Le machine learning (ML), sous-domaine de l’intelligence artificielle (IA) dans lequel les machines apprennent à partir de jeux de données et d’expériences passées en reconnaissant des modèles et en générant des prédictions, est un secteur mondial de 21 milliards de dollars, qui devrait atteindre 209 milliards de dollars (lien externe à ibm.com) d’ici à 2029. Voici quelques applications réelles du machine learning qui font désormais partie de notre vie quotidienne.
Selon Forbes (lien externe à ibm.com), les équipes de marketing et de ventes privilégient l’IA et le ML plus que n’importe quel autre service de l’entreprise. Les spécialistes du marketing se servent de l’intelligence artificielle pour la génération de leads, l’analyse de données, les recherches en ligne et l’optimisation des moteurs de recherche (SEO). Ainsi, nombre d’entre eux s’en servent pour contacter les usagers qui laissent des produits dans leur panier ou quittent leur site Web.
Les algorithmes de ML et la science des données permettent aux moteurs de recommandation de sites tels qu’Amazon, Netflix et StitchFix de formuler des propositions en fonction des goûts de l’utilisateur, de son historique de navigation et de son panier d’achat. Le ML permet également de mener des initiatives de marketing personnalisées en identifiant les offres susceptibles de répondre aux intérêts d’un client spécifique. Elle permet ensuite d’adapter les supports marketing à ces centres d’intérêt. Le ML facilite également le suivi d’une campagne en évaluant, entre autres, les taux d’ouverture et de clics.
Le traitement automatique du langage naturel permet non seulement de comprendre ce que disent les clients, mais aussi leur ton et de les aiguiller vers les agents du service client qui pourront les aider. Les requêtes vocales utilisent le traitement automatique du langage naturel (NLP) et l’analyse des sentiments pour la reconnaissance vocale.
Les requêtes textuelles sont généralement traitées par des chatbots, des agents conversationnels que la plupart des entreprises mettent à disposition sur leurs sites de commerce électronique. Ces chatbots permettent aux clients de ne pas attendre, et même un grand nombre de clients simultanés peuvent bénéficier d’une attention immédiate 24 heures sur 24 et, en principe, d’une expérience client plus positive. Une banque utilisant un système watsonx Assistant pour son service client a constaté que le chatbot répondait correctement à 96 % de toutes les questions des clients, rapidement, de manière cohérente et dans plusieurs langues.
Les entreprises ont recours au ML pour surveiller les réseaux sociaux et d’autres activités en vue d’obtenir des réponses et des avis de la part des clients. Le ML aide également les entreprises à prévoir et à réduire le taux d’attrition de la clientèle (la vitesse à laquelle une entreprise perd des clients), une utilisation très répandue du big data.
Le ML alimente les tâches effectuées par les assistants personnels virtuels ou les assistants vocaux, tels que Alexa d’Amazon et Siri d’Apple. Cette communication peut impliquer la reconnaissance vocale, la conversion speech-to-text et text-to-speech, et le NLP. Lorsqu’une personne pose une question à un assistant virtuel, le ML recherche la réponse ou se souvient de questions similaires que la personne a déjà posées.
Cette technologie est également à l’origine des robots de messagerie, tels que ceux utilisés par Facebook Messenger et Slack. Sur Facebook Messenger, le ML alimente les chatbots de service client. Les entreprises y installent des chatbots pour garantir des réponses rapides, fournir des carrousels d’images et des boutons d’appel à l’action, aider les clients à trouver des options à proximité ou à suivre les expéditions, et sécuriser les achats. Facebook exploite également le ML pour surveiller les chats Messenger afin de détecter les escroqueries ou les contacts indésirables, par exemple lorsqu’un adulte envoie un grand nombre de demandes d’amis ou de messages à des personnes de moins de 18 ans.
Sur Slack, le ML permet le traitement vidéo, la transcription et le sous-titrage en direct, facilement consultables par mot-clé, et aide même à prédire la rotation potentielle des employés. Certaines entreprises ont également mis en place des chatbots sur Slack, utilisant le ML pour répondre aux questions et aux demandes.
