Comment les entreprises améliorent aujourd’hui leur performance grâce à l’IA

Aujourd’hui, les applications de l’intelligence artificielle (IA) dans l’entreprise s’appuient notamment sur les deux grands domaines où l’IA se développe et montre des capacités supérieures à d’autres solutions :

• Les fonctionnalités de perception et de communication (IA d’interface). A savoir la reconnaissance de langage (parole, texte, langage naturel, etc.) ou d’image (faciale, spatiale, etc.). L’IA permet d’observer, de détecter et d’interagir de plus en plus naturellement avec l’homme.

• La modélisation : la résolution de problèmes complexes et l’analyse prédictive. L’IA est alors utilisée pour optimiser des processus existants, automatiser, détecter, ou prédire.

Comme nous le montrent les exemples actuels de ces applications, tous les métiers de l’entreprise sont désormais concernés : production, supply chain, fonctions comptables et administratives, finance, ressources humaines, marketing.

L’IA au cœur de la logistique

En 2012, Amazon déclenche une révolution robotique en rachetant Kiva System, une entreprise spécialisée dans la fabrication de robots dédiés à la logistique d’expédition. Depuis, les entrepôts sont ultra-automatisés et un employé d’Amazon sur 7 est… un robot, soit 14 % des effectifs !

Nous invitons le lecteur à visionner la valse des robots, un véritable ballet où la coordination des robots est programmée par de l’IA. Équipé de laser, chacun est guidé par des QR codes placés sur le plancher. Au gré des commandes entrantes et sortantes, les robots se placent sous l’une des étagères chargées en articles aussi variés que des livres, bijoux ou appareils ménagers. Le stockage des produits semble irraisonné (vos placards sont mieux rangés !) et pourtant, des programmes sophistiqués d’optimisation de l’espace de stockage selon la rotation des produits et les prévisions de commandes permettent de résoudre l’équation de minimisation des coûts de stockage sous contrainte de centaines milliers de références et de milliers de commandes quotidiennes.

Les gains sont nombreux : gain de temps lors de la préparation des commandes, gain de productivité grâce au flux des robots, 50 % d’espace supplémentaire gagné par rapport à un entrepôt classique. Pour les salariés en charge de la manutention, les pickers, ce sont moins de tâches lourdes et pénibles, une optimisation de leur parcours dans des entrepôts (qui peuvent atteindre la taille de 14 terrains de football), moins d’erreurs et donc plus de satisfaction pour le client final.

Détecter la fraude avec justesse

La digitalisation accrue des services bancaires a pour conséquence l’augmentation du nombre d’opérations de fraude. Depuis longtemps, les banques ont développé des modèles prédictifs visant à détecter des fraudes lors d’un paiement par carte bancaire. L’enjeu consiste à détecter les fraudes le plus rapidement possible sans créer de fausses alertes qui conduiraient à informer un client d’une fraude alors que cela serait son usage personnel. Certains clients n’apprécient par cette intrusion abusive dans leur vie privée provoquant une forte insatisfaction et parfois la fermeture de leurs comptes bancaires.

C’est dans ce contexte qu’une banque danoise, Danske Bank, a développé avec succès un modèle d’IA en deux temps : un premier modèle à base d’arbre de décision se concentre sur la détection de fraude par le « machine learning » en analysant de manière transparente les transactions entrantes en moins de 300 millisecondes, une seconde étape de « deep learning » analyse des dizaines de milliers de caractéristiques afin de fournir des informations concernant aussi bien les vraies que les fausses activités frauduleuses.

Présélectionner les meilleurs profils

Imaginez le nombre de candidatures reçues par e-mail par une entreprise telle que L’Oréal. Environ un million par an ! Certes les équipes RH de L’Oréal sont très efficaces, mais là, un million de candidatures, cela dépasse les capacités humaines ! Alors, comment traiter cette masse de candidatures et ne pas passer à côté de talentueux collaborateurs ? En septembre 2018, L’Oréal a déployé au Royaume-Uni, aux États-Unis, et en France, une plate-forme conversationnelle, un chatbot, destiné aux candidats à la recherche de stages ou de postes de conseillers beauté.

Êtes-vous disponible à la date de début du stage et tout au long de la période du stage ? Quel est actuellement votre niveau d’étude et combien de temps dure votre formation ? Avez-vous besoin que nous fassions des aménagements particuliers afin de mener à bien votre candidature ? Avez-vous besoin d’informations plus précises sur le poste ? Avez-vous des questions au sujet de la culture d’entreprise ou du processus de recrutement ? Les réponses à ces questions sont traitées par une solution IA d’analyse de texte permettant de déterminer si le profil du postulant correspond aux attentes du poste. À l’issue de cette première étape, les candidats sélectionnés sont mis en relation avec des recruteurs qui peuvent ainsi se concentrer sur la dimension humaine et qualitative du recrutement.

