Thinking Machines Lab a dévoilé le 15 juillet 2026 son tout premier modèle de fondation baptisé Inkling. Une sortie très attendue pour cette startup lancée par l'ancienne directrice technique d'OpenAI.
Gemini Intelligence débarque sur Android avec de grosses promesses, mais tous les smartphones ne monteront pas dans le train. Google réserve ses nouvelles fonctions IA à une poignée de modèles premium, laissant sur le quai plusieurs appareils pourtant récents.
Rappelons que la semaine dernière, Google a officiellement annoncé Gemini Intelligence, sa nouvelle vague de fonctions IA pensée pour les smartphones Android. Cette nouveauté promet pas mal de changements, avec des outils capables d’automatiser certaines tâches. Mais aussi d’autres en mesure de personnaliser davantage l’expérience utilisateur ou encore de rendre l’assistant beaucoup plus intelligent au quotidien. Le souci, c’est que la firme de Mountain View ne compte pas rendre ces fonctions accessibles à tout le monde. Découvrez donc si vous faites partie des heureux élus.
Pour avoir accès à Gemini Intelligence sur les smartphones, deux conditions techniques semblent incontournables.
La première concerne la mémoire vive. Google exige au minimum 12 Go de RAM. C’est un seuil assez élevé qui élimine déjà une partie du marché Android actuel. Même certains modèles vendus comme premium passent pour des appareils modestes.
Mais la seconde limitation est encore plus restrictive. Pour profiter de Gemini Intelligence, les smartphones doivent aussi prendre en charge AI Core ainsi que Gemini Nano v3. Ce dernier est le modèle d’IA qui fonctionne directement en local sur l’appareil.
Alors, si votre téléphone ne coche pas cette case très précise, impossible d’accéder aux nouvelles fonctions IA. Et c’est là que la liste commence sérieusement à se réduire.
D’après des informations repérées par AssembleDebug dans la documentation Android liée à Gemini Nano v3, Google réserverait Gemini Intelligence à une sélection limitée de smartphones. Il y a bien sûr les futurs Pixel 10, Pixel 10 Pro et Pixel 10 Pro Fold, ainsi que les Galaxy S26 chez Samsung.
Quelques constructeurs Android figurent également dans la liste des appareils compatibles. On y retrouve notamment le Honor Magic 8 Pro, les OnePlus 15 et 15R, mais aussi plusieurs modèles
Oppo comme les Find X9 ou certains Reno récents. Vivo est aussi concerné avec ses X200 et X300, tout comme le realme avec le GT 7T. Motorola et iQOO complètent enfin cette sélection avec les modèles Signature et iQOO 15.
Le plus étonnant reste toutefois les grands absents. Les Pixel 9, pourtant encore récents, seraient exclus. Même constat pour plusieurs modèles sortis en 2024 et 2025. Une décision qui risque de faire grincer quelques dents chez les utilisateurs Android ayant acheté un smartphone compatible IA il y a seulement quelques mois.
Sur le fond, le choix de Google n’est pas absurde. Les fonctions de Gemini Intelligence demandent des ressources, surtout lorsqu’une partie du traitement se fait sur les smartphones sans passer par le cloud.
Le problème, c’est surtout le message envoyé aux utilisateurs. Android s’est longtemps présenté comme l’écosystème ouvert et accessible face à Apple. Voir Google verrouiller ses nouveautés IA à une liste aussi restreinte donne forcément une impression de retour en arrière.
Il faudra maintenant voir si cette compatibilité évoluera avec le temps. Google pourrait très bien élargir progressivement la prise en charge de Gemini Nano v3 à davantage d’appareils. Ou au contraire maintenir cette exclusivité premium pour faire de Gemini Intelligence un nouvel argument marketing.
En attendant, mieux vaut vérifier la fiche technique de son smartphone avant de rêver aux futures fonctions IA promises par Google. Parce qu’avoir un téléphone récent ne suffit visiblement plus.
Cet article Aïe ! Gemini Intelligence sera limité à quelques smartphones, le vôtre sera-t-il compatible ? a été publié sur LEBIGDATA.FR.
Quatorze mois après son départ d'OpenAI, Mira Murati dévoile le premier vrai modèle de Thinking Machines. Il ne s'agit pas d'un concurrent frontal de GPT, mais une IA conçue pour écouter, voir et répondre simultanément.
Le 1er avril 1976, Steve Jobs, Steve Wozniak et Ronald Wayne fondaient Apple Computer Company, une entreprise qui commercialisait alors un seul ordinateur fait maison : l'Apple I. Cinquante ans plus tard, en 2026, Apple célèbre ses 50 ans et génère des centaines de milliards de dollars tous les trimestres. Le plus célèbre des constructeurs californiens est devenu une légende de l'histoire de l'informatique.
Mais il ne servira pas juste à retrouver le nom de votre chanteur préféré à la radio.
George R.R. Martin a glissé que jamais l'IA générative n'écrira la fin de The Winds of Winter ni, on le devine, la fin du Trône de Fer tout court. Mais l'auteur y parviendra-t-il lui-même ?
Toujours plus d’orchestration des processus métier
En 2025, les entreprises risquent de sombrer dans le chaos numérique sans une visibilité totale sur leur « architecture spaghetti ». De nombreuses architectures informatiques d’entreprise peuvent être comparées à des plats de spaghetti composés de technologies interconnectées, ce qui fait de l’intégration et de la visibilité un défi majeur.
Alors que les entreprises cherchent à moderniser leur parc IT et à se concentrer sur l’automatisation des processus métier, elles se rendront compte que le simple ajout d’IA ou d’autres « solutions rapides » ne leur permettra pas d’augmenter leur efficacité, d’améliorer l’expérience client ou de rester compétitives. Avec la complexité croissante des processus technologiques et commerciaux, il est essentiel que l’automatisation des processus de bout en bout repose sur des bases solides, sinon un manque de contrôle entraînera un chaos numérique.
Pour relever ces défis en 2025, l’orchestration des processus permettra d’éviter le syndrome de « l’architecture spaghetti ». En permettant aux entreprises de rationaliser et de moderniser leurs processus, l’orchestration offrira aux équipes informatiques et commerciales une visibilité et un contrôle accrus. Cette meilleure supervision les aidera à gérer la complexité croissante et à obtenir de meilleurs résultats tout en étant capables de s’adapter plus rapidement aux aléas.
La nécessaire combinaison de l’orchestration et de l’intelligence artificielle
En 2025, le véritable avantage concurrentiel appartiendra aux organisations qui intégreront et orchestreront pleinement l’IA dans leurs flux de travail quotidiens.
Les utilisateurs avant-gardistes cesseront de considérer l’IA comme une solution isolée pour des tâches spécifiques. Au lieu de cela, les organisations intégreront l’IA dans toute l’entreprise, générant des résultats à valeur ajoutée et une cohésion dans tous les départements et processus.
Les entreprises doivent orchestrer l’IA comme n’importe quel autre sujet pour tirer le meilleur parti de leurs investissements. Le passage de l’adoption progressive de l’IA à son intégration complète se traduira par des stratégies commerciales plus adaptatives, pertinentes et un nouveau niveau d’agilité. Les solutions d’IA ou d’automatisation ne sont alors plus perçues comme des gadgets IT, elles deviennent un must have pour générer de meilleurs résultats commerciaux. Par conséquent, elles doivent être orchestrées de bout en bout dans les processus métier globaux.
Si l’on doit présenter l’intelligence artificielle (IA), il s’agit d’une part d’une discipline et de capacités cognitives et intellectuelles incarnées par des systèmes informatiques ou des combinaisons d’algorithmes pour effectuer certaines tâches avec une forme d’intelligence qui ressemble à celle des humains. Il s’agit d’une définition parmi les nombreuses qui existent, car on peut dire que la complexité de l’IA est comparable à celle de la nature humaine.
Cela signifie que, comme pour les humains, il n’y a pas d’unicité dans la définition ou les types d’IA. Il est toutefois possible de la comprendre avec certaines étapes, à commencer par « le traitement du langage naturel », à savoir la façon de transmettre des informations. Dans un deuxième temps, cela concerne la façon de représenter et stocker les connaissances comprises et acquises, puis la façon de les internaliser et d’en tirer parti en réponse à une question.
Rendre tangible ce qui est immatériel est une tâche rendue possible par l’humain, qui amène deux questions essentielles : comment s’y prend-il et pourquoi cela lui importe de le faire ? L’IA, qui est au centre de toutes les conservations du moment, et qui constitue également l’objectif de toutes les stratégies informatiques, vit actuellement son âge d’or.
Avec un rythme très rapide d’évolution dans ce domaine, les stratégies d’innovation qui choisissent une approche open source sont plébiscitées, car elles permettent de bénéficier de l’agilité et de la transparence sur les usages liés à l’IA. L’open source, comme l’ont compris la plupart des éditeurs logiciels de cet écosystème, est le moyen de matérialiser l’IA. Aujourd’hui, les communautés open source sont le point de départ de l’innovation, tout particulièrement dans le domaine de l’IA.
On peut complètement affirmer que l’IA opère une redéfinition de l’usage de l’informatique traditionnelle, en tant que technologie qui, pour la première fois depuis longtemps, stimule l’innovation, engendre des débats sur son champ d’application et fait reculer toujours plus les frontières. Nous sommes face à une conclusion majeure, après les nombreuses étapes franchies durant les vingt dernières années : il est désormais possible de libérer toute la puissance de l’IA.
Cette puissance, justement, dépend de façon directe de celle qu’attribuent les acteurs de l’IT à l’IA, en fonction de leur position sur le marché. Gartner décrit l’IA comme ayant « le potentiel d’apporter une immense valeur ajoutée aux entreprises en leur permettant d’augmenter leur productivité, d’améliorer leur prise de décision et de générer de nouvelles opportunités de croissance et d’innovation », avec toutefois une nuance : que certaines entreprises restreignent l’utilisation de l’IA à un seul type de tâche, afin d’en brider la portée. Il n’y a aucun doute sur le fait que l’intelligence artificielle est un atout majeur pour faire évoluer les industries et les gouvernements, que ce soit sur le plan de l’analyse des données, la détection et la prévention de la fraude, en passant par des avancées majeures dans le domaine de la santé.
L’IA générative est le concept qui a fait le plus de bruit, à l’ère de l’accès à l’information, en tant que technologie capable de créer de nouveaux contenus à partir de modèles de Deep Learning entraînés avec de grands ensembles de données. Ce type de modèles d’IA est mis à profit pour générer de nouvelles données, contrairement aux modèles d’IA discriminante, qui permettent, eux, de faire une classification des données selon leurs différences. Ils ont alors utilisé pour créer du texte, des images et du code, avec par exemple les chatbots, la création et l’édition d’images, l’aide à la création de code logiciel et la recherche scientifique.
Les entreprises ont besoin, de la part des éditeurs de logiciels, de solutions pour déployer au quotidien les technologies d’IA générative (en proposant par exemple une analyse voire une remédiation intelligente des plateformes pour les administrateurs système, en générant du code en mode assistance pour les développeurs, etc..). Les éditeurs doivent maintenir le contrôle de bout en bout sur ces technologies.
L’un des grands avantages ici est de maîtriser l’ensemble du cycle de vie du modèle de machine learning tel qu’un LLM, en préparant le jeu de données, en entraînant le modèle avec des data scientists, en le faisant évoluer à l’échelle avec des opérateurs, et en finalisant la mise en production au sein d’applications d’entreprise.
Il n’y a pas que les utilisateurs qui sont impactés par l’intelligence artificielle : c’est également le cas des entreprises, dont certaines choisissent une stratégie de transformation numérique et culturelle comme ligne directrice unique, pour leurs projets d’avenir. Le risque pour celles qui refusent de prendre le train en marche est d’être laissées pour compte. Il est indispensable de réussir à évoluer en même temps que l’IA pour espérer en libérer le plein potentiel.
La France traverse une période peut-être déterminante de son Histoire. Alors que le contexte financier troublé plonge le pays dans une incertitude politique, l’essor fulgurant de l’intelligence artificielle représente autant un défi supplémentaire qu’une subite opportunité. Bien exploité, il pourrait contribuer à refonder notre économie, renforcer notre souveraineté et offrir de nouvelles et belles perspectives d’avenir à nos concitoyens. Pour y parvenir, il est impératif de conjuguer vision politique et maîtrise technologique. A l’heure où nous devons décider de la meilleure voie à emprunter pour les cinq années à venir, il m’a paru nécessaire de dresser un bilan de notre action dans le cadre de la stratégie nationale pour l’intelligence artificielle (SNIA).
La phase 1 de la SNIA (1,85 Md€, 2018-2022) avait pour objectif de mobiliser les acteurs de la recherche autour de ce qu’on appelle un « écosystème », en regroupant les forces, en chassant les doublons, en structurant des pôles de recherche thématiquement pertinents et assujettis à une gouvernance coordonnée : 4 Instituts 3IA, 180 chaires de recherche, plus de 300 programmes doctoraux, un grand supercalculateur (Jean-Zay).
La deuxième phase de cette stratégie, dotée de 1 Md€ par les fonds France 2030, a été lancée mi-2022, j’en assure la coordination depuis janvier 2023. Son axe directeur est la « diffusion de l’IA dans l’économie ». L’IA peut en effet être incorporée à la plupart de nos processus de production et exercer ainsi un pouvoir transformateur sur l’ensemble du tissu économique national. Elle ne se résume pas à un simple enjeu « deep tech » et sectoriel mais représente un levier global de compétitivité et de croissance pour la France.
L’essentiel des travaux de la phase 2 a été engagé à partir de 2023 en application d’une planification arrêtée en 2021. Les choix stratégiques de filières faits à cette époque concernaient l’IA embarquée, l’IA frugale et l’IA de confiance, l’ensemble complété par un développement massif de l’offre de formation en IA.
En début d’année 2023, en plein « buzz ChatGPT », nous n’avions en France qu’un seul acteur positionné sur les modèles de fondation génératifs : LightOn. Notre dépendance technologique était quasi-complète. La priorité du premier semestre a été de procéder à un remaquettage budgétaire de la SNIA afin de pouvoir y dégager un nouvel axe dédié à l’IA générative. Ces actions ont été menées en temps contraint pour permettre à la France, a minima, de se maintenir dans la compétition technologique et au plan de son autonomie stratégique. Fructueuses, elles ont permis de nous positionner en 2024 dans le peloton de tête de la course à l’IA générative :
Ce remarquable positionnement au regard du reste de l’Europe, et dans l’absolu en termes de couverture de la chaine de valeur, s’observe également sur les filières techniques jugées prioritaires :
L’effort a porté aussi sur la démultiplication de notre capacité de recherche et de formation en IA soutenue par des bibliothèques logicielles d’IA open source mobilisant de larges collectifs (Scikit-learn initiée par Inria et aujourd’hui la plus utilisée au monde, DeepGreen, etc.), ainsi que sur l’accès à l’ensemble des ressources habilitantes pour le développement d’IA à l’état de l’art, notamment :
Au bilan, la France est ainsi reconnue aujourd’hui comme le premier hub sur l’IA générative d’Europe et est passé de la treizième place en 2023 à la cinquième place en 2024 dans le Global AI Index.
Nous sommes parvenus à ce résultat en combinant les deux approches habituellement qualifiées de « montante » et « descendante ».
D’une part, de la constance programmatique pour exploiter sur le temps long des développements ciblés nous permettant d’arriver en premier sur les applicatifs jugés les plus avantageux au plan commercial et plus globalement économique. Mais aussi pour maintenir une compétence au meilleur niveau sur l’ensemble du spectre et conserver ainsi une pleine liberté de manœuvre.
D’autre part, de la souplesse de pilotage pour saisir et profiter au mieux, et donc en second mais à moindre coût, toutes les opportunités d’un secteur d’activité étonnamment prolifique.
Dans l’esprit politique actuel, nous privilégions la réactivité, la créativité et la force de proposition de l’entreprise privée, sans pour autant céder au moindre « laisser-faire ». Notre dispositif de gouvernance officielle est resserré et s’alimente de la réflexion et du discernement de plusieurs comités de pilotage dans lesquels interviennent nos meilleurs spécialistes jusqu’au plus haut niveau de l’Etat.
Orange est un acteur majeur du numérique en Europe, au Moyen-Orient ainsi qu’en Afrique. L’inclusivité digitale et le développement durable du continent africain sont au cœur de son plan “Lead the future” lancé en 2023. C’est d’ailleurs dans le cadre de cet engagement envers l’inclusion que le Groupe annonce une collaboration avec OpenAI et Meta, visant à intégrer des langues régionales africaines dans des modèles d’IA open source, notamment Whisper et Llama.
De nombreuses langues sont encore sous-représentées dans l’apprentissage des LMMs, c’est particulièrement vrai en Afrique où de nombreux dialectes co-existent.
