Qu’est-ce que l’IA prédictive ?
Pour les spécialistes, de ceux qui essayent dans un
effort surhumain, de se mettre à mon niveau de crétinerie congénital (je rappelle
au lecteur que je n’ai qu’un seul neurone en fonction, celui du « nerf honteux »
et encore, je ne suis même pas sûr qu’il s’appelle vraiment comme ça…), l’intelligence
artificielle (IA) « prédictive » consiste à associer analyse
statistique et « machine learning » pour identifier les schémas,
anticiper les comportements et prévoir les événements à venir.
Je vous en parle « scienteusement » dans un de mes romans, probablement celui-là, quand j’ai rencontré la narratrice des aventures de « Charlotte » à San Lorenzo de el Escorial situé au Nord-ouest de Madrid, qui s’y était déplacée en urgence alors qu’on aurait pu se rencontrer tranquillement sur « Paris-sur-la-plage » un peu plus tôt ou un peu plus tard…
Et les entreprises exploitent normalement l’IA prédictive pour prédire les résultats futurs, la causalité des événements qui les impactent, leur exposition aux risques, etc.
Il faut vous dire que l’analyse prédictive est
utilisée depuis longtemps par les analystes dans de nombreux organismes pour
prendre des décisions fondées sur les données. Cependant, la technologie d’IA
prédictive accélère l’analyse des données statistiques et améliore sa précision
en raison du volume de données dont disposent désormais les algorithmes de « machine
learning ».
L’IA prédictive parvient ainsi à ses conclusions en analysant des milliers de facteurs et, potentiellement, plusieurs décennies de données alors que jusque-là on se démerdait avec quelques données disponibles et l’appréciation critique de quelques ratios : J’en ai monté quelques-uns quand je travaillais en cabinet d’expertise comptable. On appelait ça des « scoring » et les miens ont laissé des traces dans ceux qui sont enseignés aux IA et aux étudiants des meilleures universités du pays, alors que depuis je les ai largement simplifiés.
Et ces prévisions peuvent aider les entreprises et autres organisations à se préparer aux tendances futures.
Mais j’échoue toujours ,et les IA aussi, à maîtriser l’aléa d’un tirage du loto.
Même si la marge d’imprévu se rétrécit de plus en plus…
On me dit que l’IA prédictive est parfois confondue
avec l’analyse descriptive ou prescriptive. L’analyse descriptive, d’après ce
que j’ai appris, aide les organisations à comprendre pourquoi quelque chose
s’est produit dans le passé, tandis que l’analyse prédictive les aide à
anticiper ce qui pourrait se produire.
L’analyse « prescriptive » fournit donc des recommandations sur les mesures à appliquer pour faire en sorte que ces résultats se produisent.
Idéalement, elle prévoit tous les « possibles » et prépare et identifie toutes les réponses : Les militaires en sont férus dans les états-majors et pour comprendre de quoi il s’agir, il faut lire « L’Anomalie », le Goncourt d’Hervé Le Tellier…
L’IA prédictive est donc largement utilisée pour
obtenir des informations sur le comportement des clients et optimiser la prise
de décision dans tous les secteurs d’activité.
Elle est en principe capable de tout prédire, de l’attrition des clients aux perturbations de la chaîne d’approvisionnement en passant par les défaillances mécaniques, elle permet une planification proactive grâce à des prévisions fiables et précises.
La précision et les performances des modèles d’IA
prédictifs dépendent en fait et en grande partie de la qualité et de la
quantité des données d’entraînement.
Des pratiques rigoureuses de gouvernance des données, le nettoyage des données, la validation et les mises à jour cohérentes des ensembles de données garantissent la fiabilité des données utilisées, ce qui améliore la précision des modèles prédictifs.
Mais la création d’une application d’IA prédictive exige qu’une entreprise collecte des données pertinentes à partir de diverses sources et qu’un cerveau affûté les nettoie en identifiant les valeurs manquantes, les données aberrantes ou les variables non pertinentes.
Les données sont ensuite divisées en jeux d’entraînement et de test, le jeu d’entraînement étant utilisé pour entraîner le modèle et le jeu de test pour évaluer ses performances.
L’IA prédictive utilise ainsi l’analyse du « big data » et l’apprentissage profond pour examiner les données historiques, les modèles et les tendances.
