L’importance de l’IA dans les affaires

Il y a tout juste quelques années, l’intelligence artificielle n’était qu’un terrain de jeu réservé aux géants novateurs de la Silicon Valley. Cependant, la donne a changé, et aujourd’hui, son évolution et sa démocratisation ne font plus de doute : l’IA est la nouvelle révolution industrielle. Toutes les entreprises doivent désormais l’inclure dans leurs opérations pour rester dans la course au cours des 5, 10, voire 15 prochaines années.

Les entreprises sont désormais confrontées à la nécessité non seulement de revoir leur stratégie, mais aussi d’intégrer de manière significative l’IA au cœur même de cette stratégie. C’est là que se trouve la clé d’une croissance soutenue et pérenne.

« L’IA ne va pas remplacer le travailleur – par contre, le travailleur qui utilise l’IA le fera. »

-Olivier Blais

Ce qui est intéressant avec l’IA, (et c’est ce que nous préconisons), c’est d’adopter une approche itérative et incrémentale. Nous recommandons de commencer par des projets simples qui généreront rapidement un impact significatif, favorisant ainsi une intégration fluide de l’IA au sein de l’organisation.

Dans cet article, nous verrons pourquoi il s’agit d’une nécessité.

Pourquoi l’IA est une nécessité dans les affaires?

L’IA transforme la prise de décision en fournissant des analyses approfondies.

L’IA révolutionne la prise de décision en permettant de tirer des conclusions à partir des données disponibles. En exploitant cette masse d’informations, l’IA offre aux entreprises une compréhension plus claire des tendances, des comportements des consommateurs et des dynamiques du marché.

Cette vision éclairée permet aux décideurs de mieux anticiper les défis potentiels, d’identifier les opportunités de croissance et de prendre des décisions stratégiques plus informées. En réduisant l’incertitude et la complexité, l’IA aide à minimiser les risques associés aux décisions d’affaires, tout en maximisant la rentabilité en orientant les ressources vers les initiatives les plus prometteuses (si c’est ce que l’entreprise tente d’optimiser). En fait, l’IA permet d’optimiser les objectifs de l’entreprise.

L’IA maximise l’efficacité opérationnelle.

En exploitant les insights générés par ces systèmes, une entreprise peut acquérir une meilleure compréhension de sa situation actuelle, lui permettant ainsi de prendre des décisions plus éclairées tout en optimisant ses opérations. Cela permet de prédire les événements ou les quantités en se basant sur tous les signaux disponibles qui influencent la demande.

Par exemple, en considérant des données telles que la corrélation entre la météo ensoleillée, les promotions en cours sur les cornets de crème glacée et les historiques de ventes, il est possible de prédire avec précision la demande de crème glacée dans des cornets. Dans ce scénario simple, les avantages sont multiples :

  • Optimisation de la gestion de l’inventaire en anticipant la quantité de crème glacée nécessaire.
  • Planification efficace des horaires de travail en fonction des prévisions de ventes.
  • Réalisation des hypothèses commerciales en maximisant l’efficacité opérationnelle et la rentabilité tout en réduisant la charge de travail pour l’équipe.

Ainsi, l’utilisation judicieuse de l’IA permet à une entreprise de mieux répondre à la demande, d’améliorer ses opérations et d’atteindre ses objectifs d’affaires de manière plus efficace.

La personnalisation de l’expérience client renforce la fidélité à la marque.

La personnalisation de l’expérience client est un puissant moteur de fidélité à la marque. Une étude récente de McKinsey, 76 % des consommateurs sont davantage enclins à envisager des achats auprès d’entreprises qui interagissent de manière personnalisée, tandis que 78 % déclarent que de tels contenus les incitent à racheter. L’intégration de l’IA offre des opportunités uniques pour ce faire.

En exploitant les données client, les entreprises peuvent fournir des expériences de support sur mesure. En s’appuyant sur la technologie, elles peuvent offrir des services plus efficaces, plus efficients et plus personnalisés, renforçant ainsi la satisfaction et la fidélité des clients.

Prenons l’exemple d’un commerce en ligne qui augmente ses ventes grâce à un système de recommandation alimenté par l’IA. Ce système intégré sur le site web offre des recommandations personnalisées en temps réel, basées sur les préférences et les historiques d’achat des clients. Cette approche proactive non seulement fluidifie l’expérience d’achat, mais renforce également la fidélité à la marque en offrant un service client personnalisé, tout en allégeant la charge de travail de l’équipe en place pour le service à la clientèle.

En analysant les données générées par ces interactions, les entreprises affinent leur compréhension du comportement des consommateurs, ajustent leurs offres et anticipent les besoins futurs. Cette connaissance approfondie du marché permet à l’entreprise de demeurer agile et réactive, maximisant ainsi les opportunités de vente et minimisant les pertes potentielles.

Projets d’intelligence artificielle concrets réalisés

Depuis 2018 nos équipes ont généré de l’innovation chez nos clients en développant des solutions d’intelligence artificielle appliquée. Nous avons accompagné des dizaines d’organisations dans la découverte et l’accélération de projets. En voici quelques exemples pour vous aider à comprendre ce qui peut être réalisé avec l’intelligence artificielle.

Découvrir plus de projets d’IA

L’avenir de l’IA en affaires

L’intelligence artificielle (IA) est en train de transformer le monde des affaires, et son impact ne fera que croître dans les années à venir. De nombreuses études et rapports d’entreprises de conseil de premier plan confirment cette tendance.

Voici quelques points clés à retenir :

  • McKinsey : D’ici 2030, l’IA pourrait générer jusqu’à 13 000 milliards de dollars de PIB supplémentaire pour l’économie mondiale.
  • Accenture : L’IA pourrait créer jusqu’à 26 millions d’emplois d’ici 2025 (oui oui, vous avez bien lu).
  • EY : 75 % des dirigeants d’entreprises affirment que l’IA est essentielle à la croissance de leur entreprise.
  • Deloitte : L’IA pourrait aider les entreprises à réduire leurs coûts de 9 % d’ici 2025.
  • BCG : L’IA pourrait aider les entreprises à augmenter leurs revenus de 10 % d’ici 2025.

L’avenir de l’IA en affaires est prometteur, mais il est important de se rappeler que l’IA n’est pas une solution miracle. Il est primordial de mettre en place une stratégie d’IA claire et de disposer des compétences et des ressources nécessaires pour la mettre en œuvre.

Voici quelques conseils pour les entreprises qui souhaitent tirer parti de l’IA :

  • Commencez par identifier les cas d’utilisation les plus pertinents pour votre entreprise.
  • Développez une stratégie d’IA claire et définissez vos objectifs.
  • Investissez dans les compétences pour mettre en œuvre votre stratégie d’IA.
  • Soyez prêt à expérimenter en débutant par un projet offrant un fort potentiel de valeur et présentant un risque minime.
  • Collaborez avec des partenaires externes pour obtenir l’aide dont vous avez besoin.

En conclusion, l’IA est une technologie puissante qui peut aider les entreprises à améliorer leurs performances et à rester compétitives. En adoptant l’IA de manière stratégique, les entreprises peuvent se préparer à un avenir prospère.

L’intelligence artificielle générative appliquée dans l’industrie manufacturière

Le contexte

Les enjeux actuels de l’industrie manufacturière au Québec sont nombreux et complexes. Les ruptures dans la chaîne d’approvisionnement, qu’elles soient orchestrées par des événements mondiaux externes comme la pandémie, les conflits commerciaux ou internes comme les dilemmes logistiques, peuvent déclencher des perturbations, des pénuries de matières premières, et potentiellement engendrer des pertes financières équivalentes à 45 % des bénéfices annuels moyens d’une entreprise au cours de la prochaine décennie.

Ajoutez à cela la complexité d’une pénurie de main-d’œuvre touchant près de 80 % des entreprises manufacturières canadiennes, et nous sommes confrontés à un cocktail stimulant de défis.

Face à ces enjeux, des solutions innovantes doivent être mises en œuvre.

L’IA et l’IA générative comme solution?

L’intelligence artificielle est utilisée par les entreprises manufacturières, car elle permet d’optimiser les opérations de fabrication, augmenter la productivité des travailleurs, réduire les coûts et améliorer la satisfaction des clients.

L’IA générative peut aussi prendre un rôle dominant dans le domaine manufacturier et ce à moindre coût , plus rapidement et sans nécessiter autant de données que les projets d’intelligence artificielle dite « traditionnelle» . C’est aussi un style de solution qui est habituellement mieux adopté par les travailleurs impactés par ces changements grâce à une expérience utilisateur favorisant la collaboration et réduisant le besoin de connaissances profondes en IA.

En effet, l’intelligence artificielle générative est accessible, car il est possible de tester rapidement une solution avec une preuve de concept, sans nécessiter de disposer de données préalables ni même de compétences avancées en programmation.

Grâce à son aptitude à traiter d’énormes quantités de données et à générer des réponses intelligentes, l’IA générative peut transformer les flux de maintenance, résoudre des problèmes en temps réel, recommander des moyens d’améliorer l’efficacité des lignes de production, et  devenir un outil indispensable pour favoriser la conception de nouveaux produits!

Selon le Google Cloud Gen AI Benchmarking Study de juillet 2023, 82 % des organisations envisageant d’utiliser ou utilisant actuellement l’IA générative estiment qu’elle apportera des changements significatifs, voire une transformation radicale à leur industrie.


Série sur l’intelligence artificielle générative


L’IA générative n’est pas qu’un outil d’aide à la décision

Bien que la plupart des gens connaissent l’IA générative comme ChatGPT, Gemini ou Midjourney comme une aide « générique» , il est possible de déployer l’IA générative de manière plus spécifique pour exploiter des opportunités et résoudre des problèmes particuliers.

Naturellement, l’utilisation de la barre de saisie permet de dicter nos commandes (prompts) pour obtenir réponses. Cependant, avec la même technologie, il est également envisageable de la programmer pour résoudre des problèmes ciblés.

Système d’IA générative à usage général vs à vocation étroite

Système d’IA générative à usage général: Un exemple de ce type de système est ChatGPT, où l’utilisateur obtient une réponse textuelle en fonction de sa requête. L’utilisateur peut fournir des informations relatives à une tâche quelconque qu’il souhaite accomplir et recevoir une réponse adaptée à l’étendue de sa question.

Système d’IA générative à vocation étroite: Dans le domaine manufacturier, un exemple concret d’un tel système serait un modèle génératif spécifiquement conçu pour optimiser le processus de planification de la production. Plutôt que de simplement répondre à des questions générales, ce système serait entraîné à analyser les données spécifiques de la chaîne de production, telles que les niveaux de stock, les délais de livraison des fournisseurs, et les demandes des clients.

Par exemple, un gestionnaire de production pourrait utiliser ce système en lui fournissant des informations sur les commandes en cours, les capacités de production actuelles et les contraintes de ressources. En retour, le système pourrait générer des propositions de plans de production optimisés, en prenant en compte les délais, les coûts et les ressources disponibles.

Ainsi, ce modèle d’IA générative étroitement spécialisé serait capable de fournir des solutions précises et ciblées pour améliorer l’efficacité opérationnelle dans le contexte manufacturier, allant au-delà des fonctions génériques des systèmes d’IA générale comme ChatGPT, Gemini ou Midjourney.

Applications pratiques de l’IA générative dans l’industrie manufacturière

Voici comment l’IA générative est utilisée pour créer de la valeur dans l’industrie manufacturière.

La révolution de l’IA générative est qu’elle utilise VOS données, VOS façons de faire.

L’un des risques avec l’utilisation des solutions d’IA générative à usage général est la réception d’une réponse qui n’est pas véridique ou personnalisée à notre contexte. Demander à ChatGPT de générer une soumission pour une usine manufacturière est possible, mais chaque entreprise a sa propre identité, ses méthodes, ses processus, sa tonalité de marque. Il s’agit d’éléments importants à prendre en compte. Il serait farfelu de considérer que toutes les entreprises manufacturières sont identiques !

Ce qui va vraiment révolutionner votre approche avec l’IA générative, c’est la prise en compte de VOTRE propre base de données. En rendant les données de votre entreprise disponibles dans un environnement sécurisé, cela permet à votre « GPT d’entreprise » de comprendre votre réalité et le format des soumissions historiques, générant ainsi un résultat fidèle à vos méthodes. En plus, quand on parle de base de données, ici on peut parler de n’importe quelles données, qu’elles soient structurées ou de simples pages web contenant de l’information utile.

Dans le secteur manufacturier, cette approche permet aux entreprises d’exploiter pleinement leurs propres données, telles que les données historiques, les soumissions passées, les appels d’offres, les plans de production, les plans d’ingénierie. En utilisant ces ressources spécifiques à chaque entreprise, l’IA générative façonne des solutions sur mesure à l’image de l’entreprise elle-même, rivalisant (et souvent dépassant) la qualité obtenue par des processus manuels. C’est une capitalisation sur l’expertise accumulée au fil du temps, ouvrant la voie à une innovation rapide et extrêmement efficace.

Avec une solution d’IA générative basée sur vos données, vous pouvez (entre autres)

  • Générer instantanément une nouvelle soumission pour un nouveau client, avec de nouveaux paramètres, mais basée sur vos soumissions du passé.
  • Créer de nouveaux plans de projet basé sur votre historique de plans
  • Répondre à des appels d’offres selon vos réponses du passé et votre façon de répondre aux appels d’offres
  • etc.


L’INTELLIGENCE ARTIFICIELLE DANS L’INDUSTRIE MANUFACTURIÈRE

Dans un contexte industriel marqué par des défis constants, tels que la pénurie de main-d’œuvre qualifiée et la nécessité d’optimiser les processus de production, l’intelligence artificielle (IA) se présente comme une solution incontournable pour améliorer l’efficacité opérationnelle.

Cet ebook présente comment l’intelligence artificielle peut améliorer l’efficacité opérationnelle et optimiser les performances des équipes dans l’industrie manufacturière.


1. Automatisation du service client

Les agents conversationnels, également connus sous le nom de chatbots, qui sont de plus en plus propulsés par l’IA générative, offrent une interaction naturelle et fluide avec les utilisateurs tout en respectant les politiques de gouvernance interne et l’image de marque. Capables de générer des réponses pertinentes et cohérentes en réponse aux questions posées, les chatbots améliorent significativement l’expérience utilisateur et l’efficacité du service client.

Dans le secteur manufacturier, les entreprises tirent parti de ces agents conversationnels pour faciliter le dépannage des produits, la commande de pièces de rechange, la programmation des services, ainsi que pour fournir des informations sur les produits et leur fonctionnement.

Les manufacturiers et industriels peuvent également bénéficier d’agents conversationnels internes, qui aident les employés à rechercher et récupérer rapidement des informations au sein de vastes bases de données, y compris leur propre base de données interne. Les employés peuvent interagir de manière naturelle avec ces agents pour poser des questions complexes et obtenir des réponses pertinentes, facilitant ainsi la prise de décision et l’accès aux connaissances internes.

Imaginez équiper vos collègues d’assistants virtuels et instantanés qui donnent les réponses aux difficiles questions d’opérations ou de maintenance de vos machines et équipements ou assistent vos ingénieurs dans la rédaction de documents qui doivent se conformer avec les nombreuses normes avec lesquelles votre compagnie doit jongler.

2. Recherche, synthèse et production de documents

L’IA générative excelle dans la compréhension de texte et peut grandement aider à la synthétisation, modification et création de texte grâce à une recherche poussée de documents internes provenant de diverses sources.

Un mécanicien du secteur manufacturier peut bénéficier de la technologie pour avoir en quelques secondes un résumé des instructions de maintenance et ainsi sauver du temps de réparation et ultimement retourner en production plus rapidement.

Par ailleurs, un ingénieur peut utiliser cette technologie pour générer des manuels d’instructions et de documentation destinés aux machines en usine ou accompagnant les produits finis.

Voici ce que cela signifie pour les entreprises manufacturières.

Chatbot interne pour les employés : Déployer un chatbot interne pour aider les employés à accéder rapidement aux informations et aux procédures internes, ce qui peut améliorer l’efficacité opérationnelle.
Analyse des données de fabrication : Analyser les données de production et identifier des tendances, des inefficacités ou des anomalies, contribuant ainsi à l’optimisation des processus de fabrication.
Soutien aux experts techniques : Générer des résumés de rapports d’ingénierie complexes, de brevets et de documents de recherche pour aider les ingénieurs et les experts techniques à rester au courant des dernières avancées de l’industrie.
Vue 360 des clients dans la fabrication : Centraliser les données clients pour avoir une vue complète de leurs besoins, de leurs interactions et de leurs historiques, ce qui peut améliorer la personnalisation des produits et des services.
Analyse des commentaires : Résumer les avis et les commentaires des clients ou des employés pour identifier les problèmes récurrents, les améliorations possibles et les retours positifs, ce qui peut aider à améliorer la qualité des produits et de votre production.
Segmentation de la clientèle : Utiliser l’IA pour segmenter les clients en fonction de leur historique d’achat, de leurs préférences et de leurs besoins, ce qui peut aider à personnaliser les offres et les campagnes marketing.

3. L’IA générative pour accélérer le prototypage

L’une des principales contributions de l’IA générative réside dans sa capacité à créer. L’un des avantages cruciaux est sa capacité à accélérer le processus de conception.

Traditionnellement, la création de prototypes est un processus laborieux et chronophage, impliquant de nombreuses itérations. L’IA générative, en revanche, peut proposer des idées pour ensuite générer des prototypes rapidement, réduisant ainsi le temps nécessaire pour passer de la phase de conception à la phase de production.

Cette accélération du cycle de développement permet aux entreprises de répondre plus rapidement aux demandes du marché et de rester compétitives dans un environnement commercial en constante évolution.

En termes de coûts, l’IA générative offre des avantages significatifs. En automatisant une partie du processus de conception, les entreprises peuvent réduire les coûts liés à la main-d’œuvre et aux itérations de prototypes. De plus, la capacité de l’IA à optimiser les matériaux et les structures peut entraîner des économies substantielles sur les coûts de production à long terme.

Imaginez que vous puissiez générer des plans en 3D plus rapidement, recevoir des suggestions sur le meilleur emballage pour un produit donné ou générer automatiquement une base de conception aux couleurs du client.

4. Conseiller en chaîne d’approvisionnement, dans l’amélioration en continu et pour les documents légaux

L’intelligence artificielle générative se positionne comme un guide stratégique au sein des chaînes d’approvisionnement, élargissant la perspective au sein de réseaux complexes et émettant des recommandations pour les fournisseurs les plus adaptés en se basant sur des critères pertinents. Ces critères englobent non seulement les spécifications détaillées des nomenclatures, mais également des paramètres tels que la disponibilité des matières premières, les échéances de livraison et les indicateurs de durabilité.

Dotée d’une compétence particulière dans l’analyse des langages naturels, l’IA générative excelle dans l’extraction de dispositions pertinentes issues de documents légaux et contractuels. Cette capacité à déchiffrer les tenants et aboutissants des accords légaux permet à l’IA générative de jouer un rôle essentiel dans l’amélioration continue des opérations, renforçant ainsi l’efficacité globale de la chaîne d’approvisionnement.

5. L’IA générative dans la maintenance prédictive

L’IA est déjà bien utilisée dans la maintenance prédictive avec des prévisions (forecasting). Prenons exemple dans le domaine de l’aérospatial. L’entreprise Pratt & Whittney utilise un modèle d’intelligence artificielle qui prédit le calendrier des activités de maintenance pour un moteur donné. En croisant ces activités avec les clients de P&WC, nous avons produit une liste hiérarchisée de clients à contacter pour leur équipe de vente.

L’IA générative, quant à elle, se distingue par sa capacité à non seulement suggérer des solutions potentielles lors de l’identification d’un problème, mais également à élaborer de manière proactive des plans de service complets.

Dans ce contexte, prenons le cas où un problème est détecté. L’IA générative entre en scène pour non seulement fournir des suggestions de solutions, mais aussi pour élaborer un plan détaillé guidant les équipes de maintenance tout au long du processus de résolution, le tout, utilisant vos données et vos guides.