L’initiative, qui débutera en 2025, se concentrera dans un premier temps sur l’incorporation du wolof et du pulaar, deux langues régionales parlées respectivement par 16 millions et 6 millions de personnes en Afrique de l’Ouest. Les modèles affinés permettront aux populations locales de communiquer plus naturellement dans leur langue. Ils seront intégrés aux services clients d’Orange et rendus disponibles gratuitement pour des projets éducatifs, de santé publique et autres usages non commerciaux.
Orange prévoit d’étendre ce projet aux langues africaines parlées dans les 18 pays où il est présent, comme le lingala, le swahili et le bambara. Dans ce but, il collaborera avec des startups locales et des entreprises technologiques africaines, afin de bâtir un écosystème d’innovation IA inclusif, remédiant ainsi à la sous-représentation du continent dans le domaine de l’IA.
Orange a en outre signé un accord avec OpenAI lui donnant un accès direct et exclusif en Europe à ses modèles les plus avancés, garantissant que les données sont traitées et stockées en Europe.
Cet accès anticipé aux modèles d’IA de pointe d’OpenAI facilitera la mise en œuvre de nouveaux cas d’utilisation, comme les interactions vocales basées sur l’IA avec les clients d’Orange.
Le cloud et l’IA sont les technologies clefs de l’innovation moderne : elles transforment toutes les industries et la fabrication ne fait pas exception. Mais pour les entreprises de l’industrie manufacturière, l’application du cloud et de l’IA va bien au-delà du produit fini. Ces technologies s’intègrent rapidement dans l’ensemble des processus de fabrication, permettant à la planification de la production ou au contrôle qualité de gagner en fluidité et en efficacité. Les machines génèrent de grandes quantités de données, mais la plupart des fabricants ne parviennent pas à exploiter cette mine d’or en raison de diverses contraintes. C’est ici que l’IA basé sur le cloud entre en jeu : elle permet aux entreprises d’identifier et d’extraire des informations exploitables à partir de ces données, ce qui optimise les flux de travail et révolutionne des processus comme la maintenance prédictive.
Le rapport Cloud Radar Manufacturing présente des conclusions intéressantes sur l’adoption du cloud dans cette ‘industrie : les fabricants hésitent à investir dans le cloud pour des fonctions matures telles que le contrôle qualité et se concentrent davantage sur le développement de nouveaux produits et les domaines associés. Cependant, il apparait que les entreprises qui ont déjà investi dans le cloud n’ont dépensé que 48 % de leurs budgets.
Voici quelques exemples d’applications clés :
Les données sont essentielles mais l’écosystème collaboratif est capital
Les applications industrielles cloud ne doivent pas se limiter à une seule entreprise. Ces dernières concourent au partage des données tout au long de la chaîne de valeur d’un produit. Catena-X est par exemple une plateforme cloud destinée à l’industrie automobile européenne. Elle permet de partager l’interopérabilité des données relatives aux émissions de carbone tout au long de la chaîne d’approvisionnement des véhicules avec pour objectif de réduire les émissions de carbone de type 3.
Le partage des données est un facteur clef de différenciation qui nécessite à la fois une architecture technologique cloud native et une approche opérationnelle à l’échelle de l’entreprise. Cependant, les décisions relatives au cloud sont souvent prises de manière isolée : 45 % des répondants de l’étude ont indiqué que c’est le département IT ou les dirigeants de l’entreprise qui décident du cloud à déployer ou de la manière de gérer les questions de conformité.
Lorsque les décisions relatives au cloud sont prises de manière isolée, les questions liées aux finances et à la sécurité deviennent complexes à gérer. Le service IT maîtrise le déploiement, la gestion et la gouvernance de la sécurité, mais ne dispose pas d’une vision complète de la dimension commerciale, de la propriété ou des facteurs de réussite des projets cloud. Sans cette expertise, les entreprises ne sont pas mesure de déterminer si les projets cloud répondent précisément aux objectifs de l’entreprise.
Les équipes commerciales comprennent l’impact du cloud sur la valeur de l’entreprise, les indicateurs de performance et les besoins des clients. Cependant, elles manquent souvent de vision sur les exigences techniques et les décisions en matière de sécurité pour une mise en œuvre sûre de l’informatique dématérialisée. Cette lacune peut exposer les entreprises à des interruptions d’activité ou, pire encore, à des risques de cybersécurité (confidentialité des données, fuites, cyberattaques).
Les données, ressource clé de l’usine du futur
Dans le paysage industriel actuel, le cloud et l’IA ne sont pas des outils distincts, ils constituent les rouages d’une seule et même machine puissante. Le cloud permet le stockage de données illimité et la capacité de traitement qui alimente l’IA, tandis que l’IA identifie les informations pertinentes cachées dans ces données pour optimiser la production, prédire les défaillances et ainsi faire gagner les entreprises en efficacité. L’exploitation de la valeur réelle de ces données nécessite une synchronisation entre l’évolutivité illimitée du cloud et le pouvoir de transformation de l’IA.
Sans le cloud, l’IA est limitée et sans l’IA, le cloud ne peut révéler son potentiel. La combinaison de ces deux technologies est indispensable pour accompagner les entreprises sur le chemin du smart manufacturing.
Ramdam, startup française fondée en 2023, innove en utilisant l’IA pour automatiser la production de contenus UGC (User-Generated Content), offrant aux annonceurs un moyen d’améliorer l’efficacité de leurs campagnes sur les réseaux sociaux. L’entreprise a récemment levé 3 millions d’euros auprès de The Moon Venture, Paris Region Venture Fund géré par Karista et Data Tech Fund, avec le soutien de la BPI, pour soutenir son expansion en Europe et aux États-Unis, ainsi que pour poursuivre le développement technologique de sa plateforme.
Ramdam a été créée par Xavier de Baillenx, Emmanuel Lemoine et Benjamin Combes, qui avaient précédemment cofondé Pretty Fun Therapy, une startup acquise par The Match Group (Tinder, Meetic). L’idée de Ramdam est née du succès d’une campagne publicitaire sur TikTok, menée avec des créateurs, qui a largement contribué à l’acquisition d’utilisateurs pour l’une de leurs applications mobiles. Cette expérience a inspiré le développement d’une plateforme automatisée qui, grâce à l’IA, connecte les annonceurs avec les créateurs les plus pertinents, optimisant ainsi la performance des campagnes.
La plateforme analyse des milliers de créateurs sur TikTok, Instagram et YouTube pour identifier ceux qui répondent le mieux aux besoins des marques. Les publicités ainsi produites sont adaptées aux différentes plateformes, ce qui maximise la portée et l’impact des campagnes.
En automatisant la génération de briefs créatifs, la gestion des délais, des contrats et de la facturation, Ramdam permet aux annonceurs de réduire les délais et de mieux gérer leurs budgets publicitaires. Ce processus rationalisé améliore non seulement la qualité et la pertinence des contenus, mais réduit également l’incertitude inhérente à la création publicitaire, tout en préservant la créativité.
Aujourd’hui, l’entreprise travaille avec plus de 100 clients (applications mobiles, marques, agences), et collabore avec 20 000 créateurs, produisant plus de 1 000 vidéos chaque mois.
Xavier de Baillenx, co-fondateur et PDG de Ramdam, souligne :
“Nous avons été le premier client de notre solution dans le cadre de la stratégie d’acquisition d’une de nos applications. Ainsi, nous avons conçu le produit optimal, le plus simple et le plus efficient pour allier créativité et performance des vidéos publicitaires sur les réseaux sociaux. Aujourd’hui, Ramdam concerne les contenus UGC, mais la Creative Intelligence pourra être étendue à tout créateur au sens large demain”.
Ce modèle innovant, à mi-chemin entre la gestion de projet créatif et l’analyse de données, témoigne de l’évolution des pratiques dans le secteur publicitaire, où l’efficacité est de plus en plus associée à la capacité d’exploitation des données et des algorithmes.
Les attaques de phishing ont atteint un niveau de sophistication sans précédent en 2024, marquant une nouvelle ère dans la cybercriminalité. Au cœur de cette évolution, l’Intelligence Artificielle joue un rôle central en transformant les méthodes des cybercriminels. Ce changement n’a pas seulement renforcé l’efficacité des campagnes de phishing, mais a aussi permis à des acteurs novices de mener des attaques complexes avec une facilité déconcertante. Cette démocratisation des outils d’IA met en lumière une menace croissante pour les entreprises du monde entier.
En l’espace de quelques années, les campagnes de phishing sont passées de simples courriels de masse à des attaques ciblées, personnalisées et difficiles à détecter. Aujourd’hui, grâce à des technologies génératives comme les grands modèles de langage (LLM) et des outils d’automatisation, les cybercriminels peuvent créer des messages trompeurs quasi parfaits. Ils peuvent également cloner des sites web et des pages de connexion en quelques minutes, augmentant ainsi la probabilité de succès de leurs tentatives d’usurpation d’identité.
Les dernières statistiques montrent une augmentation significative de 58 % des attaques de phishing à l’échelle mondiale en 2023. Cette hausse reflète non seulement la portée croissante des cybercriminels, mais aussi leur capacité à exploiter des données publiques pour cibler des individus ou des organisations avec une précision redoutable.
L’IA permet aux cybercriminels de concevoir des campagnes de phishing de manière plus efficace que jamais. Les outils d’IA peuvent analyser rapidement des données disponibles en ligne, créant des attaques plus ciblées. Par exemple, les chatbots alimentés par des LLM sont capables de générer des communications sans fautes de grammaire ni erreurs, rendant les courriels frauduleux presque indétectables. De plus, l’IA permet de créer des pages web de phishing qui imitent à la perfection des sites légitimes, brouillant ainsi la frontière entre le vrai et le faux.
Ce qui est particulièrement inquiétant, c’est l’essor des attaques de phishing basées sur des technologies avancées telles que le vishing (phishing vocal) et les deepfakes. Ces tactiques, qui s’appuient sur des outils d’IA pour simuler des voix et des apparences humaines, rendent la détection des tentatives d’usurpation encore plus complexe. Les cybercriminels peuvent désormais utiliser ces technologies pour imiter des dirigeants d’entreprise ou des personnalités publiques, compromettant ainsi la sécurité des organisations et la confiance du public.
Face à l’augmentation des attaques de phishing, les entreprises doivent non seulement repenser leurs stratégies de cybersécurité, mais aussi s’inspirer des méthodes des attaquants pour contrer les menaces hyper personnalisées. Tout comme les cybercriminels exploitent l’IA pour rendre leurs attaques plus sophistiquées et scalables, les équipes opérationnelles de sécurité peuvent également tirer parti de ces technologies pour renforcer leurs capacités d’analyse et d’investigation.
En utilisant des outils de productivité basés sur l’IA, les analystes de sécurité peuvent automatiser et accélérer l’examen des menaces, rendant le processus de détection plus efficace face aux attaques massives. L’IA permet d’analyser de grandes quantités de données en temps réel, d’identifier des modèles suspects et d’évaluer des indicateurs de compromission, ce qui serait impossible manuellement à grande échelle. De plus, ces outils peuvent générer des alertes pertinentes, prioriser les incidents à traiter, et fournir des recommandations automatisées pour une réponse rapide.
En complément, l’adoption d’une architecture de « zéro confiance » (Zero Trust) reste essentielle. Chaque utilisateur, appareil ou service doit être continuellement vérifié, limitant ainsi les déplacements latéraux des cybercriminels en cas de compromission. Grâce à cette double approche – IA et Zero Trust – les entreprises peuvent mieux se protéger contre les attaques de phishing de plus en plus personnalisées et sophistiquées.
Il est évident que les cyberattaques évolueront en tandem avec les avancées technologiques. Les entreprises doivent rester en alerte constante, adopter des stratégies proactives et former leurs employés aux dernières méthodes de phishing.
En fin de compte, seule une combinaison de vigilance humaine et de technologies de pointe permettra de réduire les risques et de contrer les attaques de phishing dans un environnement de plus en plus numérisé.
Après avoir attribué mardi dernier à John J. Hopfield et Geoffrey Hinton le Prix Nobel de physique pour leurs travaux pionniers sur les réseaux de neurones, l’Académie royale des sciences de Suède a décerné mercredi le Prix Nobel de chimie à d’autres acteurs de l’IA : Demis Hassabis, John Jumper ainsi qu’au chercheur américain David Baker pour leurs recherches sur les protéines.
John Hopfield et Geoffrey Hinton ont été récompensés “pour les découvertes et inventions fondatrices qui permettent l’apprentissage automatique avec des réseaux neuronaux artificiels”.
John Hopfield est un physicien et neuroscientifique américain, principalement connu pour ses contributions à la théorie des réseaux de neurones. Aujourd’hui âgé de 91 ans, J Hopfield est professeur émérite Howard A. Prior en sciences de la vie et professeur émérite de biologie moléculaire à l’Université de Princeton. Avant de se tourner vers les neurosciences computationnelles, il a travaillé dans divers domaines de la physique, notamment la physique du solide et la biophysique. Il a utilisé ces compétences pour modéliser les processus cognitifs du cerveau à travers des approches mathématiques.
Il est l’inventeur du réseau de neurones récurrents connu sous le nom de réseau de Hopfield, proposé en 1982. Ce modèle, qui est une forme de mémoire associative auto-organisée, est utilisé pour la reconnaissance de motifs et l’optimisation combinatoire. Ses travaux ont inspiré de nombreuses avancées dans les domaines de la cognition, de la biologie computationnelle et de l’IA.
Il partage ce prix Nobel avec un pionnier du deep learning, Geoffrey Hinton. Celui-ci a repris et étendu certains des bases posées par Hopfield pour ses propres travaux, notamment dans le domaine des réseaux à apprentissage non supervisé et pour la machine de Boltzmann, un réseau capable d’apprendre à reconnaître des caractéristiques dans les données de manière autonome, qui est un prolongement probabiliste des réseaux de Hopfield.
En appliquant les principes de la physique statistique, Geoffrey Hinton a entraîné cette machine à classifier des images ou à générer de nouveaux exemples de motifs. Ses travaux, pour lesquels il a reçu en 2019 le prix Turing avec Yann LeCun et Yoshua Bengio, ont ouvert la voie à l’essor de l’apprentissage automatique que l’on observe aujourd’hui.
Cependant, l’un comme l’autre alertent sur les menaces que l’IA pourrait faire courir à l’humanité si elle était entre de mauvaises mains, ce qui a amené Geoffrey Hinton, aujourd’hui âgé de 76 ans, a quitté Google Brain l’an passé.
L’Académie royale des sciences de Suède a également décidé de partager ce prix en deux : “Une moitié à David Baker « pour la conception computationnelle de protéines » et l’autre moitié conjointement à Demis Hassabis et John M. Jumper « pour la prédiction de la structure des protéines ».”
Heiner Linke, président du Comité Nobel de chimie, souligne :
“L’une des découvertes de cette année concerne la construction de nos propres protéines spectaculaires. L’autre consiste à réaliser un rêve vieux de 50 ans : être capable de prédire la structure des protéines en fonction de leurs séquences d’acides aminés. Ces deux découvertes ouvrent des possibilités infinies”.
David Baker est un biochimiste américain, professeur à l’Université de Washington et directeur de l’Institut pour le Design des Protéines (Institute for Protein Design). Il est un pionnier dans le développement d’outils informatiques permettant de créer des protéines artificielles ayant des propriétés et des fonctions spécifiques qui n’existent pas dans la nature. Celles-ci peuvent s’auto-assembler en structures complexes ou être utilisées pour neutraliser des virus ou des toxines, ouvrant la voie à de nouvelles thérapies.
Avec son équipe de l’Université de Washington, David Baker a développé le logiciel Rosetta, conçu pour prédire et concevoir la structure tridimensionnelle des protéines. Ce logiciel utilise des algorithmes sophistiqués pour modéliser la manière dont les acides aminés se replient en structures tridimensionnelles fonctionnelles, un défi central en biologie moléculaire. Grâce à Rosetta, ils ont réussi à concevoir, en 2003, Top7, une protéine composée de 93 acides aminés qui se replie en une structure tridimensionnelle stable.
Demis Hassabis, neuroscientifique, PDG et cofondateur de DeepMind, aujourd’hui filiale de Google, ainsi que John Jumper, chercheur en IA, ont transformé la manière dont les scientifiques abordent la prédiction de la structure des protéines.
Grâce à l’IA, leur modèle AlphaFold est capable de prédire la forme d’une protéine par ordinateur à partir de sa séquence d’acides aminés en quelques mois, plutôt qu’en tentant de la déterminer expérimentalement : une méthode qui prend plusieurs années, coûteuse et laborieuse.
La 1ère version du modèle parue en 2018 tout comme Alpha 2, présenté en 2020, ont remporté le concours Critical Assessment of Protein Structure Prediction (CASP). En 2021, DeepMind a publié les formes prédites de plus de 350 000 protéines et ainsi établi une carte des protéines humaines très précise.
Aujourd’hui, cette base de données contient des prédictions de structure pour presque toutes les protéines connues.
