AWARE

JOUR #1 – ENJEUX, OPPORTUNITES, ET PERSPECTIVES

RESPONSIBLE ARTIFICIAL INTELLLIGENCE FOR A HUMAN EXPERIENCE

Fabrice RADJA [email protected] +33 6 64 73 77 41

CEO, AI-HumanX
© ai-humanx 2022. Tous droits réservés.
 “Une intelligence artificielle est
un programme informatique visant à effectuer,
au moins aussi bien que des humains,
des tâches nécessitant
un certain niveau d’intelligence.”

Source: Villani, C. et coll. (2018), Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne
© ai-humanx 2022. Tous droits réservés.
2
 5 JOURS D’INTERVENTION
Enjeux, opportunités et perspectives La gouvernance de l’IA de confiance Atelier Restitution
• Conférence: 10h à 17h • Atelier en groupes: 10h à 12h • Atelier en groupes: 10h à 12h
• Déjeuner: 12h à 13h • Déjeuner: 12h à 13h • Déjeuner: 12h à 13h
• Pause: 15h à 15h30 • Formation: 13h à 17h • Pitch / Restitution Ateliers: 13h à 17h
• Pause: 15h à 15h30 • Pause: 15h à 15h30

JOUR 1 JOUR 2 JOUR 3 JOUR 4 JOUR 5

La gouvernance de la donnée Les étapes de la transformation digitale

• Atelier en groupes: 10h à 12h • Atelier en groupes: 10h à 12h
• Déjeuner: 12h à 13h • Déjeuner: 12h à 13h
• Formation: 13h à 17h • Formation: 13h à 17h
• Pause: 15h à 15h30 • Pause: 15h à 15h30

3
© ai-humanx 2022. Tous droits réservés.
 0 PRéAMBULE

1 Enjeux de la DIGITALiSATION AVEC L’IA

TABLE DES 2 Définition de l’IA & OPPORTUNITéS

MATIèRES
JOUR 1 3 CAS D’UTILISATION & Bonnes pratiques

Enjeux, opportunités et 4 CE QU‘IL FAUT RETENIR

perspectives
5 ATELIER
4
© ai-humanx 2022. Tous droits réservés.
SECTION 0

PRéAMBULE
© ai-humanx 2022. Tous droits réservés.
5
LES 2 GRANDS DéFIS DANS L’ADOPTION DE L’IA AUJOURD’HUI

Raccourcir le “time to value” Assurer la conformité

D’après McKinsey, plus de 80% des modèles d’IA La Comission Européenne estime que la conformité
sont abandonnés à cause de l’industrialisation 2 pour un modèle d’IA coûte €29.277 1

Déployer des modèles Devenir très compétent Expliquer les “choix” de Etablir un processus
en production dans les opérations d'IA, modèles en pour adhérer aux lois et
rapidement et éviter en particulier la gestion investissant dans une régulations relatives
des cycles de du cycle de vie des bonne gouvernance de aux technologies dites
développement sans fin modèles. la donnée et de l’IA “data-driven”
1 European Commission: Study to Support an Impact Assessment
2 McKinsey: Scaling AI like a tech native: The CEO’s role
of Regulatory Requirements for Artificial Intelligence in Europe

6
© ai-humanx 2022. Tous droits réservés.
 L’intelligence artificielle, çà marche ! Et même très bien !

7
Source : Octo Academy © ai-humanx 2022. Tous droits réservés.
 TAUX D’éCHECS IMPORTANT AVEC LES PROJETS D’IA

PHASE 1: EXPLORATION

PHASE 2: EXPERIMENTATION

PHASE 3: INDUSTRIALISATION
.

Source : Mines-ParisTech 8
© ai-humanx 2022. Tous droits réservés.
l’IA est à l’origine de polémiques de toutes sortes !

9
9
© ai-humanx 2022. Tous droits réservés.
0

Illustrations de Problèmes d’éthique

Choix des Voitures Autonomes

“Trolley Problem”: Un AV doit-il tuer un enfant ou un
groupe d’adultes ? Doit-on mettre en place une
regulation pour forcer un choix? Ou doit-on isoler le
réseau des AV du réseau des véhicules non-autonomes
sans permettre une cohabitation humains-machines?