Une caractéristique clé de cette technologie est son accessibilité accrue aux ingénieurs de fabrication. Ces derniers peuvent interagir de manière intuitive avec l’IA, utilisant un langage naturel et des requêtes courantes. Cette facilité d’utilisation rend l’IA générative non seulement accessible à la main-d’œuvre existante, mais aussi particulièrement attrayante pour les nouveaux employés, ouvrant ainsi de nouvelles perspectives dans le domaine de la maintenance prédictive dans le secteur manufacturier. Voici une vidéo produite par Google qui démontre comment l’IA générative aide une entreprise de transport à résoudre un problème avec une locomotive défectueuse.

6. Génération de métadonnées pour les ERP

Pour les nouveaux produits, l’IA génère automatiquement des descriptions basées sur des produits similaires dans l’inventaire ou sur de brèves informations fournies par l’utilisateur. Le système d’IA générative peut être intégré à SAP, Oracle ou Microsoft Dynamics. Cela peut être réalisé via des intégrations API ou des modules personnalisés, garantissant que les métadonnées générées s’intègrent parfaitement dans le système de gestion des matières premières et de stocks.

Cette innovation simplifie et rationalise la gestion de l’inventaire, permettant aux équipes de se concentrer sur des tâches à plus forte valeur ajoutée et d’accélérer la mise sur le marché de nouveaux produits.

Je présente dans cet article une démonstration du fonctionnement de la génération de métadonnées à partir de texte et à partir d’une image.

Mise en place de l’IA générative dans l’industrie manufacturière

Pour intégrer avec succès l’IA générative, les responsables des opérations et de l’innovation doivent suivre quelques étapes cruciales, notamment la sélection de partenaires et d’outils appropriés, développement de la solution robuste et fonctionnelle, formation du personnel et gestion du changement, et la mise en place d’une stratégie à long terme pour maximiser les avantages de l’IA générative. Voici un lien vers un ebook qui guide les gestionnaires dans leur premier projet d’IA.

En résumé, l’IA générative représente une opportunité sans précédent pour l’industrie manufacturière québécoise. Dans un paysage industriel en constante évolution, l’adoption de l’IA générative représente un pas audacieux vers l’efficacité, l’innovation et la compétitivité. En suivant ces tendances émergentes, l’industrie manufacturière au Québec peut non seulement surmonter les défis actuels, mais également prospérer dans un avenir technologiquement avancé.

L’IA générative pour accélérer l’analyse des appels d’offre

Dans cette capsule vidéo, je plonge directement dans un exemple concret pour comprendre comment développer des solutions d’IA générative peut répondre aux besoins des entreprises. Cet exemple se concentrera sur un cas d’analyse d’appels d’offres, un domaine où de nombreuses entreprises investissent beaucoup de temps et de ressources.

D’abord, un peu de contexte

Dans le secteur des ventes, plus particulièrement dans certains domaines comme la construction et l’industrie minière, les appels d’offres sont une étape cruciale. Ces documents détaillés contiennent des informations essentielles sur les spécifications du projet, les délais, les exigences techniques et financières, et bien plus encore.

Problème d’affaires

L’analyse de ces appels d’offres peut s’avérer chronophage pour les organisations. Les entreprises doivent non seulement passer en revue d’innombrables pages de documents, mais elles doivent également extraire des informations déterminantes et identifier les opportunités stratégiques cachées au milieu de la masse d’informations.

Cela soulève un défi de taille pour les équipes en charge de la gestion des appels d’offres. Le temps consacré à cette tâche complexe pourrait être mieux utilisé ailleurs, tandis que des erreurs d’interprétation ou des informations manquées pourraient entraîner des conséquences coûteuses.

Proposition de valeur

C’est là que l’IA générative entre en jeu. Elle excelle dans la génération de contenu, la synthèse d’informations et la recherche, ce qui en fait un outil précieux pour grandement simplifier ce processus complexe.

L’IA générative peut automatiser une grande partie du travail lié à l’analyse d’appels d’offres, permettant ainsi aux entreprises de gagner du temps, de réduire les erreurs humaines et d’améliorer leur efficacité dans la prise de décision stratégique.

Alors, sans plus tarder, plongeons dans le monde fascinant de l’IA générative au service de l’analyse d’appels d’offres.

Transcription verbatim de la capsule vidéo

[Il est intéressant de noter que cette transcription a été effectuée avec des outils d’intelligence artificielle. Une tâche qui aurait pris 2 à 3h a été accomplie en quelques minutes.]

Introduction

Bonjour tout le monde, mon nom c’est Olivier Blais. Je suis cofondateur et VP Science de la décision pour Moov AI. Je suis super content d’être ici avec vous pour discuter d’IA générative et comment pouvoir développer des solutions d’IA générative pour entreprise.

Présentation du cas d’analyse d’appel d’offres

Donc pour être en mesure de parler de ces différentes étapes et pour pas se perdre parce que j’ai souvent tendance à me perdre tellement je suis excité. On va parler d’un cas plus précis et je vais vraiment le développer avec vous pour montrer un peu comment finir par avoir une solution qui est plus appropriée pour les entreprises? L’idée ici ce serait de prendre un cas d’analyse d’appel d’offres.

Parce qu’on sait que dans le domaine des ventes, surtout quand on va regarder en construction. Dans le domaine minier, dans plusieurs domaines. Dans des domaines de consultation management, on va se retrouver à avoir des appels d’offre qui sont souvent très longs, et ça prend un temps fou pour les organisations d’analyser les appels d’offres et de potentiellement aller de l’avant.

Ici on sait qu’on a un problème et mon but c’est d’essayer de voir si l’IA générative peut résoudre un problème. L’IA générative, dans quoi ça excelle? Ça va exceller dans certains éléments, ça va exceller dans des éléments où on a besoin de générer du contenu, où on a besoin de faire des sommaires de contenu, où on a besoin de pouvoir faire de la recherche. Donc de la recherche à même une base de contenu, ou finalement, quand on a besoin de générer du contenu un peu plus riche que du contenu textuel.

Dans notre cas, on peut voir assez bien que c’est aligné avec les capacités de l’IA générative parce que des appels d’offres tu as beaucoup de contenu textuel, donc c’est vraiment, c’est dans la recherche d’information, c’est aussi de la sommairisation, donc c’est de générer un sommaire. Et c’est de créer un sommaire qui est vraiment approprié pour l’équipe des ventes. Donc on est vraiment sur notre X.

On peut aller de l’avant avec l’IA générative, on a identifié notre besoin. L’étape d’après, c’est de se poser la question au niveau de l’analyse des risques.

Analyse des risques

C’est quoi les risques de créer un outil d’analyse des appels d’offres? On va voir un risque au niveau de la performance. Qu’est-ce qui arrive si on a une mauvaise performance au niveau de notre analyse d’appel d’offres? Mais le but, c’est d’avoir une bonne discussion et de savoir : ça vaut-tu la peine? Donc dans ce cas-ci, le sommaire serait probablement que le pire qui peut arriver, c’est que ça se peut qu’on manque certaines offres. Mais on en manque aujourd’hui de toute façon, et cela se peut qu’on se retrouve à analyser plus en profondeur certaines offres qui finalement ne sont pas nécessairement bonnes pour l’entreprise ou adéquates, donc le risque est quand même assez minimal.

Un autre risque qu’on voit souvent particulièrement au niveau de l’IA générative, c’est par rapport à la sécurité de l’information. Est-ce que les appels d’offres sont des appels d’offre qui sont publics. Par exemple dans le cas des appels d’offre gouvernementales, c’est des appels d’offre qui sont publics, donc l’information ne serait pas à risque.

Par contre, c’est toujours une bonne pratique d’utiliser des solutions qui garantissent la sécurité de l’information. On peut trouver ici des solutions qui sont dans des services professionnels comme par exemple Azure a les services professionnels pour le faire, Google avec PaLm-2 a des services professionnels dans lesquels l’information ne va pas sortir de vos environnements à vous. Donc la sécurité de l’information est garantie.

Mais dans ce cas-ci, le risque est minimal. Par la suite, un dernier risque que je vais élaborer parce qu’il y en a plusieurs autres, mais un autre risque qui est commun auprès des solutions d’IA générative, c’est au niveau des droits d’auteur. Donc si on planifie par exemple de vendre l’information qui est générée ou des images générées par l’IA générative, il faut être conscient que c’est possible qu’il y ait des droits d’auteur qui puissent être bafoués dans l’extrant des solutions d’IA générative. Mais dans ce cas-ci ce n’est aucunement le cas, donc on peut aller de l’avant.

La preuve de concept

Alors on a identifié notre besoin. On a remarqué que notre besoin ne comporte pas des risques qui sont trop élevés, donc on est prêt à aller de l’avant. Qu’est-ce qu’on fait quand on va de l’avant? On commence avec une preuve de concept. Une preuve de concept surtout avec l’IA générative, c’est très facile.

On utilise une solution comme, dans ce cas-ci, on pourrait utiliser PaLm-2 de Google, donc on accède à PaLm-2 à même Google Cloud plateforme. Donc on accède dans la plateforme. On teste donc ce qu’on va faire, c’est qu’on va se retrouver à générer une commande ou un prompt.

Construction de la commande

C’est l’intrant que tu vas fournir à l’IA générative qui va te permettre de pondre la réponse. Cet intrant-là, comment qu’on le bâtit? Et bien ça va prendre certains ingrédients? Donc premièrement, on va vouloir du contexte, donc le contexte, c’est le rôle que l’IA générative va prendre dans la création de son extrant. Dans ce cas-ci, moi, je veux que l’IA générative soit un analyste des ventes. Donc « en tant qu’analyste des ventes », donc déjà tu lui fournis du contexte. Tu peux même lui fournir du contexte « en tant qu’analyste de ventes pour une grande entreprise de construction au Québec », je lui donne encore plus de contexte, donc je me retrouve à avoir une solution qui est encore plus adéquate.

Par la suite, on va vouloir aussi lui donner la tâche à accomplir bien entendu « Génère-moi un sommaire de l’appel d’offres suivantes ». Donc tu lui fournis par la suite et ça, c’est le troisième ingrédient de ma commande, ça va être de lui fournir de l’information. Donc dans ce cas-ci, on va parler vraiment de l’appel d’offres que tu veux lui fournir. Donc si c’est une preuve de concept, ça peut être aussi simple que petit copier-coller, et je comprends qu’ici on va atteindre probablement une limite, parce que si on regarde des appels d’offre gouvernementales, c’est très, très, long. Dans ce cas-ci, ce qu’on peut faire, c’est qu’on peut juste lui fournir plein de sections de l’appel d’offres. On fait des sommaires de la section de l’appel d’offres. Par la suite, on fait un sommaire global de contenant de tous les sommmaires. Donc ça, ce serait une façon d’y arriver.

Et finalement, le dernier ingrédient, ça va être de lui proposer l’extrant. Donc l’extrant, c’est pas juste un sommaire. Je veux qu’il comporte de l’information sur le client, l’information sur le projet, c’est quoi le risque, c’est quoi les certaines clauses légales qui sont particulièrement importantes pour l’entreprise, et, etc. Donc on peut vraiment lui proposer, on peut diriger en fait l’IA générative en lui donnant certaines clauses.

Test de la commande

Donc maintenant qu’on a fourni une bonne commande, on teste, on regarde si ça fonctionne bien, on mélange, on change un petit peu de la façon dont’ écrit jusqu’à tant qu’on se retrouve à avoir une solution qui est performante.

Transformation en solution avec interface

Et quand on a une solution qui est performante, bien après on l’habille. Donc on le transforme en solution en créant une interface. En créant une façon qu’on peut simplement importer l’appel d’offre ou aller l’identifier sur internet pour être capable d’avoir une solution qui va fonctionner en temps réel et qui va vraiment pouvoir aider l’équipe de vente au sein de l’entreprise.

Donc j’espère que vous avez apprécié cet exemple-là un peu plus concret pour expliquer comment c’est une solution d’IA générative en entreprise.

L’intelligence artificielle dans le commerce de détail : la liste ultime des cas d’utilisation

L’anticipation des tendances futures est la clé du succès pour les entreprises de détail, de produits alimentaires et de biens de consommation (CPG). Et qui dit prédiction, dit intelligence artificielle (IA) qui émerge comme le supercarburant de cette machine à prévoir.

Il n’existe rien de constant si ce n’est le changement

Bouddha

Les gestionnaires qui doivent faire face à la saisonnalité, aux changements soudains des niveaux de demande, aux événements, aux variations de prix des fournisseurs, aux grèves, aux bouleversements de l’économie, ne voient pas les outils de forecasting comme un luxe, mais comme une nécessité pour prendre des décisions éclairées.

Et c’est comprenable. L’impact des mauvaises décisions prises « aveuglément » ou avec des prédictions imprécises peut largement dépasser le coût d’intégration de l’IA pour obtenir des forecast précis.

Cet article explore comment les entreprises du commerce de détail, des biens de consommation et de l’alimentaire peuvent améliorer leurs prises de décision grâce à l’intelligence artificielle. Nous mettrons en lumière les bénéfices potentiels à travers des exemples concrets d’utilisation.

Des données aux bénéfices

La solution d’intelligence artificielle est le moteur du modèle permettant de sortir des insights et ultimement, de permettre de meilleures prises de décisions basées sur ces insights. Les données en sont le carburant et l’IA est basée sur les données observées de sorte que les prédictions sont extrêmement fiables et très précises.

Signaux multidimensionnels

L’évaluation simultanée de l’impact de multiples variables est une tâche extrêmement complexe, voire impossible pour les êtres humains. L’IA est capable de détecter les variables qui exercent un réel impact sur les prédictions, et de quantifier leur influence sur votre entreprise. Parmi ces variables, que nous qualifions de « signaux multidimensionnels », on retrouve les données météorologiques, de production, de transactions (POS), les promotions actuelles et à venir, les prix de vente, bref toutes les données qui peuvent avoir un impact sur la demande.

Certaines de ces variables sont désignées comme des « leviers », tels que le prix et les promotions. Ce sont des variables sur lesquelles l’entreprise a un contrôle total (contrairement à la météo, ce serait pratique par contre), et avec lesquelles il est possible de réaliser des simulations pour déterminer le prix optimal ou même mettre en place une tarification dynamique.

Forecast avec l’IA : La « colonne vertébrale » de la solution

La prévision grâce à l’intelligence artificielle prend en charge toutes les données mentionnées précédemment et les intègre automatiquement dans le modèle d’IA dans un processus automatisé. Ce modèle d’IA est capable d’identifier des motifs complexes au sein des données, permettant ainsi de discerner les véritables tendances et de générer des insights cruciaux pour la prise de décision.

Dans les secteurs du commerce de détail, de l’alimentaire et des biens de consommation, le rôle du forecasting va bien au-delà de simples prédictions. Il représente un outil essentiel pour anticiper les tendances futures, optimiser les opérations et maintenir la compétitivité.

Voici un exemple de la précision possible dans vos forecast grâce à l’IA

Dans cet exemple, la précision de l’IA nous permet de prévoir la demande future pour de vis (« screws ») d’un détaillant, et ce, à l’intérieur d’un intervalle de confiance de 90%.

Les bénéfices

À partir des insights, on a un meilleur portrait de la situation et on ainsi prendre de meilleures décisions et optimiser ses opérations. Par un simple exemple, à partir d’information comme la corrélation entre la météo d’une journée ensoleillée, la promotion en cours sur les pains à hot-dog, les données historiques de ventes, ont peut être en mesure de prévoir la bonne quantité de saucisses à hot-dogs de manière très précise. Dans ce simple cas d’usage, on réussit à :

  • Optimiser la gestion de l’inventaire
  • Optimiser les horaires en sachant la quantité d’items prévus être vendus

Et ainsi répondre à vos hypothèses, maximiser l’efficacité opérationnelle, leur rentabilité, tout en diminuant la charge de travail de votre équipe.

La liste complète des cas d’utilisation de l’IA dans le commerce de détail

Dans cette section, nous explorerons en détail divers cas d’utilisation concrets de la prévision avec l’intelligence artificielle, démontrant ainsi comment cette technologie novatrice peut transformer fondamentalement la manière dont les entreprises abordent la gestion de la demande, de la production, des stocks et bien plus encore.

En utilisant des exemples concrets et des études de cas inspirantes, nous découvrirons comment l’IA redéfinit les normes en matière de planification stratégique et opérationnelle.

Sans plus tarder, voici la liste de tous les cas d’usage. Utilisez cet article comme une référence en utilisant les liens ci-bas qui vous mèneront à une description de chacun des cas d’utilisation.

La liste des cas d’usage de l’intelligence artificielle dans le commerce de détail, des biens de consommation et de l’alimentaire.

1.  Génération automatique de métadonnées grâce à l’IA

Pour commencer, il s’agit d’un cas d’usage d’intelligence artificielle générative qui révolutionne la gestion des métadonnées en automatisant la création d’étiquettes et de descriptions de produits. Intégrée aux systèmes existants, elle assure une cohérence conforme aux normes de l’entreprise. Grâce à l’analyse du langage naturel avancée et à l’analyse d’images, elle génère des métadonnées précises et pertinentes.

En pratique, on utilise la structure actuelle de métadonnées de l’entreprise comme exemple à donner au modèle d’IA générative. Avec les descriptions des produits futurs, le modèle génère les nouvelles métadonnées suivant la même logique.

Cela facilite la gestion des stocks et améliore l’expérience utilisateur sur les plateformes d’ecommerce. Je présente en profondeur ce cas d’usage en capsule-vidéo dans cet article. Selon moi, il apporte une valeur significative par l’économie de coûts tout en améliorant le rendu de la tâche.

2. Prévision de la demande

Un système d’IA bien conçu pour aider les gérants en magasin à commander la bonne quantité de marchandises qui seront vendues dans les prochains jours ou semaines. C’est ce que nous avons fait pour les épiceries Métro et leur demande en produits périssables.

3. Optimisation des stocks

En prévoyant avec précision la demande, les entreprises peuvent éviter les ruptures de stock (et réduire les stocks excédentaires). Cela permet d’améliorer la satisfaction des clients, de minimiser les coûts de détention et de gérer efficacement la chaîne d’approvisionnement.

  • Planification des stocks en fonction de la demande : prédire avec précision la demande future afin d’optimiser les niveaux de stock en stockant la bonne quantité de produits au bon moment, réduisant ainsi le risque de ruptures de stock ou de surplus de stock.
  • Réapprovisionnement dynamique : ajuster les niveaux de stock pour minimiser les ruptures de stock et éviter le surstockage.
  • Planification de la demande saisonnière : adapter les plans d’approvisionnement, de production et de distribution pour assurer une disponibilité adéquate des stocks sans coûts de possession excessifs.
  • Inventaire juste à temps basé sur la prévision de la demande.

4. Planification de production basée sur la demande

Les fabricants et les fournisseurs s’appuient sur les prévisions de la demande pour planifier leurs programmes de production et allouer efficacement leurs ressources.

En comprenant les tendances futures de la demande, ils peuvent ajuster les capacités de production, optimiser l’approvisionnement en matières premières et rationaliser les processus de fabrication afin de répondre aux besoins anticipés des clients.

  • Production axée sur la demande : ajuster les capacités de production et aligner les processus de fabrication pour répondre à la demande anticipée des clients.
  • Approvisionnement en matières premières : prévoir la demande pour ajuster les calendriers d’approvisionnement, garantir la disponibilité des matériaux en temps voulu et éviter les ruptures de stock ou les stocks excédentaires.
  • Planification de la production pour les variations saisonnières : fournir des informations sur la demande attendue au cours de saisons spécifiques afin d’ajuster les programmes de production, d’allouer les ressources de manière appropriée et d’optimiser les niveaux de stocks pour répondre aux variations saisonnières de la demande.

5. Optimisation des prix

La cinquième application se présente comme un élément clé pour maximiser les revenus tout en garantissant la satisfaction des clients et la compétitivité sur le marché. L’utilisation de l’IA dans les prévisions permet d’optimiser les prix avec précision.