Le travail des deux hommes, qui a déjà été récompensé par le prix Lasker l’an passé, a des implications profondes dans les domaines de la biologie, de la médecine et de la biotechnologie.
La rentrée est là, et le nouveau numéro du magazine ActuIA est prêt à vous accompagner dans cette période de renouveau. Que vous le choisissiez en version numérique ou papier, il sera la lecture idéale pour tous les professionnels et passionnés de l’IA, que ce soit à la maison, au bureau, ou même dans les transports !
Ce numéro, bientôt disponible, vous propose un retour sur les temps forts de l’été avec nos traditionnelles rubriques : un condensé des actualités marquantes, les levées de fonds, notre rubrique pop culture pour stimuler votre curiosité, mais aussi des dossiers d’analyse essentiels sur l’impact de l’IA dans le secteur professionnel, et les enjeux cruciaux de l’IA en Russie. Ne manquez pas cette occasion de rester informé et inspiré pour cette nouvelle saison !
Actualités
Une revue de toutes les actualités de ces derniers mois : droit, éthique, santé, projets de recherche, business… Retrouvez toutes les informations qu’il ne fallait pas louper ce dernier trimestre en France comme à l’étranger.
Levées de fonds
Une sélection de levées de fonds récentes dont bien évidemment celle de Spotlight Medical, enrichie d’une analyse de Stéphane Nachez, Directeur de la publication d’ActuIA.
Adopter l’IA ? Oui, mais avec optimisme
Jean-Marc Bonnet, Sales Technology Director chez Teradata, nous apporte son regard sur l’intégration de l’IA dans les entreprises.
Altair : un pionnier au cœur de l’intégration de l’IA
Interview de François Weiler, Président d’Altair France. Découvrez comment Altair transforme l’intégration de l’IA et accompagne les entreprises dans leurs décisions stratégiques à travers des solutions pragmatiques et sur-mesure.
L’IA et l’éducation : Qu’en est-il ?
Focus sur les formations et les ressources mises en place par la région académique PACA afin d’acculturer les enseignants aux systèmes d’IA, avec Romain Estampes, Chargé de mission à la DRANE PACA (Délégation régionale académique au numérique éducatif).
L’intelligence artificielle au service du droit : méthodes, outils et enjeux
Dr. William Babonnaud, Dr. Alexandra Benamar, Dr. Sophie Fayad du Centre R&D de Talan, vous font découvrir les outils d’IA développés au service du domaine juridique.
La « passe beauty » : le photoshop du cinéma
Dans cet article de la rubrique Pop culture, notre journaliste, Amira Hadak, vous propose une analyse des usages de l’IA dans le cinéma.
L’intelligence artificielle pour mieux comprendre notre planète
Plongez au cœur des sciences de la Terre avec Dr. Delouche Estelle du Centre R&D de Talan. Cette dernière vous expliquera comment l’IA peut s’avérer très utile dans le domaine de la géophysique.
Sélection du comité scientifique
Zoom sur deux publications scientifiques qui ont retenu l’attention de notre comité scientifique au cours des derniers mois.
Téléphones portables, Education & Interdictions : Ce que nous enseigne l’IA !
En cette rentrée 2024, certains établissements scolaires ont banni les téléphones portables. Laurence Vanin, philosophe et essayiste, s’exprime sur le sujet en détaillant les raisons de ces interdictions de plus en plus présentes dans le cadre scolaire.
IA et emploi : la grande inconnue
Dans ce dossier, nous abordons l’IA au sein du monde du travail. Entre des entretiens avec Cyril Dallois, Secrétaire national de l’Union Générale des Ingénieurs, Cadres et Techniciens (UGICT), et Yann Ferguson, Sociologue à INRIA et Directeur scientifique du LaborIA, et des analyses des différents terrains explorer par l’IA dans le secteur professionnel, l’adoption de l’IA par les entreprises n’aura plus de secret pour vous ! Emmanuelle Blons, Auteure, conférencière et spécialiste de la transformation digitale et des RH Belkacem Laïmouche, Pilote du groupe « Ressources Humaines » du Hub France IA viennent compléter le dossier.
Confiance.ai propose une méthodologie outillée au service du développement d’une IA industrielle et responsable
Focus sur Confiance.ai, le livrable technologique du défi sur l’IA vérifiable et certifiable. Juliette Mattioli (Thales), Morayo Adedjouma (CEA), Raphael Braud (IRT SystemX), Bertrand Braunschweig (IRT SystemX), Loic Cantat (IRT SystemX), Philippe Dejean (IRT Saint Exupéry), Ingrid Fiquet (Sopra Steria), Rodolphe Gelin (Renault), Joseph Machrouh (Thales), Karla Quintero (IRT SystemX), Boris Robert (IRT Saint Exupéry), et Fabien Tschirhart (IRT SystemX), nous apportent leurs connaissances sur ce programme de recherche français sur l’IA de confiance.
Parole d’experts
Ce numéro met en lumière trois experts en intelligence artificielle. Découvrez les expertises de Sandrine Henry, Data Analyst et consultante chez Pragma 9, Julien Briot-Hadar, Auteur, formateur et conférencier expert en compliance et de Mélanie Lopez Malet, Senior data scientist.
L’IA russe à la croisée des chemins
« Celui qui dominera l’IA dominera le monde », a déclaré Vladimir Poutine, en 2017. Placé au cœur de la vision russe du pouvoir mondial, l’IA est perçue comme un levier de compétitivité économique, mais aussi comme un outil crucial pour asseoir la puissance géopolitique du pays. Ce dossier vous fera découvrir la route empruntée par la Russie dans cette course mondiale à l’intelligence artificielle ainsi que les défis auxquels le pays se heurte. Un article complété par une proposition de trois personnalités russes à suivre.
L’intelligence artificielle (IA) a révolutionné le paysage des entreprises, et ouvert un large éventail d’utilisations possibles, telles que les chatbots, l’analyse en temps réel du comportement des clients, le contenu marketing personnalisé, la détection des fraudes et la maintenance prédictive. Bien que les projets basés sur l’IA aient déjà démontré leur capacité à améliorer les performances et la productivité, de nombreuses entreprises restent prudentes, comme l’indique une récente étude du Boston Consulting Group. Néanmoins, l’adoption de l’IA va au-delà de ses avantages immédiats ; elle introduit également d’importants défis techniques, économiques, éthiques, réglementaires et, surtout, humains. Former les employés pour qu’ils comprennent mieux les outils d’IA et les utilisent avec discernement est crucial afin d’accroître l’efficacité, d’encourager l’innovation et d’améliorer la prise de décision pour en faire de véritables utilisateurs augmentés.
L’IA et l’apprentissage automatique s’intègrent progressivement dans les flux de travail quotidiens, souvent sans que les collaborateurs en soient pleinement conscients, que ce soit à travers des moteurs de recommandation pour le e-commerce, des systèmes de messagerie automatisés pour filtrer les spams, ou des plateformes collaboratives destinées à améliorer la communication interne. Cette présence croissante soulève des questions cruciales sur la formation et l’engagement des employés. Une étude de Forrester Consulting a révélé que seulement 31 % des décideurs estiment que leurs équipes sont enthousiastes à l’idée de l’intégrer dans leur travail. En effet, les appréhensions et les difficultés liées à ce changement peuvent compromettre le succès des initiatives en matière d’IA. Pour faire du facteur humain un avantage stratégique, la technologie doit non seulement stimuler la productivité, mais aussi susciter la confiance des employés – un objectif qui reste à atteindre.
Pour atteindre des performances optimales, il est essentiel d’établir une collaboration transparente entre les employés et les machines, qui exploite leurs forces respectives : le leadership humain, le travail d’équipe, la créativité et les compétences sociales, associés à la vitesse, à l’évolutivité et aux capacités fonctionnelles des machines. Les collaborateurs doivent être formés pour enseigner à ces outils des tâches spécifiques, interpréter et expliquer les résultats générés par l’IA, en particulier lorsqu’ils sont controversés ou biaisés, tout en garantissant une utilisation responsable de la technologie. En outre, l’évolution des algorithmes d’apprentissage automatique exige une formation continue avec des ensembles de données spécialisés. L’IA générative, qui s’appuie sur de larges modèles de langage (LLM) conçus pour interagir avec le langage humain et entraînés sur de vastes quantités de données, en est un excellent exemple. Selon un rapport de McKinsey, un tiers des entreprises déclarent aujourd’hui utiliser régulièrement l’IA générative dans au moins une de leurs fonctions.
Pour que l’IA soit pleinement intégrée par les collaborateurs, elle doit être une priorité stratégique pour les dirigeants. Ces derniers ont tout intérêt à privilégier des solutions logicielles accessibles et conviviales, garantissant une adoption rapide et un retour sur investissement (ROI) plus élevé. Il est tout aussi essentiel que les organisations définissent clairement leurs objectifs avant d’introduire l’IA. Aligner cette technologie sur les défis commerciaux spécifiques permet aux entreprises d’assurer non seulement son efficacité, mais aussi une meilleure compréhension de ses objectifs par les employés, ce qui favorise leur engagement et la compréhension et renforce les chances de réaliser un ROI significatif.
Par ailleurs, les organisations doivent rester attentives aux cadres réglementaires, tels que la loi européenne sur l’IA, et adopter des politiques solides pour garantir la conformité aux exigences en constante évolution. Ces politiques devraient être intégrées dans la stratégie de conformité globale de l’organisation, guidant l’utilisation éthique et responsable de l’IA. Pour ce faire, les employés doivent recevoir une formation approfondie sur ces réglementations, afin de les aider à comprendre l’importance du respect des politiques de l’entreprise et la manière dont elles s’inscrivent dans le paysage réglementaire plus large. Cette formation est indispensable pour créer un environnement d’IA conforme et digne de confiance, en adéquation avec les obligations légales et les valeurs de l’entreprise.
Pour tirer pleinement parti de l’intelligence artificielle, il est essentiel que les employés ne se contentent pas d’en reconnaître l’importance, mais qu’ils comprennent également son fonctionnement et son potentiel. En approfondissant leurs connaissances, ils peuvent maximiser l’utilisation des outils d’IA, réduire les tâches répétitives et accroître la productivité. Une meilleure compréhension des capacités de l’IA leur permettra aussi d’identifier de nouvelles applications dans leurs domaines respectifs, favorisant ainsi l’innovation. Une formation solide équipera les employés pour interpréter les données et les résultats générés par l’IA avec une plus grande précision, ce qui améliorera la qualité des décisions et élèvera leur expertise globale.
Une gestion efficace du changement est cruciale à la réussite de tout projet d’IA ; sans l’adhésion totale des employés, l’entreprise risque de ne pas tirer pleinement parti de la technologie. La qualité des données qui l’alimentent est également déterminante. Ces données doivent être fiables, complètes et compatibles pour garantir des performances optimales. Les modèles d’IA doivent également être étroitement alignés sur la stratégie de l’entreprise afin d’en maximiser la valeur. En outre, ces architectures doivent être évolutives, permettant une adaptation aux fluctuations du marché et un recyclage basé sur de nouvelles données afin de garantir une bonne expérience utilisateur.
L’avenir de la transformation numérique des entreprises sera indéniablement porté par l’intelligence artificielle. En investissant dans la formation et la sensibilisation des employés, les organisations peuvent libérer le potentiel de réussite de projets innovants, conduisant à l’émergence d’une véritable intelligence collaborative augmentée. Bien que l’IA ne soit pas destinée à remplacer les humains, il est clair que dans un avenir proche, les employés qui sauront exploiter son potentiel auront un avantage significatif sur ceux qui ne le feront pas.
Le Hub France IA a ouvert hier les candidatures pour le Grand Prix IA & RH, un événement pionnier en France récompensant les initiatives utilisant l’intelligence artificielle pour résoudre des défis complexes du secteur des ressources humaines. Les candidatures doivent démontrer des impacts mesurables et une véritable innovation dans des domaines tels que le recrutement, la gestion des talents, ou encore la formation. Les soumissions sont acceptées jusqu’au 30 octobre prochain.
Catalyseur de l’écosystème de l’intelligence artificielle en France, association à but non lucratif, le Hub France IA fédère plus de 150 membres et plus de 50 partenaires en France et en Europe afin d’accélérer le développement de propositions et de solutions concrètes aux niveaux national et européen. Il agit pour faire émerger une IA de confiance et souveraine, respectueuse des citoyens, au service des entreprises et du secteur public.
Le Grand Prix IA & RH s’adresse à toute structure, qu’elle soit une entreprise (de la start-up au grand groupe), une association ou une administration. Il se distingue par son approche collaborative, encourageant les candidatures en binôme. Ce format permet à une entreprise porteuse d’une technologie d’IA et à une organisation utilisatrice de présenter ensemble une solution concrète répondant à une problématique RH.
Le champ d’application du projet pourra couvrir tout domaine des ressources humaines : recrutement, gestion des talents, des performances, formation, relations sociales, planification stratégique… Les outils d’IA utilisés pourront s’appuyer sur l’ensemble des approches généralement associées à l’IA, allant des méthodes symboliques à l’IA générative, en incluant les diverses applications de l’apprentissage automatique.
Un seul projet par structure sera accepté. Les projets soumis devront avoir été déployés, ils seront évalués sur leur innovation technologique et leur impact effectif sur la gestion des ressources humaines.
Les lauréats du Grand Prix IA & RH bénéficieront d’une adhésion gratuite d’un an au Hub France IA, offrant un accès privilégié à un réseau d’experts, à des projets collaboratifs et à des actions collectives dédiées à l’adoption responsable de l’intelligence artificielle en France et en Europe. En plus de cette adhésion, les gagnants recevront une couverture médiatique grâce aux partenariats établis avec l’agence marketing dédiée au marché des Ressources Humaines Parlons RH et notre magazine Actu IA, ce qui leur assurera une grande visibilité au sein de l’écosystème RH et technologique.
En outre, Hub France IA organisera un webinaire dédié à la présentation de leur projet, signalé comme lauréat du Prix IA & RH.
Le jury du Grand Prix IA & RH, composé de spécialistes de l’IA, des ressources humaines et de l’innovation, évaluera les projets en fonction de leur originalité, de leur impact sur les métiers des ressources humaines, et de leur pertinence éthique et sociale. Il sera composé de :
Les projets présélectionnés seront annoncés fin novembre 2024, les lauréats, lors d’un évènement, aux alentours du 9 décembre 2024.
Ce prix est une opportunité pour les organisations de valoriser leurs innovations RH, tout en accédant à un réseau influent dans l’IA en France et en Europe. Si vous désirez candidater, vous pouvez soumettre votre dossier via ce formulaire.
Selon la dernière publication du Guide mondial des dépenses en IA et en IA générative de l’International Data Corporation (IDC), le marché européen de l’IA et de l’IA générative (GenAI) atteindra près de 47,6 milliards de dollars en 2024. Malgré la généralisation de l’IA dans la sphère professionnelle, toutes les entreprises ne sont pas encore prêtes à en tirer pleinement parti. En effet, Gartner révèle que seulement 4 % d’entre elles estiment disposer de données « prêtes pour l’IA ». Pour exploiter efficacement cette technologie, les organisations ont tout intérêt à bien préparer leurs données afin d’éviter toute vulnérabilité face à un large éventail de problèmes potentiels.
Même si l’IA est censée être impartiale, les entreprises doivent toujours l’utiliser en accord avec leurs priorités commerciales. La fiabilité des résultats fournis par ces outils dépend entièrement de la qualité des données qui les alimentent. De ce fait, un manque de diversité dans les données affectera les résultats produits par l’intelligence artificielle. Il est souvent présumé que les statistiques sont intrinsèquement objectives ; cependant, elles peuvent être influencées par les biais des personnes qui les collectent.
Dès lors, pour tirer parti de tous les avantages promis par l’IA, les entreprises doivent s’assurer de la parfaite intégrité de leurs données, c’est-à-dire en garantir l’exactitude, la fiabilité et la contextualisation. Pour y parvenir, trois étapes majeures sont nécessaires : l’intégration des données existantes dans tous les environnements, la mise en œuvre d’une approche rigoureuse en matière de gouvernance et de qualité des données, et enfin l’exploitation de la géolocalisation et de l’enrichissement des données pour en extraire le maximum d’informations.
Les grandes entreprises utilisent généralement plusieurs environnements, souvent disparates, pour héberger leurs données stratégiques relatives aux clients, aux prospects, aux fournisseurs, aux stocks ou bien aux employés. Dans le secteur des services financiers notamment, les informations sensibles sont généralement stockées dans des systèmes centraux très fiables et sécurisés. Toutefois, ils peuvent entraver l’intégration efficace des données complexes des mainframe dans les plateformes cloud où est gérée l’IA.