“Les règles d’engagement”: Une arme autonome

peut-elle être utilisée sur un théatre de guerre? Doit-
on utiliser des systèmes d’armes létaux pleinement
autonomes (SALA) ? Ou des systèmes d’armes
létaux intégrant de l’autonomie (SALIA) ?

contrôle des armes Autonomes 10

© ai-humanx 2022. Tous droits réservés.
 Le Dilemme – “Legal to Code”

EU Regulation §49: “High-risk AI systems should perform

consistently throughout their lifecycle and meet an
appropriate level of accuracy, robustness and
cybersecurity in accordance with the generally
acknowledged state of the art. The level of accuracy and
accuracy metrics should be communicated to the users. “

Source: 2021.AI © ai-humanx 2022. Tous droits réservés.

 Comment résoudre le Dilemme ?

Tooling / Framework

Internal Country Industry

Guidelines Specific Specific

• ISO/IEC JTC 1/SC 42

• EU GDPR
• EU AI Act
• UK GDPR
• US Guidance for Regulation of AI Applications
• China New Generation AI Ethics Specifications
Source: 2021.AI © ai-humanx 2022. Tous droits réservés.
The Power of PowerPoint | thepopp.com

LA conformité

Les deux faces de

Des données accessibles, disponibles,
fiables, consistantes, sécurisées.

la GOUVERNANCE Des modèles d’IA de qualité, explicables,

performants, éthiques, inclusifs.
DE LA DONNée
et de l’IA La création de valeur
Des données non biaisées, consommées,
exploitées par des modèles d’IA non
biaisés,et dont les résultats sont
appréciés à leur juste valeur.
© ai-humanx 2022. Tous droits réservés.
13
AXES DE TRAVAIL pour renforcer
LA gouvernance de la data et d’une ia de confiance

le es
e
é e de s

nc s

le n d

dè n d
m a de
ns

dè io
im et
nn n

es
or on

mo tio
do tio

mo ntat
tio

s
cr ais

rf ti
s

sa
s
ec

pe lua
ina

ili
dis Bi

me
ot

Ut
a
Pr

cu
Év

Do
Développer des bonnes pratiques,
et des approches collaboratives au sein de l’organisation !!
14
© ai-humanx 2022. Tous droits réservés.
LES PHASES DE LA TRANSFORMATION DIGITALE AVEC L’IA

CREATION
DE VALEUR

PHASE 4: MAINTENANCE
L'IA est intégrée à un plus grand nombre
PHASE 3: INDUSTRIALISATION de processus, produits et services

L'IA devient un élément-clé de la stratégie d'entreprise, d'entreprise.

avec le besoin d'en faire une compétence stratégique

essentielle.
PHASE 2: EXPERIMENTATION
L’entreprise développe activement l'IA pour
une utilisation réelle dans le cadre de ses
PHASE 1: EXPLORATION activités.
L’entreprise commence à s'intéresser à l'IA et
à envisager des cas d'utilisation.

Source: 2021.AI
15
© ai-humanx 2022. Tous droits réservés.
 LA QUêTE DE
SENS ET DE
REFLEXION
AVANT
L’ENGAGEMENT
https://www.youtube.com/watch?v=qp0HIF3SfI4&t=1s
ET L’ACTION
Simon Sinek
Le “cercle d’or” et la question du "Pourquoi ?" 16
© ai-humanx 2022. Tous droits réservés.
SECTION 1

POURQUOI LA DIGITALisation avec l’IA?

© ai-humanx 2022. Tous droits réservés.
17
Données
Evolution de la capacité de stockage (en Go)

La capacité de stockage
d’un disque dur en 2013 est

x7 plus grand que celle

d’un disque dur de 2007.
Source: Wikipedia.fr

18
© ai-humanx 2022. Tous droits réservés.
 Microprocesseurs
Selon la loi de (Gordon) Moore, futur CEO de Intel,
émise en 1965:
“Les microprocesseurs
seront appelés à
doubler de puissance*
tous les 24 mois”.