  • Tarification dynamique : ajustement dynamique des prix en fonction des fluctuations de la demande, du comportement des concurrents ou d’autres conditions du marché afin d’optimiser la tarification en temps réel, de maximiser les revenus et de répondre plus efficacement à la dynamique du marché.
  • Analyse de l’élasticité des prix : comprendre l’élasticité des prix, qui mesure la sensibilité de la demande des clients aux changements de prix, afin de déterminer les points de prix optimaux qui concilient la maximisation des revenus et le maintien de la demande des clients. Cela permet de fixer des prix qui permettent d’obtenir la valeur la plus élevée possible sans sacrifier le volume des ventes.
  • Tarification personnalisée : segmenter les clients en fonction de leurs préférences, de leur comportement d’achat ou d’autres facteurs pertinents afin de générer des recommandations de tarification adaptées à chaque segment de clientèle. Les entreprises peuvent ainsi proposer des prix ou des remises personnalisés qui correspondent aux besoins individuels des clients et renforcent leur fidélité.
  • Optimisation de la tarification promotionnelle : générer des informations sur les stratégies de prix promotionnels les plus efficaces afin de déterminer les bons niveaux de remise, la durée et le calendrier des promotions pour maximiser les ventes et la rentabilité.
  • Analyse de la tarification concurrentielle : Comprendre les stratégies de prix des concurrents afin d’ajuster ses propres stratégies de prix pour rester compétitif tout en préservant la rentabilité.

6. Gestion de la chaîne d’approvisionnement

La prévision par l’IA permet une prévision précise de la demande, une gestion efficace des stocks, une production rationalisée et une planification logistique efficace, ce qui conduit à une chaîne d’approvisionnement plus agile et plus résiliente.

L’amélioration de la planification de la chaîne d’approvisionnement permet de réduire les ruptures de stock et les surstocks, et d’accroître l’efficacité opérationnelle globale.

  • Prévision de la demande de transport : afin d’optimiser la planification logistique, d’allouer les ressources de transport appropriées et d’améliorer l’efficacité des livraisons. Des prévisions précises permettent une meilleure coordination avec les transporteurs et réduisent les coûts de transport.
  • Planification de la capacité de production : pour optimiser la planification de la production, garantir une utilisation optimale des ressources et éviter les contraintes de capacité. Une prévision précise des capacités permet d’améliorer la programmation de la production et de minimiser les perturbations.
  • Prévision des délais : prévoir les délais de livraison des matières premières ou des produits finis afin d’optimiser les niveaux de stocks, de planifier les calendriers de production et de gérer les attentes des clients. Une prévision précise des délais permet un meilleur réapprovisionnement des stocks et réduit les ruptures de stock ou les stocks excédentaires.
  • Prévision des retards d’expédition : prévoir les retards d’expédition potentiels afin de gérer de manière proactive les perturbations potentielles, d’ajuster les plans de production ou d’inventaire et de communiquer des mises à jour en temps utile aux clients. La prévision précise des retards d’expédition améliore la satisfaction des clients et la fiabilité de la chaîne d’approvisionnement.
  • Analyse de la variabilité de la demande : pour comprendre l’ampleur des fluctuations de la demande, planifier les niveaux de stock de sécurité et ajuster les stratégies d’inventaire pour atténuer l’impact des incertitudes de la demande. Une analyse précise de la variabilité de la demande permet de minimiser les coûts de stockage et les ruptures de stock.
  • Optimisation des stocks : optimiser les niveaux de stocks dans ses installations de stockage en fonction de la demande de produits et de la rotation des stocks. La prévision précise des niveaux d’entreposage permet une gestion efficace des stocks, réduit les coûts d’inventaire et minimise les engagements financiers liés aux stocks.
  • Prévision des performances des fournisseurs : évaluer la fiabilité des fournisseurs, identifier les goulots  d’étranglement ou les risques et optimiser la sélection des fournisseurs pour une meilleure efficacité de la chaîne d’approvisionnement.

7.  Optimisation des promotions

Les modèles d’IA peuvent évaluer l’efficacité de différents types de promotions, de calendriers et de niveaux de remise. En comprenant l’impact des promotions sur la demande, les entreprises peuvent optimiser leurs stratégies promotionnelles, allouer les ressources de manière efficace et garantir des niveaux de stock suffisants pour répondre à la demande accrue pendant les périodes de promotion.

  • Façonnage de la demande : prédire l’impact potentiel de différents scénarios promotionnels sur la demande des clients. En simulant diverses stratégies promotionnelles, des remises sur les prix ou des options de regroupement de produits, les modèles d’IA peuvent aider les détaillants et les entreprises de biens de consommation à façonner la demande des clients et à optimiser les plans promotionnels. Cela permet d’améliorer la planification des stocks, l’ordonnancement de la production et l’affectation des ressources.
  • Promotions spécifiques aux canaux de distribution : Les prévisions de l’IA peuvent analyser les préférences des clients, leur comportement d’achat et les données spécifiques à chaque canal afin d’optimiser les stratégies promotionnelles pour les différents canaux de vente. Il est possible de recommander des promotions ciblées adaptées aux caractéristiques uniques de chaque canal. Cela aide les détaillants et les entreprises de biens de consommation à offrir des expériences personnalisées et à stimuler les ventes par le biais des canaux les plus efficaces.
  • Analyse de la concurrence : Les prévisions de l’IA peuvent analyser les données promotionnelles des concurrents, les tendances du marché et les informations sur les prix afin de fournir des informations sur les stratégies promotionnelles concurrentielles. En surveillant et en évaluant les activités promotionnelles des concurrents, les modèles d’IA peuvent aider les détaillants et les entreprises de biens de consommation à rester compétitifs, à ajuster les prix et les tactiques promotionnelles, et à conquérir efficacement des parts de marché.
  • Promotions saisonnières et événementielles : Les prévisions de l’IA peuvent analyser les modèles de vente historiques, le comportement des clients et les événements externes afin d’optimiser les promotions saisonnières ou événementielles. En comprenant l’impact de saisons spécifiques, de fêtes ou d’événements culturels sur la demande des clients, les modèles d’IA peuvent recommander des stratégies promotionnelles et des calendriers optimaux. Cela permet aux détaillants et aux entreprises de biens de consommation de maximiser les opportunités de vente pendant les périodes de pointe.
  • Planification de l’assortiment/analyse du panier de marché : il s’agit d’un processus stratégique dans les secteurs de la vente au détail et des biens de consommation qui consiste à déterminer la gamme et le mélange optimal de produits à offrir aux clients. L’objectif est de créer un assortiment de produits bien conçu qui correspond aux préférences des clients, maximise le potentiel de vente et améliore la satisfaction globale des clients. Découvrir les relations entre les produits fréquemment achetés ensemble, ce qui permet de créer des opportunités de vente croisée et de vente incitative. Cela permet d’optimiser le placement des produits, la planification de l’assortiment et les campagnes de marketing ciblées afin de maximiser le chiffre d’affaires.

8. Prévision des ventes

Les entreprises peuvent prendre des décisions éclairées sur les objectifs de vente, l’allocation des ressources et les stratégies marketing en fonction des prévisions précises alimentées par l’intelligence artificielle.

Ultimement, on obtient une prévision précise de la demande, une meilleure planification des ventes, une meilleure gestion des stocks, etc. Et donc un avantage concurrentiel.

  • Segmentation des clients : Segmentation des clients pour prévoir les ventes et les stocks, créer des campagnes de marketing et optimiser les opérations en fonction des segments les plus performants.
  • Prévision de la demande par catégorie de produits : fournit des informations sur les modèles et les tendances de la demande pour différentes catégories de produits afin de générer des prévisions précises pour des catégories de produits spécifiques. Cela permet aux détaillants et aux entreprises de produits de grande consommation d’optimiser les niveaux de stocks, d’ajuster les plans de production et de planifier les stratégies de marketing en fonction de la demande anticipée pour chaque catégorie.

9. Gestion de la main-d’œuvre

L’IA permet d’optimiser la planification de la main-d’œuvre, la programmation efficace et l’affectation en fonction des compétences, ce qui conduit finalement à une amélioration de la productivité, à une réduction des coûts de main-d’œuvre et à une meilleure expérience globale des employés et des clients.

  • Planification en fonction de la demande : aligner les niveaux de personnel sur la demande anticipée afin d’assurer une couverture suffisante pendant les heures de pointe et de minimiser les coûts de main-d’œuvre pendant les périodes plus creuses. Cela permet de maximiser la productivité et de réduire l’inefficacité de la main-d’œuvre. Elle permet de faire correspondre les compétences et l’expertise du personnel à des tâches spécifiques ou à des exigences professionnelles.
  • Affectation du personnel : comprendre les fluctuations de la demande afin d’affecter efficacement la main-d’œuvre aux domaines qui requièrent davantage de soutien, ce qui permet d’optimiser les ressources en main-d’œuvre et d’améliorer l’efficacité opérationnelle.
  • Planification de la main-d’œuvre saisonnière : prévoir les besoins futurs en main-d’œuvre. Cela permet d’embaucher, de former et de planifier de manière proactive les travailleurs temporaires ou saisonniers, garantissant ainsi des niveaux de personnel adéquats pendant les périodes de pointe.
  • Formation et montée en compétence : en remettant des outils de prédiction qui aident à la prise de décision, Metro a été en mesure de former plus rapidement de nouveaux employés pour faire les commandes.

Par où commencer ?

Dans un environnement où les possibilités d’utilisation de l’intelligence artificielle sont vastes, il est essentiel de faire preuve de discernement dans le choix des cas d’utilisation à explorer.

Avant d’adopter une solution d’IA, il est primordial de réfléchir aux objectifs d’affaires que vous vous êtes fixés. Une solution d’IA doit répondre à vos objectifs d’affaires. 

Ensuite, je privilégie la validation de principe (PoC) qui permet de réduire la complexité et d’obtenir rapidement une valeur élevée. Une PoC est une démonstration pratique qui permet de valider la faisabilité technique et la valeur potentielle d’une solution avant de s’engager dans une solution complètement intégrée à vos systèmes.  Si vous voulez en savoir plus sur la meilleure méthode pour démarrer un projet d’IA, nous avons un bon eBook pour vous.

En conclusion

Le responsable de magasin doit jongler avec une variété de dimensions, de produits et de sources de données. Prédire la demande de chaque article et la convertir en quantité à commander pour atteindre un équilibre optimal entre l’augmentation des ventes et la réduction des pertes représente un défi extrêmement difficile.

Le traitement de cette quantité considérable de données dépasse les capacités du cerveau humain. Ce projet incarne fidèlement notre vision de l’humainIA : un outil propulsé par l’IA qui améliore la capacité des individus à prendre de meilleures décisions.

L’intelligence artificielle révolutionne la manière dont les entreprises du secteur de la vente au détail, de l’alimentation et des biens de consommation abordent les prévisions. Grâce à ses compétences avancées en traitement de données et en apprentissage automatique, l’IA offre la possibilité de prédire avec précision, de planifier efficacement et d’innover de manière proactive.

Ce n’est plus une simple option, mais une nécessité pour les entreprises qui aspirent à prospérer dans un environnement commercial compétitif et en constante évolution.

Section Questions/Réponses (Q/R) :

En quoi l’IA diffère-t-elle des méthodes de forecasting traditionnelles ?
L’IA diffère des méthodes de prévision traditionnelles en exploitant l’apprentissage automatique et en analysant de vastes ensembles de données pour identifier des schémas et effectuer des prédictions précises. Cela élimine les biais humains et réduit les erreurs couramment associées à l’analyse manuelle.


Quels sont les avantages du forecasting par l’IA dans l’industrie du commerce de détail ?
Certains avantages de la prévision par l’IA dans l’industrie du commerce de détail incluent une précision accrue, une meilleure efficacité, des insights en temps réel et une optimisation de la demande. Ces avantages aident les détaillants à optimiser leurs opérations, réduire les coûts et offrir des expériences client supérieures.


Quels défis les entreprises sont-elles susceptibles de rencontrer lors de la mise en œuvre de la forecasting par l’IA ?
Les entreprises peuvent rencontrer des défis liés à la qualité et à l’accessibilité des données, à l’interprétabilité des modèles, ainsi qu’à la surveillance et à l’adaptation continues. Pour surmonter ces défis, il est nécessaire de disposer d’une infrastructure adéquate, de techniques d’interprétabilité et de mises à jour régulières afin d’assurer la précision et l’efficacité des modèles de prévision par l’IA.

Génération automatisée de métadonnées: Solutions pour Inventaires SAP, Oracle et Microsoft Dynamics

Image pour l'article Génération de métadonnées

Génération automatisée de métadonnées: Solutions pour Inventaires SAP, Oracle et Microsoft Dynamics

Imaginez que les descriptions et les catégories de vos produits en inventaire se génèrent automatiquement. Cette perspective est désormais accessible grâce à l’intelligence artificielle générative.

Comme tout projet d’innovation, on cherche à obtenir une hausse de la productivité, une réduction des coûts, une meilleure gestion des ressources dans le but ultime de gagner un avantage compétitif. Et c’est exactement ce que permet l’intégration de l’IA dans l’ERP.

Le cas d’usage présenté dans cet article, à savoir la génération de métadonnées, est définitivement une opportunité pour les entreprises dans le commerce de détail qui utilisent des ERP tels que SAP, Oracle et Microsoft Dynamics.

Avantages à intégrer l’IA générative au SAP / Oracle / Microsoft Dynamics

Recherche et recommandation améliorées
Grâce aux métadonnées générées avec précision, les fonctionnalités de recherche et de recommandation au sein de l’ERP peuvent être grandement améliorées. Par exemple, une recherche pilotée par l’IA pourrait fournir des résultats plus pertinents pour les utilisateurs à la recherche de produits ou de pièces spécifiques.

Enrichissement des données
Au-delà des métadonnées de base, l’IA générative peut également contribuer à enrichir les données produites. Par exemple, elle peut suggérer des produits potentiellement complémentaires ou à vendre en complément en se basant sur les métadonnées d’autres produits similaires.

Évolutivité / « Scale Up »
Pour les entreprises disposant d’inventaires vastes et en évolution constante, la mise à jour ou la création manuelle de métadonnées pour chaque produit peut être une tâche ardue. L’IA générative peut être mise à l’échelle pour gérer des milliers de produits, garantissant ainsi la génération et la mise à jour cohérentes des métadonnées.

Fonctionnement de l’IA générative et intégration dans SAP / Oracle / Microsoft Dynamics

Génération de métadonnées à partir de texte

Génération de métadonnées à partir d’une image

1. Génération des métadonnées

Génération automatique de descriptions
Pour les nouveaux produits, l’IA génère automatiquement des descriptions basées sur des produits similaires dans l’inventaire ou sur de brèves informations fournies par l’utilisateur.

Catégorisation et étiquetage
L’IA générative peut suggérer ou générer des catégories ou des étiquettes pour les produits en se basant sur leurs descriptions, leurs images ou d’autres attributs.

Localisation
Si vous opérez dans plusieurs régions, l’IA peut être formée pour générer des métadonnées de produits dans plusieurs langues, ce qui facilite la localisation des articles de l’inventaire.

2. Contrôle qualité et affinage

Boucle de rétroaction
Pour améliorer continuellement la précision, un mécanisme de rétroaction est mis en place, où les métadonnées incorrectes ou inadéquates générées par l’IA sont corrigées par l’humain. Ces données corrigées servent de données d’entraînement supplémentaires, affinant les résultats de l’IA au fil du temps.

Processus de validation
Avant que les nouvelles métadonnées générées ne soient acceptées, on procède à une étape de validation pour en assurer l’exactitude et la pertinence.

3. Intégration avec l’ERP

Le système d’IA générative peut être intégré à SAP, Oracle ou Microsoft Dynamics. Cela peut être réalisé via des intégrations API ou des modules personnalisés, garantissant que les métadonnées générées s’intègrent parfaitement dans le système de gestion des stocks.


Série sur l’intelligence artificielle générative

Cet article fait partie d’une série que nous avons produite pour aider les entreprises à mieux comprendre l’IA générative et ses possibilités.


Génération de métadonnées avec l’intelligence artificielle [Vidéo avec Olivier Blais]

Dans cette vidéo, je détaille comment l’IA générative offre aux entreprises collaborant avec des solutions telles que SAP, Oracle et Microsoft Dynamics la possibilité de rationaliser la génération automatique des métadonnées de leurs produits en stock. L’application de cette technologie à ce contexte spécifique se révèle sans aucun doute parmi les perspectives les plus prometteuses dans le domaine du commerce de détail. Je vous souhaite une agréable écoute.

[Cet article est une transcription verbatim de la capsule vidéo d’Olivier Blais générée par des outils d’intelligence artificielle générative, corrigée par un humain.]

Introduction à l’IA générative pour la génération de métadonnées

Bonjour tout le monde. Cette semaine, on va parler d’un cas d’usage de l’intelligence artificielle générative qui m’intéresse particulièrement. Pourquoi? Parce que c’est un cas qui va vraiment sauver du temps, puis va nous aider à pouvoir régler un problème qui est quand même assez fastidieux, c’est de créer des métadonnées.

Je ne sais pas si vous le savez, mais pour qu’un magasin puisse afficher des milliers de produits sur un site web, par exemple ou pour s’assurer que tous les produits, que tous les items soient bien répertoriés. Bien, ça prend beaucoup de jus de bras, ça prend beaucoup de temps et ça prend des grandes équipes qui entrent et qui génèrent de l’information dans des systèmes. Souvent cette information là, c’est de l’information qui est des doublons, des fois, c’est de prendre de l’information qui vient d’un système, puis de la convertir, de l’amener vers un autre système. Des fois, c’est de pouvoir analyser une description d’un produit pour être capable de la catégoriser. Et ça c’est un requis, on en a toujours besoin, que ce soit dans des, dans des systèmes de style ERP. Que ça soit dans des systèmes de toutes sortes et c’est beaucoup de travail qui est requis.

Ici, ce qu’on se dit depuis le début, depuis des années, c’est qu’on va essayer de faire les choses le mieux possible. Donc on va se retrouver à faire des processus qui sont un petit peu plus efficaces. On va gagner des minutes ici et là en simplifiant le processus de génération de métadonnées.

Opportunité dans le commerce de détail

Par contre, avec l’IA générative, on amène des solutions qui vont changer de la façon qu’on génère notre information. Ici on a simplement besoin d’avoir une description de produit par exemple et de savoir c’est quoi les différents champs, c’est quoi les requis d’avoir quelques contraintes pour être capable de générer des métadonnées de façon très précise.

On va vraiment être capable de gagner non seulement mais en vitesse. On pourrait voir de réduire de 50 à 75% le temps que ça prend pour générer des métadonnées, mais aussi on va gagner en précision. On va être capable de générer de l’information, de beaucoup meilleure qualité.

Comment on procède pour générer les métadonnées

Comment ici ça se fait? C’est en se basant sur les métadonnées qu’on a déjà dans nos systèmes. Donc ici, on n’a même pas besoin de sortir de nos systèmes. On prend de l’information qu’on a déjà, puis on s’en inspire. On prend ces exemples-là et on les fournit à l’IA générative.

Alors on prend une description de produit, on prend des exemples de métadonnées et on dit essentiellement de répliquer cette structure-là. Et le tour est joué.

Application concrète de l’IA pour la génération de métadonnées

En fait, ici, je vais vous donner un exemple. On peut prendre une quincaillerie ou une épicerie par exemple. Prenons une épicerie, une épicerie, ça a beaucoup d’articles en inventaire.

On va à l’épicerie, il y a des dizaines de milliers d’article. Et à chaque mois, à chaque semaine, il va y avoir même des nouveaux articles. Donc ça, ce que ça veut dire, c’est qu’à chaque semaine, on a une équipe potentiellement d’une centaine de personnes, que leur tâche c’est de remplir de l’information sur une nouvelle sorte de tomate ou sur des nouvelles cannes de soupe pour être capable de bien la répertorier puis de pouvoir la vendre bien ça, c’est fastidieux, c’est long. Puis ça n’a pas une grande valeur ajoutée.

Ici ce qu’on parle c’est finalement tu prends de l’information qui est fournie par les fournisseurs, tu la rentres dans une solution d’IA générative et ça va te retourner les métadonnées qui sont nécessaires pour pouvoir les rentrer dans une solution ERP comme une solution SAP. Et bien à partir de cette solution SAP, quand les métadonnées sont entrées, le tour est joué et on peut se retrouver à vendre l’article puis l’ajouter sur les tablettes.

