AI & Society : compte-rendu du meet-up « XAI, industrialisation de l’IA et NLP »

J’étais présent ce mardi 7 octobre 2019 au meet-up « AI & Society » qui se tenait au sein du Campus Numérique Ionis (Paris XI), organisé par la société Golem.Ai. Trois interventions se sont succédées avec les représentants de Xplik, Quantmetry et Manutan.

Au programme :

  • L’intérêt de l’explicabilité des intelligences artificielles
  • 2019 année de l’industrialisation des projets d’intelligence artificielle ?
  • Comment Manutan structure son programme d’innovation start-up, avec notamment 2 projets développés à l’aide des équipes de Golem.Ai, organisateur de la soirée

Passage en revue des sujets abordés, avec un focus particulier sur les cas d’usages évoqués !

Meetup « AI & Society – Octobre 2019 » organisé par Golem.Ai

L’explicabilité des IA, un véritable levier business, avec Louis-Baptiste FRANCE Cofondateur & CEO chez Xplik

La première prise de parole avait pour sujet « l’XAI », c’est-à-dire l’explicabilité des méthodes d’intelligence artificielle (sujet également évoqué ici). En résumé : de plus en plus de projets data s’appuient sur des algorithmes de machine learning et deep learning, on arrive généralement à de très bons résultats mais problème, une majorité d’IA sont des boîtes noires. En effet, on ne sait pas forcément ce qui se passe dans un réseau de neurones. Quel est le process de décision, alors que les équipes opérationnelles doivent comprendre la logique pour utiliser au mieux cet outil. Illustration avec l’exemple d’Aramis Auto.

Aramis Auto

Le métier d’Aramis Auto, c’est de vendre des voitures sur Internet. Quand un particulier confie sa voiture à Aramis, il y a une équipe de coteurs qui va estimer le prix de la voiture et faire une proposition au vendeur. En prenant du recul, il a été observé que les coteurs proposaient généralement un prix considéré comme élevé pour obtenir un meilleur taux d’acceptation de leur offre. Mais le risque pour Aramis Auto, c’est d’avoir une marge réduite à la revente, et potentiellement même de perdre de l’argent.

Pour assister les coteurs, on a introduit un algorithme de pricing. Mais cette intelligence artificielle restait une « black box » et ne pouvait fournir qu’un prix (inexpliqué) au coteur et au client.

Xplik a donc développé une solution d’XAI pour Aramis Auto qui met maintenant à disposition un prix de rachat, mais aussi les paramètres qui permettent d’expliquer ce prix.

Une belle Peugeot 308

Exemple pour une Peugeot 308 estimée à 3 450€ prix moyen sur le marché de l’occasion (LaCentrale, LeBonCoin,…) mais estimée à 2 250€ par Aramis Auto. On démarre sur la base du prix moyen constaté de 3 450€ :

  • Ancienneté : + 1 250€
  • Motorisation : + 300€
  • Carburant : + 100€
  • Boite de vitesse : – 430€
  • Entretien : – 1 200€
  • Finition : – 1 600€
  • etc…

Avec un algorithme explicable, on est en mesure de décortiquer le prix proposé. Double avantage, le coteur s’appuie davantage sur l’IA car il comprend le raisonnement (ce qu’il ne faisait pas avant), le client gagne en transparence et est ainsi davantage en mesure d’accepter l’offre formulée.

Autres cas d’usage

  • Dans le cas d’une optimisation du churn. Un conseiller commercial (de chez SFR par exemple) reçoit une alerte comme quoi telle cliente va résilier son abonnement. Avec une intelligence artificielle classique, le conseiller sait qu’il doit rappeler la cliente pour la convaincre de ne pas résilier mais son argumentaire est difficile à construire puisqu’il ne connaît pas la raison de la démarche. Avec une XAI, on sait qu’elle a regardé 6 fois les offres SFR sans y re-souscrire et qu’elle a visité 4 fois les sites concurrents. On comprend qu’elle cherche moins cher. Le conseiller peut alors adopter la bonne démarche puisqu’il maitrise le contexte.
  • Des sujets XAI ont également été ouverts sur des problématiques marketing (recommandations, qualité de l’offre), relation client (score d’achat) et supply chain (maintenance prédictive, gestion des stocks).

2019 l’année de l’industrialisation des projets d’IA ? avec Florian Canderle, Senior Data Consultant chez Quantmetry

À travers cette deuxième intervention, Florian Canderle de Quantmetry souhaitait partager le fruit d’une étude de maturité réalisée en interne auprès de 12 clients. Objectif, faire un état des lieux des projets d’intelligence artificielle, identifier et mettre en lumière des limites, et sur cette base formuler un ensemble de recommandations pour que le constat suivant évolue : 90% des projets d’intelligence artificielle démarrés ne vont pas en production.

