L’intelligence artificielle (IA) est, avec la robotique et l’Internet des objets (IoT), la base de la vague actuelle d’innovation technologique qui a été appelée Révolution industrielle 4.0 ou Fabrication 4.0. Depuis sa création, l’Intelligence Artificielle a fait l’objet de grande attention médiatique et d’interprétations erronées, pour cette raison, cet article vise à clarifier les concepts et à expliquer brièvement son évolution, sa maturité technologique et son adoption, ainsi que son impact présent et potentiel.
DÉFINITION DE L’IA
Intelligence et Intelligence Artificielle
L’intelligence peut être définie en gros comme l’apprentissage, la compréhension et l’utilisation des connaissances acquises pour atteindre des objectifs. L’intelligence artificielle peut donc, à la base, être définie simplement comme une intelligence présentée par des machines.
L’intelligence artificielle (IA) est une branche de l’informatique qui construit des programmes et des machines capables de résoudre des problèmes de manière créative et d’exécuter des tâches complexes. Pour ce faire, on combine et analyse automatiquement de grandes quantités de données d’observation, en appliquant des algorithmes conçus pour trouver des modèles.
IA et Apprentissage Automatique (Machine Learning)
Outre la capacité prouvée à traiter d’énormes ensembles de données, l’IA se caractérise par le fait qu’elle permet aux machines d’apprendre de façon empirique et de s’adapter à de nouvelles données entrantes. L’apprentissage automatique est obtenu en appliquant des calculs mathématiques itérativement complexes destinés à reconnaître des modèles. L’IA s’adapte grâce à des algorithmes d’apprentissage progressif et trouve une structure et des régularités dans les données, afin que les algorithmes acquièrent une compétence: l’algorithme devient un classificateur ou un prédicteur.
Pour ce faire, une itération sur de grands ensembles de données est essentielle, car lorsque de nouvelles données sont fournies, le système AI applique ce qui a déjà été appris des calculs précédents, itère le calcul sur de nouvelles données et produit des résultats et des décisions plus fiables à chaque fois. Les systèmes d’IA apprennent uniquement à partir des données fournies. Cela signifie que toute inexactitude et obsolescence dans l’ensemble de données sera reflétée dans les apprentisage.
En conséquence, la plupart des systèmes d’IA d’aujourd’hui sont faits pour se limiter à une tâche bien définie. Ces systèmes d’IA sont hautement spécialisés : le système IA qui détecte par exemple la fraude à l’assurance, ne peut pas identifier les identités sur les photos de visages, de plus, le système qui peut détecter la fraude à l’assurance ne peut pas détecter la fraude fiscale.
ÉVOLUTION DE L’IA
Le concept d’IA a fait l’objet d’un battage médiatique depuis sa création avec les premiers modèles mathématiques neuronaux créés à la fin des années 1950. Malgré d’importantes avancées scientifiques, ce n’est que dans les années 1990 que tout le battage médiatique a commencé à se justifier. Dans les années 1990, le Machine Learning (apprentissage automatique) est devenu vraiment fonctionnel et s’est rapidement affiné, ce qui a conduit à son adoption et utilisation massives par l’industrie et les services.
Meilleur Apprentissage Automatique Grâce au BigDta
L’apprentissage automatique a encore été amélioré grâce à des méthodes innovantes d’apprentissage des données (Data Training) qui permettent à un système d’apprendre les relations entre un ensemble d’entrées et leur résultat ou sortie, comme le cas de distinguer des objets dans une image.Il y a aussi le domaine de l’apprentissage renforcé, (Reinforced Learning) distribuant des récompenses et des punitions virtuelles via un système de notation et créant un apprentissage basé sur des essais et des erreurs.
Il y a, actuellement, un engouement énorme quant au développement des capacités sur l’apprentissage automatique, grâce à la mise en place de ces nouvelles techniques d’apprentissage. De plus, et plus important encore, il y a aussi l’émergence d’un nouveau domaine plus avancé de l’IA connu sous le nom de Deep Learning.
Techniques de peaufinage de l’apprentissage
Learning is further improved applying innovative Data Training methods for a system to learn the relationships of a set of given inputs to a given output, this is used for example to recognize objects within an image or detect objects and describe their content. There is also the field of Reinforcement Learning to train AI System to learn from trial and error, by giving the AI System virtual rewards and punishments through a scoring system.
