Réseautage neuronal | KPMG | CA
close
Share with your friends
Réseautage neuronal

Réseautage neuronal

Réseautage neuronal

L’intelligence artificielle (« IA ») va bien au-delà des robots conversationnels (chat bots) et de l'automatisation de chaînes de montage. Elle offre plutôt des machines qui peuvent apprendre, des robots qui peuvent s'adapter et des systèmes créés par l'homme qui imitent l'esprit humain.

Alors que les technologies d'« apprentissage machine » se sont hautement perfectionnées au cours des dernières décennies, ce sont les avancées les plus récentes dans les domaines de l'apprentissage profond et des réseaux neuronaux qui nous rapprochent réellement de l'atteinte du plein potentiel de l'IA.

En quoi consiste un réseau neuronal?

Selon Robert Hecht-Nielsen, pionnier de la neuro-informatique, un réseau de neurones artificiels (« RNA ») est un système informatique composé d'un certain nombre d'unités simples hautement interconnectées, qui traitent de l'information grâce à des réponses formulées de façon dynamique aux données d'origine externe[1].

En termes plus généraux, « RNA » est un terme qui décrit un système par lequel les données sont recueillies, extrapolées et passées dans des algorithmes avancés de reconnaissance de formes dans le but de tirer des observations clés, de prédire des résultats ou d'optimiser des fonctions. On peut aussi voir les RNA comme un cerveau humain dans lequel les réseaux neuronaux sont conçus pour imiter la façon dont le cerveau assimile l'information de son environnement, la traite au moyen d'un système de voies neuronales extrêmement complexe et l'utilise parallèlement à des données historiques et à des « apprentissages » passés, afin de nous aider à prendre des décisions contextuelles et intuitives.

Qu'est-ce que les réseaux neuronaux peuvent accomplir?

L'évolution des réseaux neuronaux ces dernières années a donné lieu à des applications extrêmement intéressantes. En voici quelques exemples.

  • Modélisation de la valeur à vie – Les réseaux neuronaux peuvent aider les sociétés à identifier leurs clients les plus précieux, tant en termes de valeur monétaire que d'avantages immatériels (p. ex., fidélité à la marque). Ces données peuvent servir à créer des campagnes de marketing ciblées pour les clients fidèles tout en laissant place à l'attrition parmi les clients qui contribuent moins aux bénéfices. En outre, les algorithmes d'apprentissage machine peuvent analyser les clients fidèles pour dégager les principales tendances qui pourront servir à attirer de nouveaux clients présentant des caractéristiques semblables.
  • Attrition de la clientèle – En plus de déterminer quels clients ont le plus de valeur pour une société, les algorithmes d'apprentissage machine peuvent aussi servir à déterminer quels clients sont le plus susceptibles de se dissocier d'une entreprise et pourquoi ils souhaitent le faire. Encore ici, cette information peut aider les équipes de marketing à peaufiner leurs stratégies de rétention au moyen de campagnes ciblées. Les fournisseurs de téléphonie cellulaire ou de service internet, par exemple, peuvent utiliser des outils d'apprentissage profond pour déterminer le moment où un client (ou un ensemble de clients dans une région particulière) est le plus susceptible de mettre à jour ou de modifier un plan ou des produits, ou d'en acheter des nouveaux, ce qui leur permet d'ajuster leur stratégie commerciale pour réduire le risque d'attrition de la clientèle ou de perte de ventes.
  • Produits en déclin ou stables – Les algorithmes d'apprentissage profond peuvent traiter de grands groupes de données relatives aux clients, comme la région géographique, l'âge, les habitudes d'achat et les préférences quant au mode de vie, pour déterminer le prix le plus élevé que des sous-groupes de clients sont prêts à payer pour un produit.
  • Segmentation de la clientèle – L'identification des segments de votre clientèle au moyen d'un algorithme d'apprentissage machine permet de dégager des tendances parmi les clients qui ont déjà été influencés seulement par des preneurs de décisions, puis de vérifier ces tendances à la lumière de données historiques.
  • Gestion des stocks – L'analytique prédictive, alimentée par les RNA, peut donner aux chaînes de vente au détail la possibilité d'analyser et de mettre en corrélation la position des stocks sur les tablettes et en vitrine, de façon à mieux comprendre quand un client est le plus susceptible de faire le maximum d'achat dans son magasin.
  • Recrutement et rétention des employés – Grâce à l'apprentissage profond, les services de ressources humaines peuvent prédire quand les employés sont le plus susceptibles de démissionner, et donc planifier leurs initiatives d'embauche durant cette période afin d'atténuer l'incidence de l'attrition des employés sur leurs activités.
  • Véhicules autonomes – Les systèmes de reconnaissance de l'image aident les véhicules autonomes à « lire » la route en identifiant les types d'objets devant eux et leur comportement selon des données historiques. C'est ce genre d'apprentissage profond qui donne aux véhicules autonomes l'« intelligence » nécessaire pour évaluer leur environnement et y réagir en conséquence.
  • Économie d'énergie – Les organisations peuvent réduire les coûts de climatisation et d'énergie en appliquant des algorithmes d'apprentissage profond à l'égard de leurs données historiques, de façon à savoir quand il est le plus logique d'utiliser l'énergie ou de la conserver. Cette capacité pourrait par exemple aider à maximiser l'énergie utilisée pour la climatisation d'un entrepôt.