Pour améliorer la fiabilité et la crédibilité des résultats de l’IA, les organisations doivent d’abord éliminer les silos de données et connecter leurs données critiques hébergées dans des environnements cloud, on-premises ou hybrides, ainsi qu’entre dans leurs différents départements. Cette approche permet de regrouper les données similaires, telles que les données démographiques des clients ou les informations sur le pays où l’entreprise exerce une activité. Cette gestion globale offre aux modèles d’intelligence artificielle une compréhension plus complète des dynamiques et des corrélations recelées par ces données, aboutissant à des résultats plus fiables et fondés sur des informations de meilleure qualité.
Bien que l’intégration des données permette à l’IA de bénéficier d’une vision plus complète des informations d’une entreprise, des données de mauvaise qualité (inexactes, obsolètes, incomplètes, incohérentes ou non pertinentes) peuvent fausser les résultats, rendant le modèle d’IA moins fiable et moins utile. Ainsi, tout projet impliquant l’IA exige une attention particulière pour assurer la qualité des données en termes d’exactitude, de fiabilité et de pertinence. Cela comprend l’application proactive de règles de qualité des données et de procédures métier, l’automatisation de la validation et du nettoyage des données, ainsi que l’instauration de vérifications basées sur l’intelligence artificielle. Il devient alors plus facile pour les entreprises de détecter et de corriger rapidement les anomalies dans les ensembles de données, prévenant de nombreux problèmes futurs.
Par ailleurs, la gouvernance des données est essentielle pour assurer la confidentialité et la sécurité des informations utilisées par l’IA, et veille au respect des régulations sur la protection des données personnelles. La supervision de l’accès et de l’utilisation des données, intégrée dans ce cadre, est indispensable pour garantir leur utilisation appropriée selon les objectifs définis. Cette démarche permet aux modèles d’IA d’accéder aux informations nécessaires de manière éthique et responsable, constituant ainsi la base de la gouvernance de l’IA au sein de l’entreprise.
Enfin, il est impératif de disposer de données complètes et exactes pour obtenir des résultats fiables avec les outils d’intelligence artificielle. Cependant, sans contexte, ces outils peuvent être biaisés et manquer de précision, compromettant ainsi la prise de bonnes décisions et les modélisations prédictives. Les entreprises ont ainsi tout intérêt à accroître la diversité de leurs données et découvrir des corrélations inattendues en les enrichissant avec des jeux de données tierces fiables et des informations géospatiales, telles que les points d’intérêt ou les statistiques sur les risques environnementaux.
Aussi, les attentes des clients pour des communications personnalisées et des services sur mesure ont considérablement augmenté dans tous les secteurs. L’enrichissement des données clients permet alors aux entreprises d’obtenir une vision précise de leurs consommateurs et de se démarquer de la concurrence. En utilisant ces données enrichies pour alimenter les modèles d’IA, elles garantissent des résultats contextuellement pertinents et fiables pour toutes leurs décisions critiques.
Alors que l’utilisation de l’IA continue de croître à un rythme quasi exponentiel dans le monde des affaires, offrant des outils et des applications virtuellement illimités, une approche d’intégrité des données devient essentielle pour pouvoir exploiter pleinement cette technologie. En effet, une telle stratégie permet aux entreprises d’assurer la qualité des données qui alimentent les modèles d’IA, garantissant ainsi des bases de données précises, fiables et contextualisées, qui valorisent les résultats produits par l’IA.
La France émerge comme un acteur central dans la révolution mondiale de l’intelligence artificielle, et consolide sa position de leader européen.
L’intelligence artificielle est aujourd’hui omniprésente. Même si les géants américains tels que Salesforce et AWS sont très actifs, les entreprises françaises innovantes telles que H, anciennement Holistic, qui a levé 220 millions de dollars avec le soutien d’investisseurs de renom tels qu’Amazon et Eric Schmidt, ex-PDG de Google, elles sont présentes sur le devant de la scène. Cette levée de fonds illustre parfaitement la capacité de la France à attirer des investissements internationaux significatifs et à jouer un rôle clé dans l’écosystème global de l’IA.
L’engagement massif de Microsoft, avec un investissement historique de 4 milliards d’euros en France, illustre la confiance des grandes entreprises américaines dans le potentiel français en matière d’IA, ainsi que l’ambition de la France de développer ses propres technologies et de devenir un hub mondial de l’innovation technologique. Le gouvernement français soutient activement cette dynamique avec des politiques favorables à l’innovation, des subventions à la recherche et des initiatives de formation pour répondre à la demande croissante de compétences en IA.
La France abrite déjà des centres de recherche en IA de premier plan, tels que le Facebook AI Research Center de Meta et le hub de recherche en IA de Google à Paris, en plus de ses universités renommées. Cet écosystème vibrant stimule une scène de start-ups florissante, où de nombreux chercheurs et ingénieurs en IA issus de ces laboratoires se lancent dans la création d’entreprises innovantes.
Les investissements massifs dans la recherche et le développement en IA ont catalysé la création de technologies avancées telles que Gemma AI de Google qui a été développée en grande partie à Paris. Cette technologie, qui révolutionne le traitement des données et l’apprentissage automatique, témoigne de la capacité des chercheurs français à mener des projets de pointe et à collaborer efficacement avec des partenaires internationaux.
Cependant, le chemin vers la domination n’est pas sans obstacles. Alors que l’Europe adopte des régulations strictes sur l’IA, telles que l’AI Act récemment approuvé par l’UE, certains acteurs craignent que ces mesures freinent l’innovation. Il est nécessaire d’équilibrer la régulation pour éviter de ralentir l’innovation tout en assurant une utilisation éthique et sûre de l’IA. La France est confrontée à la responsabilité de trouver un équilibre qui favorise la croissance économique tout en garantissant une gouvernance éthique et transparente des technologies émergentes.
Ainsi, la France pourrait bien être sur le point de devenir non seulement un leader de l’IA en Europe, mais également un compétiteur sérieux sur la scène mondiale, aux côtés des États-Unis et de la Chine. L’avenir de l’IA est prometteur, et la France semble déterminée à en faire partie intégrante. Avec une collaboration continue entre le gouvernement, l’industrie et le milieu universitaire, la France est bien positionnée pour façonner un avenir où l’innovation technologique et l’intégrité éthique vont de pair. Elle pourrait ainsi jouer un rôle clé dans la définition des standards internationaux de l’IA, influençant non seulement le développement technologique mais aussi les pratiques éthiques et réglementaires à l’échelle mondiale.
Les entreprises évoluent rapidement à mesure que l’intelligence artificielle (IA) passe de simples projets pilotes à une mise en œuvre à plus grande échelle. Ce déploiement plus large de l’IA transforme les industries, stimule l’innovation et améliore l’efficacité opérationnelle dans les différentes activités de l’entreprise.
Le passage des PoC (démonstrations de faisabilité) à l’application de l’IA à grande échelle est un moment charnière pour les entreprises. Alors que les premiers projets mettent en évidence un certain potentiel sans parvenir à produire un impact significatif, l’IA déployée à l’échelle de l’entreprise améliore quant à elle considérablement l’efficacité, la prise de décision et constitue un véritable avantage concurrentiel. Prenons l’exemple d’un retailer européen spécialisé dans la vente de produits électroniques : il peut s’appuyer sur l’IA pour prédire les taux de conversions des acheteurs en ligne et déclencher des interventions et actions adaptées lors de leur navigation. Autre exemple : un média européen peut utiliser l’IA pour évaluer le sentiment des lecteurs en se basant sur les commentaires et les critiques afin d’améliorer les futurs articles.
Cependant, selon le rapport “Global AI Adoption Index”, les entreprises européennes sont réticentes concernant l’adoption de l’IA pour des raisons de réglementation et de sécurité. La Cour des comptes européenne a confirmé que les investissements de l’UE dans l’IA étaient inférieurs à ceux des leaders mondiaux. Pour remédier à cette situation, l’UE a proposé un règlement européen sur l’IA (EU AI Act), qui impose des utilisations spécifiques de l’IA, réduit les charges administratives et financières et confie la responsabilité de la conformité aux fournisseurs de solutions d’IA, étant donné que de nombreuses entreprises ne disposent pas de l’expertise nécessaire en matière d’IA.
L’AI Innovation Package et le Coordinated Plan on AI visent également à stimuler l’investissement dans l’IA au sein de l’Union Européenne.
Comme les entreprises en Europe estiment que l’adoption des technologies d’IA à grande échelle est de plus en plus lucrative, elles espèrent tirer des bénéfices significatifs en termes d’efficacité interne et d’innovation sans courir de grand risque réglementaire.
Autre avantage du déploiement à grande l’échelle de l’IA : il améliore l’efficacité interne en automatisant les tâches à faible risque, ce qui permet de se concentrer davantage sur les activités stratégiques. Par exemple, l’IA peut gérer les demandes d’un Service clients, la logistique complexe de la chaîne d’approvisionnement ou encore l’évaluation du risque de crédit. Prenons l’exemple d’une grande banque européenne : elle utilise l’IA pour analyser les dossiers des clients et effectuer des évaluations du risque de crédit, et ce même dans les langages dits à faibles ressources (langages disposant de peu de données numériques). Les conseillers bancaires conservent bien entendu le pouvoir de décision, la solution d’IA jouant le simple rôle d’assistant.
La mise à l’échelle de l’IA favorise aussi l’innovation, permet d’identifier des données clefs et de prendre des décisions plus pertinentes. Dans le domaine des biens de consommation, l’IA peut stimuler l’engagement en ligne en analysant les termes de recherche et les descriptions de produits par rapport à la concurrence sur des places de marché tierces. Elle permet de mettre en évidence les caractéristiques principales des produits et les mots clés appropriés dans leurs descriptions. Ces informations sont également utilisées pour le Développement produit.
Pour comprendre la valeur ajoutée de l’IA à grande échelle, il faut analyser son déploiement et son impact au sein des différentes fonctions et services de l’entreprise :
Si les avantages de l’IA déployée à l’échelle sont évidents, les entreprises doivent néanmoins relever plusieurs défis :
La révolution induite par le passage à l’échelle de l’IA est bien plus qu’une avancée technologique, il s’agit d’un impératif stratégique pour les organisations. L’IA responsable implique des dépenses, concerne les collaborateurs et doit prendre en considération les réglementations.
Les insectes, notamment les fourmis, inspirent de plus en plus les chercheurs en robotique pour la conception de systèmes de navigation autonomes pour de minuscules robots. Les fourmis utilisent une combinaison de reconnaissance visuelle de leur environnement et de comptage de leurs pas pour retrouver leur chemin, une stratégie que les chercheurs de l’Université technique de Delft ont adaptée pour les drones légers. Leur étude, publiée dans Science Robotics le 17 juillet dernier, présente une méthode de navigation efficace pour ces robots, qui nécessite très peu de calcul et de mémoire, seulement 0,65 kilo-octet pour 100 mètres de trajet.
Les robots miniatures, pesant de quelques dizaines à quelques centaines de grammes, ont un potentiel d’applications intéressantes dans le monde réel. Ils présentent plusieurs avantages : leur poids léger minimise les risques de blessures en cas de collision, leur petite taille leur permet de naviguer dans des espaces restreints, leur coût moindre permet de les déployer en grand nombre pour couvrir de vastes zones rapidement, comme dans des serres pour la détection précoce de ravageurs ou de maladies.
Cependant, un obstacle majeur à leur utilisation est qu’ils doivent être capables de naviguer de manière autonome pour effectuer des tâches dans le monde réel. Ils peuvent bénéficier d’une infrastructure externe, comme les estimations de localisation par GPS à l’extérieur ou les balises de communication sans fil à l’intérieur, mais il est préférable de ne dépendre de telles infrastructures. Le GPS n’est pas disponible à l’intérieur et peut être très imprécis dans des environnements encombrés, l’installation et l’entretien de balises dans les espaces intérieurs sont coûteux ou parfois impossibles, par exemple dans les scénarios de recherche et de sauvetage.
L’IA nécessaire à la navigation autonome utilisant uniquement des ressources embarquées a été conçue pour les grands robots tels que les voitures autonomes. Pour les systèmes plus petits, comme le drone de 56 g mentionné, les capteurs peuvent être trop grands, lourds ou gourmands en énergie. Par exemple, les capteurs LiDAR, bien que précis, ne conviennent pas aux petites plateformes. La navigation basée sur la vision pourrait être une solution, car les caméras sont légères et économes en énergie, mais les exigences de calcul des algorithmes de vision sous-jacents traditionnels sont excessives.
Les insectes utilisent une combinaison d’odométrie (suivi de leurs propres mouvements, en l’occurrence le comptage de pas pour les fourmis) et une mémoire visuelle quasi omnidirectionnelle pour naviguer. Ils prennent des instantanés visuels de leur environnement et comparent leur perception actuelle avec ces instantanés pour se diriger correctement. Cette méthode leur permet de retrouver leur chemin même dans des environnements complexes.
Les chercheurs s’en sont inspirés pour leurs expériences : leur drone a pris des images de son environnement à différents points de son trajet aller. Ces images ont servi de repères visuels pour le trajet retour et la navigation future grâce à un algorithme combinant guidage visuel et odométrie.
Tom van Dijk, premier auteur de l’étude, explique :
“La navigation basée sur des instantanés peut être comparée à la façon dont Hansel a essayé de ne pas se perdre dans le conte de fées de Hansel et Gretel. Quand Hans jetait des pierres sur le sol, il pouvait rentrer chez lui. Cependant, lorsqu’il a jeté des miettes de pain qui ont été mangées par les oiseaux, Hans et Gretel se sont perdus. Dans notre cas, les pierres sont les instantanés”.
Il ajoute :
“Comme pour une pierre, pour qu’un instantané fonctionne, le robot doit être suffisamment proche de l’emplacement de l’instantané. Si l’environnement visuel devient trop différent de celui de l’emplacement de l’instantané, le robot peut se déplacer dans la mauvaise direction et ne plus jamais revenir. Il faut donc utiliser suffisamment d’instantanés – ou dans le cas de Hansel, laisser tomber un nombre suffisant de pierres. D’un autre côté, laisser tomber des pierres trop près les unes des autres épuiserait trop rapidement les pierres de Hans. Dans le cas d’un robot, l’utilisation d’un trop grand nombre d’instantanés entraîne une consommation de mémoire importante. Les travaux précédents dans ce domaine avaient généralement les instantanés très proches les uns des autres, de sorte que le robot pouvait d’abord se loger visuellement sur un instantané, puis sur le suivant”.
Guido de Croon, professeur titulaire de drones bio-inspirés et co-auteur de l’article, commente :
“L’idée principale qui sous-tend notre stratégie est que vous pouvez espacer les instantanés beaucoup plus loin, si le robot se déplace entre les instantanés en fonction de l’odométrie”.
Il précise :
“Le guidage fonctionnera tant que le robot se retrouvera suffisamment près de l’emplacement de l’instantané, c’est-à-dire tant que la dérive d’odométrie du robot se situe dans la zone de chalandise de l’instantané. Cela permet également au robot de voyager beaucoup plus loin, car le robot vole beaucoup plus lentement lorsqu’il se dirige vers un instantané que lorsqu’il vole d’un instantané à l’autre en fonction de l’odométrie”.
Cette stratégie de navigation a permis à un drone « CrazyFlie » de 56 grammes, équipé d’une caméra omnidirectionnelle, de couvrir des distances allant jusqu’à 100 mètres avec seulement 1,16 kilo-octet. Tout le traitement visuel se faisait sur un minuscule ordinateur appelé « microcontrôleur », que l’on trouve dans de nombreux appareils électroniques bon marché.
Guido de Croon conclut :
“La stratégie de navigation inspirée des insectes proposée est une étape importante sur la voie de l’application de minuscules robots autonomes dans le monde réel. La fonctionnalité de la stratégie proposée est plus limitée que celle fournie par les méthodes de navigation de pointe. Il ne génère pas de carte et permet uniquement au robot de revenir au point de départ. Pourtant, pour de nombreuses applications, cela peut être plus que suffisant. Par exemple, pour le suivi des stocks dans les entrepôts ou le suivi des cultures dans les serres, les drones pourraient s’envoler, collecter des données puis revenir à la station de base. Ils pouvaient stocker des images pertinentes pour la mission sur une petite carte SD pour un post-traitement par un serveur. Mais ils n’en auraient pas besoin pour la navigation elle-même”.
Références de l’article :
Plus de 10% de la population française est âgée de 75 ans ou plus, de quoi mettre une pression de taille sur le secteur de la santé. Si de nouveaux défis émergent en continu, ceux-ci exigent également toujours plus de prestataires de soins, de personnel médical et de partenaires pour l’ensemble de leur écosystème. En parallèle, avec un système de soins bien différent de celui des Etats-Unis, le marché français peine encore à aller vers l’optimisation du parcours, pourtant aujourd’hui nécessaire au-delà des enjeux de sécurité.
Pour rendre cette tâche déjà délicate encore plus difficile, les soins aux patients sont entravés par des architectures informatiques héritées qui fragilisent tous les aspects des opérations – sans parler des cyberattaques particulièrement intenses depuis la crise du COVID. Mais cela pourrait bel et bien changer fondamentalement en intégrant des dispositifs intelligents à ces infrastructures.