(*) Puissance exprimée par le nombre de transistors présents

19
sur une puce de microprocesseur © ai-humanx 2022. Tous droits réservés.
Algorithmes
Chronologie de l’évolution de la recherche en IA

Depuis le 1er concept de

réseaux neuronaux en 1940,
la recherche a subi des
cycles de promesses et
déceptions jusqu’à son
retour en grâce.
Source: Afas.fr
20
© ai-humanx 2022. Tous droits réservés.
 n é e s Al g o r
D on i t hm e
r s s
o ce s s e u
M i c r o p r

ET ALORS?
© ai-humanx 2022. Tous droits réservés.
21
Une convergence dans le progrès technique
Données + Microprocesseurs + Algorithmes

22
© ai-humanx 2022. Tous droits réservés.
Le Big Data: Des possibilités inédites
pour une meilleure exploitation de la Data (3V)
n Volume - Des volumes bien plus importants et en constante
augmentation que l’on peut désormais mobiliser.

n Vélocité - La possibilité de faire des requêtes (création, collecte,

partage) beaucoup plus complexes et surtout plus rapidement.

n Variété - L’opportunité de traiter désormais simultanément des

données très hétérogènes.
(*) Babinet, Gilles. 2019. ‘Transformation digitale : l’avènement des plateformes’
23
© ai-humanx 2022. Tous droits réservés.
 “Une intelligence artificielle est
un programme informatique visant à effectuer,
au moins aussi bien que des humains,
des tâches nécessitant
un certain niveau d’intelligence.”

Source: Villani, C. et coll. (2018), Donner un sens à l’intelligence artificielle : pour une stratégie nationale et européenne
© ai-humanx 2022. Tous droits réservés.
24
APPROCHE TRADITIONNELLE
n Les utilisateurs produisent des données.

n Un programme informatique - LOGICIEL - traite des données.

n Ces données sont exploitées sans intelligence.

Risque d’erreur élevé

Environnement Modélisation

E-Mails

Mails Spams
Données d’entrée
Mails Non-Spams
Echange par Tri des données
messagerie en fonction des
électronique règles établies Données de sortie

Règles fonctionnelles
Utilisateurs de triage Machine programmée

25
© ai-humanx 2022. Tous droits réservés.
APPROCHE AUGMENTéE
n Les utilisateurs produisent des données. Mail
Mail Classifier
n Un programme informatique – IA/ML – a appris à reconnaître les données. Mails Spam
ou Non-Spam
Nouvelle
n De nouvelles données sont analysées par le modèle d’IA / ML. donnée d’entrée Donnée
de sortie
n Ce modèle fait des predictions sur les nouvelles données pour les reconnaître.

n Les prédictions sont soumises aux utilisateurs.

Risque d’erreur faible

Environnement Modélisation
(train / test / validation)

E-Mails

Données d’entrée Mail

Classifier

Echange par E-Mails Création de liens entre Règles techniques

messagerie données et réponses grâce de triage
électronique aux algorithmes et Modèle d’IA
aux microprocesseurs
Réponses
Utilisateurs (Spams / Non-Spams) Machine apprenante

26
© ai-humanx 2022. Tous droits réservés.
DéVELOPPEMENTS LOGICIEL & ML
La différence fondamentale :
Machine
Développement logiciel classique: programmée
Classical software development
Automatisation des tâches par la programmation Input
Computation Result
de règles statiques que la machine peut suivre. Program (Données de sortie)

Machine
Développement Machine Learning:
apprenante
Machine learning development

Automatisation du processus d'apprentissage Input

Computation Program
des règles qui seront suivies par la machine. Result
(Modèle d’IA)

© ai-humanx 2022. Tous droits réservés.

27
8

qualité de la donnée & Biais discriminatoires

outil de recrutement sexiste d'Amazon
n En 2014, le système a appris tout seul que les
candidats masculins étaient préférables.

n Il pénalisait les CV qui comprenaient le mot ”femme”.