Plus les algorithmes de « machine learning » fournissent de données, meilleures sont les prédictions… à condition qu’elles soient de « bonne qualité ».
Il est également essentiel que les organismes tiennent
compte des considérations éthiques et atténuent les biais dans les modèles d’IA
prédictive.
Les biais des données ou des algorithmes peuvent entraîner des résultats inéquitables ou discriminatoires, voire tout simplement aberrant selon nos normes contemporaines.
Les pratiques éthiques de l’IA protègent contre les conséquences préjudiciables et renforcent en fait la confiance des utilisateurs et des parties prenantes.
Une fois les données prêtes, les « data scientists » peuvent entraîner les modèles d’IA prédictive. Divers algorithmes de « machine learning », tels que la régression, les arbres de décision et les réseaux neuronaux, peuvent être utilisés.
Le choix de l’algorithme dépend en réalité de la nature des données et du type de prédiction effectuée.
Ainsi les réseaux neuronaux sont employés pour
réaliser diverses tâches en raison de leur capacité à apprendre des schémas
complexes à partir d’immenses jeux de données.
La régression linéaire est une technique utilisée principalement pour identifier les corrélations entre les variables, tandis que la régression logistique est particulièrement utile dans les tâches de classification telles que la catégorisation des données en groupes distincts.
J’adore les premières depuis que j’ai compris qu’Excel te calcule un taux de corrélation en un seul clic…
Les secondes également, surtout avec Access. Mais Excel sait y faire également, avec des chiffres et avec des lettres : Il suffit de bien organiser sa base de données pour avoir des peignes d’analyse utiles à des recherches postérieures dedites données.
Les machines à vecteurs de support sont également
employées pour la classification, offrant des performances robustes dans des
scénarios comportant des séparations de marges claires.
Les « decision trees » ou « arbres de décision » (comme on dit en Auvergne) estiment les résultats en divisant les données en branches en fonction des valeurs de caractéristiques, ce qui améliore la précision de la classification.
Ça fonctionne assez bien…
Le « clustering en k-moyennes » est également utilisé pour trier les données en groupes en fonction de la similarité, ce qui facilite la découverte de schémas sous-jacents dans les données. Quand ils existent.
Quel que soit l’algorithme utilisé, au cours de l’entraînement, le modèle apprend les relations et les schémas dans les données et ajuste ses paramètres internes.
Il tente normalement de minimiser la différence entre ses sorties prédites et les valeurs réelles de l’ensemble d’apprentissage.
Ce processus est souvent itératif, le modèle ajustant ses paramètres de manière répétée en fonction de l’erreur observée jusqu’à ce qu’il atteigne un état optimal.
Les modèles entraînés sur des données plus
diversifiées et plus représentatives sont généralement plus performants dans
leurs prédictions, de ce qu’on m’a assuré.
Ce qui est logique, mais pour en avoir vu tourner, je ne suis pas encore totalement convaincu.
Car en outre, le choix de l’algorithme et des paramètres définis lors de l’entraînement peuvent avoir une incidence sur la précision du modèle.
Si les données sont suffisantes, un modèle de « machine learning » peut apprendre à trier les informations et les données de traitement, permettant ainsi d’obtenir des résultats plus précis.
Mais à chercher à être trop précis, on élargit le champ des incertitudes…
Si l’IA prédictive peut interroger les bases de
données rapidement et efficacement à l’aide d’incorporations (ou « embeddings »
comme on dit en Balagne), ces incorporations sont un moyen de stocker des
informations qui permettent à l’IA d’identifier les similitudes et les
relations.
Créées par des couches de réseaux neuronaux non supervisés, les incorporations transforment les informations en vecteurs et les placent dans un espace mathématique qui se rapporte alors à toutes les autres informations de l’ensemble de données.
Et les représentations vectorielles qui se regroupent sont considérées comme pertinentes les unes par rapport aux autres, ce qui permet à l’IA de « lire » rapidement toutes les données pertinentes et d’effectuer une prédiction en deux clics.
Quant aux problèmes de l’explicabilité et de la
transparence des modèles d’IA, ils sont essentiels pour instaurer la confiance
et pour préserver la conformité réglementaire.
