6 cas d'usage d'apprentissage machine

L'intelligence artificielle et l'apprentissage machine ou machine learning sont à coup sûr les technologies les plus en pointe du moment. Des entreprises de premier plan les exploitent déjà pour séduire leurs clients et renforcer leur activité commerciale. Selon Gartner, d'ici 2020, l'IA et le ML représenteront l’une des cinq priorités d'investissement pour plus de 30% de DSI, ce qui signifie que l’usage de ces technologies ne fera que s'accentuer dans les années à venir. De plus, les craintes initiales concernant l’impact de l'IA et du ML sur l’emploi semblent se dissiper. Ainsi, plus de 67 % des dirigeants d'entreprise interrogés par PwC estiment que l'IA permettra aux hommes et aux machines de mieux travailler ensemble. Conscients des opportunités que pourraient offrir ces technologies à leurs entreprises, certaines DSI expérimentent, construisent et même brevètent de nouvelles technologies d’intelligence artificielle et de machine learning. Elles ont partagé leurs cas d’usage avec nos confrères de CIO.com.

L'IA améliore la recherche sur les valeurs mobilières

Putnam Investments, un fournisseur de fonds communs de placement, de plans de retraite, de comptes de retraite individuels et d'autres régimes de retraite, considère que l'IA et le ML sont essentiels pour améliorer le suivi de la valeur des actions par les analystes de l’entreprise de services financiers, a ainsi expliqué son DSI, Sumedh Mehta, à CIO.com. « Les analystes de Putnam Investments travaillent en étroite collaboration avec les spécialistes des données pour créer des scénarios qui leur permettront de tirer plus d’informations utiles de leurs grosses quantités de données », a-t-il exposé. L’entreprise élabore également des algorithmes grâce auxquels les analystes pourront identifier les meilleures perspectives de ventes. « Le pouvoir disruptif et de transformation de ces technologies est extrêmement important et devient un moteur d'efficacité et de productivité pour toute l'entreprise », a ajouté le DSI. En s’appuyant sur des ingénieurs logiciels, des data scientists, des analystes de données et des commerciaux, Sumedh Mehta a créé un centre d'excellence en science des données qui soutient les efforts en IA et en ML de toutes les parties prenantes. Selon lui, les partenaires commerciaux « avertis » ont tous adopté la même approche pour atteindre un degré d’automatisation optimal. Cet investissement dans l'IA et le machine learning s'inscrivent dans la transformation numérique plus générale de Putnam, notamment une modernisation de l'infrastructure IT par l’adoption du cloud et la mise en place d'une plate-forme unique pour toutes les activités de l'entreprise.

De l'IA pour optimiser son plan comptable

Depuis l’arrivée, en octobre, de Ashok Srivastava au poste de chief data officer (CDO), l’éditeur de logiciels financiers Intuit a mis les bouchées doubles sur l'IA et le machine learning. Intuit utilise Amazon Web Services pour permettre à son chatbot QuickBooks Assistant de mieux comprendre et de traiter plus efficacement le langage naturel, a expliqué Ashok Srivastava, à l’origine de la grande plate-forme de données de Verizon où il était en poste avant de rejoindre Intuit. Actuellement, l’éditeur s’intéresse de près à l'accompagnement des utilisateurs à travers les centaines de catégories offertes par Quickbooks. « Notre logiciel de comptabilité en ligne gère plus d’un milliard de transactions et grâce à l’IA nous pouvons optimiser les catégorisations avec une grande précision », a ajouté M. Srivastava. Le logiciel TurboTax d'Intuit utilise l'IA pour permettre à ses utilisateurs de bénéficier des meilleures restitutions de taxes en les guidant dans les arcanes du processus de déduction. Les utilisateurs passent jusqu'à 40% de temps en moins pour préparer leurs déclarations et retrouver leurs documents. « Pour une mise à l’échelle plus rapide, l'entreprise utilise la technologie de machine learning dans le cloud d'AWS », a encore expliqué M. Srivastava. Pour élaborer de bons algorithmes, il faut attirer les bonnes compétences afin de répondre vraiment aux besoins métiers. M.Srivastava, qui a également travaillé pour le centre de recherche d'Ames de la NASA, recrute actuellement des ingénieurs qui peuvent travailler avec des technologies de ML et d'AI pour réaliser les projets en cours.

Des données historiques pour prévoir les performances futures

En tant que DSI de Riverbed Technology, un éditeur de logiciels axés sur l’amélioration des performances des réseaux WAN étendus, Rich Hillebrecht est confronté à des défis uniques. Ce dernier a expliqué à nos confrères de CIO.com que pour améliorer les perspectives commerciales de l’entreprise, il testait une solution de machine learning qui lui permettra d’intégrer des données provenant de sources multiples dans la chaîne d'approvisionnement. Riverbed pourrait par exemple combiner la gestion des commandes et d'autres données ERP avec des historiques sur la météo et d'autres indicateurs afin de mettre au point des modèles lui permettant de prédire des performances futures. « Nous voulons être plus prédictifs sur les risques pouvant se manifester en aval et sur notre capacité à répondre aux commandes de nos clients », a déclaré M. Hillebrecht. Riverbed envisage également d’autres usages du machine learning. Par exemple, le ML pourrait servir à ajuster automatiquement la performance des configurations et repérer les cyberattaques pouvant menacer la sécurité. Rich Hillebrecht prévoit également de créer un data lake unique à partir duquel l’entreprise pourra extraire des informations utiles à son activité commerciale.

