Points clés
Considérez l’IA comme un modèle opérationnel, et non comme un événement de science-fiction lointain.
Le changement est déjà concret. L’argument central du livre est que l’IA n’est ni magique ni simplement une menace future. C’est un ensemble d’outils que les entreprises utilisent pour comprendre leurs clients, améliorer leurs produits et services, et transformer les méthodes de travail. Le City Brain d’Alibaba, par exemple, analyse la circulation dans toute la ville de Hangzhou et adapte les feux de signalisation pour réduire les embouteillages. Le livre fait état d’une baisse de 15 % des embouteillages dans la ville.
Commencez par ce qui change. Dans 50 entreprises, l’IA est présente dans des contextes familiers: ateliers, hôpitaux, exploitations agricoles, centres d’appels et téléphones. Son importance tient moins au fait que les machines paraissent humaines qu’à la capacité de rendre de nombreuses petites décisions plus rapides, mieux éclairées ou automatisées. Les exemples montrent des possibilités, mais les résultats rapportés varient par leur ampleur et leur degré de certitude.
Le recadrage utile consiste à passer du spectaculaire à l’infrastructure. L’IA compte lorsqu’elle transforme les décisions courantes par lesquelles une organisation sert ses clients, répartit ses ressources ou gère les risques. C’est pourquoi les exemples pratiques du livre sont plus instructifs que les prédictions abstraites sur l’intelligence des machines. Une amélioration rapportée, comme la réduction des embouteillages en ville, doit toutefois être considérée comme le résultat d’un cas particulier, et non comme la preuve que la technologie en est à elle seule la cause. La leçon plus générale est de se demander quelle décision a changé, qui en bénéficie et comment le succès a été mesuré.
Choisissez des problèmes que l’IA peut résoudre à partir d’exemples, plutôt que de règles impossibles à formuler pour les humains.
L’apprentissage remplace les règles codées à la main. Les logiciels traditionnels suivent des instructions rédigées par des humains. L’Apprentissage automatique est une forme d’IA dans laquelle un système utilise des données pour déduire des tendances et faire des prévisions. L’Apprentissage profond recourt à plusieurs couches de réseaux neuronaux artificiels afin d’apprendre des motifs plus complexes, par exemple reconnaître des objets dans des images ou interpréter la parole. Le livre retrace le passage de la reconnaissance de l’écriture manuscrite fondée sur des règles, utilisée par le service postal américain en 1997, à des systèmes entraînés sur des milliers d’exemples.
Les conditions comptent. Les progrès récents reposent sur une plus grande disponibilité des données et une puissance de calcul accrue, notamment grâce aux infrastructures infonuagiques et au traitement sur les appareils. L’Apprentissage par renforcement ajoute un retour d’information fondé sur les actions: un système tente quelque chose, en observe le résultat, puis s’ajuste. Ces méthodes conviennent à certains problèmes, mais elles ne rendent pas chaque tâche compréhensible ni soluble par une machine.
Cette distinction permet d’éviter une confusion fréquente : considérer l’IA comme une seule et même catégorie de logiciels. Une tâche régie par des règles claires et stables peut ne nécessiter aucun système d’apprentissage ; une tâche dont les motifs sont difficiles à définir peut bénéficier d’un apprentissage à partir d’exemples. Le travail moins visible consiste alors moins à écrire chaque règle qu’à choisir des données, des retours d’information et des objectifs utiles. Davantage de données peut améliorer un modèle, mais seulement si elles reflètent la situation à laquelle le modèle devra faire face. L’accent mis par le livre sur les applications ciblées est un garde-fou utile contre les affirmations sur une intelligence générale des machines.
Choisissez le résultat commercial avant l’outil d’IA.
Trois voies vers la valeur. Le livre regroupe les applications commerciales en trois objectifs qui se recoupent: comprendre les clients et interagir avec eux, créer des produits ou services plus intelligents, et améliorer ou automatiser les processus. Netflix utilise l’historique de visionnage pour recommander des programmes; Tesla intègre l’IA à ses voitures; Domino’s recourt à l’analyse d’images pour vérifier la conformité des pizzas aux commandes et aux normes de qualité.
La stratégie précède les projets pilotes. L’auteur estime que les entreprises devraient repérer les possibilités et les menaces importantes avant de choisir des applications. Une succession d’expériences marginales peut générer de l’activité sans améliorer les résultats de l’entreprise. Plus fondamentalement, l’IA peut révéler la nécessité de repenser le modèle économique lui-même. Automatiser un processus dépassé peut le rendre plus rapide sans le rendre plus pertinent. La bonne première question n’est pas de savoir quel algorithme acheter, mais quelle décision ou quel service devrait être amélioré.