N’hésitez pas si vous avez d’autres idées de use cases, ça me fait plaisir d’en discuter.

Conclusion et perspectives

En conclusion, l’intégration de l’intelligence artificielle générative dans les pratiques commerciales ouvre la voie à des avancées significatives et transformationnelles.

L’approche de la génération de métadonnées s’appuie sur les informations déjà présentes dans les systèmes de l’entreprise, évitant ainsi les efforts inutiles et les redondances. En fournissant simplement une description de produit et des exemples de métadonnées, les entreprises peuvent obtenir rapidement et précisément les données nécessaires pour alimenter leurs systèmes ERP. Cette innovation simplifie et rationalise la gestion de l’inventaire, permettant aux équipes de se concentrer sur des tâches à plus forte valeur ajoutée et d’accélérer la mise sur le marché de nouveaux produits.

Le cas d’utilisation dans le domaine du commerce de détail n’est que le début d’une exploration plus vaste des possibilités offertes par l’intelligence artificielle générative.

Les cas d’usage essentiels de l’intelligence artificielle générative

Featured image_Les cas d’usage essentiels de l’intelligence artificielle générative

L’intelligence artificielle générative : Pourquoi tout le monde en parle ? 

Avec la popularité croissante des technologies d’intelligence artificielle générative, comme PaLM2 et ChatGPT, de plus en plus d’entreprises recherchent des moyens d’intégrer l’IA dans leurs opérations quotidiennes. Selon un rapport de McKinsey, l’IA générative aura un impact significatif sur l’économie en augmentant la valeur économique de l’IA de 15 à 40%. Ça représente une valeur annuelle estimée entre 2,6 et 4,4 trillions de dollars. C’est énorme !  

L’IA générative a le potentiel de révolutionner plusieurs secteurs et à l’heure actuelle, les solutions d’intelligence artificielle générative sont déjà déployées pour simplifier des tâches et optimiser des processus. Google et Microsoft proposent désormais des outils spécialement conçus pour faciliter l’intégration de cette technologie en entreprise. D’ailleurs, si vous ne l’aviez pas déjà lu, nous recommandons l’utilisation des outils d’IA générative en optant pour une solution adaptée pour les entreprises. 

Bref, l’IA générative offre un potentiel pour automatiser, améliorer et accélérer diverses tâches. Dans cet article, notre objectif est d’explorer comment cette technologie peut renforcer le travail et démontrer comment les entreprises peuvent en bénéficier. 

Utilisation de l’IA générative 

Dans tous les exemples ci-bas, nous conseillons, comme tous les systèmes d’IA que nous développons, d’impliquer l’humain dans le processus. Pour nous, l’IA générative permet d’améliorer l’efficacité de vos employés, mais il est primordial de garder l’humain dans la boucle. Sans plus tarder, en voici quelques exemples. 

Nous avons regroupé les cas d’utilisation en 4 catégories distinctes et vous les présentons de manière concise à travers 2 capsules vidéo englobant l’ensemble de ces catégories.

Partie 1 : Générer du contenu et résumer du texte

La première capsule présente l’intelligence artificielle pour générer du contenu et pour résumer des textes.

Se rendre à la partie 2

1. Générer du contenu

L’IA générative ouvre de nouvelles perspectives impressionnantes en matière de création de contenu dynamique. Un cas d’utilisation bien connu, l’IA générative peut être utilisée pour générer automatiquement du texte. Cette technologie peut être appliquée dans divers contextes, voici les plus pertinents :

  • Génération de métadonnées pour des produits
    L’IA générative révolutionne la manière dont les entreprises gèrent les métadonnées des produits qu’ils ont en inventaire en automatisant l’étiquetage (tag), la création de descriptions et le groupement en catégories. Grâce à un traitement avancé du langage naturel et à l’analyse d’images, l’IA générative extrait les attributs essentiels des produits, générant des métadonnées précises et pertinentes. Ces opérations optimisent le processus de mise à jour des stocks et améliorent également la fonctionnalité de recherche et l’expérience utilisateur sur les plateformes de commerce électronique. La scalabilité et l’efficacité de l’IA générative en font un outil inestimable pour les entreprises cherchant à optimiser leur gestion de l’information produite. Nous avons un article dédié à ce cas d’usage.
  • Agent conversationnel externe.
    Les agents conversationnels ou chatbot alimentés par l’IA générative peuvent interagir avec les utilisateurs de manière naturelle et fluide tout en respectant les politiques de gouvernance interne et votre image de marque. Ils sont capables de générer des réponses pertinentes et cohérentes en fonction des questions posées, améliorant ainsi l’expérience utilisateur et l’efficacité du service client.
  • Génération de documents.
    L’IA générative peut produire des documents complets, comme des rapports, des articles de blog, des résumés, etc., en fonction des informations fournies en entrée. Cela peut être particulièrement utile pour la création de contenu volumineux par exemple des rapports juridiques et des analyses de cas pour les avocats.

2. Résumer du texte

La capacité de l’IA générative à extraire l’essence d’un texte et à le résumer de manière concise trouve des applications variées :

  • Analyse du flot de la clientèle.
    En analysant les commentaires, avis et réactions des clients, l’IA générative peut générer des résumés qui fournissent des informations précieuses sur les tendances et les préférences de la clientèle, aidant ainsi les entreprises à prendre des décisions éclairées.
  • Assistance de recherche pour les experts.
    Dans les domaines techniques ou spécialisés, l’IA générative peut assister les experts en générant des résumés de recherches complexes ou en réduisant des documents techniques en points clés compréhensibles. Prenons exemple le secteur bancaire. L’IA générative peut jouer un rôle crucial en soutenant les experts dans la compréhension et l’interprétation de recherches complexes liées à la finance, à l’économie et aux marchés. Un exemple concret serait l’analyse et la synthèse de rapports financiers détaillés et de documents de recherche académique.
  • Segmentation d’items en catégories.
    L’IA générative peut aider à segmenter de grandes quantités de texte en catégories pertinentes, ce qui est utile pour l’organisation et l’analyse ultérieure de données. Au niveau du marketing, les entreprises collectent souvent de grandes quantités de données provenant de diverses sources, y compris les médias sociaux, les enquêtes et les analyses de marché. L’IA générative peut être utilisée pour segmenter ces données en catégories pertinentes. Par exemple, une entreprise de mode peut utiliser l’IA pour classifier les commentaires des clients en fonction des tendances de style, des préférences de couleur, ou même des réactions aux différentes collections. Pour faciliter la gestion des stocks, les commerces peuvent faire de la segmentation d’items, de magasins ou de clients en utilisant des données structurées. L’IA générative permet d’identifier rapidement les opinions et les comportements dominants au sein de la clientèle et de prendre de meilleures décisions tout en ayant une bonne gestion de leur stock.


Série sur l’intelligence artificielle générative

Cet article fait partie d’une série que nous avons produite pour aider les entreprises à mieux comprendre l’IA générative et ses possibilités.


Partie 2 : Générer du contenu multiple et effectuer de la recherche sémantique

La seconde partie clôture sur les catégories de cas d’usage de l’intelligence artificielle pour générer du contenu multiple et pour effectuer de la recherche sémantique.

3. Générer du contenu multiple

L’IA générative révolutionne la création de code informatique et de solutions logicielles :

  • Génération de code (conversion de texte en code).
    En comprenant les instructions en langage naturel, l’IA générative peut convertir les spécifications fonctionnelles en code source, accélérant ainsi le processus de développement.
  • Personnalisation des images.
    L’IA générative peut créer des images personnalisées en fonction des descriptions textuelles, offrant ainsi de nouvelles possibilités de personnalisation visuelle. Dans le domaine du design de produits, les équipes de conception peuvent explorer rapidement et automatiquement différentes variations visuelles d’un produit en fonction des spécifications textuelles. Cela peut accélérer le processus de prototypage et permettre d’explorer des concepts visuels avant de les concrétiser.
  • Moteur de recommandation.
    L’IA générative excelle dans la création de recommandations de code et d’architectures logicielles sur mesure. Cela se traduit par un renforcement de l’efficacité des équipes de développement, leur permettant de détecter rapidement les anomalies au sein de leurs lignes de code et de recevoir instantanément des suggestions d’amélioration.

4. Effectuer de la recherche sémantique

L’IA générative est un atout dans la recherche et l’analyse de données complexes :

  • Agent conversationnel interne.
    Les organisations peuvent bénéficier des agents conversationnels internes qui aident les employés à rechercher et à récupérer rapidement des informations au sein de vastes bases de données (y compris sa propre base de données interne). Les employés peuvent interagir avec l’agent de manière naturelle pour poser des questions complexes et obtenir des réponses pertinentes, facilitant ainsi la prise de décision et l’accès aux connaissances internes.
  • Génération d’insights.
    L’IA générative peut aider à identifier des tendances et des insights cachés dans des ensembles de données volumineux et variés, apportant ainsi une perspective nouvelle à la recherche. Cela peut être utile pour analyser des données non structurées, pour identifier des tendances, créer des segments de clients ou prédire des tendances futures. Cette capacité permet aux entreprises de rapidement extraire des informations percutantes des documents et de les transformer en connaissances exploitables.
  • Vue 360° des clients
    L’IA générative peut être utilisée pour agréger et unifier ces données hétérogènes en une seule vue complète de chaque client. En utilisant des techniques avancées d’apprentissage automatique et de traitement du langage naturel, l’IA peut identifier les relations entre les différentes données et créer des profils de clients enrichis. Cela permet aux équipes de vente, de marketing et de service client d’avoir une compréhension approfondie des préférences, des comportements et des besoins de chaque client.

Cas d’usage essentiels de l’intelligence artificielle générative 

Cas d'usage intelligence artificielle générative

[Aide-mémoire]

Cas d’usage essentiels del’IA générative

Téléchargez notre aide-mémoire sur les cas d’utilisation de l’IA génératives. Simplement remplir le formulaire ci-contre. Vous recevrez votre copie par courriel


S’initier avec la sélection d’un cas d’usage de faible complexité et de grande valeur pour votre organisation 

Lorsqu’il s’agit de démarrer avec un projet d’IA générative, il est souvent préférable de commencer par une preuve de concept (PoC) qui offre une faible complexité et une grande valeur rapidement. Une PoC est une démonstration pratique qui permet de valider la faisabilité technique et la valeur potentielle d’une solution avant de s’engager dans une solution complètement intégrée à vos systèmes. 

Prenons l’exemple concret d’une preuve de concept pour un assistant virtuel alimenté par l’IA générative. Ce type de système permet aux agents de support à la clientèle d’accéder facilement à des sources de connaissances internes, de poser des questions et d’obtenir des réponses pertinentes en temps réel. Démontrer rapidement la puissance d’une telle solution sur vos données et dans votre contexte d’entreprise peut non seulement augmenter la productivité des employés, mais aussi susciter l’enthousiasme en démontrant les avantages de l’IA générative au sein de l’organisation. 

De plus, avec une PoC d’un assistant virtuel en interne, une entreprise peut tester l’efficacité de l’IA générative avant de l’appliquer à des applications destinées aux clients. Ça permet de comprendre les limites et les améliorations nécessaires tout en minimisant les risques liés à la mise en œuvre d’une technologie nouvelle. 

Avec un grand pouvoir, vient une grande responsabilité 

-Oncle Ben

Chez Moov AI, nous croyons à l’énorme potentiel de l’intelligence artificielle générative et faisons la promotion d’une utilisation plus responsable de l’IA avec le leadership d’Olivier Blais sur LIAD, les normes ISO sur l’IA et avec le Conseil de l’innovation du Québec. Comme avec tout projet d’IA, nous voulons diminuer le niveau de risque. Il est possible de visionner la conférence d’Oliver sur l’IA générative durant laquelle les risques liés à ce type de projet sont abordés ainsi que comment les mitiger. Il est important de faire preuve d’un optimisme prudent. Oui la technologie est impressionnante, mais il faut l’explorer en plaçant la sécurité au premier plan.

En conclusion 

 Dans un environnement où les possibilités d’utilisation de l’IA générative sont vastes, il est essentiel de faire preuve de discernement dans le choix des cas d’utilisation à explorer. Avant d’adopter une solution d’IA générative, comme dans tous projets d’IA, il est primordial de réfléchir aux objectifs d’affaires que vous vous êtes fixés. Une solution d’IA doit répondre à vos objectifs d’affaires. 

Maintenant que nous vous avons exprimé les différents cas d’utilisation de l’IA générative, vous devez vous demander quelles sont les prochaines étapes. Nous vous conseillons premièrement de réfléchir à ces questions que propose McKinsey.

  • Dans quelles mesures la technologie peut-elle aider ou perturber notre industrie et/ou la chaîne de valeur de notre entreprise ? 
  • Quelles sont nos politiques et notre position ? Par exemple, attendons-nous prudemment de voir comment la technologie évolue, investissons-nous dans des projets pilotes ou cherchons-nous à développer une nouvelle entreprise ?La position devrait-elle varier selon les domaines de l’entreprise ? 
  • Étant donné les limitations des modèles, quels sont nos critères de sélection des cas d’utilisation à cibler ? 
  • Comment poursuivons-nous la création d’un écosystème efficace de partenaires, de communautés et de plateformes ? 
  • Quelles sont les normes juridiques et communautaires auxquelles ces modèles doivent se conformer afin que nous puissions maintenir la confiance de nos parties prenantes ? 

Si vous voulez en savoir plus sur la meilleure méthode pour démarrer un projet d’IA (ou d’IA générative), nous avons un bon eBook pour vous. 

S’initier avec une preuve de concept peut être une approche bénéfique, offrant une valeur rapide tout en permettant à votre organisation de se familiariser avec l’IA générative et de développer une traction interne face à l’innovation. En prenant ces mesures préliminaires, vous serez mieux préparé pour maximiser les avantages de cette technologie émergente tout en répondant aux besoins spécifiques de votre entreprise. 

Pourquoi vous devriez utiliser ChatGPT en contexte d’entreprise

Les enjeux d’intégrer l’innovation comme les solutions d’intelligence artificielle générative dans son entreprise

OpenAI a fait sensation dans le domaine de l’intelligence artificielle en dévoilant ChatGPT, propulsant ainsi des millions de personnes dans une frénésie d’adoption. Pour la première fois, on constate une réelle démocratisation de l’intelligence artificielle! Cette innovation a ouvert les yeux de monsieur-madame tout le monde et également du monde des affaires sur de nouvelles perspectives. L’IA générative permet à chacun d’explorer les capacités de cette technologie avancée de manière quasi instantanée. 

Dans les semaines qui ont suivi, d’autres compagnies comme Google (Gemini), Anthropic (Claude), Meta (LLaMa) ont également sorti leurs LLMs (grands modèles de langage) dans le but de rivaliser OpenAI (ChatGPT, GPT-4). Ces solutions sont toutes de super solutions d’IA générative qui permettent de générer des réponses précises et riches à partir de requêtes (prompt). 

Cependant, le succès fulgurant de ces LLMs soulève plusieurs risques : sociétaux, réputationnels, etc. Des interrogations ont également été soulevées quant à son intégration dans un contexte professionnel. Nous nous retrouvons face à un concept bien connu en entreprise : la gestion de l’innovation. Il ne s’agit pas simplement d’utiliser la nouvelle technologie pour le simple plaisir de le faire, mais plutôt de l’implémenter dans le but précis d’atteindre un avantage concurrentiel. Comme toutes les autres solutions d’IA, la réflexion sur l’adoption d’une solution d’IA générative doit commencer par les objectifs d’affaires que vous vous êtes donnés. 

Les défis résident dans la capacité à innover avec l’IA générative, à la déployer à grande échelle, à l’intégrer au système actuel de l’entreprise et à gérer les risques qui y sont associés. Et lorsqu’une solution arrive aussi abruptement sur le marché, il faut bien la comprendre avant de l’adopter trop rapidement et de devoir faire marche arrière.

Ainsi, les entreprises sont rapidement confrontées aux limitations et aux risques de l’IA générative. Soyons clairs un instant : utiliser la version gratuite pour automatiser des processus d’entreprise est vraiment une mauvaise idée. Malgré ses performances et les opportunités qu’il offre, cet outil n’est pas une solution B2B. Ce qui soulève la question : comment étendre ces capacités à nos activités professionnelles de manière plus adaptée tout en atténuant les risques ?

Heureusement, il existe des solutions conçues spécifiquement pour une utilisation en entreprise et offrant des capacités commerciales. 

Ces outils B2B déployés par Google, Microsoft et AWS répondent aux besoins spécifiques des entreprises, leur permettant d’exploiter pleinement les avantages de l’IA générative tout en garantissant une sécurité et une efficacité optimales. 

Risques et limitations de l’IA générative

Avant d’en arriver au vif du sujet, permettez-nous de citer les raisons derrière notre affirmation qu’aucune entreprise ne devrait utiliser la version publique de ChatGPT (ou autres outils du genre) pour automatiser aveuglément des processus clés dans son entreprise. 

Sécurité des données 

La sécurité de l’information constitue une préoccupation majeure lorsqu’il s’agit d’utiliser des plateformes publiques telles que Gemini et ChatGPT. D’ailleurs, il est crucial d’adopter dès maintenant des mesures préventives afin d’éviter de partager des informations sensibles par le biais de ces outils. 

Par défaut, les données entrées dans ces outils constituent une brèche de sécurité comme ces dernières vont vers un serveur tiers. Elles circulent vers les serveurs de la compagnie créatrice de ces solutions. Toutes les informations transmises par les prompts à ChatGPT par exemple peuvent être utilisées par OpenAI. 
 
Ne vous inquiétez pas, ce n’est pas pour des raisons de « On veut voler l’information pour dominer le monde. » C’est plutôt pour approfondir la compréhension des cas d’utilisation afin d’améliorer la technologie. Cependant, il est essentiel de reconnaître le risque que cela représente pour la sécurité de nos informations en entreprise. On voit déjà des exemples ressortir dans les journaux de mauvaises utilisations de ChatGPT comme l’ancien employé de Samsung qui a utilisé ChatGPT pour optimiser son code, mais en le faisant, il partage de l’information sensible de l’entreprise dans les serveurs d’OpenAI. C’est une faille au niveau de l’information interne. 

Par conséquent, il est fortement recommandé de faire preuve de prudence et de ne pas partager d’informations sensibles qui pourraient compromettre la confidentialité et la sécurité des données en utilisant des API d’OpenAI.

ChatGPT est entraîné jusqu’en 2021 

Il est également important de noter que ChatGPT a été entraîné jusqu’en septembre 2021, ce qui signifie que ses connaissances et ses capacités peuvent ne pas être à jour par rapport aux informations les plus récentes. C’est également le cas pour tous les autres LLMs qui sont entraînés sur des données passées. Par exemple, si l’on questionne une solution d’IA générative sur les derniers états financiers de Shopify, on risque de se faire retourner de la vieille information. Cela souligne l’importance de comprendre les limites temporelles des solutions d’IA générative et de ne pas considérer ses réponses comme une source d’informations à jour à tous égards. Si vous voulez de l’information récente, il est important d’ajouter de l’information à même votre requête et de se baser sur cette information pour générer une réponse.

Hallucinations

Les réponses des chatbots peuvent être utiles, drôles ou dans certains cas, carrément inventées. En effet, il peut arriver que les grands modèles de langage hallucinent. L’hallucination dans ce contexte fait référence à de fausses informations dans le texte généré qui peuvent sembler plausibles, mais qui sont en réalité incorrectes. Avec les solutions d’IA générative textuelle, les réponses sont tellement données dans un ton empreint de confiance qu’on peut facilement être floués. Si on désire rédiger un poème sur les bottes de foin avec ChatGPT en guise de divertissement, l’impact d’une éventuelle hallucination est minime. Cependant, en milieu professionnel, lorsqu’il s’agit de consulter des informations pour prendre des décisions critiques, la précision des données est primordiale. 

