Accueil
A propos
Services
Portfolio
Manifeste
Contact
Thesaurus
Talents
Hub
Design
Comment Creer Votre Intelligence Artificielle

Comment créer votre intelligence artificielle ?

L'intelligence artificielle offre des perspectives de découverte et d'innovation dans de nombreux domaines. Découvrez comment la mettre en place au travers des 7 étapes clés.

Publié le 17/02/2022
Olivier Lacombe
Temps de lecture : 6 minutes

tl;dr

De l'identification des objectifs à son exploitation, la mise en place d'une IA comprend 7 étapes : Définition des objectifs, choix du modèle, création du jeu de données, annotations, apprentissage, tests et enfin l'exploitation. La mise en place d'une IA prend du temps et doit prendre part à de réels objectifs, car l'intelligence artificielle n'est pas une fin en soit.

I. Définition des Objectifs

Avant toute chose, créer une IA n’est pas une fin en soi. De nombreuses problématiques ne nécessitent pas forcément une IA pour être résolues.

Si vous pensez qu’une IA est nécessaire, commencez par déterminer ce que celle-ci doit fournir comme résultat.

Pensez également qu’une IA seule ne peut assurément pas résoudre tous les problèmes en une seule itération. Lorsque votre cerveau cherche à identifier une information dans un contexte donné, dites-vous que celui-ci décompose l’enjeu en de multiples couches et que c’est l’enchaînement de ces traitements qui vous permet par exemple d’identifier votre chien qui court au milieu d’un troupeau de moutons dans un pré.

La définition des objectifs passe donc par une analyse minutieuse, afin de déterminer le ou les modèles à mettre en place pour aller des données que vous souhaitez analyser à l’information que vous souhaitez obtenir.

II. Choix du modèle

Comme dans de nombreux domaines liés à l’informatique, il existe une multitude de programmes disponibles sur le marché, open source ou non.

À moins que vous ne soyez scientifique et gravitiez dans l’univers de l’IA au point de créer votre propre modèle à partir de zéro, dites-vous que vous n’êtes sûrement pas le premier à vouloir exploiter l’IA pour atteindre les objectifs recherchés. D’autres y ont certainement travaillé bien avant que votre idée ne germe, et ont déjà probablement passé beaucoup de temps à créer un modèle qui pourrait répondre en grande partie à votre problématique.

C’est pourquoi, avant de se lancer, il est important d’étudier les modèles existants, bien souvent le fruit de nombreuses années de travail, tant en matière de programmation qu’en matière de jeu de données.

À titre d’exemple, si vous souhaitez identifier des objets à partir d’images (photo ou vidéo), il existe le modèle Yolo.

Donc si votre objectif est de détecter des lapins ou des oiseaux à proximité d’une piste d’aéroport, il vous restera à lui apprendre à les identifier (on ne dit pas là que ce sera facile) mais le programme saura déjà prendre en compte ce type d’objet.

III. Création du jeu de données

Le jeu de données est une étape très importante dans la création d’une intelligence artificielle.

Pourriez-vous imaginer que les instituts de sondage prennent les passants au hasard dans la rue, sans avoir prévu à l’avance qu’il fallait un échantillon représentatif de la population ? Eh bien c’est pareil pour la constitution du jeu de données. Vous devez envisager de très nombreux cas de figure, au risque de créer une IA dont la vision pourrait être biaisée. Si votre IA doit reconnaître des chèvres et que votre jeu de données ne contient que des chèvres marron, c’est mal parti. En effet, il existe aussi des chèvres blanches, noires, beiges… résultat, n’imaginez pas que votre IA pourra les reconnaître car elle n’aura appris qu’à reconnaître des chèvres marron.

Et pour cela, il va falloir réunir un grand nombre d’entrées. La plupart du temps, on ne parle pas de cent, ni même de mille mais plusieurs milliers, voire centaines de milliers d’entrées… Tout dépend de la complexité de l’objet que vous souhaitez identifier et des combinatoires de celui-ci.

Une fois votre jeu de données constitué, il faut le scinder en deux groupes :

  • Le groupe qui va servir aux entraînements
  • Le groupe qui servira plus tard aux tests

IV. Annotation / Labellisation

Qu’il s’agisse de reconnaissance d’objets sur une photo ou d’analyse de contenus textuels, il est important d’avoir en tête que votre IA va devoir apprendre. À ce stade, et même si certains modèles sont déjà pré-entraînés, il faut partir du principe que votre IA est comme un enfant. Il faut donc lui enseigner ce que vous souhaitez qu’elle soit en mesure d’identifier.

Cette étape consiste donc à prendre votre jeu de données et à apprendre à votre IA que l’information que vous recherchez est par exemple à tel endroit, dans telle zone et non dans telle autre. Il est évidemment nécessaire de le faire pour les deux groupes dont nous parlions précédemment.