Au-delà de l’IoT, nous voyons aujourd’hui émerger les technologies de l’Internet des objets médicaux (IoMT) qui peuvent être utilisées pour la surveillance, le dépistage ou le traitement à distance. Du point de vue de la gestion, l’utilisation de ces appareils peut être optimisée, notamment pour en réduire les coûts d’exploitation.
Les services de localisation en intérieur peuvent également être utilisés pour permettre à un établissement tel qu’un hôpital de fonctionner plus efficacement. Prenons l’exemple d’une personne ayant besoin d’un fauteuil roulant dès son entrée dans le bâtiment. Avec un système numérique interactif comme un tag, celui-ci pourrait être localisé voire livré sans avoir besoin de l’intervention du personnel. Cette même technologie peut être utilisée pour améliorer la sécurité, par exemple en empêchant les patients à risque de quitter une certaine zone ou en alertant le personnel si une situation dangereuse ou potentiellement mortelle devait survenir. Déployés sur l’ensemble d’une infrastructure, ces dispositifs ont la capacité d’améliorer fondamentalement les pratiques, de soutenir le personnel et potentiellement même de sauver des vies.
Du point de vue du patient, ces innovations permettront de mieux contrôler leurs parcours médicaux grâce à des applications et à d’autres technologies conviviales. Les systèmes de soins de santé en ligne seront plus interactifs, similaires à la façon dont certaines banques fonctionnent actuellement.
Fournir aux patients un accès simplifié à leurs dossiers médicaux réduit le besoin de rendez-vous inutiles, ce qui permet à chacun d’économiser du temps et de l’argent. Cela permettra aussi aux patients de devenir de véritables acteurs de leur propre santé en proposant par exemple des actions préventives avant que toute maladie ne se déclare. Les indicateurs de risque précoces peuvent être signalés à l’aide de capteurs tels que des pilules intelligentes ou des dispositifs portables. Cela donnera alors au professionnel de santé un suivi optimal de l’état de santé d’un patient sans même qu’il ait à consulter. Ce type de capteurs peut être utilisé pour des examens non invasifs et la surveillance de divers cas. Dans certains cas, par exemple lors de crises cardiaques, les signes avant-coureurs d’irrégularité du rythme cardiaque peuvent amener les patients à consulter immédiatement, ce qui peut sauver des vies. Les dispositifs portables et les pilules intelligentes sont également plus rassurants pour les patients qui évitent alors de consulter un médecin, et de s’exposer à des tests sanguins, souvent craints.
Dans un cadre médical, la continuité de services de la technologie peut sauver des vies. En effet, la disponibilité continue de systèmes et des applications vitaux est cruciale pour les personnes qui peuvent être sous assistance respiratoire par exemple. Alors que de nombreux appareils doivent rester connectés en permanence, un réseau alimenté par l’IA s’avère particulièrement utile pour assurer une analyse solide des données et des opérations continues dans tout l’établissement.
Les soins de santé numériques sont la prochaine étape évidente vers des services médicaux à l’épreuve du temps. Ils permettront aux établissements de fonctionner plus efficacement, d’économiser du temps, de l’argent, de la frustration et, surtout, de simplifier voire de sauver la vie des patients. Bien qu’il y ait un investissement initial nécessaire pour remplacer l’existant, ces technologies ont le potentiel de transformer fondamentalement la façon dont les soins de santé sont fournis. Elles peuvent en effet améliorer les conditions de travail du personnel, ce qui, encore une fois, renforce fondamentalement le service offert. Les décideurs doivent donc faire preuve d’audace dans leurs choix et ne pas hésiter à investir dans le bien-être de leur salarié et de leur patientèle.
Voilà plusieurs décennies que le secteur des services financiers est un grand consommateur d’analyses avancées. Aujourd’hui, de nouvelles innovations en matière de solutions soutenues par l’IA ont fait leur apparition et permettent d’améliorer considérablement le service client, l’efficacité opérationnelle et la résilience. Pour cela, il est essentiel d’obtenir des cadres et des plateformes à la fois standardisées et cohérentes.
Le secteur de la finance est confronté à de nombreux défis, notamment l’environnement macroéconomique mondial, marqué par un risque de défaut de paiement dans un contexte de stagnation de la croissance mondiale. Par ailleurs, le secteur subit une pression grandissante pour se moderniser : les institutions financières doivent gagner en efficacité, améliorer leur service client, réduire les risques, lutter contre la criminalité financière, aborder la question de la durabilité et procéder à des changements réglementaires. L’adoption de l’IA jouera un rôle clé dans la réalisation de ces objectifs.
Les technologies d’IA ont déjà été déployées dans le secteur financier, par exemple dans des chatbots interactifs dédiés au service client, dans l’analyse de documents ou dans l’identification d’anomalies dans les transactions de paiement pour la détection des fraudes. Les banques s’appuient depuis longtemps sur l’IA prédictive – en grande partie sur des solutions basées sur le Machine Learning – pour automatiser et rationaliser les processus. En outre, l’IA générative peut considérablement améliorer les capacités de nombreuses applications existantes, y compris dans le cadre d’enjeux environnementaux, sociaux et de gouvernance (ESG). Par exemple, le projet Gaia lancé par la BRI a démontré la capacité à automatiser l’extraction et l’analyse des données ESG des entreprises afin de rendre l’évaluation du risque climatique plus transparente et plus efficace.
Bien qu’il s’agisse de premières réalisations marquantes pour les institutions individuelles, les banques centrales et les autorités de régulation sont confrontées à un défi majeur : garantir la stabilité du système financier mondial. Les changements réglementaires à venir à l’échelle internationale, apportés de façon progressive, porteront sur de nouveaux types de risques systémiques potentiels, tels que les risques de concentration dans le cloud, l’utilisation de l’IA, le changement climatique et les futurs risques corrélés émergeant d’un système financier mondial en constante évolution.
Appliquer l’IA à l’automatisation des processus sera essentielle pour soutenir l’efficacité et la résilience du secteur. Par exemple, l’automatisation event-driven soutenue par l’IA aidera les institutions à répondre aux exigences de portabilité des applications pour les technologies d’information et de communication (TIC) critiques tierces. Démontrer régulièrement cette capacité est d’ailleurs une des exigences réglementaires clés de la réglementation DORA (Digital Operational Resilience Act) mise en place par l’Union européenne.
Concernant l’infrastructure, la priorité reste la modernisation des applications héritées – comme les systèmes bancaires centraux – pour leur permettre de gagner en agilité. Les plateformes centrales continueront d’être utilisées par certaines applications, tandis que d’autres workloads seront déplacées vers le cloud – ou deviendront cloud natives pour suivre le rythme rapide de développement moderne et gagner en portabilité pour pouvoir fonctionner dans des environnements cloud selon les besoins. Toutefois, le replatforming ou la réécriture des logiciels peut être un processus à la fois complexe et coûteux. C’est un domaine où l’IA générative peut aider, en traduisant les logiciels dans différents langages de programmation, ou en contribuant à la reconversion des équipes informatiques grâce à des assistants de codage capables de prendre en charge un plus large volume de tâches basiques. L’IA peut également optimiser les environnements où les applications sont déployées, en tenant compte des défis comme les mesures de durabilité, l’efficacité opérationnelle et les préoccupations liées aux coûts.
Par ailleurs, l’utilisation de l’IA apporte de sérieux avantages aux équipes opérationnelles et de service. À l’avenir, les assistants alimentés par l’IA seront en mesure de traiter des demandes et de répondre à des problématiques client bien plus complexes. En outre, l’utilisation de l’IA peut rationaliser les rapports financiers dans le secteur bancaire en automatisant l’agrégation et l’analyse de données pour obtenir des rapports plus précis dans les meilleurs délais.
L’IA jouera également un rôle déterminant dans la capacité d’une banque à gérer les risques issus de chocs macroéconomiques externes à court terme ou de changements transformateurs à plus long terme, à l’instar du changement climatique. Dans ces situations, l’IA a besoin d’accéder à de vastes ensembles de données qui peuvent apporter de nouvelles perspectives pour améliorer les capacités de prédiction.
Aujourd’hui, l’IA peut déjà accélérer le processus de prise de décision dans certaines situations. Au fur et à mesure de son développement, l’IA aura la capacité d’étendre et d’améliorer sensiblement les possibilités de nombreuses applications. Toutefois, le succès de l’IA sera freiné par l’absence de données de haute qualité. La pénurie de données résulte du silotage de ces dernières au sein des institutions à cause des exigences croissantes en matière de confidentialité des données, de propriété intellectuelle et de souveraineté des données.
Heureusement, l’IA elle-même pourra contribuer à pallier ce manque de sources de données adaptées et de haute qualité en passant par la création de « données synthétiques ». Il s’agit de reproduire des sources de données existantes afin de les rendre anonymes pour des raisons de confidentialité et de simplification du partage de données. L’IA peut être utilisée pour créer des sources de données synthétiques plus robustes qui permettront à certaines applications d’outrepasser les limites des données purement historiques pour développer des perspectives plus pertinentes sur d’éventuelles situations émergentes.
La criminalité financière est un domaine d’application idéal pour les données synthétiques. Si un modèle de Machine Learning ou d’IA est construit à partir d’un ensemble de données contenant un nombre limité de cas d’un certain type de crime financier, il peut en prévoir la récurrence de manière extrêmement précise. Toutefois, cette précision prédictive est considérablement réduite lorsqu’il s’agit de saisir différentes variations de ce type de crime qui n’existent pas dans les données disponibles. Afin de faire gagner ce modèle en robustesse et d’avoir une longueur d’avance sur les menaces, les simulations basées sur l’IA peuvent générer des centaines de milliers ou de millions de scénarios synthétiques, fournissant un système de détection potentiellement plus robuste qui peut être validé par des inspections sur les nouvelles variations probables d’un certain type de crime financier. De cette manière, les données synthétiques générées par l’IA peuvent considérablement améliorer la détection de fraude. En outre, les modèles de réseaux antagonistes génératifs (GAN) et les simulations de modèles basés sur des agents (ABM) constituent deux approches de l’IA utilisées pour ces types de cas d’utilisation.
Au-delà des données, de nombreux défis se posent pour rendre les modèles d’IA plus résilients et plus fiables. L’un des domaines clés est l’effort de recherche mondial mené pour développer des approches innovantes en matière d’IA explicable (XAI). L’objectif de l’XAI consiste à développer des cadres pour rendre le processus de prise de décision par l’IA plus transparent et responsable et d’améliorer la fiabilité, la prise de décision, et le respect des règlementations en vigueur.
Ces cadres développés par XAI vont devoir d’abord, pour être applicables et avoir un impact, relever trois défis majeurs : les solutions de boîte noire en raison de la complexité des modèles, les limites posées par un accès plus large aux données pour l’analyse des modèles en raison de la confidentialité des données, et un paysage réglementaire de l’IA en rapide et constante évolution.
Du côté de la réglementation, la récente initiative AI Act adoptée par l’Union européenne constitue le premier vrai effort pour établir un cadre réglementaire complet pour les systèmes d’IA. Cette réglementation adopte une approche fondée sur le risque : plus le niveau de risque est élevé, plus les réglementations liées à l’IA sont strictes. Les systèmes d’IA à haut risque doivent répondre à un large éventail d’exigences, parmi lesquelles l’explicabilité et la documentation, la gouvernance des processus basés sur l’IA, la gouvernance des données, la surveillance humaine, la gestion des risques et l’auditabilité. À mesure que des cadres réglementaires similaires axés sur l’IA seront mis en place dans d’autres régions et pays, il faudra garantir un certain degré de cohérence réglementaire mondiale fondée sur le risque afin d’encourager l’innovation continue en matière de capacités et de solutions d’IA.
Les possibilités créées par l’IA sont, en principe, presque illimitées, à condition que des équipes, des solutions et des processus adaptés soient mis en place. Comme de nombreux dirigeants d’entreprise envisagent d’adopter une stratégie de cloud hybride prise en charge par une plateforme commune et une couche d’automatisation afin de leur garantir davantage de liberté et de flexibilité, la même chose s’applique dans le cadre de l’IA. Il s’agit d’offrir à toutes les équipes de l’entreprise une expérience cohérente et centralisée lors de la formation, de la maintenance, de la mise au point et du déploiement de modèles d’IA en production. En outre, un environnement holistique (par opposition à un environnement siloté) évitera d’avoir trop de points de défaillance et aidera à normaliser les tests et la validation pour répondre aux exigences de contrôle et de transparence fondamentales pour pouvoir obtenir les approbations réglementaires et faire évoluer l’IA.
Intelligence artificielle, machine learning… Ces “buzzwords” sont devenus des incontournables du vocabulaire technologique, mais combien de personnes comprennent réellement leur signification profonde ? Avant de nous aventurer plus loin dans cet article pour comprendre comment ces technologies peuvent être mises au service du e-commerce, prenons le temps de dissiper le mystère qui les entoure.
L’intelligence artificielle (IA) se caractérise par la création d’algorithmes informatiques capables d’accomplir des tâches avec une “certaine” intelligence. Ce domaine est très vaste et regroupe des dizaines de champs d’études comme par exemple les systèmes distribués (systèmes multi-agents), la résolution de problèmes d’optimisation (métaheuristique), la construction de systèmes experts, la satisfaction de contraintes ou encore la planification.
Le machine learning est l’un de ces champs d’étude de l’IA. Les algorithmes de machine learning ont la capacité d’apprendre de la donnée et d’en extraire de l’information pertinente grâce à l’application de règles statistiques qui définissent un modèle d’apprentissage. Avec le machine learning, le développeur ne code plus directement le moyen de résoudre un problème mais le moyen d’apprendre à résoudre le problème sur la base de données.
L’apprentissage automatique se décompose généralement en deux phases fondamentales : l’apprentissage et la prédiction. Durant la phase d’entraînement, l’algorithme ajuste ses paramètres en utilisant un ensemble de données, apprenant ainsi les modèles et relations sous-jacents présents dans les données. Une fois le modèle entraîné, il peut être déployé pour effectuer des prédictions ou prendre des décisions sur de nouvelles données au cours de la phase d’inférence.
Lorsque l’on sait qu’un site e-commerce gère une large gamme de produits, attire de nombreux utilisateurs effectuant diverses actions (navigation, expression d’un intérêt pour les produits, achats) et que tout cela génère une quantité considérable de données… On réalise immédiatement le potentiel significatif des algorithmes de machine learning dans la compréhension du comportement du visiteur et, par conséquent, dans l’amélioration directe de l’expérience client et l’optimisation des ventes.
Pour garantir l’efficacité de ces algorithmes, deux ingrédients sont nécessaires : des données de qualité et des contextes d’utilisation spécifiques. En voici quelques exemples concrets.
En matière de search, le machine learning peut être employé de différentes manières :
– Pour optimiser la compréhension automatique du sens sémantique d’une requête.
Illustrons cela avec une recherche vocale. Lorsqu’un visiteur exprime “Je voudrais un canapé gris s’il te plaît”, le moteur de recherche, basé sur le machine learning, peut discerner que les termes importants sont “canapé gris” et que “gris” correspond à une couleur, en mettant de côté le reste de la phrase. Grâce à des technologies issues du NLP (Natural Language Processing) ou plus récemment grâce aux LLMs (Large Language Models), le moteur de recherche a la capacité de comprendre sémantiquement l’utilisateur, même si la phrase est formulée en langage naturel, de manière complexe.
– Pour proposer des produits en cas d’expression de recherche inconnue.
En cas d’expression de recherche inconnue, il est envisageable d’utiliser un algorithme de réouverture. Celui-ci permet de présenter des articles pertinents même s’ils sont désignés avec des termes différents. Par exemple, si un visiteur saisit “sombrero”, le site marchand pourra proposer des bonnets en hiver ou des chapeaux de paille en été. Cette capacité résulte du fait que le machine learning comprend sémantiquement que “sombrero” est proche de “bonnet” ou de “chapeau”.
Un autre aspect de l’application de ces algorithmes consiste à personnaliser le parcours client.
Celle-ci peut se faire notamment au niveau du ranking de produits et se manifeste dans divers contextes :
– la saisonnalité : le ranking peut varier en accord avec les saisons. Par exemple, si les visiteurs cherchent des pulls en été, le système privilégiera des articles plus légers, tandis qu’en hiver, il mettra en avant des pulls plus épais et chauds.
– l’appétence utilisateur : lorsque ce dernier effectue des recherches de produits pour hommes puis saisit le terme “chaussures”, les résultats de recherche pourront être orientés vers les chaussures destinées aux hommes.
– le profil utilisateur : il est possible d’apprendre à classifier les clients et définir des profils types qui serviront ensuite à personnaliser les réponses du moteur de recherche ou des algorithmes de recommandation, voire à créer des listings de produits personnalisés sur la page d’accueil par exemple.