C’est un excellent antidote à une planification qui donne la priorité à la technologie. Un résultat commercial permet aux équipes de comparer l’IA à des solutions plus simples et de déterminer si un projet pilote compte au-delà de sa nouveauté technique. Il clarifie aussi les données pertinentes et les personnes qui devront agir en fonction du résultat. Les exemples montrent qu’une même capacité générale peut servir des objectifs très différents, de la fidélisation de la clientèle à l’inspection alimentaire. Le risque est de définir le succès de façon trop étroite : un processus plus rapide peut malgré tout produire un service médiocre, des coûts cachés ou un modèle économique qui ne correspond plus à son marché.
Créez des boucles de rétroaction afin que chaque décision éclaire la suivante.
L’apprentissage se poursuit à l’usage. Alibaba adapte les pages de produits à mesure que les acheteurs consultent, achètent ou quittent le site. Pour entraîner plus rapidement ses recommandations Taobao et réduire les risques pour les ventes en cours, l’entreprise a créé un environnement d’achat virtuel à partir des comportements historiques des clients. Amazon utilise de même l’activité d’achat pour affiner ses recommandations, tandis que les progrès de la technologie de recommandation ont nourri les travaux sur Alexa. Le livre nomme Mécanisme d’entraînement de l’IA (Artificial Intelligence Flywheel) cette dynamique où l’élan et l’apprentissage se propagent dans l’entreprise.
La rétroaction renforce les capacités. Un système peut s’améliorer lorsque ses décisions produisent de nouvelles données utiles, qui servent ensuite à entraîner les décisions futures. Mais la rétroaction doit viser un objectif pertinent. Si un système de vente au détail est optimisé uniquement en fonction des achats, il risque d’apprendre ce qui se vend plutôt que ce qui sert le mieux les clients. La boucle d’apprentissage d’un modèle est façonnée par les indicateurs que son organisation récompense.
L’idée du mécanisme d’entraînement saisit un avantage organisationnel, pas seulement technique : une application réussie peut générer des données, de l’expertise et de la confiance, qui favoriseront le développement d’une autre application. L’adoption de l’IA peut ainsi s’auto-renforcer. Mais la même boucle peut aussi amplifier un objectif mal conçu. Lorsque les clics ou les conversions deviennent le principal indicateur, le système peut devenir plus efficace pour susciter ces comportements sans améliorer l’expérience sous-jacente. La question essentielle n’est donc pas seulement de savoir si le modèle apprend, mais ce que sa rétroaction lui apprend à valoriser.
Combinez des flux de données en temps réel pour prévenir les pannes avant qu’elles ne perturbent le service.
Les signaux révèlent les problèmes à un stade précoce. Verizon combine des mesures du réseau avec des informations environnementales, l’activité des routeurs et des données opérationnelles afin de déterminer à quoi ressemble un service normal et de détecter les situations associées aux pannes. L’entreprise a déclaré avoir prédit, en 2017, 200 incidents susceptibles d’avoir des conséquences pour ses clients, avant qu’ils ne surviennent. KONE applique une approche similaire aux ascenseurs et aux escaliers mécaniques: les relevés des capteurs, notamment la température, les vibrations et les mouvements, lui permettent d’anticiper les besoins de maintenance.
Une vue d’ensemble vaut mieux qu’un indicateur isolé. Siemens combine les données des capteurs des trains avec les historiques de pannes et de maintenance afin de repérer les défaillances probables de composants. Dans un cas, l’entreprise a déclaré avoir prédit des défaillances concernant plusieurs composants mécaniques. Ces exemples illustrent la Maintenance prédictive: l’utilisation des tendances relevées dans les données opérationnelles pour planifier l’entretien avant la défaillance d’un équipement. De tels systèmes reposent sur des équipements connectés, des données fiables et un plan permettant aux personnes d’intervenir en réponse aux alertes.
La maintenance prédictive transforme l’économie de l’attention. Au lieu d’attendre une plainte ou une panne, les équipes peuvent concentrer les inspections sur les équipements les plus susceptibles d’en avoir besoin. La valeur dépend de bien plus que de la précision des alertes : les équipes de maintenance doivent avoir accès aux équipements, disposer des pièces nécessaires, être habilitées à intervenir et avoir le temps de le faire. Les fausses alertes peuvent accaparer une attention déjà rare, tandis que les défaillances manquées restent coûteuses. Ces exemples montrent aussi pourquoi combiner plusieurs sources de données peut être plus important que d’en collecter sans discernement. Le modèle devient utile lorsque son signal correspond à une réponse opérationnelle.