En utilisant que la barre de rédaction de requête (prompts) des solutions d’IA générative sans lui fournir suffisamment de contexte, on reçoit la réponse la plus statistiquement plausible, mais il se peut que le LLM ait mal interprété par manque de contexte autour de la demande. On se retrouve à risque de recevoir une réponse qui semble appropriée, mais qui peut toute aussi être une fausse information. D’ailleurs, nous croyons que c’est la responsabilité de chacun de valider l’information générée afin de s’assurer de l’exactitude avant de la publier pour éviter de créer des « fake news » involontairement. 

En bref, on ne peut pas faire pleinement confiance à ce que la machine recrache et c’est problématique en entreprise. 


Série sur l’intelligence artificielle générative

Cet article fait partie d’une série que nous avons produite pour aider les entreprises à mieux comprendre l’IA générative et ses possibilités.


Les solutions d’IA Générative adaptées aux entreprises

Tel que mentionné précédemment, ChatGPT est davantage un outil B2C et comporte son bagage de risques pour la sécurité d’informations en entreprise. 

Heureusement, il existe désormais des outils conçus spécifiquement pour les entreprises fournies par Google, Microsoft et AWS. Et c’est ce qu’on recommande pour un usage professionnel. 

La suite de Google Cloud par exemple propose maintenant plusieurs outils tels que le Generative AI App Builder, Duet AI for Google Workspace et l’IA générative est maintenant supportée sur Vertex. On se retrouve avec la structure robuste et sécuritaire de Google pour nos projets d’entreprise. 

La sécurité est renforcée puisque le contenu évolue dans une coquille sécurisée et privée, garantissant que les informations transmises dans le modèle ne seront pas stockées publiquement. Vous pouvez aussi y appliquer votre plan de gouvernance afin de respecter le reste de vos processus internes de sécurité. Ce qui est beaucoup plus réconfortant! 

Créer sa propre solution d’IA générative à l’interne 

Une pratique intéressante avec les versions professionnelles de l’IA générative est la possibilité pour une entreprise d’intégrer ses propres documents techniques et de créer sa propre solution interne en définissant des limites et des paramètres spécifiques. Cette approche permet de développer un assistant virtuel personnalisé accessible à tous les membres de l’entreprise, offrant ainsi un accès facile à une base de connaissances interne. Cette initiative encourage la collaboration et simplifie la mise à disposition des informations au sein de l’organisation, ce qui renforce l’efficacité et la productivité globales. En personnalisant l’IA générative en fonction des besoins de l’entreprise, on peut maximiser les avantages de cette technologie tout en assurant le respect des politiques et des exigences spécifiques de l’entreprise. Tant avec Google qu’avec Microsoft, il est possible de créer une interface propre à l’entreprise et d’offrir une solution d’IA générative sécurisée qui prend en compte les paramètres spécifiques de l’organisation. 

Cet exemple pratique offre une opportunité de s’initier à un projet d’IA générative offrant une grande valeur tout en présentant un faible risque.

On valide avant d’utiliser

Comment estimer si l’IA générative performe bien pour résoudre mon problème ? C’est simple, il ne suffit que de mesurer le taux de succès sur 50-100 requêtes similaires. Cela permettra d’estimer le succès potentiel que vous aurez quand vous utiliserez la solution dans un contexte normal et cela vous donnera davantage de confiance !

C’est super puissant d’être en mesure de créer des gabarits de requêtes ou un processus lorsque certaines tâches auront été validées par les utilisateurs. On peut ainsi générer une plateforme qui non seulement peut agir comme un assistant personnel plus généraliste tout en permettant d’automatiser ou d’optimiser certaines tâches précises. On invite les équipes projet à rester à l’affût des tâches qui amènent le plus de valeur et de tenter de générer ces gabarits ou processus afin de les rendre accessibles à tous les utilisateurs. 

Aperçu d’une solution d’intelligence artificielle générative

Prenons le cas d’une compagnie qui veut automatiser la rédaction automatique de soumissions pour adresser leurs nouvelles opportunités d’affaires.

Tâche à automatiser : Rédaction automatique de soumissions qui se base sur leurs données clients provenant de votre CRM, l’historique de données de soumissions faites dans le passé et les différentes bases de connaissances comme la documentation interne, les échanges avec les clients ou autres données.

Interface de la requête : Une interface logicielle qui est intégrée à vos outils existants (Teams, Slack, Salesforces ou autres) qui permet à vos utilisateurs de rédiger des requêtes en langage naturel qui vont activer la solution d’IA générative. Par exemple : « Rédige-moi une soumission pour notre nouveau client Olivier de la compagnie Moov AI pour faire une preuve de concept pour automatiser les soumissions pour tel projet avec l’IA générative. »

API (intrant et extrant) : API est l’acronyme de « Application Programming Interface ». Un API définit les méthodes et les formats de données que les développeurs peuvent utiliser pour accéder aux fonctionnalités d’un logiciel, d’une plateforme ou d’un service tiers. Ces deux API facilitent l’échange d’informations et l’intégration entre vos systèmes et la solution d’IA générative.

Données : La solution d’IA générative aura été préalablement personnalisée avec vos données. Voyez les outils d’IA générative comme une coquille vide dans laquelle vous pouvez intégrer vos données et tirer profit de la même puissance de réponse que les solutions ouvertes à tous. La réponse de la solution d’IA générative se basera sur vos données.

Ces données peuvent être vos données CRM, les échanges de courriel avec vos clients, votre base de connaissance, votre documentation, les différentes soumissions que vous avez faites par le passé, les comptes rendus de projets, le coût réel des projets, etc. Tout ce qui est écrit et pertinent peut être intégré dans ces solutions.

Plateforme cloud professionnelle : Ces solutions n’ont plus besoin de présentation. Contrairement aux solutions offertes au grand public comme ChatGPT, les solutions cloud offrent une sécurité de données accrue, une possibilité d’appliquer votre plan de gouvernance de données et des capacités de surveillance de vos environnements, données et modèles. Vos données et les différentes commandes que vous pourrez faire demeureront dans votre environnement Cloud, sécurisé et à l’abri des regards extérieurs à votre entreprise.

Solution d’IA générative et tâche exécutée : Votre commande sera traitée par la solution d’IA générative en utilisant vos données et votre entreprise comme contexte. Le résultat en sera, par exemple, la rédaction d’une nouvelle soumission adaptée à votre offre de service et aux besoins du client précis que vous venez de cibler. Cette ébauche de soumission est complète et prête à la révision par un collègue humain qui l’enverra au client. Le tout en quelques minutes.

De bons outils pour un bon travail 

Le lancement de ChatGPT par OpenAI a ouvert de nouvelles perspectives passionnantes dans le domaine de l’intelligence artificielle. La démocratisation de cette technologie avancée a permis à des millions d’utilisateurs d’explorer ses capacités de manière instantanée. Cependant, il est important de prendre en compte les risques et les limitations associés à l’utilisation de ces LLMs. L’utilisation des outils d’IA générative pour entreprise est non négligeable pour un usage professionnel sécuritaire. 

En fin de compte, en comprenant les risques et en utilisant ces technologies de manière judicieuse, nous pouvons exploiter tout leur potentiel tout en garantissant la sécurité et la protection des données sensibles. L’intelligence artificielle continue d’évoluer, et il est important d’adopter une approche équilibrée et réfléchie dans son utilisation pour en tirer le meilleur parti. 

Comment exploiter sans dérive les solutions d’intelligence artificielle générative en entreprise

Exploiter sans dérive Gen AI_Featured image

Avec l’avènement de ChatGPT et d’autres outils de génération de texte et d’image, les solutions d’intelligence artificielle (IA) générative offrent des perspectives littéralement révolutionnaires pour votre entreprise. Les solutions d’IA génératives auront plus d’impacts sur nos entreprises et nos façons de travailler que l’arrivée de l’Internet.

Dans cette présentation, Olivier vous montre comment exploiter dès maintenant ces technologies pour dépasser les simples questions-réponses et atteindre vos objectifs de développement et accélérer votre force de frappe.

Grâce à des exemples concrets et des analyses approfondies, Olivier aborde les différentes applications de l’IA générative, ainsi que les limitations et les défis associés à ces outils qui, faut-il le rappeler, ne sont qu’à leurs balbutiements.

Olivier aborde également les questions éthiques liées à l’utilisation des outils d’intelligence artificielle générative. Il proposera des moyens d’assurer la qualité des solutions livrées à l’aide de l’IA générative.


Série sur l’intelligence artificielle générative

Cet article fait partie d’une série que nous avons produite pour aider les entreprises à mieux comprendre l’IA générative et ses possibilités.


Conférence sur écoute

Transcription verbatim de la conférence

[Cet article est une transcription verbatim de la conférence présentée par Olivier Blais :

Comment exploiter sans dérive les solutions d’intelligence artificielle générative en entreprise.

Il est intéressant de noter que cette transcription a été effectuée avec des outils d’intelligence artificielle. Une tâche qui aurait pris 2 à 3h a été accomplie en quelques minutes.]

Introduction

Olivier – Conférencier

Merci beaucoup pour votre temps. C’est super apprécié. Je sais qu’on est super occupé toute la gang, un jeudi matin. On est anxieux de rentrer au bureau, mais en même temps, je pense que l’IA générative, ça a un petit quelque chose. Je pense que ça vient chercher l’imaginaire. Je peux comprendre pourquoi vous êtes ici. Moi aussi, je suis super excité de parler de ce sujet-là. Je veux savoir, est-ce que tout le monde est arrivé? Les absents ont tort, donc on va commencer. Avant de commencer la présentation, j’avais un petit sondage pour vous. À main levée, je me demandais qui dans la salle avait certaines inquiétudes par rapport à l’IA générative? Je vois des mains qui sont levées très vite. Parfait. Merci. Aussi, j’avais une question par rapport aux capacités de l’IA générative. Qui est excité par l’IA générative? Qui veut l’utiliser? Excellent. On va vous envoyer un représentant en vente qui va venir vous voir sous peu. Non, c’est une blague. C’est une blague, mais pas vraiment. Je suis content, j’ai vu des mains, des mains de gens plus inquiets, mais des mains de gens excités. En fait, moi, pour ma part, il reste une dualité entre les deux.

La dualité de l’IA générative

[01min 24s]

Je suis confiant, mais prudent par rapport à la technologie. C’est de ça qu’on va parler aujourd’hui. C’est pour ça qu’on parle d’IA générative, mais sans dérive. Comment bien utiliser ces technologies pour générer des bénéfices, mais sans risquer à outrance. Ce que je vais faire, c’est que je vais parler… Excusez-moi, en premier, je vais me présenter. Mon nom, c’est Olivier Blais, cofondateur de Moov AI. Je suis en charge de l’innovation pour l’entreprise, puis conférencier. Je parle de temps en temps, j’aime m’écouter parler. Ce qu’on va faire, c’est qu’on va parler d’IA générative, bien entendu. On va commencer du début. On va parler, on va introduire le sujet, mais on va aller, on va pousser un peu plus loin. Pourquoi? Parce qu’on est tous des développeurs d’IA en ce moment. C’est spécial, mais avec l’IA générative, c’est le changement de paradigme. Je ne parle plus juste à une couple de matheux qui ont étudié en intelligence artificielle. Je parle à Monsieur et Madame Tout le monde parce que tout le monde maintenant a l’opportunité d’utiliser ces technologies-là pour générer des résultats. Donc, il faut que tout le monde soit à l’affut, tout le monde comprenne bien comment bien exploiter la technologie.

Le cycle du hype de l’IA générative

[02min 38s]
Mais inquiétez-vous pas, je vais essayer de le faire de façon assez soft. On va pas rentrer dans de la mathématique, je vous le promets. Puis, je vais parler aussi de l’IA responsable, qui est la clé. S’assurer que quand on fait les choses, on le fait correctement. Donc, on va tomber dans la période un petit peu plus théorique, mais en premier, je suis curieux d’en savoir plus sur où vous vous trouvez dans le cycle du hype? C’est extrêmement hype présentement, ChatGPT, tout le monde en entend parler. Je ne vais même plus sur LinkedIn, puisque c’est juste ça maintenant. GPT-ci, GPT-ça. Mais en fait, c’est vraiment une courbe. Quand j’ai vu cette courbe, la première fois, ça m’a marqué. Et tout le monde ici, que vous le vouliez ou non, vous êtes à une de ces étapes de la courbe. Je ne vais pas demander à tout le monde où ils sont rendus, ça serait vraiment complexe, mais je trouve ça intéressant de savoir c’est quoi les étapes qui s’en viennent dans notre parcours. Au début, pour ma part, c’était dans les alentours de janvier, je dirais. Chez Moov AI, ça fait depuis 2019 qu’on a commencé à utiliser GPT2, GPT3.

[03min 56s]
On se retrouvait à faire un documentaire, par exemple, avec Matthieu Dugal où est-ce qu’on a généré un agent conversationnel. Ça fait longtemps, mais là, depuis qu’on a entendu parler de ChatGPT, c’est là que ça a vraiment réveillé les gens, puis ça a créé un hype. Au départ, on pense que c’est de la magie. Tu rends quelque chose, fais-moi un poème sur les bottes de foin, puis ça va générer un poème sur les bottes de foin, puis il va être incroyable. Vraiment, c’est de la magie, mais à un moment donné, quand tu commences à vraiment l’utiliser pour quelque chose d’utile, là, tu tombes dans des petits « rabbit holes », là, tu tombes dans des irrégularités. Par exemple, tu vas te poser la question sur une personne, sur une personnalité publique, puis là, finalement, ça va se tromper sur toute la ligne. Tu vas l’utiliser pour faire des calculs, ça peut se tromper sur des calculs. Gratte la tête et « OK, qu’est-ce qui se passe? » Et là, de plus en plus, tu te retrouves à identifier des faiblesses de ces modèles. Finalement, ce n’est pas nécessairement de la magie.

Graphique sur le cycle d'adoption de l'IA générative

Risques et limitations de l’IA générative

[05min]
C’est beaucoup en apparence. Problème, ChatGPT en passant, ce n’est pas mis à jour à tous les jours. Ça a été mis à jour la dernière fois en janvier 2021. Donc ça, ce que ça veut dire, c’est que si on pose des questions par rapport à des nouveautés de l’actualité, ça ne connaît pas le concept. Donc, on voit « OK, une faiblesse. » Là, après ça on apprend qu’avec ChatGPT, notre donnée, tu la transmets à OpenAI. Donc, cette donnée, dans le fond, tu viens de créer une faille de sécurité. Aïe, aïe, aïe. Là, tu commences à voir les faiblesses dans ces outils qui sont vraiment cool à utiliser. Il y a certaines personnes qui vont débarquer là. Tout va bien, tout est sous contrôle. Génial! Ici, il y a plusieurs personnes qui vont débarquer. Je suppose que ce n’est pas les gens qui sont ici qui ont débarqué, sinon vous ne seriez peut-être pas ici. Mais il y a vraiment façon de bien exploiter la technologie. Il faut juste être conscient, il faut juste comprendre comment bien l’exploiter. Et quand tu commences à utiliser les meilleures pratiques, tu vois des exemples.

Avantages et meilleures pratiques de l’IA générative

[06min 12s]
Puis, en fait, c’est fascinant ce que tu peux faire. Autant que tu les vois, ces problèmes-là, mais tu passes par-dessus. Tu essaies de pallier à ces problèmes, tu essaies d’atténuer les risques qui sont identifiés. Donc, ça ici, c’est vraiment le cycle et finalement, il y a du monde qui l’utilise pour vrai en ce moment. Il y a des applications qui sont déployées, qui sont fonctionnelles. Ça fonctionne. Puis là, on peut commencer à faire la même chose. Donc ici, c’est là qu’on s’en va. On s’en va vraiment à l’utilisation de cette technologie dans des applications concrètes. Parlant d’applications, on va revenir un peu en arrière. Ici, le but n’est pas de parler de ChatGPT, c’est une solution de ChatGPT. Ok? Donc, on va expliquer un petit peu différentes définitions. Je vais aller vite. Donc, il existe des solutions. C’est souvent les solutions qu’on va voir nous-même. Donc, ChatGPT est une solution qui va produire des résultats. Bard du côté Google, c’est aussi une solution qui va être disponible. Moi, j’appelle ça B2C, Business To Consumer. C’est fait pour tous. Ça a été démocratisé. Le but est vraiment de démocratiser les technologies pour qu’on puisse commencer à l’exploiter.

Outils de Générative AI pour entreprises

[07min 34s]
C’est le fun parce que ça te permet de faire plein de choses de l’analyse de texte, il y a vraiment plein de use cases qui sont existants et que tout le monde puisse bénéficier. Il va y exister aussi des outils qui sont B2B, qui sont disponibles aux entreprises. C’est important de comprendre qu’il y a une différence entre les deux. On ne recommande pas d’utiliser des outils pour Monsieur, Madame, tout le monde en entreprise. À la place, on va suggérer d’utiliser des outils pour entreprises et je vais expliquer pourquoi. Ça, ici, c’est des solutions. Que ça soit, par exemple, GPT4, Palm, ChatGPT, BART, c’est des exemples de solutions. Il y en a des centaines maintenant. Ces solutions, c’est des solutions qu’on va appeler des LLM. Qui a déjà entendu parler de LLM? Il y a quelques mains levées. Je suis content, il y a du monde de Google qui ont levé la main, ça veut dire qu’ils savent de quoi on parle. Les LLM, c’est des modèles larges de langage. Donc, essentiellement, on a scrapé Internet, on est allé chercher du texte de partout, de plein de sources différentes. Et ces modèles-là, c’est des modèles qui sont extrêmement bons pour comprendre et générer du texte.

Modèles fondamentaux et modèles linguistiques

[08min 55s]
Donc ça, c’est génial. Ça permet de faire tout ce qu’on connaît maintenant avec les technologies qu’on utilise dans la vie de tous les jours. Mais ça vient fondamentalement d’une approche qu’on appelle des modèles de base ou en bon franglais, des « foundational models ». Ça, c’est une approche qui existe depuis plus de dix ans. Ça fait très longtemps que ça existe. C’est la capacité de pouvoir modéliser le monde. Ça sonne très poétique, « je modélise le monde », mais en fait, c’est vraiment ça. C’est dire qu’il existe des fonctions de l’humain qu’on n’est pas obligé de reproduire à tout coup, comme par exemple la détection d’images. On pourrait créer notre propre modèle pour identifier un chat d’un chien, propre modèle pour identifier les chiffres sur un chèque, propre modèle pour identifier, par exemple, des intrus qui rentrent sur une caméra de sécurité. On pourrait le développer de A à Z, mais ça prendrait des millions de photos. À la place, l’idée de modèle de base est arrivée et on s’est dit « Attends, pourquoi on n’investit pas juste plus de temps au début? »on développe un modèle qui est extrêmement bon pour identifier des éléments sur une image.

Le changement de paradigme avec l’IA générative

[10min 12s]
Puis après ça, on peut bénéficier de cette capacité pour tout ce qui est associé à la détection d’image. Ça, c’est parti au départ avec la détection d’image, mais rapidement, on a vu les bénéfices au niveau du langage. C’est pour ça qu’en ce moment, on ouvre notre outil de generative AI et on est capable de demander de faire un poème, de faire un sommaire, donc de faire plein de choses. Comment ça a été créé? C’est que ça a été créé justement parce qu’au début, on est allé chercher littéralement tout ce qu’on peut trouver, tout ce qui est public sur Internet. C’est des capacités que moi, personnellement, on n’a pas cette capacité, mais les gros du Web, et c’est pour ça qu’on va voir les GAFAM pouvoir exploiter cette opportunité parce qu’ils ont la capacité de « storage », ils ont des capacités qui sont beaucoup plus avancées que d’autres organisations. Ça, ça a créé des très bons modèles, des modèles qui sont super bons pour comprendre le monde, mais ils sont plates. Est-ce qu’il y a du monde ici qui a utilisé GPT3, par exemple? Des OG, j’aime ça, du monde avant la ChatGPT. GPT3, tu lui demandais une question, ça, c’est en 2020, ça ne fait même pas très longtemps.