ROBOT ‘TAY‘ dE MICROSOFT RACISTE

n En 2016, le robot a été lancé pour interagir avec les
internautes.

n Quelques heures à peine après sa mise en function, il

a multiplié des propos haineuses ou racistes.

CARTE de CRéDIT Apple Card discriminante sur le GENRE

n En 2019, le système doit déterminer la solvabilité des
demandeurs de lignes de crédit.

n Une femme s’est vue refuser une ligne de crédit alors

que son score était supérieur à celui de son mari.
© ai-humanx 2022. Tous droits réservés.
28
SECTION 2

POURQUOI DES OPPORTUNITéS AVEC

L’INTELLIGENCE ARTIFICIELLE?
© ai-humanx 2022. Tous droits réservés.
29
Un constat: l’IA EST PARTOUT DANS NOS APPLICATIONS

30
© ai-humanx 2022. Tous droits réservés.
The Power of PowerPoint | thepopp.com
31

L’IA est un Buzzword !

Des sous-ensembles composent l’IA :
Machine Learning

Natural Language Processing

Speech Recognition & Synthesis

Expert Systems, Knowledge Representation & Reasoning

Computer Vision

Planning, Scheduling & Optimization

Robotics & Intelligent Agents

Social Networks & Graph Analysis

Augmented & Virtual Reality

31
© ai-humanx 2022. Tous droits réservés.
Source: Quantmetry – IA explique-toi
 Apprentissage machine
Machine Learning
Apprentissage supervisé Connaissance de ce qu’on veut prédire. Ici, c’est l’humain Exemple: Prédictions de la popularité d’une
qui se charge de fournir le bon échantillon déjà étiqueté. publicité / météo / marchés / croissance
Supervised Learning démographique / espérance de vie.

Apprentissage non supervisé Non-connaissance de la valeur de ce qu’on cherche à Exemple: Recommandation de films sur Netflix,
prédire. Ici, il n’y a pas d’étiquetage humain de l’échantillon de produits sur Amazon, de segmentation clients,
Unsupervised Learning en amont. C’est le cas avec le “clustering” ou la réduction de marketing ciblé.
de dimensions.
Apprentissage semi-supervisé Utilisation des données étiquetées et des données non Exemple: Filtrage d’emails afin qu’ils soient triés
étiquetées. Cette méthode permet d’améliorer la qualité comme spam ou non spam .
Semi-supervised Learning de l’apprentissage.

Apprentissage par renforcement Apprentissage au fil des expériences pour une meilleure Exemple: Jeu d’échecs, poker, backgammon, go.
prise de décision (échecs et succès constatés). Utilisé
Reinforcement Learning dans la navigation de robots, les jeux, les decisions
temps reel.

Apprentissage profond La machine va elle-même apprendre à réaliser une tâche. Exemple: Identification d’éléments composant
Il existe des champs d’application comme la une image pour le diagnostic médicale.
Deep Learning reconnaissance de forme, la reconnaissance de la parole,
le traitement automatique des langues.

Apprentissage par transfert Optimiser et améliorer un model d’apprentissage déjà en Exemple: Traitement du langage naturel avec
place. Sa compréhension est donc assez conceptuelle. word2vec.
Transfer Learning
32
© ai-humanx 2022. Tous droits réservés.
Zoom sur l’apprentissage profond

33
© ai-humanx 2022. Tous droits réservés.
Zoom sur l’apprentissage profond

Le “Deep Learning” est

la simulation d’une intuition

en utilisant certains
mécanismes du cerveau

à savoir l’enchevêtrement de
neurones au sein d’un réseau.

34
© ai-humanx 2022. Tous droits réservés.
 Traitement automatique du langage naturel
Natural Language Processing
Classification & Clustering Analyse de données et résolution de problèmes de Exemple: Classification des critiques de
classification binaires, multi-classes ou multi- restaurants de Twitter.
Classification & Clustering étiquettes.