Utilisez l’IA pour enrichir le jugement humain, et non pour dissimuler à qui appartient la décision.
Les personnes restent partie intégrante du système. Stitch Fix associe les données des clients et des algorithmes à des stylistes humains, qui s’appuient sur les recommandations pour choisir des vêtements. Dans le domaine de la santé, Infervision analyse des images médicales pour aider les radiologues à repérer d’éventuels signes de maladie, tandis que les outils cliniques d’Elsevier suggèrent des parcours de traitement à partir des dossiers des patients et de la littérature médicale. Elsevier a indiqué que les cliniciens avaient suivi les parcours Via Oncology dans plus de 85 % des cas.
Aider ne signifie pas être responsable. Dans ces exemples, l’IA sert à filtrer, classer ou faire ressortir des éléments pertinents, plutôt qu’à remplacer automatiquement le jugement professionnel. La vérification humaine est importante lorsque le contexte est incomplet, que les cas sont inhabituels ou que les erreurs peuvent avoir de lourdes conséquences. Un déploiement judicieux précise quelles décisions sont automatisées, lesquelles sont de simples recommandations et qui est responsable de l’action finale.
Les dispositifs les plus efficaces entre humains et machines répartissent le travail au lieu de mettre les personnes et les logiciels en concurrence. Les machines peuvent parcourir de vastes ensembles de données de façon cohérente ; les personnes peuvent interpréter le contexte, traiter les exceptions et répondre des conséquences. Pourtant, le fait qu’un humain approuve le résultat d’un algorithme ne constitue pas automatiquement une véritable supervision. Si la recommandation est opaque ou si la charge de travail rend la vérification superficielle, la responsabilité peut n’être que nominale. Les exemples du livre invitent à un test pratique : la personne chargée de vérifier peut-elle contester le système, comprendre ses limites et agir autrement lorsque la situation l’exige ?
Personnalisez l’offre, mais n’oubliez pas que la prédiction peut restreindre le choix.
Les préférences deviennent des prédictions. Netflix recommande des programmes à partir de l’historique de visionnage et des habitudes de spectateurs similaires. Discover Weekly de Spotify propose 30 nouveaux morceaux à chaque auditeur, en s’appuyant sur ses habitudes d’écoute, les caractéristiques des chansons et les descriptions de musique trouvées en ligne. Coca-Cola utilise les choix effectués sur ses distributeurs automatiques et les signaux des réseaux sociaux pour adapter ses produits et ses promotions aux goûts locaux.
La commodité sert un objectif. Ces systèmes aident les personnes à s’orienter dans des catalogues immenses et les entreprises à décider quoi proposer. Leur utilité dépend de la mesure dans laquelle leurs prédictions correspondent aux intérêts de chacun. Le même mécanisme peut aussi continuer à proposer des choix familiers, puisque les comportements passés deviennent des indices des préférences futures. La personnalisation n’est donc pas neutre: elle façonne ce qu’il est facile de trouver, d’écouter ou d’acheter.
Les systèmes de recommandation répondent à un véritable problème d’abondance. Sans méthode de filtrage, un catalogue comptant des milliers d’options peut devenir pratiquement inutilisable. Mais déduire les préférences des comportements passés risque de confondre familiarité et désir, surtout lorsque les goûts évoluent ou que l’historique d’une personne est incomplet. Les systèmes les plus utiles pourraient devoir concilier des suggestions pertinentes et la possibilité de faire des découvertes. Pour les entreprises, l’indicateur retenu compte également : maintenir l’engagement d’un client ne revient pas à l’aider à trouver quelque chose qui en vaut la peine.
Concevez l’IA au service du bien public, et pas seulement pour réduire les coûts d’exploitation.
L’efficacité peut bénéficier à toute la société. Le système d’agriculture de précision de John Deere utilise la vision par ordinateur pour distinguer les cultures qui nécessitent des pesticides de celles qui n’en ont pas besoin, afin de réduire les pulvérisations inutiles. L’équipe technologique de l’entreprise a estimé que cette approche pourrait réduire l’utilisation des pesticides jusqu’à 90 %. Telefonica a utilisé l’imagerie satellitaire et l’Apprentissage automatique pour cartographier des communautés isolées d’Amérique latine dans le cadre de la planification du réseau; le système a cartographié 95 % de la population dans les zones analysées, avec moins de 3 % de faux positifs.