L’IA explicable aide les parties prenantes à comprendre comment les prédictions sont effectuées. Et il est essentiel d’assurer la transparence pour gagner la confiance des utilisateurs et respecter les normes juridiques et éthiques, en particulier dans les domaines sensibles tels que la finance ou les soins de santé.
Ainsi les applications d’analyse prédictive consistent à introduire des données structurées comme les chiffres de vente, les relevés de capteurs et les dossiers financiers dans des algorithmes de « machine learning », tels que la régression ou les « decision trees », afin de fournir une analyse en temps réel.
Ces algorithmes analysent les corrélations historiques entre les variables qui ont précédé les résultats.
Ces schémas permettent aux modèles quantitatifs de prévoir les événements dans de nouvelles conditions.
Et la précision continue de s’améliorer à mesure que les modèles ingèrent des données plus pertinentes et plus propres sur des horizons temporels plus longs afin d’affiner les corrélations.
Ainsi, les prédictions gagnent en fiabilité à mesure que les réussites s’accumulent.
Il n’empêche, le « présage d’Hindenburg » n’est pas classé comme pertinent par les IA qu’on a pu me montrer…
Ça relèverait de la superstition !
Il faut dire que les deux derniers ont royalement foiré, mais pas les précédents : Il faut donc envisager que grâce à l’IA (et les modèles prédictifs) et à « l’argent magique », nos grands argentiers sont capables de faire mentir les modélisations les plus affinées et les plus pointues et pertinentes !
D’ailleurs, notons que parce que des facteurs externes
peuvent l’influencer, l’IA prédictive mesure les « résultats potentiels »,
et non des « certitudes ».
Cependant, s’appuyer fortement sur les prévisions et abandonner le jugement humain peut présenter des risques de biais : La prédiction des comportements humains soulève tellement de questions, notamment éthiques, que la plupart des utilisateurs doivent éviter de trop s’appuyer sur ces prédictions-là.
L’IA prédictive et l’IA générative utilisent toutes
deux le « machine learning » combiné à l’accès au « big data ».
L’IA prédictive utilise le « machine learning » pour extrapoler
l’avenir. Les outils d’IA générative, tels que ChatGPT ou Llama 3, utilisent de
grands modèles de langage (LLM) pour générer du nouveau contenu à partir de
prompts en langage naturel.
Ainsi les modèles d’IA générative utilisent l’analyse statistique pour créer un type de prédiction, mais leur objectif est de prédire des mots, des segments de code ou les effets d’art visuel corrects devant être générés.
Et en réalité, il n’est pas forcément nécessaire de choisir entre des modèles d’IA prédictive ou d’IA générative pour obtenir des résultats satisfaisants (quand on n’est pas trop regardant). Au contraire, de nombreuses entreprises ont tout intérêt à utiliser les deux de manière complémentaire.
Chacun possède des « skills » (des compétences, mais on se la pète dans les milieux geeks…) spécialisés qui se complètent s’ils sont combinés de manière intelligente (par un cerveau biologique fait de neurone et de formation patiente durant de longues années d’expérience).
En effet, pour que l’IA prédictive apporte une valeur maximale, elle doit être intégrée dans les processus et « workflows » (qu’on peut traduire par « flux de travail ») existants de l’entreprise. Cette intégration permet de s’assurer que les informations et les prédictions générées par les systèmes d’IA sont exploitables et créent ainsi de la valeur.
Là, on doit s’efforcer d’aligner l’IA prédictive sur les objectifs stratégiques et les besoins opérationnels afin d’en tirer pleinement parti.
L’IA prédictive peut aussi aider à identifier à quel
moment la demande des consommateurs est la plus élevée et qu’un magasin doit
avoir plus d’articles en stock.
Là, je vous avoue avoir vu tourner chez des grossistes et notamment le pinardier « Parigot » Nicolas, des progiciels (on appelait ça comme ça pour désigner un ensemble de programmes qui tournaient en symbiose) qui avaient été mis au point par les polytechniciens d’IBM Évry-Courcouronnes et que ça fonctionnait du tonnerre.