Par exemple, pour une IA qui devrait identifier des numéros de plaque d’immatriculation sur une photo, il faudrait lui montrer de nombreux types de véhicules (moto, voiture, camionnette, camion…), de différentes couleurs, de différentes formes, à l’avant, à l’arrière, de face, de côté… ce sont les fameuses combinatoires dont nous parlions précédemment. Pour chaque image, nous allons enregistrer les coordonnées de la plaque, voire le numéro de la plaque. Cela s’avérera utile, notamment lors de la phase de test, afin d’évaluer le niveau de pertinence de notre IA.

V. Apprentissage / Entrainement

Il s’agit de permettre aux algorithmes de mettre en place leurs analyses pour fournir une réponse.

Cette phase nécessite une puissance de calcul importante. C’est d’ailleurs pour cela que la plupart des entreprises externalisent les entrainements dans le Cloud car les machines doivent être équipées de matériel spécifique, notamment les fameuses cartes GPU utilisées initialement pour le calcul graphique.

L’apprentissage peut donc prendre du temps, de quelques heures à quelques jours selon votre puissance de calcul. C’est en partie pour ce type de service que la plupart des entreprises font appel aux clouds d’AWS, d’IBM ou de Google, bien souvent équipés de carte Nvidia (leader du marché).

C’est au cours de cette phase que l’on va créer le programme appelé modèle qui représente le cœur de notre IA. Voyez-le comme une part d’un cerveau étant capable de prendre votre information en entrée et de restituer une réponse ressemblant la plupart du temps à une prédiction, avec une certaine fiabilité. Le but étant bien évidemment d’avoir un score le plus élevé possible, permettant à votre IA d’être des plus pertinentes.

VI. Tests

Il s’agit là de confronter votre modèle d’IA à la réalité.

Souvenez-vous, lors de la création du jeu de données, nous en avons mis une partie de côté. C’est cette partie qui va nous permettre de tester notre IA afin de déterminer son niveau de performance.

Si les tests ne sont pas concluants, on modifie, réévalue et on relance l’apprentissage, jusqu’à obtenir les résultats souhaités… Autant vous prévenir, tout dépend des objectifs et de leur niveau de complexité.

Si les tests sont concluants, nous pouvons passer à la phase d’exploitation.

VII. Exploitation

Disposer d’une IA, c’est bien. Mais être en mesure de l’exploiter c’est mieux.

Vu que l’on arrive à la fin du processus, vous avez une vision plus claire du cheminement qu’implique la création d’une intelligence artificielle. Vous imaginez donc facilement qu’il y a une différence notoire entre le fait de créer un prototype et d’exploiter pleinement les capacités d’une IA.

Nous plaçons l’exploitation à la fin du processus de création, cependant, il est important dès le départ d’envisager que l’intégration dans le système d’information est possible. Si les entrainements consomment beaucoup de ressources machines, l’exploitation est moins gourmande mais elle peut nécessiter toutefois de la puissance de calcul que votre infrastructure informatique n’est pas en mesure d’assurer aujourd’hui.

Finalement

Vous l’aurez bien compris, se lancer dans la création d’une IA n’est pas chose facile. Il existe de nombreux services dans le Cloud pour vous faciliter le développement et l’exploitation, mais ce genre de projet nécessite de nombreuses compétences : data engineer, data scientist, développeurs, consultants…

L’IA permet de résoudre de nombreuses problématiques, d’accroître la productivité de vos équipes, mais sa mise en place est un processus qui peut prendre du temps.

Toutefois, comme le souligne Thomas H. Davenport, professeur au MIT dans la prestigieuse Havard Business Revue : « Il y aura des obstacles sur la route […] mais avec une planification et un développement appropriés, la technologie cognitive pourrait inaugurer un âge d’or de productivité, de satisfaction au travail et de prospérité. »

A propos de l'auteur

Olivier Lacombe
Président et fondateur de Nimiscient

Olivier est un passionné d’innovation, avec plus de 20 ans d’expérience, il est devenu un véritable ninja de l’optimisation des performances business des entreprises.

Sa créativité débordante lui permet d’aborder chaque projet avec une vision unique et authentique. C’est un magicien avéré de l’efficacité, capable de transformer chaque défi en une opportunité pour les entreprises qui font appel à lui.

A propos de Nimiscient

Nimiscient accompagne les entreprises dans leurs recherches de performance au travers des applications connectées et intelligentes.

Ainsi, nous aoportons les meilleurs leviers de productivité au cœur des entreprises grâce aux nouvelles technologies, à l’innovation et la créativité.

Partager cette page