Le domaine en pleine expansion de l'intelligence artificielle et de la science des données présente une liste impressionnante d'options pour les entreprises qui souhaitent exploiter son potentiel. L'apprentissage automatique, l'apprentissage en profondeur, le traitement du langage naturel, les réseaux de neurones, l'automatisation des processus robotiques et bien d'autres variantes ésotériques font les gros titres et les livres blancs.
Sur le point de fournir une puissance de calcul miraculeuse, ces technologies implorent les dirigeants de les adopter ou de trouver leurs entreprises bientôt dépassées par celles qui le font. Pour quelques entreprises sélectionnées avec des divisions entières consacrées à l'IA , adapter une telle technologie à des cas d’utilisation est une activité quotidienne. Mais pour la grande majorité, savoir par où commencer est moins simple.
Dans cet article, les dirigeants d'ApeeScape partagent leur point de vue sur l'application pratique de solutions technologiques artificielles aux besoins commerciaux courants.
Pedro Nogueira , spécialiste de l'apprentissage automatique et de la science des données, propose une actualité rafraîchissante aux nouvelles entreprises: la première solution est souvent simple, relativement peu coûteuse et financièrement rentable. Complétant la perspective de Nogueira, l'équipe d'ApeeScape Enterprise met en évidence les tendances récentes en matière d'automatisation des processus robotiques, qui aide les entreprises à rationaliser les flux de travail de routine.
Automatisation robotique des processus et IA: des outils pour différentes tâches
Pour encadrer les conseils partagés par Nogueira, il est utile de comprendre la différence entre l'automatisation des processus robotiques (RPA) et l'intelligence artificielle (IA) et les types de données que chaque approche est la mieux adaptée pour gérer.
La RPA et l'IA diffèrent en fonction des tâches qu'elles exécutent. Robot logiciel, RPA excelle dans les tâches répétitives analogues à celles effectuées par un ouvrier ou une machine à la chaîne de montage. À l'inverse, l'IA est la mieux adaptée aux environnements moins structurés, reproduisant la capacité analytique fondamentale du jugement humain et de la prise de décision.
Par définition, les deux approches sont également distinctes. L'IEEE Standards Association, une organisation internationale composée d'experts de l'industrie, les définit comme suit:
RPA: logiciel préconfiguré qui utilise des règles métier et une activité prédéfinie pour mener à bien l'exécution autonome d'une combinaison de processus, activités, transactions et tâches.
IA: combinaison de l'automatisation cognitive, de l'apprentissage automatique (ML), du raisonnement, de la génération et de l'analyse d'hypothèses, du traitement du langage naturel et de la mutation intentionnelle d'algorithme produisant des informations et des analyses égales ou supérieures aux capacités humaines.
La RPA est généralement considérée comme un sous-ensemble de l'IA et qui cible les routines répétitives. La différence essentielle est que la RPA n'apprend pas, tandis que l'IA peut s'auto-modifier, modifiant son activité en réponse à des intrants environnementaux variables.
En conséquence, la RPA est la mieux adaptée pour les données hautement structurées, tandis que l'IA gère les données non structurées ou semi-structurées. La différence entre les deux types de données, résumée ci-dessous, est facile à comprendre pour quiconque a créé une base de données de tableur.
Les données qui s'intègrent parfaitement dans une telle feuille de calcul - telles que les coordonnées des clients - sont structurées. Les données qui ne correspondent pas - comme le langage naturel - ne sont pas structurées. Il est essentiel de comprendre la différence entre ces types de données pour comprendre quelles formes d'IA sont appropriées pour une analyse de rentabilisation donnée.
Blocage et lutte avec l'automatisation des processus métier
Pour la plupart des entreprises, le point de départ le plus simple et le moins risqué pour tirer parti de l'IA est l'automatisation des processus métier. Composés de tâches banales qui nécessitent peu d'intelligence et peut-être aucun effort humain, ces processus justifient un investissement dans une technologie qui élimine ou réduit considérablement l'implication humaine. Les entreprises et les employés en bénéficieront de trois manières distinctes:
- Les employés concentrent leurs efforts sur des tâches de plus grande valeur et sur la résolution de problèmes.
- Les entreprises réalisent un retour sur investissement positif grâce à un coût d'exploitation continu minimal.