Les algorithmes de ML dans Gmail de Google automatisent le filtrage des e-mails des clients dans les catégories Principale, Réseaux sociaux et Promotions, tout en détectant et en réacheminant les spams vers le dossier prévu à cet effet. Au-delà des « règles » des applications de messagerie, les outils de ML peuvent également automatiser la gestion des e-mails en les classant afin de les transmettre aux bonnes personnes pour une action plus rapide, en déplaçant les pièces jointes au bon endroit, et bien plus encore. Par exemple, les outils d’automatisation de la gestion des e-mails tels que Levity (lien externe à ibm.com) utilisent le ML pour identifier et classer les e-mails au fur et à mesure de leur réception à l’aide d’algorithmes de classification de texte. Cela vous permet de rédiger des réponses personnalisées basées sur la catégorie, vous gagnez du temps et cette personnalisation peut contribuer à améliorer votre taux de conversion.
Le ML est utilisé de quatre manières dans le domaine de la cybersécurité :
Le ML et l’apprentissage profond sont très répandus dans le secteur bancaire, par exemple pour la détection des fraudes. Les banques et autres institutions financières entraînent des modèles de ML pour reconnaître les transactions en ligne suspectes et d’autres transactions atypiques qui exigent un examen plus approfondi. Les banques et autres prêteurs utilisent des algorithmes de classification ML et des modèles prédictifs pour décider à qui ils proposeront des prêts.
De nombreuses transactions boursières font appel au ML. L’IA et le ML s’appuient sur des décennies de données boursières pour prévoir les tendances et suggérer d’acheter ou de vendre. L’intelligence artificielle peut également effectuer des transactions algorithmiques sans intervention humaine. Environ 60 à 73 % des transactions boursières (lien externe à ibm.com) sont réalisées par des algorithmes capables de traiter des volumes importants et à grande vitesse. Les algorithmes de ML peuvent prédire des modèles, améliorer la précision, diminuer les coûts et réduire le risque d’erreur humaine.
Change Machine, une organisation technologique à but non lucratif, a collaboré avec IBM pour créer un moteur de recommandation alimenté par l’IA à l’aide d’IBM Cloud Pak for Data, qui aide les conseillers financiers à trouver les produits fintech les mieux adaptés aux objectifs de leurs clients. « La collaboration avec IBM nous a appris à exploiter nos données sous un angle nouveau et à mettre en place un cadre pour créer et gérer des modèles de machine learning », a déclaré David Bautista, directeur du développement de produits chez Change Machine.
Les progrès du ML ont permis d’entraîner les machines à la reconnaissance des formes, qui est maintenant parfois utilisée dans l’imagerie radiologique. La vision par ordinateur basée sur l’IA (lien externe à ibm.com) sert souvent à l’analyse des mammographies et au dépistage précoce du cancer du poumon. Les médecins qui évaluent les mammographies pour le dépistage du cancer du sein manquent 40 % (lien externe à ibm.com) des cancers, et le ML peut améliorer ce pourcentage. Le ML est également formé et utilisé pour classer les tumeurs, trouver les fractures osseuses difficiles à voir à l’œil nu et détecter les troubles neurologiques.
Il est parfois employé pour examiner les dossiers médicaux des patients et leurs résultats afin de dresser de nouveaux programmes de traitement. Dans la recherche génétique, la modification des gènes et le séquençage du génome, la ML intervient dans l’identification de l’impact des gènes sur la santé. Il peut repérer les marqueurs génétiques et les gènes qui répondront ou non à un traitement ou à un médicament spécifique et qui peuvent provoquer des effets secondaires importants chez certaines personnes. Ces analyses avancées peuvent déboucher sur des recommandations personnalisées de médicaments ou de traitements fondées sur des données.