[11min 39s]
Tu demandes une question, ça te répond essentiellement à ce que Wikipédia aurait dit. Ce n’est pas très intéressant au niveau de l’expérience utilisateur. C’est ça qui fait différencier les nouvelles solutions. C’est que maintenant, comme deuxième étape, on a une adaptation pour le dialogue. En ce moment, c’est fun de la façon qu’on se fait répondre. Vraiment, c’est les organisations ont commencé à mettre de l’emphase sur l’expérience utilisateur. Ça en dit long, ça veut dire qu’on est beaucoup plus sensible à ce que l’utilisateur veut, de quelle façon l’utilisateur veut exploiter la technologie. Donc ça rend ça plus agréable, ça motive les gens à l’utiliser puis à l’exploiter davantage. Et finalement, et ça, c’est juste on the side, ça l’a amélioré beaucoup la qualité parce que l’humain aime se faire répondre d’une façon humaine. Donc ça a amélioré notre adoption à la technologie. Et maintenant, on en est là. Ici, je vais vous expliquer un peu la différence parce que ça change beaucoup de paradigmes entre des solutions d’IA régulières. Une solution d’IA régulière, ce qu’on va voir, c’est qu’on va avoir des équipes qui vont prendre des données, ils vont entraîner un modèle. Souvent, c’est des modèles, donc chaque problème a son modèle.

Fonctionnement de l'IA générative

[13min 04s]
Et après, quand ils l’ont entraîné, après ça, il reste à le déployer pour pouvoir le réutiliser à chaque fois qu’il y a des nouveautés, des nouvelles choses qui arrivent. Je vais vous donner un exemple. À l’époque, parce que maintenant ça change, on avait une équipe chez Google, par exemple, qui créait de l’analyse de sentiments. Donc être capable de regarder des tweets, par exemple, ou des textes, puis dire si la personne est… Si c’est un commentaire positif ou négatif. Donc, tu avais une équipe qui focussait juste là-dessus. Donc, ils trouvent plein d’informations sur le Web, identifient le sentiment qui est associé, entraînent leur modèle. Là, après ça, tu le déploies. Puis après ça, à chaque fois que tu as un nouveau commentaire, tu es capable de pouvoir identifier si oui ou non, c’est un commentaire positif. Donc ça, il fallait le faire pour l’analyse de sentiments. Il fallait le faire pour chaque chose que tu voulais savoir était un nouveau modèle. Donc maintenant, ce n’est plus ça. Maintenant, le paradigme vient de changer parce que c’est tellement vaste ce que tu peux faire avec des LLM que maintenant, tu n’as plus besoin…

Les possibilités de l’IA générative

[14min 20s]

Premièrement, c’est déployé. Donc, pour le commun des mortels, pour les entreprises, tu n’as plus besoin de faire la première partie d’entraînement. Et ça, ça change la game parce que tu réduis de beaucoup ton projet. Le projet, c’est plus un projet qui va coûter des millions à produire, parce que tu viens de couper énormément du coût de ton développement. En plus, c’est que tu n’as pas besoin d’aller chercher des données extrêmement précises pour répondre exactement aux problèmes que tu as entraîné ton modèle à faire. Ici, tu poses une question, donc un prompt. Tu poses une question et si ton prompt est bien fait, ton résultat, c’est le résultat que tu t’attendais à recevoir. Ces résultats-là, maintenant, Sky is the Limit, tu peux avoir du texte, tu peux avoir des prédictions, tu peux avoir du code, tu peux avoir des tableaux, tu peux avoir plein de choses, tu peux avoir des images aussi. Donc, c’est incroyable ce que tu peux avoir. C’est incroyable les bénéfices qu’on est capable d’aller toucher avec les nouvelles technologies. Par contre, j’aime un peu la dualité dans ce commentaire du CEO de Google qui a dit, il y a quelques semaines à 60 Minutes, « The urgency to deploy it in a beneficial way is harmful if deployed wrongly. »

[15min 44s]
C’est vraiment la dualité. Tu as tellement de positifs qui peuvent survenir, mais ça peut être catastrophique si c’est mal fait. C’est le CEO de Google qui dit ça, mais honnêtement, c’est la responsabilité de chaque personne d’utiliser convenablement les technologies. Si on l’utilise bien, on va être capable de minimiser les risques, parce qu’il y en a des risques. Donc les risques, ici, premièrement, qu’il est utilisé par tout le monde. Je comprends ici, on doit avoir peut-être 60 personnes, mais c’est des centaines de millions de personnes qui ont par exemple utilisé ChatGPT. Donc c’est rendu utilisé par tous ou presque par tous, donc c’est important que chaque personne soit consciente de leurs utilisations, parce qu’on peut se retrouver à faire une catastrophe si jamais on l’exploite mal. Je vais passer ça. Ici, je vais donner des exemples de choses qu’on peut faire, parce que c’est tout le temps utile de pouvoir… Excusez-moi, je vais revenir ici. Ça, c’est différents use cases, inquiétez vous inquiétez pas, je ne vais pas passer à travers, mais il y en a plein des use cases. Il y a des use cases qui sont liés beaucoup avec l’analyse de texte.

Nombre d'utilisateurs de ChatGPT en comparaison à TikTok, Instagram, Google translate et Netflix

[17min 00s]
On est capable d’analyser plein de textes, on est capable de faire de la classification, d’identifier des éléments dans un texte. Sinon, on est capable aussi de faire des prévisions, des prévisions aussi très conventionnelles. Donc, on est capable de reproduire certains modèles d’apprentissage machine avec des outils LLM. Et en passant, tout ce qu’on fait avec du texte, on peut le faire avec du code. Il y a peut-être des gens qui… Nous autres, on est habitué d’écrire du texte en français, en anglais, mais ceux qui sont habitués d’écrire en python, par exemple, ou en C++ ou en C#, c’est encore plus efficace parce que c’est explicite. Tu écris une fonction, c’est explicite. Ton langage est implicite, toutes les tournures de phrases, ce que les mots veulent dire. Donc, prenons en considération qu’on peut faire sky is the limit en termes de capacité. Ici, comme j’avais parlé tantôt, je pense que de base, des questions/ réponses, on peut s’entendre que c’est extrêmement bon. Donc, si on veut bâtir un chatbot, assurons-nous que les chatbots qu’on veut développer ont des capacités de générer des réponses. Maintenant, on est rendu à cette étape. Ce qu’on développe, on doit s’assurer qu’on a les capacités de générer des réponses.

[18min 21s]
Ce que ça permet, c’est que ça permet de toucher à beaucoup plus de questions. Et aussi, ça réduit du temps au niveau du développement. Tu n’es pas obligé de penser à chacun des scénarios individuellement. Tu donnes des instructions précises à ton chatbot et ton chatbot va donner des réponses qui sont la plupart du temps convenables, puis tu peux t’assurer de le contrôler aussi, ce qui est une possibilité. L’autre élément que j’aime beaucoup, c’est le fait qu’on peut faire confiance à ces modèles. Ce n’est pas juste fait pour dire « Regarde, je vais poser des questions, puis au pire, on va voir, on va voir. » On peut faire confiance à ces solutions-là dans certains cas. Par exemple, ici, on serait capable de corriger des dictées avec les solutions, comme par exemple ici, je me suis posé une question. J’ai essayé une petite dictée de mon cru. « Manon a acheté trois chats à l’épicerie. » Ici, ce qu’on peut voir, c’est on peut voir la correction qui est faite. Vraiment, elle était capable de pouvoir aller beaucoup plus loin. Ça a été démontré que pour de la correction de texte, c’est incroyable. Ça fonctionne vraiment bien et on peut faire confiance à des outils comme ça pour des affaires aussi sensibles que la correction de dictée pour nos enfants.

Différents cas d'usage d'IA générative

[19min 47s]
En passant ici, quelque chose d’assez cocasse, c’est que si je demande à la plateforme de Generative AI de corriger la phrase « Manon achète trois chats à l’épicerie », en plus de corriger les fautes, ils vont dire que ce n’est pas vraiment à l’épicerie que tu achètes un chat. C’est intéressant de savoir ça, sinon, je ne croise pas vraiment le chat. Ce n’est pas nécessairement le chat que tu veux garder pendant des années. Ça, c’est un autre exemple. Tantôt, j’en ai parlé quand j’ai parlé d’analyse de sentiments. Mais ça, c’est des choses qu’on peut faire. Tous les API qui existaient, ils vont être remplacés très rapidement. Ici, j’ai posé la même question, peux-tu identifier le sentiment dans les phrases suivantes? Tu donnes la liste de phrases, ils te retournent le bon sentiment et ça va être exactement cet outil qui va être utilisé dans les API qui s’en viennent. Encore une fois, on peut faire confiance aux outils tant qu’ils sont utilisés convenablement et tant qu’ils sont optimisés pour la tâche que tu veux faire. J’ai même poussé un peu la note parce que tantôt, j’ai parlé beaucoup du risque. Oui, il y a un risque, mais c’est important de bien comprendre le risque.

Exemple de correction d'une dictée par ChatGPT

[21min 05s]
Je me suis dit « Est-ce que ça pourrait être le fun d’utiliser des outils de Generative AI pour faire l’analyse de risque d’une solution ai? » Je me suis dit « Ça serait drôle, je vais demander à ChatGPT d’analyser le risque de ChatGPT. Je vais voir si je serais capable de le cuisiner. » J’ai quand même eu des réponses très intéressantes. Premièrement, ça a fait une très bonne job. J’ai utilisé une matrice, un framework de risque qui s’appelle NIST, qui est très reconnu. J’ai posé vraiment la question « Voici les risques, peux-tu me qualifier l’impact, la probabilité que ça survienne? » et même me donner des justifications. Vraiment, la tâche a été très bien faite, je suis super satisfait. Ici, je vais donner trois exemples. Le premier exemple, c’est un exemple au niveau des use cases. Est-ce que le use case est un use case risqué? Celle-là, ce qui est intéressant, c’est qu’il ne faut pas tout le temps prendre pour du cash, je pense qu’on le sait, mais ce n’est même pas à cause d’une hallucination, ce n’est pas à cause d’une erreur, c’est une question de perspective. Donc, ce que je me suis fait répondre, c’est que « Non, mais ChatGPT, c’est fait pour tous les use cases.

[22min 19s]
Vu qu’on ne touche à aucun use case précisément, on n’a rien à se reprocher.» J’exagère, mais je pense que c’est intéressant parce que ça nous donne un peu l’impression qu’on a, c’est ce qu’on essaye d’éviter en tant que société. C’est de dire « Sais-tu quoi? On va répondre correct à toutes, puis on va pouvoir prendre un step back, puis on n’est pas responsable pour ce qui se passe. » Nous, notre responsabilité, c’est que ça ne survienne pas ça. C’est de dire « Non, non, regarde, pour chaque use case, pour chaque cas d’usage qu’on va utiliser, on va s’assurer que ça soit bien fait. » Donc, on va être obligé… Il y a un niveau de plus. On ne peut pas juste se fier à des technologies pour contrôler chacun de ces cas-là. Il faut que ça soit fait dans une étape subséquente. Un autre élément, c’était au niveau des méthodes pour la fabrication, pour la création de la solution. Et ici, ça m’a fait réfléchir beaucoup. Donc, OpenAI crée son propre modèle chez toi avec deux ou trois data scientists. Je me demande c’est qui qui a les meilleures capacités de création de solutions.

[23min 27s]
Je pense que je vais mettre beaucoup de mes chevaux sur ces plateformes, parce qu’ils ont des gens qui sont extrêmement qualifiés, ils ont des très grosses équipes. Donc, ça m’a fait réfléchir et j’abonde dans leur sens. C’est vrai que c’est un risque qui est plus faible. Je pense que le risque est plus élevé si Monsieur ou Madame Tout le monde essaie de créer son propre modèle parce que tu n’as pas nécessairement les meilleures méthodologies, tu n’as pas le meilleur savoir faire, etc. Donc, il y a aussi un gain assez fondamental qu’on peut aller chercher avec les solutions. Et finalement, le dernier que je voulais parler, c’est un risque au niveau de la sécurité légale. Et inquiétez-vous pas, je vais y revenir par la suite. Mais quelque chose d’intéressant, là, je l’ai eu. Là, ce qu’il m’a dit, il m’a dit que ChatGPT utilise des données de tierce partie et ça contient des risques au niveau des droits d’auteur, au niveau de la propriété intellectuelle. Mais c’est intéressant tout ça. Premièrement, la transparence, donc d’être capable de pouvoir un peu plus comprendre ce modèle, mais aussi que les solutions de generative AI soient capables de faire des tâches aussi critiques que l’évaluation de risque de modèle.

Un tableau de risk assessment of ChatGPT effectué par ChatGPT

[24min 42s]
Le gars qui fait partie des normes ISO est très content de ce type d’exercice. Ici, je vais revenir, je vais prendre un step back encore plus important. Je ne sais pas ici si vous êtes tous d’accord à utiliser l’IA générative. Je pense que oui, j’ai vu plein de mains levées, mais il y en a qui ne le sont pas. Mais j’ai des mauvaises nouvelles pour ceux qui sont un peu moins chauds à l’idée d’utiliser l’IA générative. Vous avez pas le choix. Malheureusement ou heureusement. Pourquoi ici? Pourquoi? C’est parce que les organisations en technologie… Ici, c’est un exemple de Google, mais Microsoft a un roadmap très similaire aussi. Ils n’ont pas juste créé des outils de génération d’AI pour que tout le monde puisse s’amuser à écrire des poèmes ou faire des sommaires. Ils ont utilisé ça pour aussi améliorer les services qu’ils offrent à leurs clients. Par exemple, ici, c’est trois différents niveaux d’offre au niveau de Generative AI par Google. Le plus clair, c’est de dire « Je vais aider les data scientists, les gens qui développent des solutions d’IA, de pouvoir développer des solutions d’IA génératives. Ça, je pense, c’est écrit dans le ciel

[26min 06s]
Tout le monde est au courant que ça, ça s’en venait. Mais Google pousse la note encore plus loin, puis se dit « Attends un peu, tu n’es pas obligé de tout le temps avoir des data scientists. Il n’y a pas beaucoup de gens qui développent des solutions d’IA, mais il y a beaucoup plus de développeurs dans le monde. Donc, comment est-ce qu’on peut aider les développeurs dans leur développement? » Et c’est là aussi que des capacités qu’on commence à comprendre maintenant quand on utilise les solutions existantes, qu’il y a possibilité d’utiliser les solutions telles quelles. Par exemple, ici, Google, ce qu’ils ont parlé, ils parlent de, par exemple, aider la conversation, aider la recherche. Donc ça, c’est des cas très clairs qui peuvent être déployés par des développeurs dans des solutions existantes. Ils peuvent développer leurs propres applications, ils sélectionnent les fonctionnalités qu’ils ont besoin et ces fonctionnalités, ils s’adaptent, ils s’ajustent pour être capables de bonifier l’expérience des usagers finaux. Et même, on peut aller encore plus loin que ça. Donc, il y a Monsieur, Madame, tout le monde, il y a vraiment les utilisateurs business qui, eux, ont commencé à utiliser des outils comme par exemple Dialogflow.

[27min 22s]
Il existe plusieurs outils de Google et ces outils vont aussi avoir des capacités de Generative AI. Ça, ce que ça veut dire, c’est que le Generative AI est là pour rester. Donc, il faut juste être capable de bien l’utiliser. Et aussi, j’ai d’autres petites nouvelles pour vous, c’est que le développement continue à s’accélérer. Je comprends peut-être certaines personnes sont contentes de savoir qu’il y a des petites questions. Apparemment, GPT 5 n’est pas en train d’être développé, mais ça ne change pas le fait que le développement, il se poursuit, il s’accentue. Je peux donner des exemples. On a LLaMa et je ne parle pas de l’animal, même s’il y a une photo d’un lama très technologique. Mais LLaMa, c’est un outil qui te permet de créer tes propres modèles, tes propres ChatGPT internes, par exemple. Donc ça, ça continue. On peut voir la frénésie. Tout le monde veut un LLaMa. J’exagère. Personnellement, moi, je proposerais de ne pas utiliser ça, puis à la place d’utiliser les bonnes technologies. Ça, c’est mon take sur ça. On a de beaucoup meilleures performances avec les solutions qui sont déjà existantes, qui ont déjà été éprouvées par des millions de personnes.

[28min 51s]
Mais je comprends que c’est quelque chose qui est intéressant. Ça nous permet de tout développer sur notre propre laptop. C’est sûr que le geek en moi trouve ça excitant, mais la personne d’affaires trouve ça un peu overkill pour ce qu’on est en train de créer. Il y a aussi des compagnies qui ont leurs propres capacités qui développent. Par exemple, Coveo. Coveo sont hyper clairs sur le fait qu’ils ont déjà développé certaines des capacités génératives. Coveo qui est un des joyaux québécois. Et il y a d’autres entreprises comme, par exemple, Databricks qui est un joueur majeur dans l’écosystème, qui développe Dolly, je pense. Donc ça va s’accentuer. Il va y avoir de plus en plus de compétition dans le marché. Et il y a aussi une tendance, ici je vais juste brièvement parler, mais de « auto GPT », qui est le fait de pouvoir entraîner GPT, une solution générative avec une solution générative, puis de faire un loop. Ça fait peur, je suis d’accord. Ici, encore une fois, c’est important de le contrôler, mais pour l’instant, c’est un trend qui est beaucoup plus présent au niveau du développement, donc comment automatiser certains workflows.

Diapositive représentant différentes innovations dans le domaine de l'intelligence artificielle générative

Les risques et limitations de l’IA générative

[30min 09s]
Vraiment, ça continue. C’est important de rester au courant. C’est important de bien comprendre c’est quoi qui se produit pour s’assurer d’utiliser les meilleures technologies pour répondre à nos besoins. Et pour éviter des risques, ici, je vais parler de trois différents enjeux qu’on a présentement. Au niveau des hallucinations, je parle d’hallucination depuis tantôt. Une hallucination, c’est quoi? Je ne parle pas de l’hallucination dans un désert. Une hallucination, c’est une erreur. Je vais donner un exemple. Tout le monde a un beau-frère qui dit des choses, il est tellement convaincant, mais des fois, il ne sait pas de quoi il parle. Je pense que tout le monde a déjà eu ce beau-frère ou cette belle-sœur. Une hallucination, c’est ça. C’est une erreur. À l’époque, les OG vont se rappeler que dans un modèle traditionnel, tu as des erreurs, donc des fois, tu prédis mal. Dans ce cas-ci, c’est une mauvaise prédiction, mais qui est tellement convaincante parce que c’est bien écrit. Une hallucination, c’est un peu plus problématique parce que les gens qui n’ont pas nécessairement les capacités de pouvoir bien juger de l’extrant pourraient se faire enfirouaper. Donc, ici, il faut faire attention à chaque fois qu’on produit un extrant, à chaque fois qu’on fait un prompt, il faut regarder c’est quoi le résultat en arrière.

[31min 43s]
Des deepfakes, des fake news, il y en a plein, il y en aura de plus en plus. Donc, la capacité de demander « Écris-moi un texte sur telle affaire », tu ne te checkes pas, tu mets ça sur Facebook, c’est un problème. Pourquoi? Hallucination. Je pense qu’on fait le lien un petit peu. C’est beaucoup plus facile d’écrire des beaux textes avec de la fausse information que ça l’était avant, parce qu’avant, tu le faisais toi même ou tu le faisais faire par des gens qui étaient dans d’autres pays. Mais maintenant, c’est beaucoup plus facile. Donc, il faut s’assurer qu’à chaque fois qu’on développe des choses, surtout quand c’est automatisé, qu’on évite la propagation de fake news et de deep fake. Et finalement, au niveau de la vie privée, je pense que tout le monde est, si les gens ne sont pas conscients de ça, je pense qu’on va l’être de plus en plus. Attachons-nous, parce que c’est un des problèmes qu’on va voir de plus en plus. Il y a des histoires d’horreur en ce moment, des gens qui copient, collent des secrets commerciaux, les mettent dans des outils. Finalement, l’information est distribuée aux grandes entreprises.