Automatiser une tâche sans réelle valeur ajoutée

Au Crédit Mutuel, c’est quotidiennement 90 000 e-mails envoyés par les clients à destination de leurs chargés de clientèle. Le traitement de l’e-mail (lecture, réponse) prend du temps, il interrompt les tâches en cours, la gestion des urgences n’est pas toujours optimale. Bref, en 2016, il a été décidé d’assister les conseillers dans le traitement des e-mails clients, et de développer, à partir de la technologie Natural Language Processing de Watson (IBM), un analyseur d’e-mails dont la finalité est triple : identifier automatiquement la demande exprimée dans l’e-mail, détecter l’urgence de la réponse et préparer un contenu de réponse.

Le projet a été une réussite, pour preuve la généralisation du projet à l’ensemble des 20 000 chargés de clientèle. Selon le Crédit Mutuel, une des clés de succès a été l’entraînement initial, au cours duquel la solution est censée apprendre à résoudre le problème à partir d’exemples. Un échantillon de 10 000 e-mails anonymisés a servi à nourrir Watson. En parallèle, trois experts métiers ont été chargés de qualifier les 10 000 e-mails selon l’objet de la demande parmi les 33 objets principaux identifiés en amont (les 33 objets couvrent 70 % des demandes). Les demandes ont été décomposées en s’appuyant sur une description des motifs de langage : environ 1 000 concepts et 4 000 règles correspondant à des motifs de langage ont été fixés.

Ce gros travail réalisé « à la main » était indispensable pour initier l’apprentissage de l’IA de Watson et aboutir à un bon taux de reconnaissance sur les intentions de l’e-mail : de 40 % au démarrage, le taux reconnaissance est dorénavant supérieur à 90 % car l’IA continue à apprendre au fur et à mesure des e-mails traités et des ajustements réalisés par les conseillers.

En automatisant une tâche répétitive sans grande valeur ajoutée, l’intelligence artificielle permet au conseiller de dégager du temps commercial et du temps d’écoute, un équivalent de 200 000 jours homme dans le cas présent. L’IA ne remplace pas le conseiller, elle est mise au service du conseiller dont les performances sont augmentées.

Une expérience client augmentée

Le magasin du troisième type sera bardé d’IA ou ne sera pas ! Reconnaissance du produit au moment où il est pris en main et affichage des informations le concernant (prix, ingrédients, conseils d’utilisation, etc.) ; chariots autonomes qui suivent le client et font la queue si besoin ; promotions ultra-personnalisées (tenant compte de l’historique d’achat du client, ses activités de paiement, opérations financières, etc.) adressées au client en fonction de sa localisation dans le magasin ; reconnaissance faciale pour le paiement des clients de l’enseigne et référencés dans la base de clients, une application mobile permettant de valider la transaction bancaire ; livraison par drone ou robot autonome.

Les deux géants du e-commerce, Amazon et Alibaba, sont les plus avancés dans le secteur de la distribution. En s’appuyant sur une technologie nommée Just Walk Out, Amazon, a ouvert un premier magasin test, Amazon Go en janvier 2017 à Seattle. De son côté, Alibaba a beaucoup investi sur le paiement par reconnaissance faciale avec sa filiale Alipay et la technologie Smile to pay.

Les performances des sites de e-commerce sont elles aussi dopées à l’IA : traitement du langage naturel appliqué aux requêtes formulées par les clients, facilité dans la recherche d’informations ou de produits, filtre des réponses optimisé, recommandations adaptées car les images des articles ont été analysées par des réseaux de neurones profonds et classées en différentes catégories, etc. Une somme de petits détails qui facilitent la navigation des visiteurs et le passage à l’achat. Facilité, fluidité, sécurité, la technologie est mise à la disposition d’une expérience client enrichie.

De l’IA à l’intelligence « augmentée »

Ces exemples montrent qu’en intégrant des fonctionnalités d’IA, les entreprises améliorent leurs capacités et performances au quotidien, ainsi que celles de leurs collaborateurs, clients et partenaires. C’est en cela que certains préfèrent associer l’acronyme IA à intelligence augmentée.

Si les usages se multiplient, de nombreuses entreprises sont encore au stade des premières expérimentations dont il faut tirer les enseignements. Dépasser l’expérimentation et industrialiser l’usage est le point d’attention le plus délicat. Déployer à grande échelle implique de s’assurer que l’architecture technique peut supporter le programme. Cela implique aussi de lancer des projets internes de conduite du changement : démystifier les notions autour de l’IA et la transmission des compétences pour accélérer la compréhension et l’adoption en interne.