Les infrastructures déterminent l’accès. Shell a étudié la possibilité de répartir sur la journée la demande de recharge des véhicules électriques grâce à l’IA, afin de mieux utiliser les énergies renouvelables disponibles. Ces cas montrent que l’IA peut contribuer à des objectifs environnementaux et à l’accès aux services, et pas seulement aux économies de main-d’œuvre ou à la hausse des ventes. Leur valeur pour le public dépend du déploiement et de l’entretien des systèmes, ainsi que de leur utilité pour les personnes auxquelles ils sont destinés.
Ces exemples élargissent la définition de la valeur commerciale. Un ciblage plus précis peut réduire l’usage de produits chimiques, et une meilleure cartographie peut rendre économiquement viable la connectivité dans des endroits autrement négligés. Mais une prévision prometteuse n’équivaut pas à un bénéfice social vérifié. La réduction de l’usage des pesticides est présentée comme une possibilité, et, selon le récit du livre, le programme de recharge de Shell était encore en cours d’évaluation. Il est essentiel de distinguer les résultats démontrés des bénéfices prévus lorsque les gains environnementaux ou communautaires justifient un investissement.
Faites de la protection de la vie privée, de l’équité et de l’explicabilité des exigences opérationnelles.
Les choix de conception ont des conséquences. Apple privilégie le traitement direct sur les appareils de certaines tâches d’apprentissage automatique, afin que les données personnelles n’aient pas à être envoyées dans le nuage. Les plateformes sociales utilisent l’IA pour filtrer les contenus abusifs, repérer les comptes suspects et détecter les signes qu’un utilisateur pourrait être en danger. Ces applications impliquent des jugements sensibles concernant l’identité, la parole, la sécurité et la vie privée. Le livre avertit également que les données d’entraînement peuvent reproduire les préjugés humains et que les décisions de l’Apprentissage profond peuvent être difficiles à expliquer.
Fixez des limites avant le déploiement. Les entreprises devraient se demander qui peut accéder aux données, comment les décisions peuvent être contestées et si le système traite certains groupes de manière inéquitable. L’exemple de la voiture autonome présenté dans le livre illustre clairement les enjeux: en situation d’urgence, les actions d’un véhicule ont des conséquences pour ses passagers et les autres usagers de la route. Une prédiction techniquement exacte ne constitue pas, à elle seule, une décision éthique.
L’éthique doit faire partie de la conception des systèmes, car la collecte des données et les objectifs des modèles répartissent déjà le pouvoir. Le traitement préservant la vie privée peut réduire l’exposition des données, mais aussi limiter le volume de données disponible pour améliorer un modèle. La modération des contenus peut protéger les utilisateurs tout en supprimant à tort des propos légitimes. Ces tensions ne se résolvent pas par une promesse générale d’utiliser l’IA de manière responsable. Elles exigent des choix explicites concernant les erreurs acceptables, l’accès, les recours et l’autorité humaine, avec des critères différents pour les recommandations à faible enjeu et les décisions touchant à la santé ou à la sécurité.
Préparez les travailleurs en automatisant des tâches et en développant leurs compétences avant que les postes n’évoluent.
Le travail évolue tâche par tâche. Le livre prévoit que l’IA automatisera certaines activités, en enrichira d’autres et créera une demande pour de nouvelles compétences. Son conseil pratique consiste à examiner un emploi comme un ensemble de tâches, puis à repérer celles qui peuvent être automatisées et les domaines où des qualités humaines comme l’empathie, la communication, la créativité et la réflexion stratégique restent précieuses. Le système de recrutement d’Unilever illustre ces deux aspects: l’IA a examiné un très grand nombre de candidatures et permis d’économiser, selon les estimations, 70 000 heures d’entretien, tandis que les recruteurs humains ont effectué les sélections finales.
Développez les compétences en interne. L’auteur avertit que sous-traiter toute l’expertise en IA peut rendre une entreprise dépendante de prestataires externes. Les entreprises ont besoin d’une sensibilisation générale à l’IA et d’une bonne maîtrise des données, ainsi que de compétences spécialisées, de systèmes de données modernes et d’un accès aux données appropriées. L’automatisation peut améliorer le travail, mais les assurances selon lesquelles elle ne supprimera pas d’emplois doivent être confrontées à ce qui se passe réellement dans les postes.