Les principaux risques de l'IA générative : les hallucinations, les deep fake et l'atteinte à la vie privée

[32min 52s]
Et là, tu viens de créer des failles de sécurité importantes. Mais c’est pour ça que chez Moov AI, notre position qu’on a, c’est un peu la position que j’ai dite tantôt, c’est un optimisme prudent. En fait, et j’utilise le dicton de Uncle Ben, pour ceux qui se rappellent de Spiderman, avec de grands pouvoirs viennent de grandes responsabilités. C’est pour ça qu’on a décidé, oui, on embarque. On embarque, on veut aider les clients, parce que si on ne le fait pas, les gens vont le faire par eux mêmes, vont peut-être le faire mal, vont peut-être promouvoir des fake news, créer plus de problèmes que des bénéfices. C’est pour ça que c’est important d’accompagner, mais en contrepartie, il faut qu’on puisse aider. C’est pour ça qu’on aide, de notre côté, par exemple, à la promotion de la loi sur les données et l’intelligence artificielle au Canada, le projet de loi C27. On aide à pouvoir accélérer les efforts. On a un rôle qui est très prédominant au niveau des normes ISO aussi, pour encadrer et contrôler le développement et l’utilisation de l’intelligence artificielle. Le but, c’est de dire qu’on va développer des choses utiles, mais en plus, on va s’assurer de les contrôler convenablement.

Présentation des différents efforts pour sécuriser le développement de l'intelligence artificielle.

[34min 13s]
Ça, ça s’exploite de trois différentes façons. Premièrement, au niveau de l’éducation. Au niveau de l’éducation, par exemple, on a Delphine ici, qui est en charge de l’Académie Moov AI. On va s’assurer qu’on aide les gens dans l’atteinte de leurs objectifs. Ça, c’est sûr. On va aussi aider à développer des solutions. On a déjà commencé à le faire. Développer des solutions qui sont de bonne qualité, on les démontre avec des méthodologies d’apprentissage machine. Si on le fait pour des solutions traditionnelles, puis on est capable de démontrer que c’est des bonnes solutions et de pouvoir les déployer, on est capable de le faire pour des solutions d’IA générative. Et finalement, on veut bien comprendre les risques qui sont liés avec les solutions qu’on entreprend. Notre but, ce n’est pas de créer plus de problèmes, mais c’est de capitaliser sur les opportunités. Ici, je vais parler rapidement de risque. Je pense que c’est important. On va se faire un petit topo risques. Je vous ai amené ici pour ça. C’est une farce. Mais c’est des bons réflexes à avoir. Ici, je vais parler de quatre risques principaux. On va parler de risques fonctionnels. Tu bâtis une fonctionnalité. Au bout du compte, un modèle, c’est une fonctionnalité.

Exploiter l'IA générative de façon responsable en éduquant, en répondant à des problèmes précis et en comprenant les risques associés aux solutions.

[35min 33s]
À l’inverse de ce que ChatGPT disait, que nous autres, on fait juste créer une plateforme qui répond à tout. Le but, c’est de créer des fonctionnalités qui répondent à tes besoins. Comment bien le faire? Au niveau de la société, comment s’assurer qu’on développe une solution qui est juste, qui est éthique? L’important, c’est de se poser les bonnes questions. Au niveau de la sécurité de l’information et finalement, d’un point de vue juridique. Ici, je vais passer à travers les différents risques. Au niveau des meilleures pratiques pour le risque fonctionnel, c’est de bien définir la tâche que tu fais accomplir. Comme plutôt, on a regardé plusieurs tâches. Donc, c’est important de bien découper de la façon qu’on veut attaquer notre problématique. Et ce n’est pas parce qu’on a un engin en avant de nous ou qu’on peut taper n’importe quel prompt, puis ça répond très bien à tout. On se dit « Pas besoin de scopé, on va juste avoir une barre de recherche, puis on va faire ce qu’on veut. » L’idéal, c’est vraiment de s’assurer qu’on ait une bonne performance par rapport à ce qu’on veut accomplir. Ça, c’est vraiment la base et je suggère à tout le monde de faire ça.

Les principaux risques de l'IA générative à atténuer : fonctionnel, sociétal, sécurité de l'information et juridique.

Meilleures pratiques pour les risques fonctionnels

[36min 53s]
Par la suite, ce qu’on va vouloir faire, c’est optimiser nos approches, optimiser nos prompts. Je vais vous montrer comment faire ça dans un instant. Et finalement, tu fais une validation. C’est un outil d’apprentissage machine, c’est un outil d’intelligence artificielle. Tu veux le valider avec plusieurs données, plusieurs prompts, plusieurs situations, comme on fait dans de l’intelligence artificielle traditionnelle. Ce n’est pas parce que ça fonctionne une ou deux fois qu’on peut prendre en considération que ça fonctionne toujours. Donc, ça aussi, c’est quelque chose que je propose, c’est d’utiliser des approches conventionnelles, des approches qui ont été éprouvées pour la validation et de valider ce qu’on développe. « OK, oui, ça fonctionne. » Et là, c’est quantifiable. « OK. Ce que j’ai voulu développer, ça fonctionne bien 90 % du temps. » Donc, tu es capable de pouvoir quantifier le pourcentage de bonnes réponses que tu obtiens. Ça, ça vaut beaucoup parce que ça te permet de pouvoir savoir si tu tires dans le pied ou pas à continuer le développement. Ici, je vais vous donner un exemple par rapport à l’optimisation des prompts. Ce que je parlais tantôt, puis c’est vraiment très… Je pense que tout le monde comprend que c’est très simpliste, c’est qu’on écrit un prompt « Fais-moi le poème sur les bottes de foin », ce n’est pas ça que tu vas transformer en un processus ou un produit.

Diapositive sur les bonnes pratiques pour atténuer les risques fonctionnels.

[38min 29s]
Ce n’est pas ça. Ça ne fonctionnera pas bien. Moi, j’aime utiliser l’expression future proof ». Ce n’est pas quelque chose qui va te permettre de pouvoir déployer une solution qui va fonctionner à long terme. Ce que tu vas vouloir faire à la place. Oui, je vais donner un exemple. Excusez-moi. Je vais donner un exemple. C’est comme si je pose une question, je me développe un chatbot financier, puis je pose une question sur… Par exemple, identifie-moi trois faits intéressants dans le dernier état des résultats de Shopify. C’est une question légitime? Non, excusez-moi, ChatGPT, il est juste entraîné jusqu’à 2021. Ok, mais il ne sait pas ça. Puis là, si tu lui poses la question sur, par exemple, les états financiers de 2019, il va te sortir n’importe quoi. Les chiffres ne vont pas être les vrais. Pourquoi? Parce que c’est vraiment loin dans la mémoire de l’outil. Ce que tu veux faire à la place, c’est la meilleure façon de se tirer dans le pied, c’est de poser ton prompt, vanille comme ça. C’est pas la bonne approche. La bonne approche, c’est de lui fournir de l’information pertinente. Si à la place, tu vas lui trouver les états financiers manuellement, tu pourrais les copier-coller pour le tester.

Graphique représentant le fonctionnement des prompts dans un modèle d'intelligence artificielle générative.

[39min 42s]
Je vous suggère de le faire en passant. Vous allez être très agréablement surpris, mais de le faire programmatiquement dans une solution. Et là, tu te dis « Peux-tu m’identifier trois faits intéressants dans les états des résultats de Shopify basés sur ce document? » Copier-coller, c’est plein de chiffres. C’est difficile à lire pour lui-même, mais les outils de Generative AI sont capables d’interpréter l’information. Et ici, je l’ai testé. Est-ce que ça va te retourner? Ça va se retourner. Et les chiffres, en passant, ont été validés. Je ne l’ai pas fait de validé par Raymond Chabot de Grant Thornton. Écoutez, je pousse un petit peu, mais pas tant que ça. Mais ça donne des vrais faits, ça donne la bonne information et ça, c’est future proof. Donc là, tu viens de te créer, oui, certes, une petite complexité supplémentaire, mais ça en vaut la chandelle. Ici, si je reviens avec ma proposition, ça serait d’ajouter de l’information. Premièrement, c’est de partir avec une base de connaissances. Ta base de connaissances, ça peut être un FAQ, ça peut être des documents par rapport à ton entreprise. Moi, je veux savoir mon offre de service.

Un exemple de prompt pour ressortir des faits intéressants dans le dernier état des résultats de Shopify.
Exemple de réponse à un prompt demandant des faits intéressants dans le dernier état des résultats de Shopify.

[40min 59s]
Dans mes projets, j’ai des post mortem, je les mets dans une base de données, puis après ça, je peux poser des questions à un outil de generative AI, puis il me répond. Tu te crées une base de connaissances, puis après ça, tu vas faire, dans le fond tu te fais recommander, donc tu te crées un outil simple de recherche qui te donne des recommandations. Ça serait quoi l’information que tu veux ajouter dans ton prompt? Par la suite, tu l’optimises et voilà, là, tu te retrouves à avoir un outil qui fonctionne bien, qui hallucine moins et qui est prêt pour le futur. C’est ce type d’outil que moi je propose d’utiliser parce que sinon, on se tire dans le pied. Au niveau des risques sociétales, il faut se poser les bonnes questions. Je pense rapidement, il faut se poser les bonnes questions. À défaut de se poser les bonnes questions, s’il vous plaît, n’automatisez rien. L’automatisation, quand on ne sait pas ce qu’on fait, c’est l’ennemi. On n’automatise rien avant de savoir poser les bonnes questions. Mais encore une fois, il faut se poser les bonnes questions. On ne sait pas ce qu’on ne sait pas, right?

Graphique démontrant comment optimiser les prompts dans un modèle d'intelligence artificielle générative.

Risques sociétaux et poser les bonnes questions

[42min 10s]
Il existe des outils pour ça. Je peux vous partager. Ce que je vais faire, c’est après, je vais vous partager une liste d’outils. Un des outils que j’aime bien, il s’appelle la grille de réflexivité. Je ne savais pas que c’était un mot, mais apparemment, c’est un mot. Sur les enjeux éthiques de système IA, qui a été développé par l’OBVIA. Qui est une organisation québécoise. Et ça ici, c’est par exemple les dix commandements, les dix des sujets, dix des catégories de risque. Et c’est vraiment intéressant parce que cette grille va donner des questions qui sont très précises. Comme par exemple… Mais c’est des questions qui te font réfléchir. Je vais vous donner certains exemples. Est-ce que votre système peut nuire au bien-être psychologique de l’usager? Dans certains cas, oui. Il y a à peu près un mois, il y a un suicide qui est arrivé à cause d’une utilisation abusive d’un chatbot. Je sais que c’est « cherry pick », mais c’est juste dire qu’il peut y avoir un lien entre le bien-être psychologique et l’utilisation de la technologie. Il faut juste être capable de comprendre si oui ou non, on peut affecter la société avec notre système.

Bonnes pratiques pour mitiger les risques sociétaux : ne pas automatiser à outrance, se questionner quant aux enjeux éthiques potentiels et atténuer les risques avant même le développement.
Grille de réflexivité sur les enjeux éthiques des systèmes IA (OBVIA)

[43min 31s]
Au niveau de la vie privée, bien entendu, on en a parlé tantôt. Au niveau de la prudence, c’est quoi le pire qui peut arriver? Est-ce qu’on a des mécanismes pour éviter que le pire se produise? Le pire qui peut se produire, ça serait de partager de l’information. Si c’est juste de partager de l’information à l’interne, mais après ça, tu as tout le temps quelqu’un qui va valider puis qui va corriger, ce n’est pas un gros risque. Mais si tu te retrouves à créer quelque chose qui est automatique, puis qui envoie de la fausse information ou qui prend des décisions financières, on propose d’avoir des mécanismes pour atténuer ces risques. Au niveau des responsabilités, qui, ultimement, est responsable pour la solution? On ne peut pas juste dire « J’ai roulé quelque chose, je pesais sur « run » ». Ça roule, c’est supposé faire une tâche, mais il n’y a personne dans l’organisation qui est en charge. La réponse est « Google est en charge parce que c’est leur solution. Non, non, non. Ce que vous développez, c’est vous qui êtes en charge. Donc, en d’autres mots, si on pense qu’on va utiliser ChatGPT pour automatiser un département, j’ai une petite nouvelle pour vous.

Sécurité de l’information et utilisation de l’API

[44min 44s]
Il y a quelqu’un qui va être en charge de ce nouveau département virtuel et toutes les mauvaises décisions qui sont prises vont être attribuées à cette personne. Est-ce qu’on est prêt en tant qu’organisation, à faire ça? C’est une autre bonne question. Je vous suggère fortement de vous poser les bonnes questions et d’essayer de répondre le mieux possible. Ça ne veut pas dire que vous allez canceller vos projets, mais vous allez les structurer différemment possiblement. Au niveau de la sécurité de l’information, ce que je vais proposer, puis on le voit en gras, c’est que premièrement, dès aujourd’hui, évitez de mettre de l’information sensible, que ce soit dans Bard ou dans ChatGPT. C’est deux solutions où l’information passe vers le créateur. Ce n’est pas pour des raisons de « On veut voler l’information pour dominer le monde.» Ce n’est pas pour ça. C’est pour en savoir plus sur les codes d’usage qui sont pris pour être capable de pouvoir en savoir plus sur l’utilisation de la technologie. Mais, il faut éviter, c’est un risque au niveau de la sécurité de notre information en entreprise. Et personnellement, ne rentrez pas vos numéros d’assurance sociale. Il y a plein de choses qu’on veut éviter de faire.

[46min 05s]
Je me demande si tout le monde connaît mon nom basé sur mon numéro d’assurance sociale. Ce n’est pas un bon prompt. Aussi, l’autre élément, ça, c’est pour des outils B2C qui sont gratuits. On sait qu’il n’y a rien de gratuit dans ce bas monde. Ça, c’est un exemple. Mais aussi, pour l’instant, ce que je propose, c’est d’éviter l’utilisation des API d’ OpenAI. Openai présentement, parce qu’ils utilisent l’information pour le réentraînement, donc les outils actuels, pour des cas où la sécurité d’information est plus accrue, par exemple, on crée un chatbot où vraiment c’est l’usager final qui communique. Donc, tu ne peux pas contrôler l’information qui est divulguée. Dans ce cas ci, j’utiliserais probablement d’autres alternatives, comme par exemple d’utiliser Google, d’utiliser Microsoft directement. Les services professionnels, eux, garantissent le fait que l’information ne va pas sortir de notre environnement à nous. C’est beaucoup plus réconfortant. Et après, ici, j’ai une petite proposition pour les entreprises que j’entends justement qui commence à être une proposition que les gens adoptent, c’est de créer leur propre plateforme d’IA générative. Si on commence à le voir de plus en plus, ici, le use case est très simple. Si je travaille chez Pratt & Whitney Canada, puis je commence à utiliser ChatGPT, copie et colle, je veux valider des pièces de rechange, c’est quoi dans ce matériel d’instruction, les pièces de rechange, les besoins pour faire telle réparation?

Bonnes pratiques pour mitiger les risques de sécurité de l'information : éviter de fournir des données sensible à ChatGPT ou Bard, éviter d'utiliser les API actuels de OpenAI, utiliser les solutions professionnelles (Microsoft, Google) et créer sa propre plateforme d'IA Générative.

Risques juridiques et considérations sur le droit d’auteur

[47min 51s]
C’est un bon use case, mais si tu le tests, ça veut dire que tu viens de donner tes spécifications techniques de ton moteur à OpenAI. Tu veux probablement pas faire ça. À la place, qu’est-ce que tu peux faire? Tu peux utiliser les versions professionnelles. Premièrement, tu pourrais utiliser les versions professionnelles, que ce soit Google ou Microsoft, les deux offrent ces capacités et tu crées un interface, puis l’affaire est ketchup. Donc là, tu viens de créer un interface, tu peux l’appeler comme tu veux. Pratgpt, tu peux t’amuser, tu mets des belles couleurs. Tu viens de réduire un risque à l’utilisation de la technologie. Tu n’empêches pas. Le pire ça pourrait être d’empêcher d’utiliser la technologie parce que c’est impossible d’empêcher l’utilisation de l’IA générative. À la place, tu viens contrôler la sécurité autour de ça et tu peux même pousser plus loin. Tantôt, je parlais de base de connaissance. Mon Pratgpt, je peux lui donner accès à toute ma documentation technique. Comme ça, je peux poser des questions, puis il répond des bonnes réponses. Tu peux créer cette interface et vraiment faire bénéficier ton organisation. Ça, c’est un exemple qui, en tant que tel, résout beaucoup de problèmes.

Créer son propre IA Générative via les versions professionnelles.

[49min 12s]
Moi, je suis un gars de solution. C’est pour ça que j’aime proposer celle-ci, parce que c’est tellement élégant. Finalement, on va finir avec les risques juridiques. Sur ça, on en parle beaucoup. Droit d’auteur, plagiat. Oui, il peut y avoir ces problèmes-là. Donc, de une, moi, ce que je propose, c’est premièrement d’évaluer le risque que ça arrive. Il y a certains risques comme l’analyse de sentiments, il n’y en a pas. Tu demandes si c’est positif ou négatif basé sur de l’information. Donc, il n’y a aucun risque. Dans certains cas, il y aura un risque qui est nul ou négligeable, mais dans certains cas, le risque va être très élevé. Je suis un journaliste, je suis je veux me faire aider dans la création de mon article, ça l’a un risque qui est plus élevé au niveau du plagiat, au niveau de la propriété intellectuelle. Je veux faire automatiser le développement de code. Tu peux te retrouver à utiliser des portions qui ont une licence commerciale, donc que tu ne devrais pas pouvoir utiliser. Et tu ne le sais pas, parce que c’est tellement élégant l’extrant que des fois, tu peux être pris de cours. Dans ce cas-ci, moi, ce que je propose, c’est que dans les cas les plus extrêmes où justement il y a un risque important au niveau des droits d’auteur, je proposerais d’éviter d’utiliser ChatGPT précisément, parce que GPT, c’est une des solutions qui existent en ce moment, qui n’ont pas clarifié qu’ils utilisent juste de l’information publique.

Bonnes pratiques pour mitiger les risques juridiques : Évaluer le risque associé au plagiat et au vol de propriété intellectuelle, préconiser certaines solutions selon de corpus d'entraînement utilisé et intégrer des outils d'évaluation des extrants

Solutions alternatives pour les risques de droit d’auteur

[50min 55s]
Donc eux, leur position est floue présentement. Donc dans ces cas là, c’est peu de cas, mais quand même, quand ça arrive, il existe GPT 3, il existe GPT 4, il existe PALM, il existe plusieurs autres outils qui peuvent s’adresser pour résoudre ce cas-là. Et finalement, tu peux aussi prendre la problématique différemment. Donc, tu peux à la place, tu génères quelque chose et tu vas venir le faire valider. Par exemple, d’un point de vue journalistique, il existe des outils qui valident s’il y a du plagiat. Donc, tu peux te retrouver à ajouter et peaufiner ton outil pour minimiser les risques. J’espère que je n’ai endormi personne à parler de risques, mais c’est important pour moi. Donc merci d’avoir resté. Je n’ai même pas vu personne bailler. Je me donne une petite tappe sur l’épaule. Donc, en conclusion, je l’ai répété, puis je vais le répéter encore. Mais c’est important d’embarquer maintenant, c’est important d’utiliser la technologie. Il y a tellement de bénéfices qu’on peut retirer de ces approches, de ces outils de l’IA générative, mais il faut bien le faire. Quand on fait bien les choses, on réussit à avoir les upsides, mais on réussit à minimiser les downsides.

[52min 08s]
Sur ce, merci beaucoup pour votre écoute.

Le projet de loi canadien C-27 : qu’est-ce que c’est et comment agir pour éviter un impact coûteux

J’ai écrit à plusieurs reprises sur la nécessité d’une législation sur l’IA et sur le fait que le paysage de l’IA ressemble parfois au Far West. Le projet de loi C-27 du Canada est l’une des réponses du gouvernement que j’attendais.

Dans cet article, j’explique ce qu’est le projet de loi C-27, comment votre entreprise en sera touchée, et mon point de vue sur son impact sur le domaine de l’intelligence artificielle.

Qu’est-ce que C-27?