Ainsi, désormais et par exemple, en cas de catastrophe naturelle comme un ouragan, un magasin peut s’assurer d’avoir suffisamment de produits de base à proposer. Les Helvètes font plus simple : Ils doivent réglementairement avoir un an de stock de toutes les références de leur cadenciers en stock…
Mais l’IA prédictive peut aussi aider les
transporteurs à répondre aux pics de demande de marchandises en déterminant à
quel moment les routes sont le plus encombrées.
Elle peut aussi aider les fournisseurs de services à anticiper les demandes des utilisateurs, à améliorer l’expérience client et à prévoir les comportements en fonction des données clients et de l’activité antérieure.
Avec suffisamment de données, l’IA prédictive peut aider à prévoir des problèmes de santé potentiels en fonction des antécédents médicaux d’un patient.
L’IA prédictive peut aider le marketing à développer du contenu, des produits et des messages susceptibles d’intéresser les clients potentiels en anticipant le comportement des utilisateurs.
Elle peut prévoir les mouvements du marché et analyser les données de transaction pour améliorer la détection des fraudes, comme une connexion inhabituelle à un appareil, un nouvel emplacement ou une demande qui ne correspond pas au comportement habituel d’un utilisateur donné.
En matière de commerce, l’IA prédictive peut examiner les données de vente, la saisonnalité et les facteurs non financiers afin d’optimiser les stratégies de prix, de prévoir la demande des consommateurs ou de prédire les prochaines tendances du marché.
Elle peut également rationaliser la gestion des réclamations et prévoir les pertes potentielles en matière de sinistre.
En surveillant les vibrations, la température et d’autres données de capteurs des machines, l’IA prédictive identifie aussi le risque de défaillance d’équipements afin de prévoir leur maintenance et éviter les temps d’arrêt.
Les plateformes de streaming appliquent des modèles
prédictifs pour suggérer des contenus personnalisés qui correspondent aux goûts
des utilisateurs en fonction de leur historique de visionnage et d’écoute.
L’automatisation des processus sur le lieu de travail avec l’IA prédictive peut accomplir des tâches à court terme lors de l’analyse des données, ce qui améliore d’autant l’automatisation et permet aux employés de concentrer leur énergie sur la prise de décision et les choix créatifs.
Mais comme me faisait remarquer « ma Nichée », le problème c’est que les seniors et les dirigeants n’ont désormais plus besoin de junior pour leur mâcher le travail…
Que dans les entreprises, il n’y plus de stagiaire pour faire le café avec tout le temps libre dégagé par l’IA chez les seniors.
C’est peut-être tant mieux, mais si les « juniors » qui sortent de l’ékole ne sont pas formés aux métiers de demain, jamais on ne pourra remplacer les « seniors » quand ils partiront en retraite atteint par l’obsolescence de l’âge…
« Dit Papa, qu’est-ce qu’on va devenir, nous
les jeunes, dans ce monde où la machine nous aura volé notre place ? »
Parce qu’en plus, la machine ne se fatigue pas, ne tombe pas malade, ne prend pas de congés payés, ne fait pas grève, se remplace en un clic et ne s’arrête pas passées les 35 heures hebdomadaires…
Il faut savoir être ambitieux et faire comme « Deux-Noix-Âme-Mont » qui a anticipé le problème en proposant de taxer les robots, les logiciels et les machines pour financer la création d’un revenu universel… pour que les humains consomment encore ce que les machines auront prédit qu’il fallait produire.
Un monde de fou.
« Tu trouveras une solution, comme toutes les générations ont trouvé des solutions à des problèmes qui n’existaient pas avant eux.
Bon début de semaine toutes et à
tous !
I3
Pour mémoire (n’en
déplaise à « Pal-Poux-tine ») : « LE PRÉSENT BILLET A ENCORE ÉTÉ RÉDIGÉ PAR UNE
PERSONNE « NON RUSSE » ET MIS EN LIGNE PAR UN MÉDIA DE MASSE « NON RUSSE »,
REMPLISSANT DONC LES FONCTIONS D’UN AGENT « NON RUSSE » !
Post-scriptum : Alexeï Navalny est mort en détention pour ses opinions politiques. Les Russes se condamnent à perpétuité à en supporter toute la honte !
Постскриптум: Алексей Навальный умер в заключении за свои политические взгляды. Россияне обрекают себя на всю жизнь нести весь позор!