Apprentissage profond à Silicon Valley: En 2014, Google a confié à son réseau neuronal DeepMind AI, qui vaut 500 millions de dollars, la tâche de trouver les moyens les plus efficaces pour climatiser les centres de données de Google au moyen de données historiques (températures, puissance, vitesse des pompes, paramètres préétablis, etc.) qui avaient déjà été recueillies par des milliers de capteurs dans le centre de données, afin de former un ensemble de réseaux neuronaux profond. Le système d'apprentissage machine de Google a ainsi été en mesure d'atteindre constamment une réduction de 40 % de la quantité d'énergie utilisée pour la climatisation. Ce cas est un exemple parmi un nombre grandissant d'études de cas qui permettent de démontrer l'incidence de l'apprentissage profond sur les résultats d'une organisation et sur son empreinte écologique. (footnote: https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/)

Une attrape se cache-t-elle parmi ces bons exemples?

Comme dans le cas de toute innovation technologique majeure, l'adoption se heurte à certains obstacles. Avant de faire un investissement, réfléchissez à ce qui suit :

  • Dans quelle mesure vos données sont-elles « propres »? Les RNA exigent des données exactes et exploitables, une ressource qui n'est pas toujours aisément disponible. Si certaines de vos données sont douteuses, ou si vos systèmes de stockage de données ne sont pas sécuritaires ou efficients, alors il vous manque le principal ingrédient nécessaire au déploiement de capacités d'apprentissage profond.
  • Avez-vous les moyens? La présence de bonnes données est essentielle aux capacités d'apprentissage profond, quoique le coût lié à la collecte de données, à leur nettoyage et à leur stockage peut s'avérer intimidant. La bonne nouvelle, c'est que ces coûts sont à la baisse et que les sociétés technologiques mettent en marché des moteurs de réseaux neuronaux préfabriqués plus abordables, dont l'objectif ultime est de rendre l'apprentissage profond plus abordable et plus accessible pour les organisations, peu importe leur taille et le niveau de leurs compétences informatiques.
  • Disposez-vous des bons talents? Le maintien d'un réseau neuronal exige des compétences spécialisées, et les scientifiques des données se font très rares (ou travaillent déjà pour les plus grands joueurs en matière de technologie). Heureusement, le domaine est en pleine expansion.

Par où commencer?

Les RNA ont un potentiel immense, mais leur utilisation sera différente d'une organisation à l'autre. Il est donc important d'effectuer en premier lieu une analyse FFPM (forces, faiblesses, possibilités, menaces), ou SWOT en anglais, au sein de votre organisation, afin d'aider à déterminer à quel point les capacités d'apprentissage profond peuvent optimiser les risques d'entreprise et maximiser vos possibilités.

Après tout, il ne fait aucun doute que le réseautage neuronal transforme rapidement le domaine de l'IA, et que le potentiel de rendement du capital investi vaut la peine d'être approfondi. Une fois que vous savez que votre organisation peut tirer parti des RNA, vous pouvez mettre à profit votre personnel, vos processus et vos stratégies de transformation de l'entreprise pour entrer dans la révolution prometteuse de l'IA.

[1] Neural Network Primer: Part I, Maureen Caudill, experte de l'IA, février 1989