« Adaptée et robuste, l’IA est un partenaire d’avenir »

Le Centre de Recherche d’Arte­fact a pour mis­sion de créer un éco­sys­tème d’innovation autour de l’IA et des don­nées, en favo­ri­sant la coopé­ra­tion entre pro­fes­seurs de grandes uni­ver­si­tés et repré­sen­tants d’entreprises inter­na­tio­nales par­te­naires. Objec­tif : une recherche de pointe gui­dée par les don­nées et appli­ca­tions indus­trielles de ses entre­prises partenaires.

Quel est l’ADN d’Artefact ?

Arte­fact est une socié­té de conseil en ingé­nie­rie, spé­cia­li­sée en IA et Data. Lea­der en Europe et pré­sente dans 23 pays, avec une forte empreinte en France, elle com­prend 1 700 employés au total, dont une grande pro­por­tion d’ingénieurs. Arte­fact accom­pagne ses entre­prises clientes à tra­vers leurs pro­jets sur l’intelligence arti­fi­cielle et la Data cou­vrant des ques­tions stra­té­giques, autour par exemple de la data gou­ver­nance, jusqu’au déve­lop­pe­ment et déploie­ment de modèles.

Notre pôle com­po­sé de Data scien­tists, ingé­nieurs soft­ware, data ana­lysts peut déployer un large panel de machine lear­ning dans des cas appli­ca­tifs. Objec­tif : opé­rer jusqu’au bout de la chaîne afin que le client puisse faire un bon usage de l’IA.

Arte­fact a éga­le­ment d’autres visages, comme la School of Data qui vise la for­ma­tion pour la recon­ver­sion pro­fes­sion­nelle, ou l’organisation de salons et de grands évé­ne­ments en France comme AI for Health ou Adopt AI. 

Parlez-nous du centre de recherche d’Artefact

Le centre de recherche est dédié à la recherche open source. Sa mis­sion est d’améliorer l’IA dans ses appli­ca­tions en entre­prise, afin de la rendre plus uti­li­sable et adap­tée aux besoins. Nous visons ain­si à cas­ser cette image de boîte noire incon­trô­lable inhé­rente au machine learning.

Pour ce faire, le centre se divise en deux domaines de com­pé­tences : les mathé­ma­tiques appli­quées, pour amé­lio­rer les modèles d’un point de vue sta­tis­tique ; et le mana­ge­ment science, qui prend les entre­prises et les orga­ni­sa­tions comme objet d’étude. Nous étu­dions leur appro­pria­tion de la tech­no­lo­gie et ima­gi­nons les amé­lio­ra­tions possibles. 

Quel est votre mode de fonctionnement ?

Nous sommes avant tout sur de la recherche scien­ti­fique, dans le sens où notre objec­tif n’est pas finan­cier. Le fruit de notre tra­vail se tra­duit en publi­ca­tions scien­ti­fiques et en confé­rences inter­na­tio­nales. Contrai­re­ment au conseil, qui peut être très rapide, le centre de recherche est sur un temps plus long. Nous nouons des par­te­na­riats entre des experts aca­dé­miques d’une part, et des entre­prises por­teuses de pro­blé­ma­tiques métiers d’autre part. Cette cor­ré­la­tion nous per­met de s’attaquer à des cas d’usages concrets en accé­dant aux bases de don­nées des entre­prises par­te­naires. La fina­li­té étant de tes­ter nos métho­do­lo­gies des­sus et de les amé­lio­rer à ces pro­blèmes réels et à large échelle.

Une révolution pour le retail ?