La découverte et la production de nouveaux médicaments, qui passent traditionnellement par des tests complexes, coûteux et longs, peuvent être accélérées grâce au ML. Pfizer (lien externe à ibm.com) exploite les capacités de ML d’IBM Watson pour sélectionner les meilleurs candidats aux essais cliniques dans le cadre de ses recherches en immuno-oncologie. Geisinger Health System a recours à l’IA et au ML pour ses données cliniques afin de prévenir la mortalité due au sepsis. L’organisation travaille avec l’équipe IBM Data Science and AI Elite pour élaborer des modèles qui prédisent les patients les plus exposés au risque de sepsis, ce qui l’aide à hiérarchiser les soins, à réduire les hospitalisations risquées et coûteuses et à abaisser le taux de mortalité.
Aujourd’hui, le ML influence une grande partie de nos moyens de transport. Ainsi, Google Maps fait appel à des algorithmes de ML pour connaître les conditions de circulation actuelles, définir l’itinéraire le plus rapide, suggérer des lieux à « explorer à proximité » et estimer l’heure d’arrivée.
Les applications de covoiturage comme Uber et Lyft utilisent le ML pour mettre en relation les usagers et les chauffeurs, fixer les prix, examiner le trafic et, comme Google Maps, analyser les conditions de circulation en temps réel pour optimiser l’itinéraire et prédire l’heure d’arrivée estimée.
La vision par ordinateur alimente les voitures autonomes. Un algorithme de ML non supervisé leur permet de recueillir des données à partir de caméras et de capteurs afin d’appréhender leur environnement et de prendre des décisions en temps réel sur la conduite à adopter.
Le ML intervient dans de nombreux aspects de nos smartphones. Les algorithmes de ML régissent la reconnaissance faciale à laquelle nous nous fions pour déverrouiller nos téléphones. Ils alimentent les assistants vocaux qui règlent les alarmes et composent les messages. Ces assistants, tels que Siri d’Apple, Alexa d’Amazon, Google Assistant et Cortana de Microsoft, font appel au NLP pour reconnaître ce que nous disons et répondre en conséquence.
Les entreprises tirent également parti du ML dans les appareils photo des smartphones. Cette technologie analyse et améliore les photos à l’aide de classificateurs d’images, détecte les objets (ou les visages) dans les images et peut même utiliser des réseaux neuronaux artificiels pour améliorer ou agrandir une photo en prédisant ce qui se trouve en dehors de son cadre.
Aujourd’hui, les plateformes de réseaux sociaux se servent de plus en plus du ML :
L’IA peut également contribuer à l’élaboration de stratégies, à la modernisation, à la création et à la gestion d’applications existantes, renforçant ainsi l’efficacité et ouvrant la voie à l’innovation. Le comté de Sonoma, en Californie, a consulté IBM pour mettre en relation les sans-abri et les ressources disponibles dans le cadre d’un système intégré appelé ACCESS Sonoma. « Parce qu’IBM a conçu cette architecture ouverte qui peut facilement être transférée, nous avons chargé 91 000 clients et les avons reliés à quatre systèmes clés en quatre mois », a déclaré Carolyn Staats, directrice de l’innovation du service informatique central du comté de Sonoma. « C’est un délai record. » Ils ont logé 35 % des sans-abri, soit quatre fois plus que le taux national, et le comté a réduit de 9 % le nombre de sans-abri en l’espace de deux ans.
Chez IBM, nous conjuguons la puissance du ML et de l’IA dans IBM watsonx, notre nouveau studio pour les modèles de fondation, l’IA générative et le ML.
La plateforme de données et d’IA de nouvelle génération watsonx est conçue pour aider les organisations à décupler le potentiel de l’IA pour les entreprises. Elle comporte trois composants principaux : le studio watsonx.ai pour les nouveaux modèles de fondation, l’IA générative et le ML ; le magasin watsonx.data adapté pour la flexibilité d’un data lake et la performance d’un entrepôt de données ; et les outils watsonx.governance pour permettre des workflows d’IA construits de manière responsable, transparente et explicable.
Ainsi, watsonx offre aux organisations la possibilité de :