Currently, there exists justified excitement over the exponential refinement and growth capability of Machine Learning by applying these new learning techniques. Additionally, and more importantly, there is also the emergence of a more advanced field in AI, known as Deep Learning.
DEEP LEARNING : LE NOUVEL APPRENTISSAGE EN PROFONDEUR DE L’IA
L’apprentissage en profondeur est le prochain niveau d’apprentissage automatique, basé sur l’ajout de réseaux de neurones au système d’IA, qui simulent des neurones biologiques interconnectés et modélisent la façon dont ceux-ci interagissent dans un cerveau. Ce nouveau système, alimenté par un réseau d’algorithmes organisés neuronalement, applique ces techniques innovantes d’apprentissage, pour classer, reconnaître, détecter et décrire l’environnement. En résumé, elles fournissent aux systèmes d’IA quelque chose de proche de la capacité de compréhension. Des limites subsistent, cependant, l’IA étant toujours confrontée à de nombreux défis pratiques, bien que de nouvelles techniques émergent pour les résoudre.
L’apprentissage en profondeur permet à une IA de pointe d’atteindre une précision auparavant impensable et déjà présente dans notre vie quotidienne. Par exemple, nos interactions avec Google ou Alexa sont basées sur le Deep Learning et nous savons par expérience directe que plus nous l’utilisons, plus nos recherches sont précises.
UTILISATION ET EFFETS GÉNÉRALISÉS DE L’IA
L’IA permet l’automatisation d’analyses impossibles auparavant, et des impacts sur tous les services commerciaux et administratifs des administrations et des entreprises. Dans la fabrication et la logistique, les machines d’automatisation et de robotique activées par l’IA permettent d’effectuer et sont déjà largement utilisées des ensembles de tâches et de fonctions complexes, de manière complètement autonome ou semi-autonome.
D’ici 2030, on estime que l’intelligence artificielle ajoutera 15,7 trillions de dollars au PIB mondial, dont 6,6 milliards de dollars devraient provenir de l’augmentation de la productivité et 9,1 milliards de dollars de la consommation (1). Les entreprises en sont conscientes, car déjà en 2017, environ 20 % d’entre elles, dans le monde, utilisaient l’IA à un certain niveau et 40 % étudiaient comment la déployer (2). Le diagramme ci-dessous illustre le large éventail de maturité technologique de l’IA et son utilisation dans un large éventail de fonctions (3):
Analyse du CETMO 2021, adaptée de McKinsey & Company (3)
Pour les entreprises, les impacts les plus importants sont et seront dans le secteur de la logistique et des chaînes d’approvisionnement, suivis de la fabrication, non seulement dans la production et les opérations, mais aussi dans le marketing et les ventes, via la personnalisation et les services et produits adaptés aux segments de marché et aux niches.
Pour les administrations, l’IA élargit la planification et produit une prise des décisions améliorée, plus rapide, c’est un avantage indéniable dans la gestion des ressources rares.
En outre, il y a un débat tout aussi intense et pas finalisé sur l’impact social plus large de l’IA et en particulier l’impact net, et comment l’améliorer, du point de vue de la main-d’œuvre et de la disparité entre les pays. Cette question essentielle nécessite et mérite une analyse sépare.
Références
- Brookings Institute. Africa Growth Initiative. Travaly and Muvunyi, the future is intelligent: Harnessing the potential of artificial intelligence in Africa, 2020. link
- Bughin, Chul, McCarthy, How to make A.I. work for your Business, 2017
- McKinsey & Company. Ashutosh, Hastings, Murnane, Neuhaus, Automation in Logistics: Big Opportunity, Bigger Uncertainty, 2019. link
EFFETS DE L’INTELLIGENCE ARTIFICIELLE ET BIGDATA SUR LE TRANSPORT ET LA LOGISTIQUE
L’accès efficace à l’IA se fait principalement via des plateformes numériques basées sur le Cloud Computing (CC). De même, une grande partie du travail effectué par l’IA consiste à découvrir les données fournies par le BigData.
Le Big Data est une technologie mature et largement adoptée. Par conséquent, le BigData et le CC peuvent être considérés comme part de l’infrastructure nécessaire au fonctionnement et au déploiement de l’intelligence artificielle, ainsi que d’autres nouvelles technologies telles que l’automatisation robotique, l’Internet des objets, les véhicules autonomes et la BlockChain.