Pour une meilleure compréhension des clients

Comme un grand nombre de banques, l’U.S. Bank a collecté beaucoup de données sur ses clients. Et comme la plupart des banques, elle a essayé d'en extraire des informations exploitables. Depuis plusieurs mois, Bill Hoffman, son Chief Analytics Officer (CAO), utilise la technologie Einstein AI/ML de Salesforce.com pour aller plus loin. Son objectif : permettre aux agences d’offrir des services bancaires plus personnalisés aux PME, aux grossistes, aux entreprises, etc. Par exemple, si un client fait une recherche sur le site web de l’U.S. Bank pour avoir des renseignements sur les prêts immobiliers, un conseiller du service clientèle pourra assurer le suivi de ce client la prochaine fois qu'il se rendra dans une agence. Einstein permet aussi à la banque de mettre en évidence des critères de ciblage qui peuvent échapper aux humains. Par exemple, le logiciel peut recommander aux conseillers d'appeler un client potentiel dans une industrie le jeudi entre 10 h et 12 h, car il sera plus disponible dans ce créneau horaire. Einstein peut également ajouter une alerte au calendrier du conseiller pour lui rappeler d'appeler le client le jeudi suivant. Ces capacités répondent aux ambitions de nombreuses entreprises de services financiers : disposer d’une photographie complète des clients afin de leur recommander des services pertinents à tout moment. « Nous quittons un monde où l’on décrivait ce qui s’était passé ou ce qui se passait, pour un monde plus axé sur ce qui se produira ou devrait se produire », a déclaré Bill Hoffman. « Aujourd’hui, il est essentiel d’être en avance, d'anticiper les besoins des clients et de trouver le bon canal par lequel ils souhaitent interagir avec nous ».

Le ML pour rendre le travail moins pénible et plus productif

Le machine learning « imprègne tout ce que nous faisons », a confirmé de son côté Ed McLaughlin, président des opérations et de la technologie chez Mastercard. L'organisme financier utilise la technologie pour automatiser des « tâches répétitives et manuelles ». Il allège le travail des humains et leur permet de se consacrer à des tâches plus productives et génératrices de valeur. « Il est certain que nous avons atteint un niveau technologique pointu et que nous investissons clairement dans l’automatisation des tâches de travail », a affirmé M. McLaughlin. Mastercard utilise également les outils ML pour améliorer la gestion du changement dans l'ensemble de son écosystème de produits et services. Ainsi, les outils ML servent à identifier les changements qui présentent le moins de risques et ceux qui nécessitent un examen plus approfondi. Enfin, Mastercard utilise le machine learning pour repérer des anomalies dans son système et détecter les tentatives d’accès de pirates informatiques. Ed McLaughlin a également ajouté un « filet de sécurité » au réseau de l’entreprise : quand il détecte un comportement suspect, il déclenche des disjoncteurs qui protègent le réseau. « Nous avons mis en place des systèmes de lutte contre la fraude qui surveillent et mettent à jour en permanence les transactions », a-t-il déclaré.

L'IA en tant que produit et facilitateur d'affaires

Chez l’éditeur Adobe Systems, la DSI Cynthia Stoddard réorganise son département en appliquant un « modèle d'exploitation piloté par les données ». Pour y parvenir, elle s’appuie sur Hadoop afin d’extraire des informations qui permettent à la fois de mieux gérer l’IT et l'entreprise. Pour mener à bien cette stratégie axée sur les données, Mme Stoddard a expliqué à nos confrères de CIO.com qu'elle expérimentait l’usage du machine learning pour analyser les tickets d'assistance des logiciels afin de déceler de possibles défaillances. En théorie, si le système détecte des événements annonciateurs d'une panne, il peut éliminer ou atténuer proactivement ces événements avant que celle-ci ne se produise. « Cette possibilité de prévoir des pannes au niveau des services IT permettra également à Adobe d’introduire des solutions d'auto-réparation et d’alléger les contraintes de son personnel informatique ». La DSI s’intéresse également à la technologie chatbot pour répondre aux demandes de support IT des employés. Enfin, l’éditeur a également doté sa plateforme cloud de capacités d’intelligence artificielle et de machine learning. En novembre dernier, l’entreprise a déployé Sensei, une couche de technologie IA qui permet aux utilisateurs de créer, de publier et d’utiliser leurs documents de manière intelligente. Elle permet aussi à Adobe d’analyser et d’assurer le suivi de la performance de ses applications web et mobiles.