C-27 est un projet de loi qui promulgue la Loi sur la protection des renseignements personnels des consommateurs, la Loi sur le Tribunal de la protection des renseignements personnels et des données et la Loi sur l’intelligence artificielle et les données, et apporte des modifications corrélatives et connexes à d’autres lois.

Wow, quel nom interminable ! Essentiellement, le projet de loi C-27, également appelé « Loi de mise en œuvre de la Charte numérique », est une proposition de loi canadienne qui a été publiée en juin 2022 dans le but de protéger les données personnelles des individus. Le C-27 pourrait être considéré comme l’équivalent du GDPR (General Data Protection Regulation) européen « modernisé », avec une portée plus large, étant donné qu’il couvre la fiabilité des systèmes d’IA et le droit à la vie privée.

Cette loi est exhaustive et s’applique aux renseignements personnels que les organisations recueillent, utilisent ou divulguent dans le cadre d’activités commerciales, ou aux renseignements personnels concernant un employé ou un candidat à un emploi auprès de l’organisation et que celle-ci recueille, utilise ou divulgue dans le cadre de l’exploitation d’une entreprise fédérale.

Ce que signifie C-27 en bon français

Essentiellement, cette loi garantit que les entreprises prennent au sérieux la confidentialité des informations de leurs clients et employés qu’elles collectent, utilisent ou divulguent.

Quelles sont les principales différences entre le GDPR et la loi C-27 ?

Bien qu’elle utilise des clauses et des termes différents, la loi C-27 couvre fondamentalement les mêmes droits que le GDPR (droits d’accès, de refus du marketing direct, de portabilité des données ou d’effacement). Toutefois, le champ d’application de C-27 est plus large, car elle couvre explicitement les données des employés.

C-27 couvre aussi explicitement les applications d’intelligence artificielle puisqu’elles utilisent et génèrent des données. Plus précisément, cette loi exigera que :

  • Les consommateurs ou les employés impactés par une application d’IA puissent demander des explications claires et spécifiques liées à la prédiction du système.
  • Les applications d’IA à fort impact effectuent une évaluation des biais négatifs potentiels et des discriminations injustifiées qui peuvent traiter négativement des populations ou des individus spécifiques.
  • Les applications d’IA à fort impact documentent les risques associés aux biais négatifs ou aux résultats néfastes de l’application, identifient les stratégies d’atténuation et démontrent la surveillance de ces risques.

Pourquoi s’en préoccuper ?

Premièrement, il s’agit d’un document législatif nécessaire pour garantir la sécurité des données des résidents canadiens. Par exemple, six mois seulement après la lente et pénible mise en œuvre du GDPR en Europe, 44% des répondants à un sondage Deloitte estiment que les organisations se soucient davantage de la vie privée de leurs clients maintenant que le GDPR est en vigueur. C’est puissant.

Cependant, cela signifie qu’une quantité considérable de travail doit être entreprise pour se conformer à la C-27. Près de la moitié de toutes les organisations européennes ont réalisé un investissement important dans leurs capacités de conformité au GDPR, et 70% des organisations ont constaté une augmentation du personnel qui se concentre partiellement ou entièrement sur la conformité au GDPR. Cependant, 45 % de ces organisations ne sont toujours pas en conformité avec le GDPR. Selon le « GDPR enforcement tracker », depuis juillet 2018, 1317 amendes ont été émises.

Le projet de loi C-27 va-t-il générer autant de chaos pour les entreprises canadiennes ? Probablement pas. Les organisations canadiennes ont déjà commencé à s’adapter à cette nouvelle ère de la confidentialité des données. Le GDPR n’est plus nouveau ; il a été annoncé en 2016 et est entré en vigueur en mai 2018. Nous avons beaucoup appris depuis lors. Par exemple, 85 % des organisations canadiennes ont déjà nommé un délégué à la protection des données (CDPO), et la plupart des outils tiers ont adapté leurs produits et services pour respecter la confidentialité des données.

En d’autres termes :

  • Le C-27 va être appliqué. C’est certain.
  • C’est sérieux. En Europe, environ 20 % des personnes ont déjà utilisé leurs droits dans le cadre du GDPR.
  • Plus vous serez proactifs, plus votre mise en œuvre sera simple et sans heurts.
  • Ce n’est pas la fin du monde. Vous pouvez vous mettre en conformité sans dépenser des millions de dollars.

Ceci étant dit, vous devez commencer à préparer votre organisation à la mise en œuvre de la loi C-27.

Voici quatre mesures que vous pouvez prendre dès maintenant pour vous préparer à C-27.

1. Maîtrisez vos processus de collecte et de gestion des données.

Maintenez une bonne hygiène des données afin d’être en mesure de mieux contrôler les données personnelles dans vos différents outils, systèmes et bases de données.

2. Commencez à adopter les techniques de dépersonnalisation des données afin de minimiser l’empreinte des informations personnelles dans votre organisation.

Un excellent moyen de limiter la quantité de données personnelles entrant dans vos bases de données est de limiter leur utilisation. Cela peut se faire en éliminant ou en réduisant le nombre de bases de données, de tableaux et de champs contenant des données personnelles, ce qui réduira considérablement la complexité de la mise en conformité avec la norme C-27. Voici quelques techniques de désidentification :

  • Désidentifier : modifier des informations personnelles pour réduire les chances qu’une personne puisse être directement identifiée à partir de celles-ci.

    Les méthodes de hachage sont un exemple de désidentification, car les utilisateurs côté affaires ne peuvent pas identifier les personnes qui utilisent les données. Néanmoins, les équipes TI et de sécurité peuvent convertir les hachages en données identifiables si nécessaire. Les techniques de désidentification sont autorisées si des processus et des politiques appropriés sont en place pour les protéger.

    Dans les systèmes d’IA, les techniques de désidentification permettent de faire des prédictions. Par exemple, sans connaître le code postal exact, les individus du code postal 12345 auront des caractéristiques similaires. Toutefois, leur pouvoir prédictif est limité par rapport aux données réelles. Par exemple, il est impossible de calculer la distance entre les codes postaux s’ils sont hachés.
  • Anonymiser : modifier les informations personnelles de manière irréversible et permanente, conformément aux meilleures pratiques généralement acceptées, afin qu’aucun individu ne puisse être identifié à partir de ces informations, que ce soit directement ou indirectement, par quelque moyen que ce soit.

    Il s’agit d’une méthode rigoureuse de protection de la vie privée qui ne devrait pas être la méthode par défaut dans une stratégie de science des données. Par défaut, les organisations devraient dépersonnaliser les données autant qu’elles le peuvent et n’utiliser l’anonymisation que lorsqu’il n’y a pas d’autre choix. Par exemple, les textes libres et les transcriptions d’appels peuvent contenir des informations très privées et identifiables qui sont assez complexes à désidentifier. Dans ces cas, l’anonymisation est nécessaire.
  • Générer des données synthétiques : créer des données complètement synthétiques et réalistes à partir de données existantes afin qu’il soit possible de développer des applications d’analyse et d’IA sans risquer des problèmes de confidentialité.

    Aujourd’hui, de nombreux outils et algorithmes permettent aux organisations de générer des données synthétiques réalistes sans mettre en péril les données personnelles réelles. Cette technique permet aux organisations de construire des applications d’IA avec n’importe quel type de données, identifiables ou non, sur des données tabulaires, textuelles ou même des images.

    Accenture rapporte que même les IRM cérébrales seront bientôt générées synthétiquement par certaines organisations, réduisant ainsi les failles de sécurité potentielles, et permettant des projets plus transformateurs étant donné que les données sont moins restrictives. La génération de données synthétiques est essentielle pour ce cas d’utilisation car la structure du cerveau est unique et une IRM peut être utilisée pour identifier un individu. Par conséquent, dans le cadre des politiques habituelles de protection de la vie privée, l’utilisation de ces données identifiables peut être risquée et serait généralement interdite ou découragée par les organisations. Les données synthétiques ouvrent la porte à des possibilités de générer de la valeur plus facilement tout en atténuant les risques liés à la vie privée.

Vous devrez renforcer vos mesures de sécurité pour démontrer que la sécurité relative à vos ressources matérielles, organisations et techniques est sûre en ce qui concerne la confidentialité des données. Une bonne première étape consiste à documenter une PSI (politique de sécurité de l’information). Ensuite, vous pourriez découvrir des irrégularités que vous devrez gérer. Voici un lien vers des modèles pratiques du SANS.

En conclusion, il est essentiel de choisir la bonne stratégie pour dépersonnaliser vos données. Veillez à ne pas être trop restrictif, car la suppression des informations personnelles peut limiter la valeur que vous pouvez tirer des applications d’analyse et d’IA. Voici une ressource utile d’EDUCAUSE pour vous guider dans cet exercice.

3. L’explicabilité devient une nécessité lors de la construction de tout système d’IA.

Non seulement les individus auront le droit de comprendre les raisons qui sous-tendent les prédictions, mais c’est également un outil utile pour valider la qualité de votre système d’IA.

Les exigences d’explicabilité empêchent-elles les organisations d’utiliser des algorithmes d’IA et d’apprentissage automatique plus sophistiqués ? Non. En fait, au cours de la dernière décennie, la communauté universitaire a collaboré à la création d’outils et de techniques permettant de générer des explications pour des algorithmes potentiellement très complexes.

Aujourd’hui, le défi ne vient pas de l’explicabilité elle-même mais de l’explication en termes simples des raisons qui sous-tendent la prédiction. Une bonne expérience utilisateur sera nécessaire pour rendre les explications significatives.

4. Les questions éthiques et la gestion des risques liés aux préjugés négatifs sont d’autres questions que les organisations doivent aborder avec le C-27.

Plus concrètement, les organisations devront adopter une approche de gestion des risques, qui consiste à dresser la liste des risques potentiels, à estimer les probabilités et les impacts, puis à établir des plans d’atténuation. Il s’agit d’un mécanisme simple mais efficace pour gérer la plupart des risques dans un projet d’IA.

Pour vous aider à démarrer, certains acteurs du secteur ont créé des ressources très utiles qui vous permettent de réaliser une auto-évaluation. Voici deux ressources utiles pour identifier et traiter les risques liés à l’éthique et aux préjugés négatifs :

  • Voici une excellente ressource qui énumère et décrit les risques les plus pertinents pour un système d’IA. Ce travail vise à y contribuer en identifiant les sources de risque pertinentes pour les systèmes d’IA. À cette fin, les différences entre les systèmes d’IA, notamment ceux basés sur des méthodes modernes d’apprentissage automatique, et les logiciels classiques ont été analysées, et les domaines de recherche actuels de l’IA de confiance ont été évalués.

    Une taxonomie pourrait alors être créée pour donner un aperçu des diverses sources de risque spécifique à l’IA. Ces nouvelles sources de risque devraient être prises en compte dans l’évaluation globale des risques d’un système basé sur des technologies d’IA, examinées quant à leur criticité et gérées en conséquence à un stade précoce afin d’éviter une défaillance ultérieure du système.
  • L’OBVIA s’est associé à Forum IA Québec pour créer une excellente grille de réflexivité sur les enjeux éthiques des systèmes d’intelligence artificielle. Présentée sous la forme d’un questionnaire à réponses ouvertes, cette grille a été conçue pour aider les membres des équipes qui conçoivent, mettent en œuvre et gèrent les systèmes d’IA à réfléchir aux questions éthiques soulevées par le développement et l’utilisation de ces nouvelles technologies.

    Cette grille s’inscrit dans une perspective de recherche participative et vise à développer des outils éthiques utiles aux praticiens. Elle est destinée à être en constante évolution à la lumière des besoins et des expériences des acteurs susceptibles de l’utiliser.

    Je pense que des outils d’auto-évaluation comme celui-ci sont la voie à suivre car ils assurent une certaine rigueur dans l’évaluation tout en rendant le processus moins pénible pour les utilisateurs finaux.

C-27 s’accompagnera d’un ensemble d’exigences complet et strictes

En conclusion, le C-27 s’accompagnera d’un ensemble d’exigences complet et strict. Bien que ce soit pour le bien de tous, les organisations devront faire de gros efforts pour se préparer. Il existe des moyens intelligents d’être en conformité tout en ne mettant pas en péril votre processus d’innovation ; purger toutes vos données ou ne pas faire d’IA ou d’applications analytiques n’est pas une option valable. L’aspect positif de cette situation est que les solutions pour se conformer à C-27 sont des opportunités pour générer de la valeur supplémentaire.

En contrôlant votre processus de collecte et de gestion des données, vous gagnerez en maturité, ce qui devrait avoir un impact positif sur la collecte et la qualité des données.

En utilisant des techniques de dé-identification, des techniques d’anonymisation uniquement lorsque c’est nécessaire, et en générant des données synthétiques, vous réduirez considérablement les risques de sécurité tout en poursuivant des applications d’IA qui semblaient trop risquées auparavant. Cela facilitera la gestion du changement. Les données synthétiques peuvent également être utilisées pour produire des ensembles de données plus importants, ce qui aidera à construire des applications d’IA performantes.

En investissant dans l’explicabilité de vos applications d’IA, vous ne vous conformerez pas seulement à la norme C-27, mais vous réduirez aussi considérablement les efforts de validation et de gestion du changement, car les utilisateurs finaux et les parties prenantes pourront être rassurés lorsque les explications correspondront à leur réalité.

Enfin, en évaluant et en agissant sur les risques de biais éthiques et négatifs, vous vous assurez que votre organisation ne discrimine pas les consommateurs ou les employés, ce qui peut être catastrophique d’un point de vue juridique, réputationnel et sociétal.

C-27 est bon pour la population et aidera les organisations à faire un meilleur usage de leurs données.

Neuf rôles essentiels pour la réussite d’un projet d’intelligence artificielle

Bâtir, déployer et maintenir une solution d’intelligence artificielle n’est pas une tâche simple. Pour ce faire, vous avez besoin d’une équipe performante dont les talents et les compétences sont complémentaires.

Quelle est la composition de l’équipe optimale pour mener à bien un projet d’IA? Ce n’est pas une question facile… La réponse varie en fonction du type de projet et du type d’organisation pour laquelle vous travaillez.

Basés sur mes apprentissages et sur l’expérience de livraison de projet acquise en accompagnement de nombreuses entreprises dans différents secteurs, voici les neuf rôles essentiels pour créer et livrer un projet d’IA.

Dans ce texte, je parle de rôle. Un employé peut remplir plusieurs rôles selon ses compétences. L’idée est que l’ensemble de votre équipe couvre les différents rôles qui vous permettront de maximiser vos chances de réussite.

Neuf rôles essentiels dans une équipe de projet d’intelligence artificielle

différents rôles en science de données
Composition par rôle d’une équipe de projet d’IA

La science des données

La science des données est un incontournable dans tout projet d’IA. J’ai souvent entendu dire que le scientifique des données est le seul rôle nécessaire pour bâtir une solution solide. Ce n’est pas le cas. De nombreuses tâches doivent être réalisées pour assurer la réussite de votre projet. C’est impossible pour un scientifique de données de tout prendre en charge à lui seul. Je ne crois pas aux licornes.

Généralement, je divise les activités de science des données en 3 rôles distincts :

L’analyse des données

Les données sont la fondation d’une solution d’IA. Sans elles, la solution ne peut pas fonctionner . Il est primordial d’analyser correctement les données qui seront utilisées durant votre projet. C’est la tâche de l’analyse des données.

Le modèle d’apprentissage machine (ML)

Une fois les données définies, un modèle d’apprentissage machine peut être entraîné, validé et testé pour générer des prédictions. Si tout va bien, vous pourrez ensuite intégrer vos prédictions dans une solution.

La conception d’expérience utilisateur (UX)

La conception UX est l’un des aspects les plus négligés d’une solution d’IA. Pour moi ce rôle est essentiel. Comment l’utilisateur final accédera-t-il aux résultats de la solution ? Comment s’assurer qu’il comprendra et fera confiance aux résultats ? Le concepteur UX travaille à faire comprendre le modèle afin de le traduire dans un langage non technique puis dans une utilisation par les utilisateurs finaux.

Développement

Le développement est malheureusement souvent sous-estimé dans un projet d’IA. Pourtant, de nombreuses heures de développement logiciel sont nécessaires pour développer et déployer une solution d’IA opérationnelle. De nombreuses infrastructures, processus et outils non liés à l’apprentissage machine sont nécessaires pour réaliser une solution fonctionnelle.

machine learning dans un système d'intelligence artificielle
Composition améliorée d’une solution d’IA, source Hidden Technical Debt in Machine Learning Systems

Vous aurez besoin d’une expertise spécifique pour opérationnaliser l’IA et construire une solution robuste basée sur les données, les modèles d’apprentissage machine et de l’UX que les rôles de la science des données auront produite.

L’architecture de la solution

Comme le démontre la figure ci-dessus, de nombreux éléments sont nécessaires pour développer une solution. Cet ensemble de compétences est essentiel pour dessiner l’architecture logicielle d’une solution d’IA qui répondra aux exigences de l’utilisateur final.

Le développement de bases de données et de logiciels

Une solution d’IA est une solution logicielle. Une solution spécifique, mais une solution logicielle quand même. D’où l’importance d’avoir des bases de données, des scripts et des API robustes et efficaces qui soutiennent le modèle. Si vous ne comptez que sur les scientifiques de données pour développer une solution d’IA, vous serez déçu. Peu de scientifiques de données maîtrisent à la fois le développement de logiciels et la science des données. Encore une fois, je ne crois pas aux licornes.

L’opérationnalisation de la solution

La mise en production d’une solution d’intelligence artificielle est une combinaison de DevOps et de MLOps. DevOps est un ensemble de pratiques qui vise à raccourcir le cycle de développement et à assurer une livraison continue avec une qualité logicielle élevée. MLOps est un processus d’automatisation, de mise en production d’applications et de flux de travail d’apprentissage machine. (Source : phdata)

Cycle DevOps
Cycle DevOps, source MLOps vs. DevOps: What is the Difference

Affaires

Tout projet d’IA au sein d’une organisation doit tenir compte du contexte d’affaires. La technologie ne peut résoudre aucun problème si elle ne s’aligne pas sur la problématique de l’entreprise.

Connaissance du marché

Ce rôle est le plus important dans un projet d’IA. Oui, un rôle non technique. Le responsable du produit ou Product Owner (PO) veille à ce que la solution réponde aux besoins du marché. Un excellent PO peut générer des résultats rapidement et minimiser les risques en élaborant des règles d’affaires et en définissant les exigences business de la solution d’IA. Le PO veille également à ce que l’équipe de projet acquière les connaissances du marché qui sont essentielles au développement de la bonne solution. Le PO est en contact permanent avec les parties prenantes tout au long du projet.

Le principe de Pareto dans la livraison de l’IA

complexité d'un système d'intelligence artificielle
Le principe de Pareto dans la livraison de l’IA

La gestion de projet

La plupart des problèmes que vous rencontrerez dans un projet d’IA peuvent être résolus si le projet est bien géré. Le chargé de projet guide l’équipe afin qu’elle fournisse des fonctionnalités de haute qualité qui répondent aux exigences de l’entreprise, dans le respect des délais et du budget. Il s’agit d’une tâche complexe qui demande un certain doigté. Je vous suggère de choisir une personne ayant de l’expérience pour occuper ce rôle.

La gestion du changement

Vous pouvez construire la meilleure solution d’IA de l’histoire de l’humanité, mais si personne ne l’utilise, vous venez de perdre une opportunité. Et de l’argent. Et du temps. La communication, la formation et le soutien pendant les tests utilisateurs sont des activités essentielles pour garantir une adoption optimale par les parties prenantes et les utilisateurs finaux.

La réussite d’un projet

Les 9 rôles proposés permettent de couvrir l’ensemble d’un projet d’IA. Identifier qui occupera chacun de ces rôles en début de projet augmente les chances de succès.

Chez Moov AI nos équipes de projets sont généralement composées de 5 collègues qui, ensemble, couvrent tous ces rôles et se répartissent les tâches à accomplir. Nos équipes étant autogérées, elles s’assurent que ces rôles soient couverts par des parties prenantes externes si aucun membre de l’équipe ne possède les compétences pour accomplir un de ces rôles.