L’analyse des tâches est plus utile que de considérer les métiers comme des blocs indivisibles. Elle permet de repérer où l’automatisation supprime le travail répétitif et où la contribution humaine devient plus importante. Mais les gains d’efficacité ne se traduisent pas automatiquement par de meilleurs emplois ou une prospérité partagée : c’est l’organisation qui décide de la répartition de ces gains. Les exemples montrent clairement que l’adoption de l’IA est aussi un choix concernant la main-d’œuvre et la gestion. La formation, l’accompagnement des transitions et des indicateurs transparents sur l’évolution des emplois font partie du déploiement ; ce ne sont pas des ajouts facultatifs à prévoir une fois la technologie en place.
Analyse
La contribution la plus durable du livre est son insistance sur le fait que l’IA est une capacité commerciale intégrée à des décisions précises, et non une technologie autonome qui créerait de la valeur par elle-même. Dans le commerce de détail, la santé, les transports, la finance et l’industrie, le même schéma se répète: des données décrivent un processus, un modèle prédit ou classe un élément, et une organisation agit en fonction de ce résultat. Le facteur décisif n’est souvent pas la sophistication du modèle, mais la capacité de l’organisation à transformer une prédiction en réponse utile.
Les exemples révèlent aussi une asymétrie stratégique. Les entreprises qui interagissent régulièrement avec leurs clients, possèdent d’importantes infrastructures ou ont une large base installée peuvent collecter davantage de données et tester un plus grand nombre de décisions. Cela peut produire un avantage cumulatif: de meilleurs services attirent des utilisateurs, leur utilisation génère des données et ces données peuvent améliorer la version suivante. Pourtant, le volume des données ne garantit pas leur représentativité, et une boucle de rétroaction peut optimiser un indicateur étroit tout en négligeant la qualité, l’équité ou la confiance à long terme. Les exemples de recommandation, de recrutement, d’aide médicale et de modération des contenus présentés dans le livre montrent clairement que toute prédiction sert un objectif choisi par des personnes.
Une lecture critique doit distinguer les résultats opérationnels des démonstrations et des prévisions. Le livre a été publié en 2019, et certains cas décrivent des projets pilotes, des objectifs ou des estimations d’entreprise plutôt que des déploiements à maturité étayés par des preuves comparables et indépendantes. Les pourcentages rapportés sont des indices utiles, mais ne constituent pas un tableau de bord commun. Une décision de déploiement rigoureuse demanderait de connaître la situation de référence, les coûts totaux, les taux d’erreur, le traitement des défaillances et les personnes qui en subissent les conséquences lorsque le système se trompe.
La synthèse pratique est donc à la fois ambitieuse et mesurée. Les entreprises devraient adopter l’IA lorsqu’elle transforme une décision lourde de conséquences, tout en intégrant à ce même projet la gouvernance des données, les effets sur la main-d’œuvre et la responsabilité humaine. Les exemples les plus convaincants ne sont pas ceux de machines agissant seules. Ils montrent des organisations qui repensent leurs méthodes de travail en s’appuyant sur de meilleures informations, puis déterminent où l’automatisation est utile et où le jugement humain demeure indispensable.
Résumé des avis
Artificial Intelligence in Practice reçoit des avis partagés. Les lecteurs apprécient la diversité des exemples issus de différents secteurs, qui mettent en lumière les applications concrètes de l’IA. Toutefois, certains lui reprochent un manque de profondeur et le décrivent comme un recueil d’études de cas sans analyse détaillée. Des critiques soulignent que le livre risque de devenir rapidement obsolète en raison des progrès rapides de l’IA. Si certains saluent son organisation et sa capacité à donner des perspectives, d’autres souhaitent davantage d’informations techniques approfondies. Dans l’ensemble, il est considéré comme une bonne introduction pour les personnes qui découvrent l’IA, mais comme un ouvrage moins utile pour les spécialistes.
Les lecteurs ont aussi lu
Glossaire
Apprentissage automatique
Apprend des schémas à partir de donnéesForme d’intelligence artificielle dans laquelle un système informatique utilise des exemples ou d’autres données pour repérer des schémas et formuler des prédictions ou prendre des décisions, au lieu de s’appuyer uniquement sur des règles explicitement écrites par un programmeur. Le livre décrit les approches supervisées, semi-supervisées et non supervisées, qui diffèrent selon le degré d’accompagnement humain pendant l’apprentissage.