Parrainez Renommez la rue de l'ambassade de Russie à Paris en rue Alexeï Navalny (change.org)
Je vous en parle « scienteusement » dans un de mes romans, probablement celui-là, quand j’ai rencontré la narratrice des aventures de « Charlotte » à San Lorenzo de el Escorial situé au Nord-ouest de Madrid, qui s’y était déplacée en urgence alors qu’on aurait pu se rencontrer tranquillement sur « Paris-sur-la-plage » un peu plus tôt ou un peu plus tard…
Et les entreprises exploitent normalement l’IA prédictive pour prédire les résultats futurs, la causalité des événements qui les impactent, leur exposition aux risques, etc.
L’IA prédictive parvient ainsi à ses conclusions en analysant des milliers de facteurs et, potentiellement, plusieurs décennies de données alors que jusque-là on se démerdait avec quelques données disponibles et l’appréciation critique de quelques ratios : J’en ai monté quelques-uns quand je travaillais en cabinet d’expertise comptable. On appelait ça des « scoring » et les miens ont laissé des traces dans ceux qui sont enseignés aux IA et aux étudiants des meilleures universités du pays, alors que depuis je les ai largement simplifiés.
Et ces prévisions peuvent aider les entreprises et autres organisations à se préparer aux tendances futures.
Mais j’échoue toujours ,et les IA aussi, à maîtriser l’aléa d’un tirage du loto.
Même si la marge d’imprévu se rétrécit de plus en plus…
L’analyse « prescriptive » fournit donc des recommandations sur les mesures à appliquer pour faire en sorte que ces résultats se produisent.
Idéalement, elle prévoit tous les « possibles » et prépare et identifie toutes les réponses : Les militaires en sont férus dans les états-majors et pour comprendre de quoi il s’agir, il faut lire « L’Anomalie », le Goncourt d’Hervé Le Tellier…
Elle est en principe capable de tout prédire, de l’attrition des clients aux perturbations de la chaîne d’approvisionnement en passant par les défaillances mécaniques, elle permet une planification proactive grâce à des prévisions fiables et précises.
Des pratiques rigoureuses de gouvernance des données, le nettoyage des données, la validation et les mises à jour cohérentes des ensembles de données garantissent la fiabilité des données utilisées, ce qui améliore la précision des modèles prédictifs.
Mais la création d’une application d’IA prédictive exige qu’une entreprise collecte des données pertinentes à partir de diverses sources et qu’un cerveau affûté les nettoie en identifiant les valeurs manquantes, les données aberrantes ou les variables non pertinentes.
Les données sont ensuite divisées en jeux d’entraînement et de test, le jeu d’entraînement étant utilisé pour entraîner le modèle et le jeu de test pour évaluer ses performances.
L’IA prédictive utilise ainsi l’analyse du « big data » et l’apprentissage profond pour examiner les données historiques, les modèles et les tendances.
Plus les algorithmes de « machine learning » fournissent de données, meilleures sont les prédictions… à condition qu’elles soient de « bonne qualité ».
Les biais des données ou des algorithmes peuvent entraîner des résultats inéquitables ou discriminatoires, voire tout simplement aberrant selon nos normes contemporaines.
Les pratiques éthiques de l’IA protègent contre les conséquences préjudiciables et renforcent en fait la confiance des utilisateurs et des parties prenantes.
Une fois les données prêtes, les « data scientists » peuvent entraîner les modèles d’IA prédictive. Divers algorithmes de « machine learning », tels que la régression, les arbres de décision et les réseaux neuronaux, peuvent être utilisés.
Le choix de l’algorithme dépend en réalité de la nature des données et du type de prédiction effectuée.
La régression linéaire est une technique utilisée principalement pour identifier les corrélations entre les variables, tandis que la régression logistique est particulièrement utile dans les tâches de classification telles que la catégorisation des données en groupes distincts.
J’adore les premières depuis que j’ai compris qu’Excel te calcule un taux de corrélation en un seul clic…
Les secondes également, surtout avec Access. Mais Excel sait y faire également, avec des chiffres et avec des lettres : Il suffit de bien organiser sa base de données pour avoir des peignes d’analyse utiles à des recherches postérieures dedites données.
Les « decision trees » ou « arbres de décision » (comme on dit en Auvergne) estiment les résultats en divisant les données en branches en fonction des valeurs de caractéristiques, ce qui améliore la précision de la classification.