Le fait que cette infrastructure soit offerte à faible coût et même gratuitement bvia des plateformes numériques, est l’élément démocratisant qui anime l’avancée technologique de toutes ces technologies, ainsi que leur adoption et l’étendue de leurs effets actuels et potentiels.
Effets de l’IA sur le Transport de Marchandises
Aide à la prise de décision: L’intelligence artificielle, en particulier si elle est appliquée à Big Data Analytics, permet l’utilisation à des outils avancés de Business Intelligence, une modélisation prédictive sophistiquée et la production d’indicateurs et de tableaux de bord, entre autres, qui montreront une image précise de l’entreprise et de la situation, permettant ainsi de prendre des décisions à la fois meilleures et moins risquées.
Sécurité semi-autonome et supervision des infrastructures et des terminaux augmentant les capacités de contrôle avec des capteurs de température, d’humidité et d’autres mesures de contrôle de l’environnement, permettant ainsi de contrôler de grands espaces à moindre coût.
Optimisation des itinéraires et des prix: Des informations précises, collectées, intégrées et analysées par l’IA permettent l’ajustement des coûts et de la stratégie commerciale pour chacun des itinéraires du réseau.
Effets de l’IA sur le Transport de Passagers
Aide à la prise de décision: De la même manière que pour le transport de marchandises et d’autres secteurs, l’intelligence artificielle permettra l’utilisation de modèles prédictifs sophistiqués et plus fiables, facilitant la planification.
Planification immédiate: Dans le scénario le plus développé, la modélisation basée sur l’IA et autres outils sophistiqués d’IA, peuvent même remplacer la pré-planification par un ajustement instantané, continu et automatique du service, pour répondre à l’évolution des besoins, gagner en temps et en qualité.
Amélioration de la sécurité et réduction des coûts de maintenance: L’IA permet la maintenance prédictive des infrastructures et du matériel roulant, ainsi que l’optimisation de la consommation d’énergie.
Intelligence artificielle et passagers: l’IA, ainsi que la reconnaissance faciale et d’autres applications biométriques, optimiseront les processus qui nécessitent un contrôle d’identité, tels que l’enregistrement des bagages, les papiers et le contrôle aux frontières et devraient permettre une expérience des voyageurs et des procédures administratives plus rapides et moins sujettes aux erreurs.
EFFETS DE BIGDATA SUR LE TRANSPORT ET LA LOGISTIQUE
Effets du BigData sur le Transport de Marchandises
Meilleure planification: La cherche, la récupération et le traitement de gros volumes de données en temps réel (tels que les coûts, les limitations, la localisation des actifs, etc.) améliorent la précision des prévisions opérationnelles. De meilleures prévisions optimisent l’allocation des équipements, les temps de transit et les achats de carburant.
Analyse plus précise de la durée de vie des actifs: L’analyse de la durée de vie et la maintenance préventive des machines et autres biens mobiliers sont plus précises, réduisant les coûts de réparation et améliorant le bilan.
Optimisation du réseau: Le nouveau niveau d’analyse des données fourni par le Big Data permet l’optimisation des itinéraires et la réduction globale des coûts d’exploitation et des investissements futurs.
Ajustement des opérations: La capture, la mesure et l’analyse des paramètres pendant les opérations permettent d’établir des critères réalistes, ajustés aux circonstances réelles, et d’améliorer la conception et le contrôle des opérations.
Nouvelles compétences requises : Une demande sera générée pour des profils techniques dans des domaines liés au calcul mathématique, à la science des données et à la recherche opérationnelle
Effets de BigData sur le Transport de Passagers
Amélioration de la planification et de la gestion de flotte: De manière similaire au cas du transport de marchandises, avec en plus la meilleure planification dans tout ce qui concerne le flux des utilisateurs.
Analyse plus précise de la durée de vie des actifs: De manière similaire au cas du transport de marchandises.
Optimisation du réseau: De manière similaire au cas du transport de marchandises.
Ajustement des opérations: De manière similaire au cas du transport de marchandises.
Nouvelles compétences requises: Similaire au transport de marchandises.
Sources: CETMO et “Impacte de les KETs en la digitalització dels diferents àmbits del transport”, CENIT-CINESI – Décembre 2020.
Avec le soutien du:
Avec le soutien du:
Abonnez-vous à notre newsletter
Tenez-vous informé de l’ensemble des actualités et évènements