– les mots clés tapés : lorsque l’utilisateur saisit “jean”, le moteur de recherche comprend qu’il cherche principalement des pantalons plutôt que des vestes en jean, une déduction tirée de son apprentissage des attentes des utilisateurs. En ajustant le ranking en fonction des mots clés, le machine learning organise les produits de manière pertinente, en intégrant par exemple des notions de best-sellers.
La personnalisation peut également s’étendre à d’autres aspects, comme par exemple dans:
– les fiches produits : des suggestions peuvent être faites pour des produits populaires qui se marient bien avec celui que l’utilisateur visualise. Cette fonctionnalité repose sur des algorithmes de type cross-sell, identifiant les produits fréquemment achetés ensemble. De plus, il est possible d’afficher les choix d’autres clients qui ont acheté le même produit, offrant ainsi des suggestions complémentaires pour un panier. Une autre possibilité serait de suggérer des articles similaires, mais dans une gamme de prix supérieure (up sell).
– la page d’accueil : des produits personnalisés peuvent être proposés à l’utilisateur en fonction de son historique. Cela peut se faire de différentes manières : en ouverture pour lui faire découvrir des articles qu’il ne connaît pas encore mais qui pourraient l’intéresser, ou en fermeture pour lui suggérer des produits qu’il a déjà achetés ou qu’il acquiert fréquemment. Cette approche est particulièrement pertinente dans l’alimentaire, où la recommandation de produits réguliers facilite l’expérience d’achat.
Les scénarios d’utilisation mentionnés se concentrent sur des améliorations directes de l’expérience client. Parallèlement, le machine learning peut également contribuer à fournir aux personnes qui gèrent le site marchand des pistes d’amélioration de leurs tâches professionnelles.
Considérons une situation où un groupe de produits semble mal ventilé au sein d’une catégorie. Les algorithmes de machine learning ont la capacité de détecter cette situation et de la signaler. Une intervention humaine serait ensuite nécessaire pour évaluer et qualifier la catégorie. De plus, les algorithmes peuvent également repérer des catégories qui manquent de pertinence, regroupant une variété de produits sans lien significatif et suggérer de la diviser en sous-catégories plus spécifiques.
Ces algorithmes offrent également aux e-merchandiseurs des suggestions de synonymes pertinents à intégrer dans le Back Office. Cette fonctionnalité repose sur l’analyse des zéro résultats des utilisateurs, permettant ainsi une optimisation fine des résultats de recherche. Par exemple, la proposition de synonymes tels que ‘applique murale’ pour ‘luminaire’, ou encore ‘chemise de nuit’ pour ‘nuisette’, démontre la capacité de ces technologies à anticiper et répondre aux attentes des clients.
L’expertise des algorithmes de machine learning réside dans leur aptitude à assimiler finement les comportements des utilisateurs, à identifier des tendances, à classifier et à révéler des corrélations significatives entre les produits. Cette capacité en fait des outils incontournables pour optimiser l’expérience globale des utilisateurs, en particulier dans les domaines de la recherche et de la recommandation. Ils ouvrent ainsi la voie à une expérience utilisateur plus immersive et personnalisée, contribuant de manière conséquente à maximiser le taux de conversion sur le site marchand.
À quoi ressemblera le futur de la recherche en ligne ? Il est certain qu’il ne se limitera plus aux requêtes par mots-clés telles que nous les connaissons aujourd’hui. Les évolutions récentes de l’intelligence artificielle, notamment dans le domaine de l’IA générative ; comme par exemple les LLMs (modèles de langage naturel capables de comprendre et générer du texte humain) utilisés par ChatGPT ; ouvrent la voie à de nouvelles perspectives.
Ces avancées technologiques offrent des opportunités de réinventer la manière dont nous utilisons les moteurs de recherche et pourraient évoluer vers une interaction plus directe, où la discussion avec les moteurs de recherche deviendrait aussi naturelle que celle avec un vendeur physique en magasin.
Demain, l’expérience utilisateur sur les sites web pourrait subir une transformation majeure, marquant une évolution significative par rapport à nos habitudes actuelles.
L’Institut de recherche « AI for Sustainability » de l’ESSCA School of Management (École Supérieure des Sciences Commerciales d’Angers), en partenariat avec Forvis Mazars, vient de dévoiler les résultats de son premier baromètre sur l’intégration de l’IA dans les entreprises européennes et son impact sur le développement durable.
Les thèmes abordés dans cette étude abordent l’utilisation et la gestion de l’IA, la gestion des données, la conformité ainsi que les opportunités et les risques en matière de durabilité, les considérations éthiques et les perspectives d’avenir. Le baromètre révèle qu’un consensus émerge sur les avantages de l’investissement dans l’IA, notamment pour améliorer la productivité et réduire les coûts des entreprises. Cependant, il permet de constater que l’IA est moins fréquemment utilisée pour le développement de nouveaux produits.
L’étude, qui a interrogé 400 responsables informatiques en France et au Royaume-Uni, révèle que la majorité des entreprises européennes considèrent que l’impact de l’IA sur leur développement durable est positif : 55% des répondants considèrent en effet l’IA comme ayant un impact positif. Pour 25%, l’impact est neutre. Cependant, une minorité (4 %) voit encore l’IA sous un jour négatif en termes de durabilité environnementale.
L’enquête met en lumière que 9 % des entreprises priorisent les pratiques de travail éthique dans leur utilisation de l’IA, ce qui dépasse d’autres considérations comme la neutralité carbone.
Dejan Glavas, professeur de finance et Directeur de l’Institut “AI for Sustainability” de l’ESSCA, souligne :
“La majorité des entreprises ont déjà commencé à utiliser l’IA pour atteindre des objectifs de développement durable (seules 15 % ne le font pas). Il est néanmoins intéressant de constater que l’usage de l’IA pour atteindre des objectifs environnementaux passe au second plan par rapport aux enjeux sociétaux”.
Sur le plan éthique, les entreprises interrogées se préoccupent principalement de la transparence des processus décisionnels liés à l’IA (25 %), de la confidentialité des données (20 %) et des biais algorithmiques (15 %). En revanche, des questions comme l’impact social potentiel des pertes d’emplois générées par l’IA (10 %) et l’impact direct sur le climat avec les émissions de CO2 (5 %) sont moins prioritaires.
Les risques associés à l’IA, souvent amplifiés par des problématiques préexistantes comme la gestion des données (29 %), sont encore sous-estimés par de nombreuses entreprises. Celles-ci n’ont pas encore pleinement pris la mesure des nouveaux défis posés par l’IA, comme les biais algorithmiques, les erreurs de perception des systèmes d’IA, les interactions entre humains et machines, et l’importance d’un contrôle humain adéquat. Par ailleurs, 18 % des entreprises ont dû ajuster ou interrompre un projet d’IA en raison de problèmes éthiques. L’étude révèle que 44 % des entreprises n’ont pas encore établi de lignes directrices éthiques pour l’utilisation de l’IA.
Laurent Inard, Associé et Responsable de la R&D chez Forvis Mazars en France commente :
“Les résultats de ce baromètre sont d’autant plus intéressants si on considère que seulement 18 % des entreprises françaises se disent prêtes à gérer les perturbations et risques liés à l’IA, contre 34 % des entreprises britanniques. Par ailleurs, 29 % des répondants français considèrent leur entreprise totalement impréparée, comparé à seulement 15 % des britanniques”.
Pour 50 % des responsables interrogés, l’IA a eu un impact positif sur la performance de leur entreprise. Cependant, des obstacles persistent dans la mise en œuvre de l’IA, tels que les contraintes financières (14 %), les défis d’intégration avec les systèmes existants (12 %), des stratégies inadaptées (11 %) et un manque de personnel qualifié (9 %).
Nous sommes au cœur de la révolution de l’IA, un moment qui promet de redéfinir le paysage du travail tel que nous le connaissons. Alors que cette révolution prend de l’ampleur, une question pressante se pose : les emplois sont-ils confrontés à une menace existentielle ? Le potentiel de transformation de l’IA devenant de plus en plus évident dans tous les secteurs d’activité, nous trouvons-nous à un tournant décisif ? Quels défis et opportunités représente l’IA pour le marché de main-d’œuvre ? Aujourd’hui, l’exploration de la manière dont l’IA remodèle le marché du travail révèle qu’il ne s’agit pas de remplacer des emplois, mais plutôt de les améliorer.
L’étude du passé révèle que de nombreux rôles ont disparu au fil du temps, laissant place à de nouvelles opportunités. Les emplois de rêve d’antan, comme travailler dans des magasins de disques remplis de vinyles et de CD, ont largement disparu. De même, des fonctions telles que celles d’opérateur de cartes perforées dans les années 50 ou d’opérateur téléphonique dans les années 30, autrefois essentielles, ont été rendues obsolètes par les progrès technologiques. Pourtant, ces changements ont ouvert la voie à de nouvelles carrières. Les emplois les plus demandés aujourd’hui, tels que les community managers, n’existaient pas il y a quelques décennies, ce qui témoigne de la nature dynamique du marché de l’emploi. Cette évolution démontre un schéma récurrent : à mesure que les anciens emplois disparaissent, de nouveaux rôles, différents et souvent plus passionnants, apparaissent, reflétant les besoins et les capacités en constante évolution de notre société.
Historiquement, chaque révolution technologique a entraîné des changements économiques importants, alimentant des croissances économiques sans précédent, et créant des industries et des rôles professionnels entièrement nouveaux presque du jour au lendemain. Aujourd’hui, nous sommes à l’aube d’une nouvelle révolution avec l’IA. Cette technologie transforme l’économie, modifie le marché du travail et suscite de profondes questions sociales et éthiques. Ces transformations suscitent souvent, dans un premier temps, des craintes et des résistances, mais elles débouchent en fin de compte sur un élargissement des possibilités économiques et une amélioration de la qualité de vie. Embrasser ces changements plutôt que d’y résister permet d’en exploiter tout le potentiel.
L’impact de l’IA sur le travail est déjà évident. Les données de diverses plateformes révèlent une augmentation constante du travail en freelance. Malgré les fluctuations des offres d’emploi traditionnelles, le travail en freelance est de plus en plus répandu. En 10 ans, il y a eu une augmentation de 92 % de freelances en France (Eurostat, Statista), surtout depuis la crise sanitaire de 2019. Cette tendance est le reflet d’une évolution plus large vers une économie du travail à la tâche, dans laquelle l’IA joue un rôle crucial en facilitant l’efficacité et l’innovation. Les freelances, dotés d’outils d’IA, peuvent désormais offrir des services spécialisés qui étaient autrefois réservés aux grandes entreprises, démocratisant ainsi l’accès à des ressources de haute qualité et égalisant les chances des petites entreprises et des entrepreneurs individuels.
Les vagues d’innovation sont de plus en plus spectaculaires et se produisent à intervalles plus courts. Des innovations dont l’adoption prenait autrefois des décennies sont désormais intégrées en l’espace de quelques années, voire de quelques mois. L’IA en est un excellent exemple, car elle est rapidement adoptée dans divers secteurs. Cette accélération exige de s’adapter rapidement et de garder une longueur d’avance pour tirer parti de ces avancées de manière efficace. La vitesse à laquelle l’IA est adoptée peut être attribuée à sa polyvalence et à son potentiel de révolutionner d’innombrables secteurs, de la santé à la finance en passant par les arts créatifs. Cette intégration rapide met en évidence la nécessité d’un apprentissage continu et d’une agilité dans le développement professionnel.
Considérez les trois phases des révolutions technologiques : l’introduction d’une technologie perturbatrice, l’impact économique et les questions sociales et éthiques qui en découlent. Au cours de la révolution industrielle, les machines ont remplacé une grande partie de la main-d’œuvre, ce qui a suscité des inquiétudes quant à la perte d’emplois et aux disparités économiques. L’ère des “dot-com” dans les années 90 et 2000 a mis au premier plan les questions relatives à la protection de la vie privée. Aujourd’hui, l’IA suscite des débats sur l’autonomie et l’utilisation éthique de la technologie, y compris les défis posés par les “deep fakes”. Cela souligne l’importance d’aborder non seulement les implications économiques des nouvelles technologies, mais aussi les impacts sociétaux, en veillant à ce que les progrès profitent à tous et atténuent les préjudices potentiels.
Depuis le lancement d’outils d’ IA tels que ChatGPT, on observe une augmentation exponentielle des recherches liées à l’IA. Les entreprises explorent le potentiel de l’IA dans diverses applications, de la création de premières ébauches au développement de projets complets. Cette tendance souligne le rôle de l’IA dans la modification des procédés et l’amélioration de la productivité. La capacité de l’IA à traiter et à analyser rapidement de grandes quantités de données permet aux entreprises de prendre des décisions plus éclairées, de rationaliser leurs opérations et d’innover plus rapidement que jamais.
Pour prospérer aujourd’hui, entreprises et individus sont bien inspirées d’ adopter un état d’esprit proactif et adaptable. L’IA offre un accès démocratisé aux connaissances, mais il faut dépasser les résultats moyens en y ajoutant créativité et originalité, afin de garantir compétitivité et innovation. L’adaptabilité est clé, surtout en marketing : se remettre en question, rester curieux et adopter les nouvelles technologies permet de saisir les opportunités de l’IA et de réagir aux changements rapides. Les entreprises cultivant cette adaptabilité prospéreront face aux bouleversements technologiques.
“Lorsqu’un travailleur indépendant trouve en l’IA une solide source de productivité , cela reflète bien la situation actuelle : l’IA n’est pas une menace, mais un outil qui, utilisé de manière créative et efficace, peut considérablement améliorer la vie professionnelle” note Franck Thomas, responsable France de Fiverr. Cette dernière peut offrir des avantages concurrentiels, en permettant aux individus de fournir un travail de meilleure qualité et de manière plus efficace. Ceci, à son tour, peut conduire à une plus grande satisfaction des clients, à un développement de l’activité et à une croissance globale de la carrière.
En conclusion, la société a entamé la révolution de l’IA. Cette technologie offre un potentiel incroyable pour transformer le travail, en rendant les gens plus productifs et plus innovants. Pour les freelances, adopter l’IA n’est pas une fin en soi mais un moyen d’élever son niveau de jeu. L’avenir présente de vastes possibilités, et la clé du succès consiste à considérer l’IA comme un partenaire de progrès, travaillant aux côtés de l’ingéniosité humaine pour réaliser des avancées jusque-là inédites.
L’intelligence artificielle générative (GenAI) suscite un engouement considérable, marquant potentiellement le début d’une ère nouvelle en technologie. Tandis que la France et l’Europe peinent à tenir le rythme face aux géants américains et chinois dans le domaine de l’IA, la GenAI émerge comme un catalyseur possible de transformation profonde, notamment en France et en Europe. Mais derrière cet enthousiasme, quelle réalité se dessine ?
De nombreuses initiatives, à la fois publiques et privées, menées par des innovateurs tels que Mistral.ai, Probabl.ai, ou The H Company œuvrent à rattraper un retard scientifique significatif. Cependant, ces investissements vers la GenAI sont aujourd’hui principalement dirigés vers la recherche. Les géants du CAC 40, quant à eux, semblent également déployer de gros efforts en R&D dans la création et la spécialisation de modèles fondationnels français (ou non).
L’écueil majeur rencontré en IA ces dix dernières années réside dans notre incapacité à transférer l’IA des laboratoires vers le terrain. La question se pose alors : la GenAI ne va-t-elle pas renvoyer tous les efforts des dernières décennies dans les laboratoires ?
L’IA générative est certes impressionnante et ouvre de nombreuses possibilités d’utilisation pour les entreprises. Cependant, elle distrait souvent les acteurs économiques des plans stratégiques Data & IA établis depuis des années en France. Les modèles de langage de grande taille (LLM) adoptent une approche « one-size-fits-all » qui peut rendre les organisations moins attentives à leur stratégie globale de données, les détournant ainsi de cas d’usage métier spécifiques, bien que moins séduisants.
Il est crucial de ne pas laisser la GenAI détourner les entreprises des opportunités immédiates et tangibles offertes par des technologies plus matures comme le deep learning, qui, en particulier en dehors des LLM, est prêt pour un déploiement massif. Des domaines comme la vision par ordinateur (computer vision) ont atteint une maturité qui permet une industrialisation à grande échelle. Si tous les investissements se concentrent exclusivement sur la GenAI, nous risquons de négliger ces technologies prêtes à l’emploi. Cela pourrait nous priver des moyens nécessaires pour industrialiser et déployer des applications pratiques de deep learning, telles que la reconnaissance d’images et l’analyse vidéo, qui peuvent transformer divers secteurs industriels et impacter positivement l’environnement.
Dans ce contexte, les récents engagements du président Emmanuel Macron, qui a annoncé des investissements supplémentaires de l’État dans l’IA, sont une occasion de renforcer nos efforts dans l’industrialisation et le déploiement de ces technologies. Si ces investissements visent à propulser la France et l’Europe en leaders de la recherche en IA, essayons également de devenir leader dans son industrialisation !