Apprentissage profond
Apprend au moyen de réseaux à plusieurs couchesType d’apprentissage automatique qui utilise plusieurs couches de réseaux neuronaux artificiels pour apprendre des schémas à partir de données d’entraînement. Le livre associe l’apprentissage profond aux progrès de la reconnaissance d’images, de la parole et du traitement du langage, domaines dans lesquels il permet de repérer des schémas complexes difficiles à exprimer sous forme de règles écrites manuellement.
Apprentissage par renforcement
Apprend grâce aux retours sur ses actionsApproche d’apprentissage automatique dans laquelle un système adapte son comportement en fonction des retours de son environnement. Les actions qui produisent des résultats utiles peuvent être renforcées, tandis que les résultats infructueux orientent les tentatives ultérieures. Le livre compare ce processus d’apprentissage par la pratique à la manière dont un enfant ajuste ses mouvements et décrit des applications liées aux recommandations de produits et aux machines autonomes.
Informatique en périphérie (edge computing)
Traite les données près de leur sourceTraitement informatique effectué sur l’appareil qui génère les données ou à proximité, plutôt que d’envoyer chaque calcul vers un système distant dans le cloud. Dans le livre, le traitement sur des téléphones, des caméras ou des capteurs peut réduire les délais et limiter les transmissions de données inutiles. L’apprentissage automatique directement sur les appareils d’Apple illustre la façon dont cette approche peut aussi favoriser la confidentialité, même si elle ne bénéficie pas nécessairement des mêmes grands ensembles de données partagés que les systèmes dans le cloud.
Mécanisme d’entraînement de l’IA (Artificial Intelligence Flywheel)
Diffuse l’apprentissage dans toute l’entrepriseNom donné par Amazon à un modèle organisationnel dans lequel la réussite de projets d’IA dans un secteur de l’entreprise génère des données, de l’expertise ou des investissements qui favorisent d’autres applications. Le livre explique que les améliorations des recommandations ont éclairé le développement d’Alexa, tandis que l’utilisation d’Alexa génère à son tour davantage de données et de nouvelles possibilités. L’idée est que les initiatives d’IA peuvent se renforcer mutuellement plutôt que de fonctionner comme des projets isolés.
Programme Digital Flywheel
Prévoit la demande des clientsProgramme analytique de Starbucks fondé sur l’IA, décrit comme combinant des informations sur les clients, les transactions, les emplacements, la météo et les stocks afin de prévoir ce que les clients pourraient commander. Le système soutient la personnalisation des promotions et les décisions locales concernant les produits et les services. Son objectif est d’aider Starbucks à adapter son offre à l’évolution des circonstances plutôt qu’à appliquer la même approche dans tous ses magasins.
Filtrage collaboratif
Recommande en fonction de préférences partagéesTechnique de recommandation qui repère les similitudes entre les comportements de différents utilisateurs ou entre les articles qu’ils choisissent. Si deux personnes qui écoutent de la musique apprécient certains des mêmes artistes, par exemple, un système peut suggérer à l’une des morceaux appréciés par l’autre. Le livre décrit cette approche comme l’un des éléments des recommandations de Spotify, au même titre que l’analyse audio et le traitement du langage.
Jumeau numérique
Modèle d’un système relié à des donnéesModèle simulé par ordinateur d’un actif ou d’une opération réelle, qui reproduit son comportement dans des conditions concrètes. Le livre explique que GE utilise des jumeaux numériques pour examiner le fonctionnement de centrales électriques et que Siemens utilise un modèle de systèmes ferroviaires afin d’anticiper les retards et les inefficacités. Ces modèles aident les opérateurs à tester ou à prévoir des situations sans se fier uniquement à l’observation directe.
Maintenance prédictive
Planifie les réparations avant une panneUtilisation de données opérationnelles et de l’analyse par apprentissage automatique pour estimer quand un équipement risque de tomber en panne ou de nécessiter une intervention. Au lieu de suivre un calendrier fixe ou d’attendre une panne, les opérateurs peuvent s’appuyer sur des signaux comme les vibrations, la température ou les variations de performance pour planifier la maintenance. Le livre présente des applications dans les ascenseurs, les trains, les centrales électriques et les réseaux de télécommunications.
Intelligence décisionnelle (Decision Intelligence)
Évalue en temps réel la légitimité des paiementsNom donné par Mastercard à un système d’apprentissage automatique qui évalue les transactions par carte au moment où elles ont lieu. Il utilise les informations sur les transactions et les schémas d’activité passés pour estimer si un paiement est légitime ou suspect. L’objectif annoncé est de détecter les fraudes tout en réduisant les refus injustifiés, qui surviennent lorsque de véritables achats sont rejetés par erreur.