- La qualité du processus s'améliore en raison du manque d'erreur humaine.
La RPA pilote plusieurs flux de travail dans le secteur de l'assurance
Pour les entreprises qui rationalisent déjà des procédures internes simples telles que remboursement de frais , des opportunités plus complexes présentent un potentiel de retour sur investissement élevé. Dans le secteur de l'assurance, par exemple, la génération de devis d'assurance et le traitement des réclamations d'assurance présentent des cas d'utilisation parfaits pour la RPA.
Lors de la souscription d'une police, les compagnies d'assurance doivent équilibrer le risque et la récompense. Essentiellement, en moyenne, le valeur actuelle nette des primes de police doit dépasser celle des sinistres. Lors de la souscription, les compagnies d'assurance estiment la composante de risque de cette équation, ce qui les aide à prévoir le moment et l'ampleur des engagements futurs.
La souscription a toujours été un processus manuel, dont les exigences analytiques ont été supervisées par actuaires . Maintenant, ce travail est de plus en plus effectué automatiquement et sous la supervision de data scientists qui s'appuient sur de nouvelles sources de données pour mieux prévoir les risques. Par exemple, dans l'industrie automobile, les assureurs évaluaient historiquement les historiques de sinistres, qui sont des enregistrements de réclamations d'assurance antérieures pour un conducteur donné. Les assureurs ont commencé à intégrer les cotes de crédit des conducteurs dans leur analyse des risques, reconnaissant que des cotes élevées sont en corrélation positive avec une conduite sûre et des pertes proportionnellement plus faibles.
En réfléchissant à l'exemple de souscription, Nogueira note que «lorsque les entreprises pensent avoir besoin de l'IA, elles ont souvent besoin de data scientists».
Pour Nogueira, le processus de soumission d'assurance est assez familier au niveau professionnel et personnel. Data scientist avec une expérience de projet dans le secteur de l'assurance et passionné de moto qui a récemment visité le Portugal, il partage une anecdote à laquelle tout conducteur ou propriétaire peut raconter: «Si j'ai besoin de changer de moto, ce que j'aime faire fréquemment, alors je aller en ligne à un ensemble de compagnies d'assurance et partager mes données via leurs questionnaires en ligne. »
Une fois soumises, les données entrent 'dans un modèle qui vit quelque part sur le backend et analysent mon profil de risque selon un ou plusieurs modèles puis me fournissent un devis'. Dans les secondes nécessaires pour recevoir un tel devis, toute analyse est automatique, remplacée par une intervention humaine uniquement dans le cas de données aberrantes.
L'automatisation pilote également les flux de travail en aval dans le cycle de vie du client d'assurance, notamment pendant le processus de réclamation. Lorsqu'un client d'assurance dépose une réclamation, la compagnie d'assurance décide de payer intégralement, de payer partiellement ou de refuser la réclamation. Le processus implique souvent plusieurs parties externes, y compris le client de l'assurance et le prestataire de services, par exemple un hôpital dans le cas des soins de santé ou un atelier de réparation dans le cas de l'automobile.
Dans l'industrie automobile, le règlement des réclamations dépend de la vérification des dommages causés à un véhicule, de la détermination des coûts de réparation, de la sélection de l'atelier de réparation et du paiement de la réparation. Pour les estimations de réparation, les photos jouent un rôle essentiel dans le processus de réclamation. L'expert en sinistre prend des photos du véhicule accidenté, tout comme l'atelier - avant et après les réparations. Ces photos fournissent la preuve des dommages, de la réparation et la base du remboursement.
Historiquement, ces photos étaient interprétées exclusivement par des personnes, mais maintenant, un logiciel de reconnaissance d'image couplé à automatisation basée sur des règles fournit des informations essentielles à l'expert en sinistres, permettant des réparations et une couverture plus rapides.
La science des données est le cheval de bataille, et les scientifiques des données sont les moteurs
Les entreprises doivent «définir ce qui peut être facilement automatisé et ce qui doit être transmis aux décideurs humains», selon Nogueira. Quel que soit le processus envisagé pour l'automatisation, poursuit-il, «examinez d'abord les données et déterminez les règles».