Traduction automatique Résultat d’une véritable analyse et modélisation de Exemple: Traduction d’un texte entire d’une
texte car le langage naturel est par nature ambigu et langue vers une autre avec Google Translator.
Machine Translation variable. Ce n’est pas un travail de remplacement mot
à mot.
Extraction d’information Extraction de la signification de phrases: Adjectives Exemple : Moteur de recherche.
(ex: trop longues), prépositionnelles (ex: pour le fleuve)
Content Extraction ou nominales (ex: le parti trop long)

Questions / Réponses Capacité de comprendre et interprêter l’écriture et la Exemple: Alexa, Google Home/Assistant, Bixby,
voix pour répondre à des questions Siri, Cortana.
Question Answering

Génération automatique de textes Expression d’une représentation formelle d'un Exemple: Production automatique des bulletins
contenu sous une forme textuelle, syntaxiquement et météorologiques
Text Generation sémantiquement correcte.

Analyse des sentiments Identification des informations subjectives d’un texte Exemple: Exploitation des commentaires issus
pour extraire l’opinion de l’auteur et gérer sa reputation des réseaux sociaux sur un produit pour identifier
Opinion mining ou la relation clients. un sentiment positif ou négatif partagé par les
clients.
35
© ai-humanx 2022. Tous droits réservés.
 Reconnaissance vocale
Speech Recognition & Synthesis
De la voix au texte Capacité à retranscrire avec exactitude les paroles sous la Exemple: Création de sous-titrage pour ses
forme de texte. contenus vidéos sur les réseaux sociaux comme
Voice Transcription Facebook ou Youtube.

Du texte à la parole Capacité à traduire rapidement et à convertir les informations Exemple: Annonces transport ferrovière pour les
dans plusieurs langues le texte transcript avec une voix voyageurs étrangers en plusieurs langues.
Text to Speech synthétisée.

36
© ai-humanx 2022. Tous droits réservés.
 Vision par ordinateur
Computer Vision
Reconnaissance d’image Ensemble de méthodes de détection et d’analyse d’images Exemple: Reconnaissance faciale / empreintes,
pour permettre l’automatisation d’une tâche spécifique. detection visuelle des défauts
Image Search/Recognition d’une image et d’en tirer des conclusions en les analysant.

Vision par machine Capacité à « voir » c’est à dire reconnaître des textes, des Exemple: Trafic routier, contrôle qualité,
images ou des visages sur des supports numériques telles télédétection
Machine Vision que des photos et des vidéos.

37
© ai-humanx 2022. Tous droits réservés.
 Robotique / Agents intelligents
Robotics / Intelligent Agents
Robotique industrielle Robots capables d’opérer dans des contextes aléatoires et Exemple: Tri de déchets en tous genres, des
inconnus: Dans l’industrie (pour le picking en fin de ligne ou pièces dont il n’existe aucun modèle CAO.
Industrial Robot la palettisation), l’agroalimentaire, la santé ou le nucléaire.

Robotique humanoïde Robotique dont l'apparence générale rappelle celle d'un Exemple: Big Dogs, Sand Flea, Cheetah, Rise ou
corps humain et capable de manipuler des objets, tirer, Atlas de Boston Dynamics.
Humanoid Robot pousser, etc

Véhicule autonome Véhicule capable de rouler — sur route ouverte — sans Exemple: Tesla, Jaguar, Uber, Google Waymo.
intervention d'un conducteur.
Autonomous Vehicle

Robotique pour interagir et coopérer avec un humain afin Exemple: Exosquelette capable de détecter lles
Cobotique d’améliorer sa performance en force, en vitesse ou en objets présents dans son environnement et
Collaborative Robot précision. d'adapter sa démarche à celle d'autres personnes.

Hybridité & cyborg Etre humain amélioré par des implants mécaniques et Exemple: <non identifié>
électroniques
Hybridity & Cyborg

38
© ai-humanx 2022. Tous droits réservés.
 AUTRES
OTHERS
Systèmes expert Reproduction de mécanismes cognitifs d’un expert en Exemple: Outil d’aide à la décision
répondant à des questions et en effectuant un
Expert Systems raisonnement à partir de faits et de règles connues.