La GenAI, avec ses promesses de révolution industrielle et d’innovation sans précédent, mérite une attention critique et nuancée. Pour les entreprises françaises et européennes, l’enjeu est de taille : il ne s’agit pas seulement d’adopter cette technologie parce qu’elle est à la mode, mais de l’industrialiser de manière stratégique.
L’intégration judicieuse de la GenAI doit renforcer les opérations existantes, catalyser la croissance et améliorer la compétitivité sur le long terme. Plutôt que de suivre aveuglément la vague, les entreprises sont appelées à naviguer avec discernement, alignant innovation et stratégie opérationnelle pour transformer véritablement l’essai en un succès durable.
Les technologies d’IA, de ML et d’automatisation sont en train de remodeler en profondeur les industries. Une récente enquête de Deloitte indique que 93 % des entreprises manufacturières estiment que l’IA sera une technologie clé pour stimuler la croissance et l’innovation.
L’industrie manufacturière a tout à gagner car elle s’appuie sur différents systèmes d’ingénierie qui génèrent de grandes quantités de données, lors de la curation des données, de la conception, ou encore lors de la création de modèles d’IA dans la fabrication des produits. Ces systèmes peuvent être liés à la gestion du cycle de vie des produits (PLM), la planification des ressources de l’entreprise (ERP), ou encore le pilotage de la production (MES). En outre, il existe une grande diversité de données dans l’écosystème des fournisseurs, des équipementiers, des régulateurs et d’autres parties prenantes.
D’autre part, les fusions et acquisitions courantes dans cette industrie, entraînent la nécessité d’intégrer constamment de nouveaux concepts, de nouvelles données et une nouvelle culture au sein des entreprises.
Au cours des dernières années, l’IA et l’automatisation ont eu un impact significatif sur l’industrie manufacturière en offrant la possibilité d’examiner les données historiques, de les nettoyer et de les rationaliser. L’IA peut supprimer les informations en double et réduire le nombre de biais afin d’assurer la normalisation de la base de données.
Les systèmes traditionnels d’ingénierie ont permis jusqu’à aujourd’hui de traiter, conserver et réutiliser les connaissances existantes. Ces systèmes transitent vers l’IA de nouvelle génération. Ils offrent une plus grande précision et une meilleure traçabilité, qui sont des atouts importants pour la recherche et le développement de la plupart des chaînes de valeur des produits. Les grands modèles de langage permettent désormais d’apporter l’échelle nécessaire au traitement et à l’extraction des connaissances à chaque fois que cela est nécessaire.
Les algorithmes d’IA peuvent piloter des analyses prédictives de la demande et de l’offre en utilisant des modèles ML simples, des modèles de réseaux neuronaux ou des réseaux neuronaux profonds.
Les outils alimentés par l’IA peuvent collecter et intégrer des données provenant de divers systèmes d’enregistrement, tels que les logiciels de CAO/FAO, les appareils IoT, les systèmes ERP, et plus encore, et compléter les entreprises grâce à leurs capacités d’IA. Par exemple, un réseau neuronal artificiel a été utilisé pour une entreprise aérospatiale mondiale afin d’aider à équilibrer les moteurs d’avion.
L’automatisation peut contribuer au nettoyage et à la préparation des données pour l’analyse, en réduisant les efforts manuels et le temps requis pour le nettoyage des données. Par exemple, une classification et un résumé de documents juridiques ont été fournis à une entreprise d’informatique et d’électronique grand public.
Les modèles de maintenance prédictive pilotés par l’IA analysent les données provenant de capteurs et d’appareils IoT pour prédire quand un équipement ou une machine est susceptible de tomber en panne. Par exemple, une société minière mondiale utilise des camions lourds de type mammouth pour transporter le minerai. Un travail a été mené avec leurs équipes pour développer les modèles de diagnostic et de pronostic pour les camions afin d’identifier et de prédire les défaillances. L’ensemble du processus a été développé dans le cadre d’un projet de retour sur investissement.
L’ingénierie des connaissances peut être utilisée pour développer des systèmes de recommandation qui fournissent aux utilisateurs des contenus, des produits ou des services pertinents en fonction de leurs préférences et de leur comportement. Cela peut grandement améliorer l’expérience de l’utilisateur en rendant les interactions plus efficaces et plus satisfaisantes.
Le contrôle et l’optimisation des performances des produits par le biais de tests utilisateurs permettent d’identifier et de résoudre les problèmes qui ont une incidence sur l’expérience des utilisateurs, ce qui débouche sur des conceptions plus accessibles.
Les ingénieurs logiciels peuvent développer des solutions logicielles personnalisées et des outils d’automatisation qui rationalisent divers processus de fabrication. Cela permet de réduire le travail manuel, de minimiser les erreurs et de garantir une qualité constante des produits, ce qui améliore l’expérience des opérateurs et des utilisateurs finaux.
Il n’est pas facile pour les fabricants d’intégrer les capacités de l’IA dans leurs systèmes et infrastructures existants. Il existe une résistance culturelle, un manque de talent et l’incapacité d’absorber les nouveaux algorithmes d’IA dans les systèmes existants. Ainsi, il est essentiel de préparer l’organisation à surmonter les obstacles, à conduire le changement et à favoriser une culture de l’innovation pour que l’adoption de l’IA soit couronnée de succès. Les chefs d’entreprise doivent ainsi identifier les freins technologiques qui entravent l’adoption de l’IA, telles que l’infrastructure obsolète, le manque de talents qualifiés ou les problèmes de cybersécurité, la croissance future de l’entreprise, et y remédier par le biais d’investissements et de formations.
Les leaders du secteur doivent ainsi devenir les fers de lance de l’innovation et du changement. Il se doivent de créer des espaces et des processus qui encouragent les employés à réfléchir, à expérimenter et à proposer des idées novatrices. Aussi, ils doivent mettre en place les formations nécessaires pour leurs employés et tirer ainsi pleinement parti des nouvelles technologies pour prendre les devants sur le secteur.
En 2023, le marché mondial de la géolocalisation a atteint une valeur de 18,52 milliards de dollars et pourrait enregistrer une croissance annuelle de 15,6 % sur la période 2023-2030, selon Grand View Research. La croissance du marché en France peut être expliquée par plusieurs facteurs, les services de géolocalisation devenant rapidement un aspect essentiel de la vie quotidienne de nombreuses personnes, avec une dépendance accrue aux logiciels de navigation, aux applications de covoiturage ou aux mises à jour des transports en temps réel.
L’intelligence de localisation joue un rôle décisif en connectant les éléments de données existants au contexte géospatial environnant. Dans un monde de plus en plus data driven, les données spatiales offrent une valeur ajoutée incontestable. Tous les points de données entretiennent des liens avec le monde physique, que ce soit à travers les domiciles ou les adresses professionnelles des clients. Elles peuvent révéler des informations sur leurs revenus probables, leur situation familiale et leur mode de vie. Les entreprises, qu’elles soient clientes ou concurrentes, opèrent sur divers marchés et dans différents domaines de services. De même, les modèles météorologiques et de circulation, en s’étendant dans le temps et l’espace, fournissent des informations précieuses aux décideurs qui ont à leur disposition les données et les outils appropriés.
Les cas d’utilisation des données géospatiales sont pratiquement illimités. Les institutions financières y recourent pour détecter les anomalies et identifier les potentiels cas de fraude, par exemple. En combinant des données météorologiques en temps réel avec des informations sur les assurés, ils sont en mesure d’avertir leurs clients de l’imminence d’un ouragan, d’une tempête ou d’un événement similaire. Enfin, les opérateurs de télécommunications s’appuient pour leur part sur la géolocalisation pour une meilleure compréhension des besoins des clients et pour s’assurer de l’optimisation de la planification du réseau. Trois principales tendances émergent ainsi en matière d’intelligence de localisation observées pour 2024.
L’intelligence artificielle révolutionne le fonctionnement des entreprises dans tous les secteurs d’activité. Il est nécessaire de garantir que les données utilisées pour l’apprentissage des modèles d’IA soient intègres, avec une précision, une cohérence et un contexte des plus exigeants, afin d’optimiser les performances.
Sans contexte des nuances et des dépendances d’un scénario réel donné, l’IA peut finir par baser ses recommandations sur une partie infime de la situation globale. Cela peut conduire à des résultats incomplets, inexacts ou non pertinents du point de vue du contexte, avec des conséquences potentiellement dangereuses par la suite.
Pour mieux comprendre les comportements d’achat des clients et autres acteurs du marché, les entreprises doivent ainsi utiliser des données de localisation pour enrichir leurs modèles. Cette pratique relie l’emplacement des consommateurs à diverses données, améliorant ainsi l’efficacité du modèle. Il est donc nécessaire d’intégrer des jeux de données tiers et des informations spatiales pour augmenter la valeur, la précision et l’utilité des données pour les applications d’IA.
Pour répondre aux attentes croissantes des consommateurs en matière de livraison rapide et fiable, les entreprises doivent intégrer des données de localisation dans leurs processus logistiques afin d’optimiser la livraison du dernier kilomètre. C’est la dernière étape cruciale du parcours d’un colis, généralement lorsqu’il quitte un centre de distribution pour atteindre sa destination finale. Les livraisons à domicile sont devenues si courantes au quotidien qu’elles passent souvent inaperçues, jusqu’à ce qu’un problème ne survienne. La montée en popularité des services de livraison alimentaire et des achats en ligne proposant la livraison le jour même, ont en effet élevé encore davantage le niveau d’attente : les consommateurs recherchent de manière croissante des expériences rapides, abordables et sans erreur.
De plus, les problèmes de livraison du dernier kilomètre émanent souvent de données d’adresse incomplètes. Par exemple, en cas d’informations de livraison incomplètes, le livreur ne peut mener sa mission à bien ou accuser des retards sur son planning, voire celui de collègues contraints de prendre le relais; affectant à la fois l’expérience des clients et des livreurs eux-mêmes.
Ainsi, les entreprises intègrent de plus en plus des solutions de geo addressing et d’enrichissement des données pour obtenir des informations pertinentes sur leurs clients. Le geo addressing combine le géocodage avec la vérification et l’auto-complétion des adresses, assurant ainsi des livraisons réussies et une expérience client fluide.
Cependant, afin de maximiser le potentiel des données de localisation, les entreprises doivent d’abord s’attaquer à la qualité de leurs données. Nous avons pu constater que 41% reconnaissent que la mauvaise qualité des informations de localisation constitue le principal frein à l’utilisation optimale des données de localisation dans leur organisation. Il est crucial de normaliser et de vérifier les données pour garantir leur adéquation à leur utilisation prévue.
En somme, l’impact des données de localisation repose sur un solide cadre de gouvernance des données, alignant le personnel, les processus et la technologie pour permettre aux entreprises de comprendre et de faire confiance aux données et métadonnées de localisation pour répondre à leurs impératifs. En abordant les problèmes de qualité des données et en éliminant les silos, les entreprises peuvent avancer vers le parcours pour l’intégrité de leurs données.
Alors qu’OpenAI fêtera ses dix ans l’an prochain, Ilya Sutskever, l’un de ses cofondateurs, a annoncé sur X son départ de l’entreprise pour se consacrer à un projet personnel. Quelques heures plus tard, Jan Leike, Directeur de l’alignement de l’IA, qui avait rejoint OpenAI en 2017, annonçait tout bonnement “J’ai démissionné”.
Ilya Sutskever occupait le poste de scientifique en chef chez OpenAI et codirigeait avec Jan Leike, l’équipe de superalignement mise en place par OpenAI en juillet 2023 pour minimiser les risques potentiels d’une IA qui surpasserait l’intelligence humaine.
Les co-dirigeants de la nouvelle équipe, qui pensent que la superintelligence pourrait arriver à la fin de cette décennie, avaient alors déclaré :
“La superintelligence sera la technologie la plus percutante que l’humanité ait jamais inventée et pourrait nous aider à résoudre bon nombre des problèmes les plus importants du monde. Mais le vaste pouvoir de la superintelligence pourrait aussi être très dangereux et pourrait conduire à la perte de pouvoir de l’humanité ou même à l’extinction humaine”.
Ilya Sutskever faisait partie des quatre membres du Conseil d’administration qui ont évincé Sam Altman de son poste de PDG en novembre dernier, bien qu’il ait très vite dit regretter l’avoir fait. Il a quitté son siège au conseil d’administration au retour de Sam Altman. Si les raisons réelles de ce limogeage ne sont pas claires, le fait qu’Ilya Sutskever et Jan Leike quittent OpenAI en même temps, tout juste après le lancement de GPT-4o, suscite des interrogations et déjà de nombreuses rumeurs…
Dans son message sur X, Ilya Sutskever écrit :
“Après presque une décennie, j’ai pris la décision de quitter OpenAI. La trajectoire de l’entreprise n’a été rien de moins que miraculeuse, et je suis convaincu qu’OpenAI construira une AGI à la fois sûre et bénéfique”.
Il s’y dit “très enthousiaste à l’idée de ce qui va suivre – un projet qui est très significatif pour moi et dont je partagerai les détails en temps voulu”.
Rien ne transparait non plus dans le message publié par Sam Altman, à la suite de cette annonce. Il salue Ilya Sutskever comme “l’un des plus grands esprits de notre génération, un phare de notre domaine et un ami cher”, ajoutant qu’ “OpenAI ne serait pas ce qu’il est sans lui”.
Jakub Pachocki, Directeur de la recherche depuis 2017 au sein d’OpenAI, en est désormais le chef scientifique. Titulaire d’un doctorat en informatique théorique de l’Université Carnegie Mellon, il a notamment dirigé le développement de GPT-4 et d’OpenAI Five, ainsi que la recherche fondamentale sur l’optimisation à grande échelle de l’apprentissage par renforcement et de l’apprentissage profond. Il a joué un rôle déterminant dans le recentrage de la vision de l’entreprise vers la mise à l’échelle des systèmes d’apprentissage profond.
Un récent sondage mené par OpinionWay pour Kelio, éditeur et intégrateur de solutions informatiques, révèle un scepticisme significatif des RH vis-à-vis de l’IA dans le cadre de leur travail. L’étude “L’intelligence artificielle et les Ressources Humaines en entreprise” révèle en effet que 76% d’entre eux ne sont pas enclins à utiliser les outils d’IA et que 54% expriment des réserves quant à la qualité du travail réalisé par ces technologies.
Cette enquête a été réalisée sur un échantillon de 301 responsables des ressources humaines (RHR ou DRH), au sein d’entreprises privées françaises de 20 salariés et plus, du 21 février au 11 mars dernier.
S’ils perçoivent le potentiel de l’IA dans le traitement de leurs tâches administratives ou chronophages, les RH redoutent encore les défis liés à l’usage de l’IA en termes de fiabilité et de sécurité des données.
Seulement 9% des responsables RH interrogés ont déclaré utiliser des outils d’IA dans le cadre de leurs fonctions, une large majorité d’entre eux (76%) affirment ne pas vouloir le faire et 54% ne pas avoir confiance dans l’IA.
Les résultats de l’enquête révèlent des disparités générationnelles et organisationnelles dans l’adoption de l’IA. Les jeunes responsables RH (moins de 30 ans) montrent un intérêt plus marqué pour ces nouvelles technologies (25% expriment le désir de les utiliser) par rapport à leurs homologues plus âgés (13% pour les 40 ans et plus). De même, les entreprises de plus de 250 salariés semblent plus enclines (25%) à envisager l’utilisation de l’IA que les entreprises de taille moyenne (11% pour les entreprises de 20 à 49 salariés).
Les freins à l’utilisation de l’IA remontés par les responsables RH sont les suivants :
Cependant, malgré ces défis, les RH reconnaissent le potentiel de l’IA notamment pour le recrutement (41%) et la gestion administrative (45%), deux de leurs domaines d’intervention principaux.
Une large majorité de professionnels des RH (87%), se déclare prête à déléguer à l’IA une partie de la gestion du processus de recrutement et ce, plus particulièrement dans sa phase préparatoire : rédaction de l’offre d’emploi (57%), publication et diffusion des annonces (63%). Ils pourraient également y avoir recours pour le traitement des candidatures reçues, notamment pour la vérification des informations fournies par les candidats (51%) et la gestion des candidatures retenues (45%).
Par contre, pour eux, le contact humain demeure essentiel, surtout lors des phases critiques telles que la sélection et l’intégration des candidats. La plupart d’entre eux se refusent à confier entièrement ces étapes clés à l’IA : seulement 10% des répondants sont prêts à lui laisser la responsabilité des entretiens initiaux. Ils sont encore moins nombreux à envisager de lui déléguer la négociation avec les candidats retenus (8%) et la sélection finale (6%) qui sont considérées comme des moments où l’instinct humain et l’interaction directe sont indispensables.
