L’intelligence artificielle peut faire beaucoup plus. Pourquoi ne partons-nous pas ? – Le Times irlandais

L’intelligence artificielle (IA) offre la perspective d’un changement transformationnel, mais l’histoire nous dit que cela prendra probablement plus de temps que ne le suggèrent actuellement les passionnés d’IA. En effet, un changement radical ne se produira que lorsqu’il existe une approche au niveau des systèmes pour adopter l’IA. C’est le point de vue de Joshua Gans, co-auteur avec Ajay Agrawal et Avi Goldfarb de Power and Prediction, l’économie perturbatrice de l’intelligence artificielle.

Gans, professeur de gestion stratégique à la Rotman School of Management de Toronto, est l’un des plus grands experts universitaires mondiaux en IA et cofondateur d’un programme mondial de premier plan pour la commercialisation de l’IA.

« Il est facile d’être séduit par les réalisations techniques de l’IA, mais les systèmes existants freinent les choses et les entreprises nous disent qu’elles n’adoptent pas l’IA autant qu’elles le pensaient. Nous devons nous tourner vers l’histoire pour voir des raisons impérieuses pour lesquelles il ne devrait pas en être autrement », a déclaré Gans à l’Irish Times.

La véritable percée est survenue lorsque les entrepreneurs ont commencé à repenser l’usine.

Gans et ses collègues notent les similitudes entre l’adoption de l’IA et le déploiement précoce de l’électricité. Thomas Edison a fait la démonstration de la fameuse ampoule en 1879, mais 20 ans plus tard, seuls 3% des foyers américains avaient l’électricité et les usines avaient à peine plus de consommation. Vingt ans plus tard, cependant, ce nombre s’est accéléré pour atteindre plus de la moitié de la population.

Il y avait beaucoup de battage médiatique autour de l’électricité dans les premières années, mais pas grand-chose à montrer.

L’électricité a remplacé la vapeur dans les usines. La vapeur était un gaspillage et l’opportunité immédiate de l’électricité était de fournir une source d’énergie beaucoup plus efficace au même point dans les usines où la vapeur était utilisée. C’est ce que les auteurs appellent un point la solution.

Le développement suivant consistait à monter un entraînement électrique sur une seule machine dans ce que l’on appellerait désormais une solution d’application. Le défi était que les machines-outils individuelles telles que les perceuses et les fraises à métaux devaient être complètement repensées pour tirer parti d’un moteur électrique à une seule unité.

Les usines du XIXe siècle, cependant, ont été conçues pour tirer parti de la vapeur, la puissance étant distribuée aux machines individuelles via un arbre central à partir duquel des courroies et des poulies étaient suspendues. La véritable percée est survenue lorsque les entrepreneurs ont commencé à repenser l’usine. La question était de savoir à quoi ressemblerait une usine si vous la conceviez à partir de zéro compte tenu de ce que vous savez de l’électricité ?

L’électricité a révolutionné la conception des usines. Comme le notent les auteurs: «Henry Ford n’aurait pas pu inventer la chaîne de production de la voiture modèle T à vapeur. Seule l’électricité, des décennies après la démonstration de sa promesse commerciale, pouvait y parvenir. Oui, Ford était un entrepreneur de soins, mais il était en grande partie un entrepreneur de solutions système. Ces changements de système ont modifié le paysage industriel. Ce n’est qu’alors que l’électrification est apparue dans les statistiques de productivité.

Avance rapide vers les temps modernes.

Une étude réalisée en 2020 par Sloan Management Review et le groupe mondial de conseil BCG a révélé que seulement 11 % des organisations ont réalisé des avantages financiers significatifs grâce à l’IA. Ce n’était pas faute d’avoir essayé, puisque 57 % avaient déployé ou piloté une stratégie d’IA.

Comme l’électricité, soutiennent les auteurs, nous sommes actuellement dans “The Between Times”.

