Autrefois considérés comme improbables pour les entreprises, l'intelligence artificielle (IA) et l'apprentissage machine (ML) font désormais partie des projets courants. IDC a constaté qu’en raison du manque de personnel qualifié et d'attentes irréalistes, jusqu'à 25% des personnes interrogées avaient connu un taux d'échec de 50% dans la mise en œuvre de leurs projets. Malgré tout, cela n'empêche pas les entreprises d'essayer. Comme ces DSI de plusieurs entreprises qui ont expérimenté, développé et utilisé des technologies d'intelligence artificielle et de machine learning. Voici leurs expériences et leurs conseils pratiques. (Relire la 1ère partie de l'article et les 5 premiers exemples d'usages réussis de l'apprentissage machine)

6 - Le ML pour lutter contre la fraude chez Mastercard

Ed McLaughlin est président des opérations et de la technologie de Mastercard (Crédit : Mastercard)

Au même titre que les sociétés d’évaluation financière, les sociétés émettrices de cartes de crédit doivent lutter sans cesse contre les fraudeurs. « Mais à une époque où de nombreux experts qualifient le numérique de fléau pour la vie privée et la sécurité en ligne, les outils d’apprentissage machine et d’intelligence artificielle peuvent mieux sécuriser les services que les cartes de crédit en plastique », a déclaré Ed McLaughlin, président de la technologie et des opérations chez Mastercard. Mastercard utilise plusieurs couches de ML et d’IA pour se préserver des fraudeurs. Point névralgique de ce système de protection : une base de données en mémoire « qui a permis à Mastercard d'économiser environ un milliard de dollars en pertes dues à la fraude depuis 2016 », selon M. McLaughlin. Le logiciel suit plus de 200 indicateurs pour anticiper et prévenir la fraude. Ce système, combiné à la tokénisation, à la biométrie, au deep learning et à d'autres approches novatrices, a permis à Mastercard de tenir sa réputation de facilitateur de transactions sécurisées dont le volume représente plusieurs milliards de dollars.

Conseils : L'homme est le maillon faible de la cybersécurité. « Le plus important est d’éloigner le plus possible l'humain de la boucle », a affirmé M. McLaughlin, ajoutant que « l’apprentissage machine, l’intelligence artificielle et les logiciels de traitement du langage naturel sont des composantes essentielles de la trousse à outils de Mastercard ».

7 - Le ML pour récupérer des informations sur les véhicules chez Mercedes-AMG Petronas Motorsport

(Crédit : Mercedes-AMG Petronas Motorsport)

La filiale Grand Prix de Mercedes-Benz, qui participe à la Formule 1 en tant que constructeur sous le nom de Mercedes-AMG Petronas Motorsport, s’appuie sur des capacités d’apprentissage machine pour visualiser les performances des voitures de course. « Le constructeur recueille de multiples données sur ses voitures de Formule 1 - jusqu'à 10 000 points de données par seconde dans certains cas -  pour prendre des décisions critiques », a expliqué Matt Harris, responsable IT de l'entreprise. Mercedes-AMG Petronas utilise le logiciel Tibco pour visualiser les variables pouvant avoir un impact sur la course comme la météo, la température des pneus et la quantité de carburant. Le logiciel permet également aux ingénieurs d'analyser certaines caractéristiques comme la performance et l'usure des boites de vitesse. Généralement, les conducteurs changent de vitesse 100 fois par tour, et chaque fois qu'ils changent de vitesse, Tibco collecte environ 1000 points de données. « Grâce à ces données, nous pouvons prolonger la durée de vie de la boîte de vitesses ou, ce qui est plus important, agir sur le changement de vitesse », a encore expliqué M. Harris. « En mettant la boîte de vitesses dans un mode particulier, on arrive à gagner 50 millisecondes par tour. Ça compte quand on sait que quelques millièmes de seconde suffisent pour changer le classement dans les qualifications ! » Selon Matt Harris, Mercedes-AMG Petronas développe des algorithmes ML « soit pour réaliser des tâches que les humains ne peuvent pas faire, soit parce que le coût du même travail par un humain serait prohibitif ». Ce dernier pense qu’un jour ces capacités seront déterminantes pour donner un avantage concurrentiel à l'équipe.