Planification & Optimisation Capacité pour une machine de construire une séquence Exemple: Résolution d’un Rubik’s cube,
d’action de manière autonome pour arriver à un but organization du transport aérien, assemblage de
Planning & Optimization défini. produits manufactures, câblage de bâtiments

Représentation de la connaissance Capacité d’organiser et représenter le savoir humain. En Exemple: Prendre des décisions en se servant
pratique structurer le savoir humain peut s’avérer de substituts tels que des formules
Knowledge Representation complexe lorsqu’on parle de sentiments. mathématiques.

Raisonnement Capacité de faire un raisonnement i.e. une déduction (et Exemple: Jaco est un perroquet. Un perroquet
induction) ou conclusion. Ici le système utilise ses est une espèce d’oiseau. Les oiseaux ont des
Reasoning connaissances pour combler les lacunes des données. ailes. Jaco a-t-il des ailes ?

Réseau social & Analyse de graphe Comprendre les émotions humaines, les interactions Exemple: Certains assistants virtuels tel que
humaines via un ordinateur l’IBM Watson Assistant pour les centres d’appel.
Social Network & Graph analysis

Réalité augmentée & virtuelle Analyser d'énormes volumes de données Exemple: Création de mondes virtuels avec
instantanément pour obtenir des informations et Metaverse.
Augmented & Virtual Reality prendre des mesures.

39
© ai-humanx 2022. Tous droits réservés.
Un peu de culture sur les différents paradigmes de l’IA

© ai-humanx 2022. Tous droits réservés.

40
SECTION 3

LES CAS D’UTILISATION D’IA

à EXPLORER / à ENVISAGER / à proscrire
© ai-humanx 2022. Tous droits réservés.
41
 UNE MULTITUDE DE CAS D’UTILISATIONS EXISTE AVEC L’IA

apple

Churn Prediction Object Recognition Predictive Maintenance Inventory Management

Credit Rating Contract Sorting Settlement Prognosis Email Categorization

42
© ai-humanx 2021. Tous droits réservés. © ai-humanx 2022. Tous droits réservés.
 Perception de l’industrie DE LA transformation avec L’IA

45% 84% 48%

des processus métiers des entreprises pensent des entreprises
des entreprises qu’investir dans l’IA leur envisagent de déployer
pourraient être procurera des avantages des technologies d’IA
automatisés avec l’IA.1 concurrentiels accrus.2 dans les 12 mois à venir.3

1Source: McKinsey Digital 2Source: Statista 3Source: Gartner Research

43
© ai-humanx 2021. Tous droits réservés. © ai-humanx 2022. Tous droits réservés.
 POURQUOI TIRER
PARTIe DE L’IA
POUR RéSOUDRE
DES PROBLèMES
MéTIERS?
© ai-humanx 2022. Tous droits réservés.
44
Chaîne de
valeur
CRéATION DE VALEUR
DATA-DRIVEN BUSINESS

INNOVATION PRODUIT
Nouveau modèle
d’affaire
Améliorer le modèle Exemple: Accompagner le
OPTIMISATION DES PROCESSUS
d’AFFAIRE joueur avec un coach virtuel

Aller plus vite avec le Exemple: Ajouter un capteur à

même service la raquette
“Business Model
Exemple: Modifier le geste Innovation”
avec la raquette
“Customer Experience”

“Operational Excellence”
45
(Cost reduction)
© ai-humanx 2022. Tous droits réservés.
impacts mesurables & bénéfices financiers du projet d’IA
Capacité et mise à l’échelle
La capacité peut être augmentée rapidement
sans longue phase de développement.
Amélioration de l'engagement
Engagement personnalisé, ciblé et
Réduction des coûts interactif des collaborateurs, des
clients et des partenaires
Atténuer la croissance linéaire de la
courbe des coûts, réduire les contrats
d'externalisation Qualité
Amélioration de la qualité en évitant
les erreurs humaines et en se
Contrôle interne concentrant sur les exceptions.
Éviter la fraude humaine, effectuer des
contrôles de conformité généraux avec
une pistes d'audit (trace logs).
Nouvelles opportunités
De nouvelles perspectives à
partir de sources de sources de
données
ROI rapide et valeur permanente
Retour sur investissement dans un délai de 6 à 18
mois, avec de nouvelles opportunités au fur et à
mesure que la connaissance et l'adoption se Recentrer les personnes hautement qualifiées
développent. Les employés ne perdent pas leur temps et leur capacité à
effectuer des tâches routinières.