La principale observation, c’est qu’il y a une faible maturité des organisations et des projets avec de fortes disparités suivant les secteurs. Les secteurs où l’on constate une vraie expérience de la donnée ont su avancer rapidement (banque, assurance, e-commerce), quand d’autres sont à la traîne (industrie, automobile, énergie,…). D’autre part, on observe une multiplication des départements Data (tout le monde a son Data Lab) mais ces initiatives restent récentes. Et enfin, un vrai foisonnement de projets mais sans véritable stratégie.

Quelles solutions alors ? Plusieurs axes ont été retenus.

  • Faire de l’intelligence artificielle une priorité de l’entreprise. Il y a des initiatives au niveau gouvernemental, mais peu dans les entreprises. Les responsables des projets d’IA ont généralement peu de pouvoir dans la prise de décision, et cela s’observe statistiquement. À 70%, ces responsables sont à un niveau hiérarchique N-2 du Comex.
  • Une vision data partagée. Il faut passer d’une logique « opportuniste » à une logique « réfléchie ». Comment ? Avec une matrice par exemple. ‘Bénéfice attendu’ en ordonnée, ‘Complexité de mise en oeuvre’ en abscisse. On place l’ensemble des projets sur la matrice qui devient un outil visuel pour construire sa feuille de route.
  • Développer l’ensemble des activités data. Quand beaucoup d’entreprises cantonnent leur département Data à faire du delivery, assez peu les impliquent sur de l’acculturation, sur de la stratégie ou de la gouvernance.
  • Investir sur les ressources et les compétences. C’est bien d’investir au départ sur une équipe de Data Scientist, mais ne pas oublier de préparer la suite. Des Data Engineer pour le run, Data Translator pour faire le lien entre la data et le business, etc… Il est aussi nécessaire de diversifier ses équipes Data et de favoriser l’ouverture vers l’extérieur.
  • Structurer les processus et méthodologies projet. On entend beaucoup parler depuis des années de méthodologie Agile, idéale pour du développement logiciel mais pas forcement applicable à un projet data. Quelques exemples de bonnes pratiques : impliquer toutes les parties prenantes, formaliser les critères de sélection d’un cas d’usage, formaliser le passage de jalon, définir les livrables et indicateurs clés, mais aussi… savoir arrêter un projet !
  • Gouvernance de la donnée. « Rendre la donnée facilement accessible et exploitable par tous. Tout en respectant les contraintes de confidentialité, de sécurité, de RGPD. » Et savoir se poser les bonnes questions. Qui est responsable de la qualité de mes données ? Comment est-ce que je fais en sorte que mes prestataires aient accès à mes données ?
Florian Canderle, Senior Data Consultant chez Quantmetry

Enfin, au-delà de la phase de lancement, il faut anticiper le run. Une intelligence artificielle évolue avec le temps, à l’image des scores de prédiction qui varient. Pensez donc à mettre en place une gouvernance, des indicateurs, des process !

Comment Manutan structure son programme d’innovation start-up ? avec Xavier Laurent, Directeur des Services à Valeurs Ajoutées chez Manutan International

Manutan distribue en B2B tous les produits dont les entreprises ont besoin. Bureau, emballages, outils, aménagements extérieurs. 750M€ de CA, 2 200 employés, une présence dans 17 pays, 240 000 m2 d’entrepôts. Xavier Laurent venait témoigner de l’usage de l’intelligence artificielle dans une ETI comme Manutan, avec une approche très start-up. « POC, MVP, go fast !« .

Je retiens 2 cas d’usages développés avec Golem.Ai.

  • L’order automation. Manutan reçoit 2 000 mails par jour rien que pour la France. Grâce à une intelligence artificielle, ces mails sont classés à la volée (type commande, réclamation, …). Résultat, entre 85 et 90% des mails sont traités avec succès. Next step : pour les mails reconnus comme des commandes, générer automatiquement les BDC associés.
  • Le Tinder des AO. Chaque jour, des clients font des demandes pour des produits non référencés par Manutan. Grâce à une intelligence artificielle, ces produits sont automatiquement identifiés de manière à accélérer le travail des équipes opérationnelles.
Xavier Laurent, Directeur des Services à Valeurs Ajoutées chez Manutan International

En conclusion, qu’est-ce qui apparaît comme étant capital quand une entreprise de la taille de Manutan cherche à innover ? La vitesse d’exécution. Le « Go Fast » est très important dans la mesure où il permet de dérisquer le projet d’innovation, notamment auprès des décisionnaires. Car un projet qui dure, c’est un projet qui coûte cher !

Hugo Le Guennec

Laisser un commentaire

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