Avec l’IA la prédiction devient priorité de votre business. C’est le professeur Ajay Agrawal de la Rotman School of Management (Totonto) qui nous l’explique et c’est tout simplement bluffant. Suivons son raisonement.

Après cependant un petit préambule. Souvent le terme de prédiction est associé à la voyance, la prémonition, l’inspiration surnaturelle. Dans l‘interview qu’a donné Ajay Agrawal à Rik Kirkland – Senior Managing Editor de McKinsey Publishing, et dont nous allons suivre la trame, le mot prédiction doit être entendu comme : Action d’annoncer à l’avance un événement par calcul, par raisonnement, par induction.

La plupart des analyses de l’Intelligence Artificielle appliquée à l’économie reposent sur la question : comment l’IA va-t-elle permettre un réduction des coûts de production ?
Pour Ajay Agrawal, l’Intelligence Artificielle, appliquée à l’économie, n’a qu’un objectif : diminuer les coûts de la prédiction. Sachant que la prédiction est la donnée essentielle de nombreuses activités aussi bien dans le business que dans nos vies du quotidien.

Ajay Agrawal part de l’exemple de l’émergence d’une ‘ancienne’ technologie – les semi-conducteurs – pour comprendre les changements radicaux induits par la baisse du coût d’une donnée essentielle.

Avec l’apparition des semi-conducteurs le coût de la donnée ‘arithmétique’ a diminué drastiquement. Et cela a eu trois conséquences économiques :
– Dans les années 60, l’arithmétique était essentiellement utilisée par les gouvernements et les militaires. Puis, le calcul (i.e la computation) étant devenu plus facile et moins coûteux, nous avons développé des applications utilisant ces computations : notamment toute l’économie de la prévision (appli météo par exemple),
– Ensuite cette computation bon marché a permis de résoudre des problèmes qui n’avaient jamais été considérés sous l’angle du calcul. Ainsi de l’industrie photographique qui reposait sur l’argentique/pellicule et qui est maintenant une industrie digitale,
– Enfin l’évolution du coût de la computation a entrainé des évolution du coût d’autres éléments : dans le cas de la photographie, les appareils et périphériques ‘argentiques’ ne valent plus rien, là où les appareils, périphériques et mêmes logiciels ont vu leurs prix augmenter.

Il en va de même pour l’application de la technologie Intelligence Artificielle à l’économie :
– Elle est utilisée de plus en plus largement car grâce à elle les problèmes de prédiction sont résolus plus rapidement, à un moindre coût et de manière plus efficiente (gestion des inventaires par exemple)
– Elle s’applique à des problèmes pour lesquels elle n’était pas prévue : l’autonomisation des véhicules n’était pas abordée sous l’angle de la prédiction. D’abord considérée comme un simple problème d’automatisation (convoyeurs dans les entrepôts par exemple), l’autonomie est devenue un problème de prédiction pour pouvoir s’appliquer aux voitures, drones, avions… prévoir comment un humain aurait réagit pour pouvoir se substituer à lui.
– Le coût de la prédiction diminuant, la valeur des produits qu’elle peut remplacer va diminuer aussi et le prix des produits associés va augmenter. Or le principal produit auquel les prédiction de l’IA peuvent se substituer est la prédiction humaine…(nous essayons de prévoir dans notre vie de tous les jours et dans le business).
Sachant que nous avons des biais, que nous commettons des erreurs. Bref nous ne sommes pas de bons prévisionnistes comparés à l’IA. Donc la valeur des prédictions humaines va diminuer quand celle des prédiction IA va augmenter.

Et dans le même temps les produits complémentaires vont augmenter : ainsi des data.
Or il est un produit complémentaire à la prédiction sur lequel il faut s’arrêter : le jugement humain.
Pour prendre des décisions, nous utilisons prédictions et jugement. Et donc le prix de la prédiction humaine, celui du jugement humain va augmenter !
Un autre complément est l’action. Sans action les prédictions et et le jugement ne valent rien.

Alors comment utiliser l’IA dans le business ?
Une première approche est de reconsidérer l’organisation elle-même d’une entreprise : décomposer le process transformant les inputs en outputs en éléments et ensuite considérer parmi ces éléments ceux ayant une forte composante liée à la prédiction qui pourraient bénéficier de l’IA.
Ensuite évaluer le retour sur investissement de l’application de l’IA à chaque élément et faire un ranking pour déterminer les priorités d’action.

En conclusion Ajay Agrawal détails les cinq impératifs pour optimiser l’utilisation de l’IA dans son business :
– considérer à quelle vitesse (ou dans combien de temps) un outil d’Intelligence Artificielle peut être utile dans une partie de mon business (confère les acquisitions par Google de sociétés à peine (voire pas) rentables – achat de DeepMind par exemple),
– comprendre que les progrès de l’IA sont exponentiels avec pour effet de bord, un niveau d’investissement augmentant rapidement, un coût du hardware qui diminue et enfin une accumulation exponentielle des données collectées/générées,
faire confiance aux machines. Elles prévoiront toujours mieux qu’un humain (c’est avéré par exemple dans le domaine du recrutement),
– savoir quelles sont les prédictions dont vous avez besoin. En n’oubliant pas que vos compétiteurs se posent les mêmes questions que vous,
– et enfin, gérer la boucle d’apprentissage (learning loop). Jusqu’à présent nous pensions que le travail pouvait s’améliorer quand le capital était lui ‘fixe’. Avec l’IA le capital apprend. D’où l’importance du retour d’expérience sur la séquence prédiction/décision/action pour enrichir le capital (IA) qui génère les prédictions.

Similar Posts

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *