Article original publié par Guillaume Saupin (CTO de Verteego) sur Linkedin.
Sources des illustrations : article Les Echos et Verteego.
L’intelligence artificielle est comme un tour de magie : tant qu’on ne connaît pas le truc, elle émerveille. Mais dès lors que l’on passe de l’autre côté du rideau, que l’on assimile les mécanismes qui ont rendu possible le tour, l’émerveillement cesse. Il fait alors place au mieux à de l’admiration pour le concepteur du tour, au pire à de la déception face à sa propre crédulité.
Le data scientist se trouve dans la même position. Sa curiosité face à la résolution de problèmes complexes et la découverte des méthodes qui l’ont rendu possible suscite en lui un enchantement. Mais plus sa maîtrise du sujet croit, plus son admiration se reporte sur les concepteurs de ces méthodes. D’ailleurs, où se trouve l’intelligence quand tout est en définitive réductible à des additions et des multiplications, fussent-elles réalisées par milliards ?
Ce terrible effet est bien connu, à tel point qu’on lui donne un nom : « l’effet I.A. »
Le data scientist consciencieux est donc toujours gêné quand il doit indiquer quelle part des solutions qu’il construit repose sur de l’Intelligence Artificielle. La réponse varie souvent en fonction de l’époque à laquelle la question est posée. En 1964, le programme Eliza, se faisant passer pour un psychothérapeute, était considéré comme une Intelligence Artificielle. De nos jours, l’algorithme sous-jacent, basé sur un simple découpage de phrases, ne relève plus des méthodes d’IA.
En 1996, Deep Blue, qui parvint à battre Garry Kasparov, était aussi identifié comme intelligent, les échecs étant un jeu réputé complexe. Là encore, la méthode utilisée, essentiellement de type brute force, peut difficilement être considérée comme de l’IA.
En 2016, Alpha Go battait Lee Sedol au jeu de Go, chose réputé impossible encore une douzaine de mois plus tôt. Dès le lendemain, nombre d’articles surgissaient sur la toile pour dénier à AlphaGo la moindre once d’intelligence.
Verteego Brain
Il n’empêche qu’il existe des problèmes complexes, dont la solution relève des derniers exploits dans le domaine de l’Intelligence Artificielle, et qui ne peuvent être résolus que depuis quelques années, voire quelques mois. On peut encore parler, pour les méthodes qu’on leur applique, d’Intelligence Artificielle.
C’est sur ces sujets que Verteego est sollicité, et c’est grâce à Verteego Brain, conçu par une équipe R&D constituée à plus de 60% de PhDs, qu’ils sont résolus. Cinq modules d’IA sont actifs dans Verteego Brain :
- Logos pour le traitement du langage naturel
- Pythie pour l’analyse de série temporelle et la prédiction
- Grok pour la structuration de large volume de données
- Cyclop pour la vision
- Parques pour l’orchestration et le déploiement en production
Pour quels usages ?
Support IT
Ainsi, les briques Pythie et Logos de Verteego Brain, sont utilisées conjointement pour aider les experts d’un service de support IT à catégoriser et assigner automatiquement des incidents. En particulier, les dernières recherches dans le domaine du traitement du langage, tel que le word embedding sont mises en oeuvre pour réaliser cette tâche complexe, relevant jusqu’à présent de l’expertise humaine pointue.
Expertise immobilière
Autre domaine où la capacité à comprendre finement le langage naturel est essentielle : l’agent immobilier intelligent. Verteego a construit une solution reposant sur des méthodes d’IA offertes par les modules Grok, Logos et Pythie : Mister Isidor.
Mister Isidor ingurgite ainsi de grandes quantités de données textuelles non structurées, d’images, de prix, d’adresse, … et construit une analyse critique de la valeur marchande et locative d’un bien immobilier.
Là encore, la solution mise au point par Verteego fait appel aux dernières innovations technologiques, pour assurer le traitement de cette masse de données, et s’appuie sur des méthodes d’IA fraichement publiées.
Smarketplace
Dans un autre ordre d’idée, Verteego Brain est utilisé pour analyser des catalogues de produits, issus de fournisseurs différents. L’analyse de ces documents, à l’aide de méthodes telles que des cartes auto-organisatrices ou des réseaux de Kohonen, permet d’identifier des produits dont les descriptifs ne sont pas identiques, mais qui sont pourtant semblables. Cet appairage automatique permet d’augmenter l’efficacité des acheteurs, en faisant remonter parmi des dizaines de milliers de produits ceux qui peuvent être comparés avec pertinence.
De l’importance de la curiosité
Ces quelques défis, relevés par Verteego Brain, relèvent encore de l’Intelligence Artificielle, même s’il y a fort à parier que dans quelques années, ils seront victimes de l’AI Effect. Mais d’ici là, le goût pour la recherche et l’innovation de l’équipe R&D de Verteego nous auront dotés d’autres atouts.