Le professeur Max Tegmark, dans son livre Life 3.0, définit la « Vie 3.0 » comme étant une vie affranchie des entraves évolutives. Toutes les formes de vie sont limitées par leur matériel biologique (essentiellement du carbone et de la poussière d’étoiles). On surmonte cela en imbriquant de l’intelligence non carbonée (silicium ?) dans la vie humaine. En gros, une intelligence qui n’a pas de limites biologiques, comme l’intelligence artificielle (IA), où des objets inanimés développent la capacité d’apprendre et de réagir en fonction de cet apprentissage. Des choses comme une voiture, un ordinateur, un film interactif, ou quelque chose dont nous n’avons aucune idée aujourd’hui.
Il existe de nombreux concepts dans le domaine de l’IA, y compris l’apprentissage automatique (AA), l’apprentissage profond, les réseaux de neurones, le traitement automatique du langage naturel (TALN), la RV, la réalité augmentée (RA), LSTM et quelques autres. Tous ces domaines traitent d’une immense quantité de données sous diverses formes : son, image, vidéo, impulsions électriques, température, valeurs de pH, viscosité, biomarqueurs, données structurées et non structurées, etc. Diverses techniques (comme la modélisation) sont utilisées pour traiter de telles données ou une combinaison de celles-ci en utilisant des méthodes très simplifiées, comme l’apprentissage et le classement.
Quelles sont les applications ou cas d’utilisation de l’IA dans le monde de la technologie – « l’industrie techno » ! D’une certaine manière, l’industrie techno a une définition très floue et peut inclure l’industrie des semi-conducteurs, les fournisseurs de contenu numérique, les marchés numériques, l’industrie de la F1, les soins de santé, etc. Comme je dois publier ce blogue rapidement, je vais me limiter à quelques cas d’utilisation et idées.
Conception de puces – La conception de puces semi-conductrices défie les limites moléculaires du silicium. Le processus de conception consiste à assembler de très grands volumes de données, à les corréler à la simulation de scénarios (tension, chaleur, consommation d’énergie, pertes de mémoire, etc.). Le processus traditionnel consiste à concevoir la valeur nominale puis à bâtir des variantes autour, afin de créer le meilleur produit technologique. Au fil des ans, cela a évolué pour inclure la technologie, les capacités d’intégration, la collaboration, et la fenêtre pour expédier le produit (lancement et chaîne d’approvisionnement). Tandis que les plateformes Big Data aident à recueillir les données, c’est l’IA qui permet l’élaboration d’algorithmes d’apprentissage spécialisés et l’optimisation computationnelle des données.
Fabs – cette industrie a connu de sérieux bouleversements. Depuis 2008, environ 83 entreprises ont fermé (ou consolidé). C’est une industrie très capitalistique et chaque nouvelle génération de nœuds prend plus de temps à développer, les transistors et la mémoire deviennent plus denses, et les couches ainsi que les dimensions augmentent. La technologie de l’IA est utilisée pour augmenter le rendement des puces (dés par tranche), accélérer l’inspection et améliorer l’assurance qualité. L’outillage et les procédés typiques n’assurent qu’un faible rendement, des coûts de production élevés et donc, le risque d’abîmer le produit. Les entreprises utilisent maintenant des systèmes d’IA avec des microscopes 3D capables de traiter 100 000 puces par minute et de détecter les erreurs (densité de matière dans les tranches) à l’échelle nanométrique et sur de multiples couches instantanément. Les essais et l’assemblage représentent 20 à 30 % du coût de production, une part impossible à négliger. L’une des grandes entreprises de mémoire et de mémoire vive dynamique (DRAM) utilise l’apprentissage profond pour prédire les défaillances avant le début des tests électriques.
Maintenance – Le coût élevé des actifs signifie qu’ils doivent toujours fonctionner au maximum, et il faut savoir avant qu’un bris ne survienne. C’est complexe – il y a un énorme volume de données provenant de capteurs et de divers autres systèmes de surveillance. Les algorithmes d’intelligence artificielle utilisant tous ces éléments de données peuvent différencier le bruit de fond des véritables erreurs et reconnaître de petites variations mineures qui pourraient exploser plus tard. Ces algorithmes peuvent prédire les ralentissements/pannes et ainsi guider la prise de décisions opérationnelles.
Chaînes d’approvisionnement – Le vieux problème d’apparier l’offre à la demande existe toujours. Les entreprises tentent constamment de prévoir avec exactitude et d’optimiser les stratégies de réapprovisionnement. Les changements structurels (externalisation, chaînes d’approvisionnement axées sur la valeur, etc.) et l’optimisation des processus ne permettent que des gains limités – d’aucuns pensent même que les chaînes d’approvisionnement sont déjà optimisées. Les dirigeants ont adopté une approche axée sur la capacité interne (NPI, assortiment de SKU, réseaux de distribution, promotions, etc.), rehaussée par certains facteurs ou tendances externes. Il ne s’agit pas de penser « hors des sentiers battus », mais d’élargir le cadre même. Les organisations doivent gérer de nombreux facteurs externes comme les perceptions du marché, le paysage concurrentiel, les changements géopolitiques, les répercussions réglementaires, la météo et l’immense quantité de données IdO provenant des capteurs. Les chefs de l’exploitation expérimentent des solutions à l’aide de l’intelligence artificielle pour la prévision et le réapprovisionnement prédictifs en utilisant des données qui auparavant n’étaient pas disponibles ou impossibles à gérer, compte tenu du volume, de la diversité et des sources.