Ça fonctionne assez bien…
Le « clustering en k-moyennes » est également utilisé pour trier les données en groupes en fonction de la similarité, ce qui facilite la découverte de schémas sous-jacents dans les données. Quand ils existent.
Quel que soit l’algorithme utilisé, au cours de l’entraînement, le modèle apprend les relations et les schémas dans les données et ajuste ses paramètres internes.
Il tente normalement de minimiser la différence entre ses sorties prédites et les valeurs réelles de l’ensemble d’apprentissage.
Ce processus est souvent itératif, le modèle ajustant ses paramètres de manière répétée en fonction de l’erreur observée jusqu’à ce qu’il atteigne un état optimal.
Ce qui est logique, mais pour en avoir vu tourner, je ne suis pas encore totalement convaincu.
Car en outre, le choix de l’algorithme et des paramètres définis lors de l’entraînement peuvent avoir une incidence sur la précision du modèle.
Si les données sont suffisantes, un modèle de « machine learning » peut apprendre à trier les informations et les données de traitement, permettant ainsi d’obtenir des résultats plus précis.
Mais à chercher à être trop précis, on élargit le champ des incertitudes…
Créées par des couches de réseaux neuronaux non supervisés, les incorporations transforment les informations en vecteurs et les placent dans un espace mathématique qui se rapporte alors à toutes les autres informations de l’ensemble de données.
Et les représentations vectorielles qui se regroupent sont considérées comme pertinentes les unes par rapport aux autres, ce qui permet à l’IA de « lire » rapidement toutes les données pertinentes et d’effectuer une prédiction en deux clics.
L’IA explicable aide les parties prenantes à comprendre comment les prédictions sont effectuées. Et il est essentiel d’assurer la transparence pour gagner la confiance des utilisateurs et respecter les normes juridiques et éthiques, en particulier dans les domaines sensibles tels que la finance ou les soins de santé.
Ainsi les applications d’analyse prédictive consistent à introduire des données structurées comme les chiffres de vente, les relevés de capteurs et les dossiers financiers dans des algorithmes de « machine learning », tels que la régression ou les « decision trees », afin de fournir une analyse en temps réel.
Ces algorithmes analysent les corrélations historiques entre les variables qui ont précédé les résultats.
Ces schémas permettent aux modèles quantitatifs de prévoir les événements dans de nouvelles conditions.
Et la précision continue de s’améliorer à mesure que les modèles ingèrent des données plus pertinentes et plus propres sur des horizons temporels plus longs afin d’affiner les corrélations.
Ainsi, les prédictions gagnent en fiabilité à mesure que les réussites s’accumulent.
Il n’empêche, le « présage d’Hindenburg » n’est pas classé comme pertinent par les IA qu’on a pu me montrer…
Ça relèverait de la superstition !
Il faut dire que les deux derniers ont royalement foiré, mais pas les précédents : Il faut donc envisager que grâce à l’IA (et les modèles prédictifs) et à « l’argent magique », nos grands argentiers sont capables de faire mentir les modélisations les plus affinées et les plus pointues et pertinentes !
Cependant, s’appuyer fortement sur les prévisions et abandonner le jugement humain peut présenter des risques de biais : La prédiction des comportements humains soulève tellement de questions, notamment éthiques, que la plupart des utilisateurs doivent éviter de trop s’appuyer sur ces prédictions-là.
Ainsi les modèles d’IA générative utilisent l’analyse statistique pour créer un type de prédiction, mais leur objectif est de prédire des mots, des segments de code ou les effets d’art visuel corrects devant être générés.
Et en réalité, il n’est pas forcément nécessaire de choisir entre des modèles d’IA prédictive ou d’IA générative pour obtenir des résultats satisfaisants (quand on n’est pas trop regardant). Au contraire, de nombreuses entreprises ont tout intérêt à utiliser les deux de manière complémentaire.
Chacun possède des « skills » (des compétences, mais on se la pète dans les milieux geeks…) spécialisés qui se complètent s’ils sont combinés de manière intelligente (par un cerveau biologique fait de neurone et de formation patiente durant de longues années d’expérience).
