Regards croisés : Les Technologies de l'intelligence artificielle

La recherche universitaire d’une part, l’application en entreprise d’autre part : deux pans essentiels des progrès de l’intelligence artificielle, qui appréhendent chacun à leur manière ce nouvel objet d’étude – ses implications éthiques, technologiques – pour en tirer tous les fils et continuer à innover. Interview croisée de deux acteurs majeurs du domaine.

Quelles sont les compétences techniques exigées par le monde de l’entreprise en matière d’IA ?

Au début, on attendait des data scientists qu’ils soient capables de concevoir des modèles, de les mettre en production, d’en expliquer l’utilité à des non-spécialistes, le tout sans équipe et sans soutien de l’IT… Bien sûr cela n’existe pas, donc on a depuis diversifié les profils : il y a les researchers, qui travaillent sur la donnée propre, les experts machine learning, qui font de la production, les experts data, à mi-chemin entre la connaissance de la donnée et l’IT… Et il faut aussi, c’est très important, des profils pour faire la courroie de transmission entre toutes les compétences : des data translators ou business accelerators, qui comprennent la datascience, l’IT, les enjeux métiers, qui peuvent aussi présenter les résultats de la recherche aux organes exécutifs. Ces compétences évoluent par ailleurs en permanence : plus que des connaissances, il faut désormais transmettre aux étudiants un état d’esprit – il est essentiel qu’ils continuent, tout au long de leur carrière, à apprendre, à s’intéresser, à explorer des technologies dont on ignore encore tout aujourd’hui.

Comment L’Oréal utilise les technologies de l’IA aujourd’hui ?

Nous utilisons le machine learning pour de nombreuses applications. Qu’il s’agisse de prédire les tendances dans l’univers de la beauté et ainsi alimenter notre innovation produit ou bien de prévoir nos ventes afin d’organiser notre supply chain, la donnée est au cœur de nos projets. Afin de mieux comprendre nos clients, un de nos enjeux majeurs est aussi d’exploiter la masse de data colossale disponible en libre accès, par exemple les avis laissés en ligne : on identifie des informations clés pour les porter à la connaissance des équipes produits et alimenter notre objectif d’excellence. On travaille également avec de la reconnaissance d’image pour permettre à nos clients de projeter l’effet attendu d’un produit sur leur visage, ou encore pour analyser leurs rides, taches brunes éventuelles : on peut ensuite proposer un diagnostic et une routine beauté adaptée aux besoins de chacun.

Quelles sont les technologies qui prendront de l’importance dans les prochaines années ?

Après le traitement de la donnée structurée, on s’intéresse désormais à la donnée non structurée, c’est-à-dire l’image et le texte. Pour l’image, on a déjà des technologies d’IA matures qui permettent de segmenter, repérer, générer des objets. On est en train d’arriver à un stade de maturité presque équivalent sur les données textuelles : l’enjeu est de comprendre le texte, de traiter le langage naturel même s’il est lacunaire ou imprécis, et de répondre de façon automatisée. L’IA sera ainsi capable d’interagir. En mettant bout à bout des modèles qui exécutent des tâches élémentaires, on se rapproche de l’intelligence humaine... Sauf que l’intelligence humaine est non supervisée, elle apprend toute seule : le bébé n’attend pas qu’on lui explique comment se nourrir, marcher, parler, il le découvre de lui-même en s’essayant au monde qui l’entoure. L’intelligence artificielle est encore très loin de ça. Un outil de modélisation qui s’approche le plus de cette méthode serait l’apprentissage par renforcement, qui entraîne des IA en recourant à l’expérimentation (je suis un robot, j’apprends à traverser, je me ferai renverser 1 500 fois mais à la fin j’y arriverai). Pour moi, ce sera extrêmement important dans les années à venir.