Robotique – Les robots actuels (la plupart) sont basés sur des règles et conçus pour effectuer des tâches répétitives efficacement. Ils ne peuvent pas réagir aux changements et sont conçus à des fins précises. Si le procédé, l’environnement ou le produit change, il faut modifier ou remplacer le robot. L’apprentissage profond permet la reconnaissance d’objets et la segmentation sémantique — la capacité de reconnaître les propriétés des objets et le contexte autour des robots. Ainsi, ces robots peuvent collaborer avec les humains et apprendre graduellement, enseigner à d’autres robots (effrayant, non !), et sont assez flexibles pour s’adapter. Une compagnie de mémoire flash a déployé ces robots autonomes qui communiquent entre eux et entrent en action pour augmenter le rendement. Ces machines n’entrent pas en collision avec les objets, les humains, et ne congestionnent pas le plancher – et elles peuvent changer leurs propres batteries.
Il faut une tonne de données pour inférer – c’est un peu trop inefficace. Reformulons la question – avons-nous vraiment besoin d’autant de données pour chaque prédiction ou prescription ? La réponse réside peut-être dans l’informatique en périphérie (edge computing) et LSTM (Long Short Term Memory). L’informatique en périphérie place une faible puissance de calcul devant les appareils de bout de ligne, au lieu d’envoyer toutes les données vers un centre centralisé. Plutôt que d’envoyer les téraoctets de données générés par une voiture de F1 à un serveur central, chaque appareil (comme un capteur de pression des pneus) possède une petite capacité de calcul et n’envoie que les données pertinentes au prochain capteur ou au serveur central. LSTM, de son côté, gère de grands volumes de données en les fragmentant en morceaux pertinents tout en étant capable d’oublier et de les transmettre. Des arachides et du beurre contre du beurre d’arachide – LSTM peut déduire le résultat contextuel en utilisant la porte d’oubli. Ainsi, si vous avez une tranche de pain dans votre assiette et un verre de lait, LSTM conclura que vous allez étendre du beurre d’arachide sur votre pain. Voyez une simple démo ici :
Ces techniques sont utilisées dans les voitures autonomes, l’application de la loi, la détection de la fraude (pensez à l’audience du Sénat avec Zuckerberg), les campagnes de marketing, la médecine de précision, la recherche biomédicale, la production musicale, les assistants personnels, etc.
L’IA permet la reconnaissance faciale sur votre téléphone. L’IA conversationnelle réduit l’empreinte tactile de l’interaction humaine, créant de la naturelleté sur des surfaces utilisateur toujours plus vastes. Les progrès de l’IA transfèrent la charge cognitive de l’utilisateur vers l’appareil. Nous vivons l’IA au quotidien, sous une forme ou une autre.
Où commencer ? Aujourd’hui, si vos actifs ne sont pas numériques, votre entreprise est sous respirateur artificiel. Tant que ceux-ci ne sont pas numérisés, ne perdez pas de temps avec l’IA. La première étape est d’aller au numérique.
Certains diront que gérer ces énormes volumes de données diversifiées pose problème dans l’industrie techno, car elle a atteint une certaine maturité en matière de prolifération de nœuds de données (capteurs) et de collecte de données en temps réel. Établir une solide architecture Big Data et améliorer de façon continue ses capacités sont la prochaine étape avant d’adopter l’IA. La 5G s’en vient (tremblez !) avec une latence cinq fois plus faible, une vitesse cent fois supérieure, 1 000 fois plus d’appareils IdO, de vrais réseaux machine à machine, et une explosion des interactions humain/machine et machine/utilisateur. Cela fera avancer l’agenda de l’architecture Big Data et des capacités d’informatique en périphérie.
Les organisations doivent encourager une culture de la pensée ambitieuse et attirer de nouveaux talents. L’IA n’est pas de l’entreposage de données ou de l’analyse — c’est une branche scientifique computationnelle fascinante et très différente. Les solutions généralistes des logiciels « gros joueurs » n’arrivent pas à la cheville des solutions pointues des bidouilleurs à code ouvert. La plupart de ces initiatives vont échouer, mais chacune d’elles va nous rendre plus intelligents. Il n’y a pas d’échecs, seulement des apprentissages. Les leaders devront relever le défi d’orienter l’intellect scientifique vers des résultats d’affaires.
L’industrie techno et l’IA sont intrinsèquement symbiotiques. L’industrie techno relève des défis pour franchir chaque frontière physique et passer à l’orbite suivante, la plupart du temps de façon transformationnelle. L’IA est sans contredit un multiplicateur de force à cet égard.
Les machines existent depuis la nuit des temps (première roue) pour aider les humains à poursuivre des objectifs toujours plus élevés. Il y a des enjeux éthiques et bien peu de consensus sur la vie privée, la liberté individuelle, la domination et l’exploitation, etc. Le professeur Tegmark soutient que la matière deviendra de plus en plus intelligente, et il revient à nous (l’intelligence carbonée) d’y faire face. La vie est apparue dans une soupe chimique (principalement d’acides aminés) et autres substances, dans des conditions physiques extraordinaires; si nous n’abordons pas les enjeux éthiques et le but supérieur de l’IA, l’humanité risque de finir dans une bien mauvaise soupe. Il a la preuve que l’humanité, dans l’ensemble, s’est montrée constructive — nous avons mal utilisé le feu, mais avons fini par inventer des alarmes-incendie, des extincteurs, des sorties de secours, des camions de pompiers pour y remédier. Je pense que l’IA nous rendra plus intelligents.
J’écris ceci alors que la Californie du Nord lutte contre des feux de forêt qui ont coûté des vies, détruit des propriétés et déplacé des communautés. J’espère qu’un jour l’IA et la robotique pourront faire partie de la solution pour éviter de telles calamités — il nous reste beaucoup de travail à faire.