L’IA peut faire beaucoup plus, mais changer le statu quo implique un changement de pouvoir, et ceux qui l’exercent sont naturellement réticents à abandonner.

Les bonnes solutions ponctuelles sont maintenant nombreuses, mais pour l’instant, elles se situent en grande partie sur un territoire à portée de main.

Les services financiers en sont un exemple évident. Pendant des années, les entreprises de ce secteur ont employé des équipes de scientifiques des données pour prévoir la fraude, le blanchiment d’argent et la non-conformité dans les transactions financières. Ils sont un modèle pour l’IA, avec leur capacité prédictive améliorée.

Il n’est donc pas surprenant que le Nasdaq, une bourse basée à New York, ait payé 2,75 milliards de dollars (2,6 milliards d’euros) en 2020 pour acquérir la société canadienne d’IA Verafin, qui a investi massivement et construit des outils de pointe pour identifier fraude et valider l’identité du client. Verafin permet au Nasdaq de faire ce qu’il fait depuis longtemps, sauf en mieux. Il s’intègre dans une architecture système existante.

L’IA peut faire beaucoup plus, mais changer le statu quo implique un changement de pouvoir, et ceux qui l’exercent sont naturellement réticents à abandonner. Au début des années 2000, par exemple, le magasin de vidéos Blockbuster pouvait voir où allait l’industrie à l’époque tout autant que son rival Netflix, mais ses franchisés étaient désavantagés par les changements qu’ils tentaient d’apporter et exerçaient leur pouvoir pour soutenir le statut. quo quoi. 🇧🇷 Le blockbuster s’est effondré.

Pensez à l’assurance. Le modèle commercial se concentre ici sur le calcul des pertes probables sur l’ensemble du portefeuille assuré, puis sur la constitution d’une marge pour générer un profit. Les primes répartissent le risque dans le pool, mais relativement grossièrement. L’IA pourrait, en théorie, renverser ce modèle, en encourageant les comportements de réduction des risques d’une manière qui ne se fait pas actuellement.

Si un assureur habitation utilisait l’IA pour prédire qu’un propriétaire particulier présentait un risque particulièrement élevé d’incendie ou d’inondation électrique, au lieu de facturer une prime élevée, l’entreprise pourrait partager ces informations afin que les clients puissent prendre des mesures pour réduire le risque, comme comment investir dans des dispositifs peu coûteux pour la détection précoce des risques élevés d’incendie ou d’inondation.

L’un des plus gros problèmes à s’accrocher au statu quo est qu’il existe un risque de perturbation.

Alors que certains assureurs se sont lancés dans ce domaine – pensez aux dispositifs de suivi embarqués pour les jeunes conducteurs – peu ont emprunté cette voie à quelque échelle que ce soit. Changer le modèle d’assurance du risque à l’atténuation des risques pourrait avoir un sens commercial à long terme, mais cela ferait baisser les primes et changerait le modèle commercial, bouleversant certaines parties prenantes à court terme.

Comprendre la dynamique du pouvoir dans les organisations est essentiel, comme l’observe Gans :

« Les défis auxquels les entreprises existantes sont confrontées lorsqu’elles adoptent de nouveaux systèmes sont qu’elles font bien certaines des choses actuelles. En outre, vous trouverez de nombreuses personnes qui bénéficient du système actuel. Ensuite, vous trouverez des personnes défendant l’IA en fonction des possibilités nouvelles et passionnantes qu’elle offre. Cela signifie que l’IA redistribuera le pouvoir économique entre ces personnes – et ces personnes le savent. Le changement de pouvoir économique est le défi, c’est la partie la plus difficile à gérer pour les dirigeants d’organisation. »

L’un des plus gros problèmes liés au maintien du statu quo est le risque de perturbation. L’avantage se déplace vers agile, souvent une start-up allégée sans obstacles organisationnels. Gans note que les startups testent, émettent des hypothèses et affinent constamment leurs propositions commerciales en fonction des commentaires, ce qui semble apparemment beaucoup plus difficile pour les entreprises traditionnelles.

