En 2020, l’IA se doit d’être un service d’entreprise intégré & transparent.

L’intelligence artificielle est désormais capable de prouesses difficilement imaginables il y a quelques années. Preuve en est la démonstration de l’assistant de Google en 2018 capable de passer un coup de fil et de prendre un rendez-vous chez le coiffeur à la manière d’un humain.

Les apports de cette discipline pour les entreprises et le grand public sont de plus en plus nombreux :

  • Les diagnostics médicaux automatisés ;
  • Les véhicules autonomes et semi-autonomes ;
  • Les assistants vocaux intelligents (Alexa, Google Home),…

Les investissements au niveau monde sont quant à eux à la hauteur des ambitions :

Une Intelligence Artificielle se doit de répondre à une problématique spécifique de manière naturelle et totalement intégrée. Pour y parvenir, elle doit mettre en œuvre un certain nombre de méthodes analytiques : Machine Learning, Natural Language Processing, Deep Learning (Computeur Vision), optimisation,…

Pour pouvoir mettre en œuvre ces méthodes, elle doit exploiter n’importe quel type d’information (bases de données, textes, documents, images, vidéos, sons,…) et ce quel que soit son volume.

Dans ce contexte de complexité mathématique, de traitements de gros volume de données poly-structurés et d’intégration, il apparait évident que les compétences humaines ainsi que des infrastructures informatiques spécifiques deviennent essentielles pour la mise en œuvre de tels projets.

Afin d’accélérer l’appropriation et l’intégration de services à base d’Intelligence Artificielle au sein des entreprises, Keyrus propose une offre de services appelée « AI Factory ».

 « Adoptez une stratégie AI-DRIVEN » ou comment Keyrus vous accompagne de l’idéation au déploiement de services d’entreprises

Au travers de son offre « AI Factory », Keyrus propose un ensemble de services « end-to-end » pour cadrer, accélérer et industrialiser les projets d’IA des directions métiers et s’articulant autour de 4 dimensions :

  1. Des cas d’usage packagés et déclinés par secteur (Assurance, Banque, Industrie,…) :
    • Customer Journey : Détection des moments de vie (déménagement, acquisition immobilière, mariage, naissance,…),…
    • Fraud Analytics : Détection de la fraude à l’assurance, à la TVA,…
    • Employee Experience : Détection de talents, parcours de formation personnalisé,…
    • Predictive Analytics for Finance : Assistance à l’élaboration budgétaire via des recommandations sur les principaux inducteurs
    • Risk Analytics : Scoring d’octroi, prédiction de défaut,…
    • Predictive Maintenance : Détection d’anomalies, optimisation de plan de maintenance,…
  2. Des composants AI packagés (ML, NLP, DL, AutoML)
    • Un catalogue de composants AI « ready-to-use » testé et validé par les experts Data Science / IA de KEYRUS ;
    • Des « notebooks » et des scripts réutilisables d’implémentation de cas d’usage.
  3. Une approche architecturale de BUILD spécialisée en Intelligence Artificielle :
    • L’un des enjeux majeurs lors de la construction des algorithmes est d’avoir une infrastructure en capacité de traiter un volume très important de données et cela notamment lors des phases d’apprentissage en Deep Learning.
  4. Une méthodologie de travail basée sur une approche dite « Industrialization by design » et cela au travers de deux déclinaisons possibles :
    • Le recours et le déploiement d’une plateforme logicielle couvrant de la modélisation à l’industrialisation ;
    • La mise en œuvre d’une architecture ad-hoc sur base de technologies Open Source et/ou Cloud et de compétences en AI Engineering (Data Science, Data Engineering et DevOps).

Atelier de retour d’expérience sur une « Success Story » IA en collaboration avec la Direction Générale des Finances Publiques (DGFiP) : « Comment l’Intelligence Artificielle permet à la DGFiP de lutter plus efficacement contre la fraude ? »

Depuis 2017, Keyrus accompagne la DGFiP dans la mise en place d’outils afin de détecter les incohérences au sein des déclarations fiscales des entreprises et de manière plus spécifique à créer des modèles permettant de détecter et de lutter contre ce qui s’assimile à de la fraude.

Cet atelier va revenir sur les méthodes d’Intelligence Artificielle qui sont mises en œuvre :

  • L’apprentissage non supervisé : La DGFiP possède déjà des outils permettant de détecter des comportements atypiques. Une approche non supervisée permet justement de regrouper des comportements spécifiques qui s’éloignent des comportements dits « normaux » et donc à analyser de manière spécifique.
  • Le Machine Learning et spécifiquement le Blending de modèle : L’une des caractéristiques de la fraude est son aspect déséquilibré en classe. En effet, le comportement fraudeur ne représente que quelques pourcents (moins de cinq) de la population. La nécessité d’avoir des modèles très performants (détecter les vrais positifs) et générant le moins de faux positifs (limiter le travail humain inutile) est une obligation. Les modèles de Machine Learning du type boosting et bagging donnent déjà de très bonnes performances dans ce domaine mais les coupler dans des modèles de blending augmente leur performance.
  • Par ailleurs, il a été mis en œuvre une approche à partir de modèles de Deep Learning au travers d’auto-encodeurs. L’idée étant de construire des classes de comportement dites normales (non fraudeur) dans le but d’observer des erreurs de décompression anormales dans le cas de comportements potentiellement fraudeurs.
  • Une nouvelle piste d’analyse consiste à exploiter des données externes (réseaux sociaux, sites marchands,…) en adoptant des approches NLP comme le « Named Entity Recognition ».

Keyrus, contributeur du parcours de formations « AI Engineer » bientôt proposé par OpenClassrooms

La réalisation de projets d’Intelligence Artificielle nécessite d’avoir des compétences et des savoir-faire de plus en plus variés et pointus. Par ailleurs, l’heure n’est plus à l’expérimentation mais à l’industrialisation, afin de proposer aux métiers des algorithmes sous la forme de services d’entreprise.

Des nouveaux challenges requièrent souvent de nouveaux métiers. L’avènement de l’IA au sein des entreprises ne déroge pas à la règle et voit émerger le métier de « AI Engineer » qui est encore plus que le métier de Data Scientist à la croisée des chemins entre le Métier, les « Dev » et les « Ops ».

Dans ce contexte d’émergence d’un nouveau métier Data, Keyrus accompagne Openclassrooms dans la construction d’un parcours de formations proposant une montée en compétences afin de devenir un « AI Engineer ».

Au-delà des compétences d’un Data Scientist, le « AI Engineer » se doit de maitriser l’ensemble de la chaîne de réalisation des projets d’IA, du cadrage jusqu’à l’industrialisation et le déploiement en passant par la préparation de données et la modélisation. Par ailleurs, il se doit d’être sensibilisé aux problématiques éthique et légale dans la réalisation des projets d’IA au travers, par exemple, de la prise en compte des biais sur les données lors de la phase d’apprentissage des modèles.

Leave a Reply