L’Intelligence Artificielle (AI) est partout. On connait tous ChatGPT (OpenAI), ClaudeAI (Anthropic) ou Gemini (Google DeepMind). Elles font la manchette.

Ce sont des IA génératives sur un modèle de texte basées sur de grands modèles de langages (LLM).

Il y a des IA génératives d’images, d’audio/musique/voix ou de vidéo. Leur nom l’indique, elles sont très utiles dans la génération de textes, d’images, etc.

Mais il y a d’autres types d’IA. Il faut éviter de ne considérer que celle-là.

« Quand on n’a qu’un marteau comme outil, tout ressemble à un clou. » Cette métaphore prend son origine de la loi du marteau de Maslow qui implique une confiance excessive accordée à un outil. Elle sous-entend que si on dispose d’un seul outil, on aura tendance à l’appliquer à tous les problèmes, même si ce n’est pas toujours la solution la plus adaptée.

Élargissez vos connaissances. Assurez-vous au moins de connaître les autres outils IA existants.

Un exemple

Le doodle qui illustre cet article a été commandé à ChatGPT (IA générative de texte) avec la directive de demander à DALL_E (IA générative d’image) de créer un doodle en noir et blanc avec des accents #FF5500, donnant l’impression d’être fait à la main, d’une hauteur de 1075 pixels et d’une largeur de 1435 pixels.

Voici les errances :

• Les dimensions n’ont simplement pas été respectées. J’ai apporté les corrections après la génération.
• Aucune inclusion de la couleur #FF5500. J’ai appris après que DALL-E ne peut pas recevoir l’instruction d’insérer une couleur précise. Aucune mention n’en a été faite. J’ai ajouté la couleur par la suite.
• Quand on porte attention aux mots écrits, ils n’ont aucun sens. Ils ressemblent à des mots existants, mais n’en sont pas.

Cette situation est simple : j’ai demandé quelque chose à une IA et elle n’était pas adaptée à cette demande. Elle livre quelque chose quand même sans porter de jugement sur la qualité de sa livraison.

On tire déjà 2 apprentissages :

1. On doit s’informer des limites de l’outil IA qu’on utilise. L’outil lui-même ne les signale pas.
2. On doit choisir le bon type d’IA pour la tâche qui doit être accomplie.

Dans cet exemple, l’IA utilisé n’était pas apte à répondre à ma requête. Un autre type d’IA aurait-il été en mesure de compléter adéquatement ma requête ?

Examinons les options.

Les types d’IA

Il y a plusieurs types d’IA. Vous pouvez trouver une liste partout. Nous en rapportons une ici pour que la lecture soit autosuffisante, sans plus de prétention.

Voici donc en quelques lignes le panorama des types d’IA.

IA symbolique (ou IA basée sur des règles)

Pendant mes études à l’Université, on appelait ça les systèmes experts (on parle ici des années ’80). Ça utilise des règles logiques et des bases de connaissances explicites – donc déjà connues. Tout doit être connu et codifié. Ça fonctionne donc bien pour le diagnostic médical (avec règles connues), le support décisionnel réglementé (ex. fiscalité), le raisonnement logique déductif. Les engins de règles ont simplifié le travail.

Pawa en introduit tout naturellement dans le code existant en codifiant les règles des meilleures pratiques en analyse des ventes et prévision de la demande. L’avantage de ces règles est qu’elles sont partagées par l’industrie et assez stables pour être applicable à ce modèle.

IA statistique supervisé (machine learning supervisé)

Les algorithmes apprennent à partir de données étiquetées qui doivent être de qualité. Des mauvaises données entrainent un mauvais apprentissage. Les données doivent donc être de qualité et continuer de l’être même si le contexte change. Ça marche assez bien pour les prédictions pour lesquelles nous avons aussi les résultats matérialisés. La prédiction et le réel permettent cet apprentissage. Ça fonctionne bien pour les prévisions de la demande, la classification de courriels, documents, reconnaissance d’image.

Pawa dispose de beaucoup de données de qualité. Vos données!

Ce modèle s’applique bien aux prévisions des ventes et de la demande.

IA statistique non supervisée (clustering, réduction de dimensions)

Cette fois, les algorithmes découvrent des structures ou regroupements dans des données non étiquetées. Ils reconnaissent des patrons (pattern recognition). On comprend qu’ici, on demande à l’IA de découvrir des patrons dans les données et ils infèrent ensuite qu’un résultat comparable suivra. Utile pour détecter des comportements déviants. Les ventes d’un produit qui subitement s’enlisent ou s’emballent sont un bon exemple.

Ici aussi Pawa est gagnant. Encore une fois, les données sont en quantité suffisante et de qualité. Les patrons qui diffèrent des comportements habituels peuvent y être détectés. Utile pour un comportement inhabituel des ventes.

IA par renforcement (reinforcement learning)

Les algorithmes apprennent par essai-erreur, en maximisant une récompense terme. La durée du terme peut avoir un impact important et changement le comportement de l’IA. Fonctionne bien pour les jeux et là où la rétroaction (succès ou erreur) est assez brève. Comme apprendre à un robot à garder son équilibre, les jeux vidéo. L’apprentissage sera long si la rétroaction est longue et si on souhaite maximiser à long termes.

IA générative (ex. GPT, DALL·E)

La star du moment.

Ces modèles génèrent du contenu habituellement à partir de requêtes textuelles, mais ça peut aussi être des images, du son, etc. C’est dans ce domaine qu’ils performent. Leur confier une analyse statistique est contre nature. Le problème est qu’ils acceptent toujours d’effectuer la tâche même s’ils sont mauvais à cette sorte de travail.

Pawa l’utilise notamment pour répondre de façon personnalisée à vos questions en s’appuyant sur sa base de connaissances spécialisée, et pour générer des sommaires exécutifs qui orientent les décisions de vos gestionnaires.

Autre modèles…

Il y a les modèles hybrides et de nombreuses déclinaisons des types énumérés. Ils combinent avantages et inconvénients des modèles qu’ils implémentent et ajoutent de la complexité.

Résumé des modèles d’IA

Choisir le bon modèle d’IA

Une aspect clé pour un déploiement de l’IA est l’appariement du bon modèle pour le problème à solutionner.

Pour Pawa, nous y avons mis le plus grand soin.

Ainsi, Pawa utilise

• L’IA symbolique pour appliquer les meilleures pratiques de l’industrie en matière d’analyse des ventes et prévision de la demande. Les règles sont connues et stables.
• L’IA statistique supervisé pour les des ventes et de la demande. Pawa est un champion des données de qualité et fiables.
• L’IA statistique non supervisé pour identifier les variations inhabituelles des ventes. Ce modèle est le meilleur pour ce genre de défi.
• L’IA générative pour répondre à des requêtes textuelles et générer des sommaires exécutifs facile à interpréter

Voilà pour ce second volet sur le déploiement de projets IA… tel que nous l’avons appliqué chez Pawa.

Ciao