FAQ
De quoi parle Artificial Intelligence in Practice ?
- Les applications de l’IA : Le livre examine comment 50 entreprises prospères ont mis en œuvre l’IA et l’apprentissage automatique pour résoudre des problèmes concrets dans divers secteurs.
- Études de cas : Il présente des études de cas détaillées portant sur des géants de la technologie comme Google, Amazon et Alibaba, ainsi que sur des entreprises traditionnelles comme Coca-Cola et Walmart, et met en valeur leurs usages novateurs de l’IA.
- Démystifier l’IA : Bernard Marr cherche à dépasser le battage médiatique autour de l’IA et propose des éclairages pratiques sur ses applications et les possibilités qu’elle offre aux entreprises.
Pourquoi lire Artificial Intelligence in Practice ?
- Comprendre l’impact de l’IA : Le livre aide les lecteurs à comprendre le potentiel transformateur de l’IA dans les entreprises, ce qui le rend pertinent pour les professionnels de divers secteurs.
- Des exemples concrets : Grâce à des études de cas réels, il montre comment l’IA peut améliorer l’efficacité, l’expérience client et la prise de décision.
- Des connaissances accessibles : Bernard Marr simplifie des concepts complexes liés à l’IA afin de les rendre accessibles aux lecteurs sans formation technique.
Quels sont les principaux enseignements de Artificial Intelligence in Practice ?
- L’IA comme outil stratégique : Les entreprises devraient considérer l’IA non seulement comme une technologie, mais aussi comme un outil stratégique capable de transformer leurs activités et leurs interactions avec les clients.
- Des décisions fondées sur les données : Le livre souligne l’importance des données pour entraîner les systèmes d’IA et rappelle que la réussite des applications d’IA dépend de données de qualité et de l’analyse de ces données.
- La collaboration entre les humains et l’IA : Le livre insiste sur le fait que l’IA devrait renforcer les capacités humaines plutôt que les remplacer, et préconise une approche collaborative dans différents secteurs.
Comment Artificial Intelligence in Practice définit-il l’IA ?
- Comportement intelligent : L’IA est définie comme la capacité des systèmes informatiques à manifester un comportement intelligent, qui leur permet d’agir et d’apprendre de manière autonome.
- Apprentissage automatique : Le livre explique que l’IA englobe l’apprentissage automatique, dans lequel les algorithmes apprennent à partir de données pour formuler des prédictions ou prendre des décisions sans programmation explicite.
- Apprentissage profond : Il aborde également l’apprentissage profond, une sous-catégorie de l’apprentissage automatique qui utilise des réseaux neuronaux pour analyser des schémas complexes dans les données et permet des avancées dans des domaines comme la reconnaissance d’images et de la parole.
Quels exemples d’applications de l’IA trouve-t-on dans Artificial Intelligence in Practice ?
- Les villes intelligentes d’Alibaba : Alibaba utilise l’IA pour gérer la circulation et les services urbains, ce qui réduit considérablement la congestion dans des villes comme Hangzhou.
- Le moteur de recommandation d’Amazon : Amazon utilise des algorithmes d’apprentissage profond pour améliorer son système de recommandation et personnaliser l’expérience d’achat des clients.
- La modération des contenus chez Facebook : Facebook utilise l’IA pour filtrer les contenus préjudiciables et améliorer la sécurité des utilisateurs, démontrant ainsi son engagement à créer un environnement en ligne positif.
Selon Artificial Intelligence in Practice, quels défis les entreprises rencontrent-elles lors de la mise en œuvre de l’IA ?
- Qualité et accès aux données : Les entreprises ont souvent du mal à obtenir les données de qualité nécessaires à l’entraînement des systèmes d’IA, ce qui peut entraver leur mise en œuvre efficace.
- Intégration aux systèmes existants : L’intégration de l’IA aux systèmes et processus existants peut être complexe et nécessite une planification et une exécution rigoureuses.
- Considérations éthiques : Le livre met en lumière les implications éthiques de l’IA, notamment les enjeux de confidentialité et le risque de biais dans les algorithmes, auxquels les entreprises doivent s’attaquer.
Comment Artificial Intelligence in Practice recommande-t-il aux entreprises d’aborder l’IA de manière stratégique ?