Conseils : Pourquoi développer une solution qui se situe en dehors de votre compétence principale ? Avant d’opter pour Tibco, Mercedes-AMG Petronas utilisait un logiciel de visualisation maison finalement trop inefficace pour être conservé. Grâce à Tibco, Mercedes-AMG Petronas peut se concentrer sur ce qui fait sa force : construire des voitures performantes. « L'important, c'est de permettre aux gens d'être créatifs et de résoudre les problèmes, plutôt que de coder un logiciel pour visualiser le problème », a déclaré Matt Harris.

8 - Le ML pour prédire le départ des salariés chez Caliber Collision

(Crédit : Caliver Collision)

Comme la plupart des entreprises de réparation automobile, Caliber Collision connaît depuis longtemps un problème de roulement. En effet, le taux de rotation chez les mécaniciens, les peintres et le personnel chargé de la clientèle est élevé. Il peut parfois atteindre jusqu'à 40% au cours d’une seule année, sur une moyenne de plus de 600 établissements que compte l’entreprise. D’après Caliber, une partie du problème est lié au fait qu’il n’y a parfois pas assez de voitures à réparer dans ses ateliers, ce qui se traduit par un manque d’équité salariale pour les employés. Ashley Denison, la DSI de Caliber, s'est donc demandée comment mieux planifier les interventions pour éviter le départ d’un employé. Pour cela, Caliber a travaillé avec le consultant technique Sparkhound, dont le logiciel, créé pour l’occasion, extrait du logiciel de ressources humaines Workday de Caliber des données sur les employés et les fusionne avec Microsoft PowerBI pour créer un modèle de régression logistique personnalisé et anticiper le départ potentiel d’un salarié. Caliber communique ensuite avec le personnel, soit en menant des enquêtes, soit par contact personnel, pour faire un état des lieux. Par exemple, si pendant deux semaines consécutives, le salaire d’un employé est réduit à cause du manque d’activité, les gestionnaires régionaux de Caliber peuvent faire en sorte d’augmenter ses interventions sur les voitures. Inversement, si un employé est surchargé de travail, l'entreprise peut réaffecter certaines interventions à ses collègues. Résultat ? En réduisant le turnover de ses salariés, Caliber a pu économiser jusqu'à un million de dollars par an.

Conseils : Prévenir les problèmes pour économiser de l'argent est un moyen pratique d'utiliser les algorithmes d’apprentissage machine dont l’impact est généralement très survendu. « Il est désormais beaucoup plus facile de garder les employés », a déclaré Ashley Denison.

9 - L'intelligence artificielle, produit et facilitateur d'affaires chez Adobe Systems

Cynthia Stoddard est la vice-présidente et DSI d’Adobe. (Crédit : Adobe Systems)

« Adobe Systems s'appuie sur l’apprentissage machine pour analyser les tickets du service d'assistance afin de déceler les possibles défaillances du système et résoudre de manière proactive les problèmes avant qu'ils ne provoquent des arrêts de service », avait déclaré Cynthia Stoddard, vice-présidente senior et DSI d’Adobe à nos confrères de CIO.com lors du MIT CIO Sloan Symposium de 2018. Si le système détecte des événements laissant penser qu'une panne peut se produire, il est capable d'éliminer ou d'atténuer proactivement ces événements avant qu'ils ne déclenchent des défaillances. L’outil appelé HaaS - ce qui signifie littéralement « réparation-en-tant-que-service » - repère et corrige tout, depuis les intégrations ratées avec l'ERP d'Adobe jusqu’aux erreurs dans les flux de données destinés aux différents systèmes d'analyse de l'entreprise. Mme Stoddard a précisé que HaaS avait réduit les temps de réparation à 1 minute, contre 30 minutes quand ils étaient réalisés manuellement par des humains. Elle estime que l’outil a permis à Adobe d'économiser 330 heures de réparation au cours des derniers mois. Grâce aux rapports listant les problèmes, les ingénieurs d’Adobe peuvent créer des correctifs permanents. « Si vous savez que vous devez réparer quelque chose et que vous savez comment le réparer, alors vous pouvez l'automatiser », a déclaré la DSI d’Adobe. Le travail utilise le framework d'essais diagnostics basé sur le machine learning, créé en 2017 par l'équipe de Cynthia Stoddard. « Comme nous avons pu le constater, c’est un énorme avantage ».

Conseils : L’usage de l’apprentissage machine pour identifier des modèles est essentiel pour créer des capacités d'auto-réparation. « Si vous savez comment réparer, vous pouvez ajouter un composant d'auto-réparation et vous passer d’une intervention humaine », a encore déclaré Mme Stoddard.