Alors qu'il admet que les domaines de la science des données et de l'IA fusionnent, pour l'entreprise qui s'installe, Nogueira délimite les deux:
«La science des données est une IA appliquée à des scénarios du monde réel et à des besoins commerciaux courants. Il s'agit davantage de comprendre les données, de les gérer, de les rendre facilement disponibles, faciles à traiter et, en fin de compte, de guider la prise de décision par les parties prenantes de l'entreprise. »
Ce travail revient souvent à nettoyer et à rassembler des ensembles de données disparates - ce qui n'est pas une tâche facile - puis à appliquer une analyse statistique, telle que la régression logistique, pour conduire de meilleures prévisions et décisions.
En revanche, l'IA est beaucoup plus axée sur la recherche et adaptée à l'analyse de données non structurées. «Imaginez un projet vraiment complexe, avec beaucoup d'incertitude, par exemple en essayant de construire un modèle qui détermine combien de personnes peuvent entrer dans un supermarché en fonction des habitudes de marche, de la vidéo CCTV et des données sensorielles.»
En fin de compte, ce modèle pourrait prédire comment les gens achètent, ce qu'ils recherchent et comment positionner les produits les uns par rapport aux autres, en optimisant le plan d'étage pour maximiser les profits. Si un tel projet «ciel bleu», s'il réussit, serait sans aucun doute utile pour les détaillants, il nécessiterait également une équipe de plusieurs experts et pourrait facilement coûter des multiples d'une initiative basée sur la science des données. Dans le cas du commerce de détail, une entreprise peut se concentrer sur un ou quelques-uns des composants les plus critiques du modèle prédictif - par exemple, l'optimisation des heures de magasin par rapport au trafic piétonnier et aux coûts d'exploitation.
Le point de départ essentiel pour développer une capacité de science des données est de recruter le bon type et le bon nombre de talents. Heureusement, selon Nogueira, la plupart des entreprises «n'ont pas besoin d'une grande équipe de développeurs super experts pour effectuer la plupart des automatisations courantes, surtout si l'on considère le nombre de API et SDK disponible.'
obtenir l'heure actuelle en javascript
Bien que ces technologies standard fournissent des outils puissants, il est essentiel qu'elles soient utilisées par les bonnes mains. Ici, Nogueira met en garde: 'ces outils peuvent en fait être un problème, car beaucoup de gens les utilisent d'une manière qu'ils ne devraient pas, parce qu'ils ne les comprennent pas.'
Le danger, note-t-il, réside dans le «surajustement des modèles de données», qui résulte de l'application d'un modèle aux données d'une manière qui ne tient pas compte de l'ensemble des possibilités. Une telle formation excessive, prévient-il, «peut finir par être extrêmement coûteuse pour l'entreprise, car dans des situations que vous n'avez jamais vues auparavant, le modèle ne se généralise pas bien, ce qui peut conduire à de mauvaises décisions sur les données.»
Pour éviter de tels écueils, Nogueira encourage les entreprises à embaucher des data scientists expérimentés. Toutes les entreprises qui cherchent à libérer la valeur des données client ou opérationnelles «ont besoin d'une personne ayant une bonne maîtrise des statistiques et un sens des affaires suffisant pour comprendre les cas d'utilisation et où réside la valeur dans l'entreprise». Du point de vue des informations d'identification, un scientifique des données solide a généralement au moins un BS en mathématiques ou en statistiques, une forte capacité à coder et peut analyser un cas d'utilisation commercial pour déterminer où la science des données peut avoir le plus d'impact.
Pensées de séparation
Alors que la science des données présente un point de départ convaincant du point de vue du risque / récompense, le paysage plus large des technologies d'IA mérite également d'être exploré. Les dirigeants d'entreprise devraient considérer la science des données comme le point de ralliement autour duquel démarrer la conversation interne sur l'IA.
À mesure qu'ils réalisent des réussites avec l'automatisation des processus métier, ils devraient envisager d'élargir la portée pour inclure des cas d'utilisation plus complexes, peut-être mieux adaptés aux technologies alternatives d'IA. Dans les articles suivants, Insights explorera le paysage plus large de l'IA, aidant les dirigeants à naviguer dans un domaine qui fournira sans aucun doute de solides rendements.