© ai-humanx 2022. Tous droits réservés.

Maintenance prédictive
CONTEXTE: SOLUTION TECHNIQUE (HOW):
La gestion des réseaux se 1. S’appuyer sur des jeux de données décrivant les
complexifient avec le défaillances antérieures (ex: dysfonctionnement de VPN,
nombre de services,
indisponibilité de ressources, expérience utilisateur).
l’intéropérabilité attendue,
2. Entrainer un modèle de prédiction pour identifier un état
la virtualisation, etc.
de dysfonctionnement.
PROBLèME (WHY): 3. Développer un outil d’aide à la décision pour:
Accroissement des pannes a) Identifier les signaux faibles préfigurant une panne.
b) Alerter l’opérateur lorsque le problème dépasse un seuil
et défaillances critiques critique.
pour opérer le réseau. Revenu, coûts, ROI
PROPOSITION DE VALEUR (WHAT): à estimer !
Source: Arcep, Reseaux du futur, Note n°6 – L’intelligence artificielle dans les reseaux de télécommunications

© ai-humanx 2022. Tous droits réservés.

47
RéPONSE AUX INCIDENTS
CONTEXTE: SOLUTION TECHNIQUE (HOW):
La gestion des réseaux se 1. S’appuyer sur les signaux faibles préfigurant une panne.
complexifient avec le 2. Entrainer un modèle pour choisir la solution à adopter
nombre de services, sans solliciter un opérateur humain.
l’interopérabilité attendue,
3. Développer un outil d’automatisation intelligente pour:
la virtualisation, etc.
a) Procéder à la résolution d’un problème non-critique.
b) Déployer la solution si le réseau est orchestré.
PROBLèME (WHY): c) Alerter l’opérateur lorsque le problème dépasse un seuil
critique.
Accroissement des pannes
et défaillances non-critiques
pour opérer le réseau. Revenu, coûts, ROI
PROPOSITION DE VALEUR (WHAT): à estimer !
Source: Arcep, Reseaux du futur, Note n°6 – L’intelligence artificielle dans les reseaux de télécommunications

© ai-humanx 2022. Tous droits réservés.

48
CLASSIFICATION DU TRAFIC
CONTEXTE: SOLUTION TECHNIQUE (HOW):
La gestion des réseaux se 1. S’appuyer sur les informations contenues dans les
complexifient avec le paquets (ex: numéros de port, URL, etc).
nombre de services,
2. Entraîner un modèle pour identifier les différents types
l’intéropérabilité attendue,
de flux avec une granularité plus fine.
la virtualisation, etc.
3. Développer un outil de visualisation du trafic réseau :
PROBLèME (WHY): a) Classifier le trafic de manière automatique.
b) Analyser les sous-ensembles identifiés.
Politique de routage du trafic c) Procéder à des actions pour les flux de même type tout en
définie à partir d’un niveau garantissant la “neutralité du net”.

d’information connue par les Revenu, coûts, ROI

opérateurs. PROPOSITION DE VALEUR (WHAT): à estimer !
Source: Arcep, Reseaux du futur, Note n°6 – L’intelligence artificielle dans les reseaux de télécommunications

© ai-humanx 2022. Tous droits réservés.