Le retail est un sec­teur com­pi­lant énor­mé­ment de don­nées, au tra­vers des tickets de caisse. En l’adaptant à cette struc­ture, l’intelligence arti­fi­cielle sait faire par­ler ce ticket, car chaque pro­duit lis­té étant assi­mi­lable à un mot, qui s’articule avec les autres. Ain­si, on peut pré­dire les habi­tudes de consom­ma­tion, et adap­ter le maga­sin en fonc­tion. Nous pou­vons ain­si cap­tu­rer les inter­ac­tions entre pro­duits, afin de mettre en rayon les pro­duits qui sont com­plé­men­taires, ou évi­ter le « can­ni­ba­lisme » entre les pro­duits ou les pro­mo­tions. Nous avons la convic­tion que cette uti­li­sa­tion des don­nées est l’avenir de la grande dis­tri­bu­tion. Certes l’IA ne rem­pla­ce­ra jamais l’expérience et le savoir-faire d’un chef de rayon ou d’un retail part­ner, mais elle va le rendre encore plus effi­cace avec l’information remon­tée des données.

Un outil crucial dans le domaine bancaire également ?

Une fois encore, Arte­fact ne va pas rem­pla­cer les ana­lystes finan­ciers, qui ont des com­pé­tences par­faites dans leur domaine. Néan­moins, il leur est impos­sible de détec­ter la tota­li­té des pro­fils fra­giles ou des frau­deurs. Grâce aux modèles de sco­ring entraî­nés sur les don­nées his­to­riques, nous pou­vons remon­ter des pro­fils de clients inha­bi­tuels, et ain­si anti­ci­per des évé­ne­ments néga­tifs avant même qu’ils ne posent un réel pro­blème. Comme un ana­lyste doit pou­voir jus­ti­fier ses déci­sions, ce qui est une obli­ga­tion régu­la­toire, nous tra­vaillons sur un sco­ring qui soit expli­cable et qui four­nisse des rai­sons inter­pré­tables aux pro­fils à haut score.

L’IA augmente donc les capacités humaines au travail ?

C’est une cer­ti­tude. J’aime prendre l’exemple de Google. Quand on fait une requête sur un moteur de recherche, une ana­lyse en découle. Le machine lear­ning inter­roge des mil­liers de mil­liards de pages web… ce qui est infai­sable sans que ce soit auto­ma­tique. Le gain de temps offert par l’algorithme repré­sente tout ce tra­vail que l’humain n’a pas à faire au préa­lable. L’intelligence arti­fi­cielle fait de même. Avec pour fina­li­té évi­dem­ment le choix final de l’humain qui décide de s’approprier, ou non, le résul­tat pro­po­sé. Et de lui don­ner du sens. Cela a com­men­cé avec la recherche via les livres, puis inter­net avec Wiki­pe­dia en son temps par exemple, et se pour­suit avec la tech­no­lo­gie actuelle. Et ça n’est pas près de s’arrêter.

Quels sont selon vous les enjeux de l’IA générative ?

Il y a eu un virage, avec Chat GPT notam­ment, sur l’appropriation d’une nou­velle tech­no­lo­gie par le public. C’est la pre­mière fois qu’on voit quelque chose s’infuser par le bas : les employés se sont mis à trou­ver de bonnes façons d’utiliser Chat GPT comme une aide dans leur tra­vail. Le gros enjeu du point de vue d’Artefact réside dans le cadrage de ces tech­no­lo­gies, sur des cas appli­ca­tifs. Ne plus se ser­vir d’un outil géné­ra­liste pour tout et n’importe quoi, mais de construire des appli­ca­tions robustes pour une tâche pré­cise. Il y a actuel­le­ment un manque de robus­tesse de ces modèles, qui vont cher­cher de l’information dans leur mémoire, ce que l’on com­prend mal, au risque de res­sor­tir un résul­tat inadap­té, voire absurde. Nous tra­vaillons par exemple sur un indice de confiance simple, mais fiable à affi­cher à l’utilisateur. À la fois pour ne pas faus­ser l’information, mais aus­si pour gar­der un esprit cri­tique sur les réponses du modèle. 

---

Articles similaires :

Révo­lu­tion durable dans le bâti­ment : La fenêtre connec­tée et intelligente L’intelligence arti­fi­cielle révo­lu­tionne l’apprentissage 50 Part­ners : un modèle unique de col­la­bo­ra­tion au ser­vice de l’innovation Quand la Data révo­lu­tionne la grande distribution Lorsque san­té et tech­no­lo­gie vont de pair !