INTELLIGENCE ARTIFICIELLE : RETOUR SUR LA RENCONTRE « MISE EN ŒUVRE DU MACHINE LEARNING EN ENTREPRISE : L’AFFAIRE DU MANAGEMENT » DU 1ER JUIN 2021

La technologie du Machine Learning (ou apprentissage automatique) a un fort potentiel d’optimisation et de transformation dans une entreprise, notamment dans la façon dont les produits sont conçus, fabriqués, vendus, livrés ou encore entretenus. Elle contraint le manager à repenser la façon dont son entreprise fonctionne, à travers de nouveaux processus de production et commerciaux mais aussi de nouvelles pratiques de gestion. Si la technologie apporte également de nouveaux systèmes d’information, elle nécessite néanmoins la formation du personnel et le recrutement de nouveaux talents.

Fort de son expérience avec les entreprises dans la transformation digitale, Basel Area Business & Innovation organise, en collaboration avec le CSEM, une série de trois événements pour répondre aux interrogations liées au Machine Learning.

La 1^ère rencontre s’est déroulée en visioconférence le mardi 1 juin 2021 et avait pour thème le rôle du management dans la mise en œuvre du Machine Learning au sein des entreprises. Nous vous proposons un résumé des principaux points relevés, ainsi que quelques explications liées à l’IA.

MISE EN ŒUVRE DU MACHINE LEARNING EN ENTREPRISE : L'AFFAIRE DU MANAGEMENT

Intervenants :

• Philippe Schmid, CSEM
• Alexandre Pauchard, CSEM
• Leonard Cadet, BOBST

Le management / patron doit être aux commandes de cette transformation
Le manager doit introduire le Machine Learning au sein de l’entreprise, non seulement sur le plan technologique, mais aussi aux niveaux commercial, financier, culturel et des ressources humaines. Cependant, avant de tout changer, il est impératif de bien comprendre cette technologie et ses implications. L’expérience montre en outre qu’il faut démarrer petit, acquérir de l’expérience et des compétences, et avancer étape par étape.

Comprendre la technologie
Philippe Schmid a expliqué le Machine Learning grâce à l’analogie avec le cerveau humain et son modèle de fonctionnement, et en pointant du doigt ses limites (nous ne sommes pas prêts à remplacer nos cerveaux par un programme). Si reconnaitre une chaise pour un être humain ne pose pas de problème, il s’agit d’une tâche complexe pour un programme. La technologie avance vite et les réseaux de neurones artificiels sont désormais accessibles en terme de prix, cependant l’expérience pour l’implémentation reste souvent le point faible.

Qu’a-t-on déjà fait avec le Machine Learning ?
Pour un entrepreneur, il n’est pas aisé d’imaginer quelles tâches peuvent être effectuées par cette technologie au sein de son entreprise.

Alexandre Pauchard a présenté de nombreux exemples suisses de produits et services intégrant le Machine Learning, dans divers secteurs comme l’agriculture, l’industrie, la construction, etc. Les grandes entreprises ne sont en outre pas les seules à pouvoir bénéficier de solutions grâce à cette technologie :

• Vie quotidienne : la plateforme DeepL est un très bon exemple d’utilisation du Machine Learning appliqué à la traduction. Les résultats sont particulièrement étonnants
• Agriculture : distribution d'herbicides basée sur la reconnaissance visuelle (Ecorobotix)
• Agriculture : mesure des grains de céréales avec une haute qualité et une grande rapidité (Buehler)
• Industrie des semi-conducteurs : contrôle de la qualité optique traçable des ondulations atteint 99,8% (Axetris)

Exemple d’un développement chez Bobst : simplifier le travail de l’opérateur pour positionner les textes sur les emballages.
L'objectif est de n'avoir aucun échec dans le processus d'emballage. Les textes doivent être contrôlés et vérifiés (positionnement, impression, taille, langue) dans un environnement complexe. Déroulement du projet :

• définition concrète du projet
• réalisation d’un P.O.C. (Prove of Concept)
• industrialisation de la fonction

La solution mise en place est entièrement intégrée au programme de la machine. Le système a été entraîné avec plus de 800’000 images et plus de 8'000'000 mots. Le développement de la solution Machine Learning, a été réalisé en 3 semaines avec une précision supérieure à 99%.

Pour qu’un projet fonctionne, Leonard Cadet et son collègue tirent trois enseignements :

• les données doivent être disponibles et utilisables
• la solution doit être industrialisable et pérenne
• le problème à résoudre via le Machine Learning doit être bien choisi

Grâce à l’IA, une tâche fastidieuse pour l’utilisateur de la machine a été simplifiée. Les résultats sont encourageants et les prochains projets en réflexion.