives et fastidieuses à leur place. «Si on prend l’exemple du processus d’enregistrement d’un nouveau client dans les activités KYC, l’IA peut utiliser l’analyse d’images pour identifier les documents reçus (passeports, domiciliations, etc.), les classifier et en extraire des métadonnées nécessaires. L’opérateur peut ensuite vérifier l’exhaustivité et l’exactitude des informations collectées, les valider ou les rejeter. Côté transparence, un niveau de confiance est attribué par l’IA, ce qui permet de gérer également le risque de mauvaises classifications», explique Nicolas Griedlich, Partner, Artificial Intelligence & Data chez Deloitte Luxembourg.
L’IA offre par ailleurs la possibilité de réaliser de nouvelles tâches auparavant chronophages pour le métier avec une valeur ajoutée qui n’est pas nécessairement évidente à déterminer selon les sujets. «Des techniques de Natural Language Processing (NLP) permettent de parcourir des textes, des articles, du contenu, plus généralement, pour en faire un résumé ou en extraire les sujets-clés. L’IA classe alors l’information générée en continu, dégage des trends, observe l’évolution pour faciliter la veille et faire gagner du temps.»
Des techniques de Natural Language Processing (NLP) permettent de parcourir des textes, des articles, du contenu, plus généralement, pour en faire un résumé ou en extraire les sujets-clés. L’IA classe alors l’information générée en continu, dégage des trends, observe l’évolution pour faciliter la veille et faire gagner du temps.
Faciliter l’implémentation de l’IA grâce au Cloud
Pour mettre en place de l’IA dans les processus métier, outre des données de qualité, il faut souvent de la puissance de calcul pour entraîner le modèle. «Côté infrastructure, des machines puissantes peuvent être nécessaires pour entraîner les modèles IA selon leur complexité. Auparavant, lorsque les entreprises souhaitaient se lancer dans un projet IA, il leur fallait investir pour augmenter leur capacité de calcul sans être certaines des bénéfices du model IA. Cela se posait comme un véritable frein à l’innovation, et seuls les acteurs disposant de la puissance de calcul nécessaire pouvaient alors se le permettre.» Le est ici en mesure de jouer un rôle important. «Avec celui-ci, il est possible de tester les solutions à moindre coût et de se positionner en fonction des premiers résultats. Lors du déploiement en production, le cloud permet d’offrir une infrastructure évolutive au besoin.»
En matière de managed services, le Cloud joue également un rôle important, car il permet au client de consommer facilement des modèles IA via des API sans avoir recours à un projet d’intégration. L’infrastructure nécessaire est quant à elle provisionnée directement sur demande.
«Si nous prenons l’exemple de l’ pour identifier les parties endommagées, analyser ces images est complexe. La complexité d’entraînement d’un modèle dépend notamment de trois facteurs: la nature et le volume des données, le choix de l’algorithme et la granularité des résultats à produire. Dans ce cas-ci, le modèle doit reconnaître les parties de la voiture, identifier ce qui est endommagé, et à quel niveau.» Dans ce cas précis, le Cloud a permis, via sa flexibilité, de proposer une infrastructure propre à la complexité de ce type de modèle tout en assurant un coût compétitif pour les consommateurs du service associé, qui s’interconnecte aussi bien avec une application mobile, un site web ou un serveur situé chez le client.
Des challenges à considérer dès la phase d’analyse
S’il facilite le développement de l’IA, le Cloud pose toutefois certains défis en raison de son architecture ouverte. «Dans le Cloud, les entreprises sont plus ou moins flexibles en matière de géographie pour stocker et traiter leurs données. Il y a donc des enjeux réglementaires et de sécurité à adresser dès la phase d’analyse.»
Par ailleurs, si l’IA n’est pas nouvelle, elle est peu maîtrisée par les entreprises en raison des fondamentaux mathématiques avancés sur lesquels elle s’appuie. Même si la plupart des algorithmes sont déjà disponibles dans des librairies publiques et ouverts à tous, un certain bagage de base est requis pour comprendre comment les utiliser au mieux et les optimiser. «Un des risques est de tomber sur des modèles de type boîte noire et de ne pas pouvoir expliquer comment les données sources sont utilisées et transformées pour en dériver des résultats. Il faut donc réussir à redonner de la transparence à ces modèles, que ce soit pour en faciliter l’adoption par les équipes métier ou garantir leur audit. Un autre volet concerne les usages controversés de l’IA. Heureusement, des standards sont en cours d’élaboration pour instaurer un cadre d’utilisation commun.» [lien vers le white paper de la Commission: ]
Dans le Cloud, les entreprises sont plus ou moins flexibles en matière de géographie pour stocker et traiter leurs données. Il y a donc des enjeux réglementaires et de sécurité à adresser dès la phase d’analyse.
Comment démarrer ce type de projet?
Deloitte propose, via des sessions de brainstorming autour de sujets métier, d’identifier des cas d’usage où l’IA peut aider. Durant ces sessions, des modèles IA appliqués développés par Deloitte ou des startup partenaires sont présentés afin d’inspirer et affiner le besoin du client. Ce dernier a alors une idée concrète de ce qu’il souhaite initier.
«Notre approche se base sur trois phases:
Imagine: nous identifions le besoin.
Deliver: nous construisons la solution.
Run: nous intégrons le modèle IA avec les processus du client et nous mettons en place le monitoring pour assurer la pérennité du modèle dans le temps.»
Deloitte a également mis en place des plateformes Auto-Machine Learning afin de mettre à disposition des utilisateurs finaux des boîtes à outils permettant de tester facilement de nouvelles idées, obtenir rapidement des résultats et valider la pertinence de les mettre en œuvre. «Beaucoup d’idées émises par les équipes métier ne sont pas testées, car les data scientists manquent de temps, ou simplement n’existent pas dans l’entreprise. Ces plateformes permettent d’analyser les données, évaluer leur qualité, les corriger ou les enrichir, et couvrir l’ensemble des opérations du processus de résiliation d’un modèle IA jusqu’à leur validation pour implémentation.»
Le Cloud et la technologie permettent aujourd’hui de construire des modèles IA plus ou moins complexes. Deloitte a défini une méthodologie mettant l’utilisateur final au centre, permettant de développer ses idées en restant en ligne avec les meilleures pratiques et les exigences réglementaires. Suite à cela, le modèle peut être confié à des data scientists pour son implémentation ou être consommé directement via des API.