- Élaborer une stratégie en matière d’IA : Les entreprises devraient commencer par définir une stratégie claire concernant l’IA et les données, qui recense les possibilités et les menaces et met l’accent sur les applications à fort impact.
- Investir dans les compétences et la formation : Le livre souligne que les entreprises doivent investir dans le développement de la sensibilisation à l’IA et des compétences de leurs employés afin d’en tirer le meilleur parti.
- Utiliser l’IA de manière éthique : Il préconise une utilisation éthique de l’IA et encourage les entreprises à prendre en compte les répercussions sociétales de leurs applications et à faire un usage responsable de l’IA.
Quelle est l’importance du concept de « mécanisme d’entraînement de l’IA » dans Artificial Intelligence in Practice ?
- Amélioration continue : Le mécanisme d’entraînement de l’IA désigne l’idée que les mises en œuvre réussies de l’IA génèrent des données et des enseignements qui peuvent servir à améliorer d’autres secteurs de l’entreprise, créant ainsi un cycle d’amélioration continue.
- Avantages entre services : Ce concept encourage la collaboration entre les services, afin que différentes unités de l’entreprise puissent tirer des enseignements des réussites et des échecs des autres en matière d’IA.
- Évolutivité : Le mécanisme d’entraînement de l’IA permet aux entreprises de développer plus efficacement leurs initiatives en la matière, en s’appuyant sur les enseignements tirés d’une application pour en améliorer d’autres.
Quelles sont les meilleures citations de Artificial Intelligence in Practice et que signifient-elles ?
- « L’IA est aujourd’hui la technologie la plus puissante à la disposition de l’humanité. » : Cette citation souligne le potentiel transformateur de l’IA dans divers secteurs.
- « La manière dont nous abordons l’IA définira le monde dans lequel nous vivons. » : Elle met en évidence l’importance d’une réflexion stratégique sur la mise en œuvre de l’IA et ses conséquences à long terme pour la société.
- « L’IA devrait renforcer les capacités humaines plutôt que les remplacer. » : Cette citation souligne la nature collaborative de l’IA et préconise un partenariat entre les humains et les machines.
Comment Artificial Intelligence in Practice aborde-t-il l’avenir de l’IA dans les entreprises ?
- Des progrès rapides : Le livre examine la rapidité des progrès de l’IA et la nécessité pour les entreprises de garder une longueur d’avance afin de rester compétitives.
- L’IA comme avantage concurrentiel : Il avance que les entreprises qui tirent efficacement parti de l’IA bénéficieront d’avantages concurrentiels importants sur leurs marchés respectifs.
- Apprentissage et adaptation continus : L’avenir de l’IA dans les entreprises exigera un apprentissage et une adaptation continus, à mesure que les technologies et les attentes des consommateurs évoluent.
Comment les entreprises peuvent-elles mettre en œuvre l’IA selon Artificial Intelligence in Practice ?
- Élaborer une stratégie claire : Les organisations devraient commencer par définir leurs objectifs en matière d’IA et recenser les problèmes précis que celle-ci peut résoudre. Une approche stratégique garantit l’alignement sur les objectifs généraux de l’entreprise.
- Investir dans l’infrastructure des données : Les entreprises doivent donner la priorité à la mise en place de systèmes robustes de gestion des données, afin de les collecter, de les stocker et de les analyser efficacement. Des données de haute qualité sont essentielles à l’entraînement des modèles d’IA et à l’obtention de résultats exacts.
- Favoriser une culture de l’innovation : Encourager une culture qui valorise l’expérimentation et l’apprentissage aidera les organisations à s’adapter aux technologies de l’IA et à les exploiter pour s’améliorer continuellement.
Quelles tendances futures de l’IA Artificial Intelligence in Practice met-il en avant ?
- Automatisation accrue : Le livre prévoit une tendance à une automatisation plus poussée dans tous les secteurs, l’IA prenant en charge des tâches et des rôles décisionnels de plus en plus complexes.
- Démocratisation de l’IA : À mesure que les technologies de l’IA deviennent plus accessibles, les petites entreprises adopteront de plus en plus de solutions d’IA, ce qui égalisera les chances sur divers marchés.
- Développement éthique de l’IA : L’accent sera de plus en plus mis sur la création de systèmes d’IA éthiques qui privilégient la transparence, l’équité et la responsabilité, afin de répondre aux préoccupations de la société concernant l’impact de l’IA.
Télécharger le PDF
Télécharger l'EPUB
.epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.