En effet, pour que l’IA prédictive apporte une valeur maximale, elle doit être intégrée dans les processus et « workflows » (qu’on peut traduire par « flux de travail ») existants de l’entreprise. Cette intégration permet de s’assurer que les informations et les prédictions générées par les systèmes d’IA sont exploitables et créent ainsi de la valeur.
Là, on doit s’efforcer d’aligner l’IA prédictive sur les objectifs stratégiques et les besoins opérationnels afin d’en tirer pleinement parti.
Là, je vous avoue avoir vu tourner chez des grossistes et notamment le pinardier « Parigot » Nicolas, des progiciels (on appelait ça comme ça pour désigner un ensemble de programmes qui tournaient en symbiose) qui avaient été mis au point par les polytechniciens d’IBM Évry-Courcouronnes et que ça fonctionnait du tonnerre.
Ainsi, désormais et par exemple, en cas de catastrophe naturelle comme un ouragan, un magasin peut s’assurer d’avoir suffisamment de produits de base à proposer. Les Helvètes font plus simple : Ils doivent réglementairement avoir un an de stock de toutes les références de leur cadenciers en stock…
Elle peut aussi aider les fournisseurs de services à anticiper les demandes des utilisateurs, à améliorer l’expérience client et à prévoir les comportements en fonction des données clients et de l’activité antérieure.
Avec suffisamment de données, l’IA prédictive peut aider à prévoir des problèmes de santé potentiels en fonction des antécédents médicaux d’un patient.
L’IA prédictive peut aider le marketing à développer du contenu, des produits et des messages susceptibles d’intéresser les clients potentiels en anticipant le comportement des utilisateurs.
Elle peut prévoir les mouvements du marché et analyser les données de transaction pour améliorer la détection des fraudes, comme une connexion inhabituelle à un appareil, un nouvel emplacement ou une demande qui ne correspond pas au comportement habituel d’un utilisateur donné.
En matière de commerce, l’IA prédictive peut examiner les données de vente, la saisonnalité et les facteurs non financiers afin d’optimiser les stratégies de prix, de prévoir la demande des consommateurs ou de prédire les prochaines tendances du marché.
Elle peut également rationaliser la gestion des réclamations et prévoir les pertes potentielles en matière de sinistre.
En surveillant les vibrations, la température et d’autres données de capteurs des machines, l’IA prédictive identifie aussi le risque de défaillance d’équipements afin de prévoir leur maintenance et éviter les temps d’arrêt.
L’automatisation des processus sur le lieu de travail avec l’IA prédictive peut accomplir des tâches à court terme lors de l’analyse des données, ce qui améliore d’autant l’automatisation et permet aux employés de concentrer leur énergie sur la prise de décision et les choix créatifs.
Mais comme me faisait remarquer « ma Nichée », le problème c’est que les seniors et les dirigeants n’ont désormais plus besoin de junior pour leur mâcher le travail…
Que dans les entreprises, il n’y plus de stagiaire pour faire le café avec tout le temps libre dégagé par l’IA chez les seniors.
C’est peut-être tant mieux, mais si les « juniors » qui sortent de l’ékole ne sont pas formés aux métiers de demain, jamais on ne pourra remplacer les « seniors » quand ils partiront en retraite atteint par l’obsolescence de l’âge…
Parce qu’en plus, la machine ne se fatigue pas, ne tombe pas malade, ne prend pas de congés payés, ne fait pas grève, se remplace en un clic et ne s’arrête pas passées les 35 heures hebdomadaires…
Il faut savoir être ambitieux et faire comme « Deux-Noix-Âme-Mont » qui a anticipé le problème en proposant de taxer les robots, les logiciels et les machines pour financer la création d’un revenu universel… pour que les humains consomment encore ce que les machines auront prédit qu’il fallait produire.
Un monde de fou.
« Tu trouveras une solution, comme toutes les générations ont trouvé des solutions à des problèmes qui n’existaient pas avant eux.
Post-scriptum : Alexeï Navalny est mort en détention pour ses opinions politiques. Les Russes se condamnent à perpétuité à en supporter toute la honte !
Постскриптум: Алексей Навальный умер в заключении за свои политические взгляды. Россияне обрекают себя на всю жизнь нести весь позор!
Parrainez Renommez la rue de l'ambassade de Russie à Paris en rue Alexeï Navalny (change.org)