Une solution consiste à emprunter à la boîte à outils du mouvement Lean et à introduire une approche vierge de la modélisation d’entreprise, avec de nombreux “et si?” comme des questions. La simulation peut aider ici. Vous pouvez utiliser des actifs numériques, y compris des jumeaux numériques d’environnements physiques, pour simuler différentes options et utiliser l’IA pour prédire le résultat de chacune.

Les perturbateurs ont un avantage à déployer l’IA tant qu’ils emploient la vitesse. La clé est de capturer les données de rétroaction, ce qui permet d’améliorer constamment les performances des prévisions. De cette façon, les systèmes d’IA présentent une caractéristique très humaine – ils peuvent apprendre des résultats, comme l’expliquent les auteurs :

« Pour que les données génèrent un avantage à long terme, les premiers utilisateurs doivent tirer parti des données de rétroaction. Opérant sur le terrain, ils peuvent collecter des données de rétroaction puissantes qu’ils peuvent utiliser pour améliorer leurs prévisions, ce qui rend plus difficile le rattrapage des autres. L’avantage n’est pas de lancer quand les autres ne le peuvent pas. L’avantage est que le lancement permet la collecte de données de rétroaction.

Prenez Google, par exemple. En raison de l’énorme investissement qu’il a fait dans les talents et les données, il fait des prédictions très précises sur qui veut quoi et quand, ce qui en fait une excellente plateforme de publicité ciblée. Il a des boucles de rétroaction intégrées qui vous permettent de voir si vos prédictions sont exactes ou non. S’il constate qu’il a fait une erreur, il corrige le modèle pour la prochaine fois, ce qui rend la compétition difficile pour les concurrents.

Les machines de prédiction ont encore du chemin à faire avant de remplacer les humains

Des boucles de rétroaction rapides conduisent à des courses sur le marché. Imaginez la première IA capable de conduire une voiture en toute sécurité à travers New York. Après avoir reçu l’approbation réglementaire, l’IA continuera à collecter des données et s’améliorera de plus en plus. Lorsqu’une deuxième IA est approuvée, elle n’aura pas la même quantité et la même qualité de données, ce qui diminuera son attrait.

Comme le notent les auteurs, pour qu’une IA soit précise, elle a besoin de suffisamment de données. La collecte des données pour atteindre cette échelle minimale demande du temps et des efforts. L’avantage de lancer en premier dépend de l’effort nécessaire pour avoir une prévision commercialement viable.

Parfois, cela ne demande pas beaucoup d’efforts. Les premiers moteurs de recherche sur Internet n’étaient pas particulièrement précis car ils avaient une grande tolérance aux erreurs. Cela a stimulé une concurrence féroce. Comparez cela avec les véhicules autonomes, où la tolérance aux erreurs est extrêmement faible. L’efficacité de l’IA doit être nettement meilleure que celle des humains si la vie des gens est en jeu. Le coût en est élevé, ce qui décourage la concurrence.

Gans et ses coauteurs écrivent de manière réfléchie et perspicace sur les possibilités de l’IA, mais ils voient également les défis et maintiennent un scepticisme sain tout au long du livre.

Parfois, le battage médiatique ne résiste pas à l’examen. Certains ont suggéré que l’IA pourrait remplacer les radiologues et on comprend pourquoi – les machines se sont avérées plus efficaces pour prédire le bon diagnostic à partir d’une image. Mais cela ne comprend pas les autres choses importantes que font les radiologues. Les auteurs en listent 30.

Les machines de prédiction ont encore un long chemin à parcourir avant de remplacer les humains. La clé est de savoir quand et comment les utiliser.

Power and Prediction, the disruptive economics of artificial intelligence, par Ajay Agrawal, Joshua Gans et Avi Goldfarb est publié par Harvard Business Review Press.