Eric Ruty, Directeur Général de Kelio, commente:
“L’IA va se généraliser dans le monde du travail : assistance virtuelle, génération de contenus, gestion de projets, etc. Dans les années à venir, les professionnels des Ressources Humaines devront composer avec ces nouvelles technologies et leurs enjeux (évolution des emplois, automatisation, menaces liées à l’éthique, fiabilité des données, transparence, etc.), tout en préservant l’humain, qui restera leur cœur de métier. Si cette enquête montre une véritable défiance des professionnels RH vis-à-vis de l’IA, on peut ainsi l’analyser comme un réflexe légitime de prudence qui s’atténuera lorsque les outils auront fait la preuve de leur valeur ajoutée et de leur fiabilité. Contrairement à ce que certains acteurs voudraient nous faire croire, il est inutile de se précipiter et de prendre des risques juridiques non-mesurés”.
La crise sanitaire a mis en exergue notre manque de souveraineté. Le secteur de l’industrie de la santé a particulièrement été pointé du doigt et a cristallisé la désindustrialisation de la France. En effet, en l’espace de 15 ans, la France est passée de leader européen de la production de médicaments à la 5e place et 40% des médicaments commercialisés dans l’UE sont produits hors d’Europe.
Face à ce constat sombre, les pouvoirs publics ont massivement soutenu des plans de relocalisation et de réindustrialisation afin de permettre la production de produits de santé sur notre territoire. Cependant, cette réindustrialisation se déroule dans un contexte très particulier : les industriels sont confrontés simultanément à une nouvelle révolution industrielle faisant appel aux nouvelles technologies (IoT, Big Data, IA…) et à une pénurie de personnel qualifié d’une ampleur inédite. Comment les industries de santé s’adaptent-elles à l’orée de la quatrième révolution industrielle ? De quelle façon repenser les formations des salariés, à travers le prisme des nouvelles technologies ? En prenant l’exemple de la région Hauts-de-France, cette dernière concentre une filière santé qui a pour particularité de donner une place prépondérante aux métiers de la production industrielle.
Le Conseil National de l’Industrie définit l’industrie du futur comme : « l’ensemble de transformations des systèmes de production permises par les nouvelles technologies, qui permettent à l’industrie de gagner en compétitivité et en flexibilité et d’innover mais aussi de répondre aux nouvelles exigences environnementales et sociales.
Cette filière regroupe le secteur des machines et solutions industrielles intelligentes (mécanique, électrique, électronique, numérique, robotique, fabrication additive…) ainsi que l’offre digitale. L’objectif est d’accompagner la montée en gamme et la compétitivité de l’industrie française. ».
Cette définition met ainsi en avant le vrai bouleversement des pratiques dans le milieu industrie, et tout particulièrement dans le milieu de la santé qui est soumis à des contraintes réglementaires très strictes.
Les industries de la santé sont ainsi particulièrement intéressées par l’apport des outils numériques et du traitement des données. Les logiciels de pilotage de la production (MES) permet une meilleure synchronisation des maillons de la chaine de production et d’éviter les goulots d’étranglement. L’exploitation des données permet également de mieux traiter les signaux faibles et agir en conséquence. Par exemple, trois sites pilotes de Novartis proposent une détection précoce des dérives de pH et de température grâce à l’intelligence artificielle, permettant de corriger le tir au plus vite et éviter de dépasser seuil où le lot devrait être détruit, permettant des économies.
Si les avantages semblent évidents, les entreprises de la santé restent encore peu avancées dans la transition par rapport aux autres industries (automobile, aéronautique…)
D’après l’enquête du GIE Eurasanté auprès de l’écosystème régional Hauts-de-France des industries de santé, moins de la moitié (44%) des entreprises interrogées ont initié leur transition vers l’industrie 4.0, Ce relatif retard s’explique notamment par les investissements importants pour acquérir les nouveaux outils de production, mais il se traduit également par un retard dans la formation des salariés aux enjeux de l’industrie du futur.
Le secteur industriel fait face à une véritable pénurie de personnel et un turnover important. L’industrie pharmaceutique a été l’un des rares secteurs à voir son nombre de salariés augmenter lors de la crise sanitaire. En 2021, environ 11% des postes proposés dans le secteur pharmaceutique n’étaient pas pourvus. Le secteur n’attirant pas particulièrement les plus jeunes dont seulement 28% d’entre eux déclarent envisager de travailler dans les entreprises du médicament.
Les enjeux de formation sont ainsi doubles : il faut adapter la formation aux évolutions des pratiques et des contraintes réglementaires et réussir à rendre la formation pertinente pour un public qui n’est pas sensibilisé aux enjeux de l’industrie de santé. Il y a donc une urgence à repenser la formation des salariés, en changeant complétement de paradigme pour intégrer les outils numériques et mettre l’emphase sur la pratique et proposer une vraie stratégie d’onboarding.
Ces enjeux de formation étant intimement liés à la transition vers l’industrie 4.0, de nombreuses solutions numériques proposent à la fois des outils de suivi de production et un volet formation pour les salariés.
C’est par exemple ce que propose la société Picomto, basée dans la région lilloise. Picomto propose de digitaliser les opérations de production en permettant de se basant sur les outils numériques pour former les salariés et pour contrôler la production.
Toujours dans une optique de formation, nous voyons émerger des outils utilisant des jumeaux numériques (digital twins) de l’usine pour proposer des modules de formation aux salariés. C’est par exemple la proposition de valeur d’Hakobio, qui, en partenariat avec le groupe de formation IMT, propose aux industriels de créer un jumeau numérique de leur entreprise pour ensuite simuler la chaine de production au plus près de la réalité du terrain et donc mieux former les salariés.
L’apport de l’IA est pour le moment assez limité dans l’offre de formation, mais son utilisation devrait se populariser. En effet, l’un des principaux défis de la formation des salariés réside dans “l’adaptative learning”, l’adaptation du programme de formation aux acquis du salariés et à ses besoins spécifiques. Dans cette optique, l’IA est un outil puissant afin de personnaliser l’expérience des salariés et proposer une formation la plus efficace possible.
Ainsi, l’industrie de santé est en pleine transformation et sa digitalisation est une étape importante pour assurer la compétitivité de l’industrie française. Le numérique s’impose à la fois dans les outils de production, mais également dans les outils de formation. Si cette transition reste pour le moment timide dans le secteur de la santé, il y a un vrai enjeu à accompagner l’industrie dans ce virage et surtout investir dans la formation des salariés, qui resteront les éléments les plus importants de la chaine de production.
IVèS, un des leaders européens de l’accessibilité pour les sourds, a développé IRIS, le premier assistant conversationnel dédié à la langue des signes. Les personnes atteintes de surdité peuvent converser en temps réel avec ce “signbot” en langue des signes française, québécoise, américaine et tunisienne.
La France compte environ 7 millions de sourds et malentendants (soit environ 11 % de la population), une grande majorité d’entre eux a des difficultés avec la langue écrite.
Fondée en 2005 par Pascal Dupuy, Didier Chabanol et Emmanuel Buu, basée à Montbonnot-Saint-Martin, dans l’Isère, IVèS (Interactivité Vidéo et Systèmes) est née du constat des nombreux obstacles rencontrés par ces personnes pour communiquer au quotidien, notamment leur accès limité au téléphone.
IVèS s’est concentrée sur le développement d’une plateforme de conversation totale, permettant l’utilisation simultanée de l’audio, du texte et de la vidéo en temps réel, pour leur rendre tout type de conversation accessible.
Leur solution ELIOZ permet ainsi à une personne sourde ou malentendante de lancer un appel vidéo vers un interprète en langue des signes, qui relaie l’appel vers le téléphone d’une personne entendante et sert d’intermédiaire le temps de la conversation. Elle a permis de démocratiser l’accès à la communication pour les personnes sourdes et malentendantes non seulement en France, mais également à l’international, avec le déploiement d’Elioz dans une dizaine de pays.
Pour développer IRIS, IVèS s’est appuyé sur la solution Sopra Steria Alive Intelligence (SSAI) lancée en mars 2022 qui intègre IBM watsonx Assistant. Une prochaine version de Alive Intelligence, appelée nAIxus, mettant en œuvre l’IA générative de watsonx permettra d’étendre ses fonctionnalités et performances, ainsi que celles du Signbot IRIS.
Iris est le premier bot à comprendre les langues des signes et à répondre en langues des signes. Ses algorithmes sophistiqués de traitement du langage naturel et de vision par ordinateur, lui permettent de détecter et d’interpréter les gestes. La réponse est transmise via un avatar en 3D. L’outil peut être déployé sur écran fixe, tablette mobile ou dans un simple navigateur web.
Déjà présentée et primée au CES de Las Vegas en début année, la technologie IRIS est opérationnelle depuis peu dans l’Innovation Studio d’IBM à Bois-Colombes, et sera également bientôt disponible dans les locaux de Sopra Steria, à Paris. L’agent conversationnel est également accessible sur les sites web d’IVèS, d’Elioz, Orange, Mutuelle Intégrance, il sera prochainement déployé dans différents secteurs.
Pascal Dupuy, CEO d’IVèS, commente :
“Lorsqu’on a affaire à des handicaps invisibles comme c’est le cas pour les sourds et les malentendants, la prise de conscience vient souvent avec la discussion qui s’engage. Aussi, en développant ce type de solution, on sensibilise et on favorise l’inclusion. Le numérique n’est pas une fin en soi, c’est avant tout un outil. Il ne s’agit donc pas tant de rendre le numérique accessible mais bien de fluidifier les relations, le parcours client tout en sensibilisant le plus grand nombre”.
Concluant :
“La collaboration avec IBM et Sopra Steria nous a permis de favoriser l’inclusion pour les personnes sourdes et malentendantes, nous sommes à l’aube d’une révolution pour l’accessibilité des personnes sourdes et malentendantes”.
Les solutions technologiques basées sur l’IA s’étant développées très rapidement au point d’envahir notre quotidien, on comprend aisément pourquoi certains marketeurs – y compris les plus avertis – éprouvent quelques réticences à les adopter pleinement.
Principal problème relevé par ces derniers : le fait que les outils d’IA fournissent des informations parfois erronées. Près d’un marketeur sur deux qui recourt à l’IA générative a en effet déjà reçu des informations générées par l’IA qu’il savait inexactes. Plus préoccupant, un marketeur sur trois seulement serait capable d’identifier avec certitude si des informations fournies sont inexactes.
La partialité de l’IA est également un sujet : les outils d’IA sont connus pour être parfois sources d’informations biaisées. Si les équipes qui créent les modèles d’IA ne sont pas assez diversifiées, si elles n’ont pas connu suffisamment d’expériences différentes, les modèles d’IA seront alimentés avec des informations à la partialité proportionnelle à ce manque de diversité.
En outre, les marketeurs ne veulent pas dépendre trop largement des technologies d’IA. Ils se sont efforcés d’affûter leurs compétences dans le domaine de l’e-mail marketing, la rédaction de contenus, l’analyse de données ou encore le SEO… Ils ne veulent pas cesser d’utiliser et perdre ces compétences durement acquises. Au passage, il apparaît indispensable de rappeler que l’IA n’a pas pour vocation de remplacer l’humain, elle l’aide à travailler plus rapidement, jusqu’à gagner 25 jours par an !
La question mérite donc d’être posée : comment mieux contrôler les informations fournies par ces outils et trouver l’équilibre entre IA et compétences humaines ?
S’assurer de l’exactitude du contenu généré par l’IA
L’IA est en théorie un merveilleux outil, qui peut néanmoins s’avérer assez imprévisible. La principale raison étant que les modèles qui alimentent la plupart, voire tous les outils d’IA générative, ne peuvent qu’extraire du contenu daté d’il y a deux ans ou plus. Difficile dans ce contexte de compter sur des informations fiables sur un sujet qui évolue très rapidement, au fil de l’actualité. Les sujets de niche sont ainsi également sources de réponses inexactes de la part de la machine. Les outils d’IA ne restituent que les informations dont ils ont été nourris. Ils ne peuvent les trouver par eux-mêmes.
Si l’on ne peut donc jamais être sûr de l’exactitude des résultats, il est possible, par contre, de choisir la façon dont on tire parti de l’IA générative. L’IA peut fournir des résultats assez précis lorsqu’il s’agit de sujets bien documentés, durables et facilement vérifiables. En dehors de ce genre de contenu, il faut rester vigilant et ne pas hésiter à vérifier via un moteur de recherche.
Les meilleures pratiques éthiques et vérification des données fournies par l’IA
Apprendre à utiliser l’IA à bon escient – Les outils d’IA ne conviennent pas à toutes les tâches. Les résultats seront insuffisants, non pertinents voire biaisés, pour tout ce qui demande de la créativité, de l’originalité, ou de construire une opinion ou un certain point de vue, comme sur des sujets controversés ou politiques.
Si une information paraît inexacte, il faut la vérifier – Les moteurs de recherche permettent d’accéder à un large inventaire de sources fiables. Plus les données sont récentes, mieux c’est.
Ne pas faire cavalier seul – Surtout si le besoin est de créer du contenu qui aborde un sujet potentiellement polémique, ou pouvant avoir de graves répercussions. Mieux vaut demander à une tierce personne de relire avant de le publier.
Ne pas confondre utilisation de l’IA pour stimuler votre créativité, et le pur plagiat – En équipe, il faut décider du pourcentage de contenu qui doit être modifié avant de le considérer comme propriétaire.
L’IA ne remplacera jamais la créativité de l’être humain ni les liens que ce dernier sait établir. Une machine n’a pas de vécu et ne peut ni se former une opinion, ni gérer et former un employé. Elle représente un merveilleux outil pour les marketeurs, mais est inutile sans un regard humain, une vision stratégique et une bonne implémentation. Il ne faut donc pas voir l’IA comme un moyen de sauter des étapes, mais bien comme un moyen d’accélérer la création de contenu.
Imaginez un monde où les ordinateurs pourraient prédire ce que vous allez faire avant même que vous ne le fassiez. Ça peut sembler tout droit sorti d’un film de science-fiction du style de Minority Report, mais les chercheurs du célèbre MIT (Massachusetts Institute of Technology) sont en train de rendre ça possible ! En effet, ils ont mis au point un modèle d’IA (intelligence artificielle) qui est capable d’analyser les limitations d’un agent, qu’il soit humain ou artificiel, pour en déduire ses actions futures les plus probables.
Dingue, non ?
Mais comment ce modèle s’y prend-il pour jouer les madame Irma ? En fait, tout est une question de limites. Nan, je ne parle pas des limites de vitesse ou des dates de péremption, hein. Je parle des contraintes qui pèsent sur un agent peu importe sa nature, biologique ou numérique.
Prenons un exemple concret : Vous êtes en train de jouer aux échecs contre un ordinateur. Vous avez vos propres contraintes : votre niveau de jeu, votre connaissance des ouvertures et des fins de partie, votre capacité à anticiper les coups de l’adversaire… Bref, tout un tas de facteurs qui limitent vos possibilités d’action. Eh bien, c’est exactement ce que le modèle d’IA du MIT analyse !
En se basant sur ces fameuses limites, il est capable d’inférer les coups que vous avez le plus de chances de jouer. Pas besoin d’être Garry Kasparov pour comprendre à quel point c’est bluffant. Votre ordinateur sera bientôt meilleur que vous aux échecs… et dans plein d’autres domaines !
Mais attention, le modèle du MIT ne prétend pas prédire l’avenir avec une précision de 100%. Il s’agit plutôt d’identifier des tendances et des schémas de comportement en fonction des limitations d’un agent. Ça reste néanmoins un outil très puissant pour anticiper les actions les plus probables.
D’ailleurs, les applications de cette technologie vont bien au-delà des jeux de société. Je pense par exemple au voitures autonomes qui pourraient anticiper les mouvements des piétons et des autres véhicules, des assistants virtuels qui sauraient exactement ce que vous allez leur demander avant même que vous n’ouvriez la bouche, des robots industriels capables de s’adapter en temps réel aux changements de leur environnement… Les possibilités sont infinies !
Bien sûr, tout cela soulève aussi son lot de questions éthiques. Est-ce qu’on a vraiment envie que les machines lisent dans nos pensées comme dans un livre ouvert ? Est-ce que ça ne risque pas de créer de sacrés problèmes de vie privée et de manipulation ? Imaginez que votre enceinte connectée décide de vous commander une pizza quatre fromages parce qu’elle a deviné que vous aviez un petit creux… Flippant, non ?
Mais bon, on n’en est pas encore là. Pour l’instant, les chercheurs du MIT sont encore en train de plancher sur leur modèle pour le perfectionner et étendre ses capacités. Et croyez-moi, c’est loin d’être un long fleuve tranquille ! L’IA a beau faire des progrès de géant, prédire le comportement humain reste un sacré défi. On est tellement imprévisibles et irrationnels, nous autres mortels…
En attendant de pouvoir déléguer toutes nos décisions à une machine, le modèle du MIT nous offre un aperçu de ce que pourrait être le futur de l’interaction homme-machine. Un futur où les ordinateurs nous comprendraient mieux que nous-mêmes, pour le meilleur et pour le pire. Perso, j’oscille entre fascination et inquiétude.
Et vous ?
Connexion