49
OPTIMISATION DE LA QOS* (*) Qualité de Service

CONTEXTE: SOLUTION TECHNIQUE (HOW):

La gestion des réseaux se 1. S’appuyer sur l’environnement radio (qualité du signal perçu,
complexifient avec le distance avec l’antenne, etc), la qualité de la connexion
nombre de services, (nombre de paquets perdus, latence moyenne, etc), la couche
l’intéropérabilité attendue, applicative (la distance entre l’antenne et le serveur de
la virtualisation, etc. transcodage, etc).
2. Entraîner un modèle pour filtrer les paramètres les plus
influents sur la qualité de l’experience utilisateur.
PROBLèME (WHY):
3. Développer un outil de simulation de l’expérience utilisateur :
Qualité de l’expérience a) Jouer avec les paramètres
utilisateur influencée par des b) Mesurer la qualité de service voix et data en bordure de réseau.
c) Evaluer l’impact sur l’experience utilisateur.
paramètres dépendants les Revenu, coûts, ROI
uns des autres. PROPOSITION DE VALEUR (WHAT): à estimer !
Source: Arcep, Reseaux du futur, Note n°6 – L’intelligence artificielle dans les reseaux de télécommunications

© ai-humanx 2022. Tous droits réservés.

50
SECTION 4

CE QU’IL FAUT RETENIR

© ai-humanx 2022. Tous droits réservés.
51
 points-Clés: IDEATION
OPPORTUNITéS MENACES RECOMMANDATIONS
§ La performance des modèles § Se demander ce qu’on peut § Passer plus de temps sur le
s’est accrûe avec la quantité de faire des données collectées, problème et ses causes que sur
données disponible. les données & solution technique.
et pas quel problème résoudre.
§ Les outils d’automatisation va § Identifier si la solution nécessite
§ Croire que l’IA est un univers
une optimisation de processus, de
aider à libérer du temps pour des
trop technique et ne pas oser procédures et/ou d’acteurs.
taches à valeur ajoutée.
s’acculturer au numérique. § Vérifier si la solution-cible a
§ Les outils de prédiction vont
§ Identifier un cas d’utilisation vraiment besoin d’IA pour être
permettre d’agir quand des
pour résoudre un problème créatrice de valeur et générer de
signaux faibles apparaissent. l’expérience utilisateur.
sans estimation de la valeur.
§ Les outils de recommandation § Calculer avec attention le ROI et la
vont donner plus d’assurance § Sous-estimer l’importance de création de valeur qui va être
dans la prise de décision. l’expérience utilisateur et générée en résolvant le problème.
l’intelligence collective.
© ai-humanx 2022. Tous droits réservés.
52
LES 3 priorités
D’une transformation digitale

Résoudre Mettre à l’échelle Eduquer

des problèmes métiers des solutions IA les parties prenantes
de l’organisation éprouvées de l’organisation

© ai-humanx 2022. Tous droits réservés.

L’état d’esprit à avoir avec L’IA
L’esprit “Agile” concerne Exploration et L’enseignement des technologies
l’Organisation, pas l’IT Découverte de l’information est impératif

Les écosystèmes “business” sont Les ressources IT

en train d’évoluer dans un Cloud sécurisé
Favoriser la co-création

© ai-humanx 2022. Tous droits réservés.

Accélérer L’adoption de l’IA
Accélérer le ROI Exceller dans la Conformité
Intégrer rapidement l'IA et suivez la manière dont VALUE Assurer la conformité et l'excellence
elle crée de la valeur. réglementaire dans la gestion de la Data et l’IA.

Développer des modèles avec agilité Restaurer des projets abandonnés

Booster le développement avec des librairies open DEVELOPMENT Reprendre des projets non aboutis et les
sources et le support d’experts en data science. restructurer pour les render productisable.

Opérer la transformation de l’IT Favoriser les collaborations croisées

Mettre immédiatement les services IT à niveau ONBOARDING Faciliter la collaboration avec les parties
et les faire travailler sur les équipes Data et IA. prenantes internes et externes via une plateforme.

Rationnaliser l’intégration des données Réaliser l’Infrastructure de l’IA

Se connecter optimalement à toutes les sources FONDATIONS Configurer immédiatement votre infrastructure
de données utiles pour le portefeuille de projets. d'IA sur le cloud de votre choix ou sur site.

© ai-humanx 2022. Tous droits réservés.

The Power of PowerPoint | thepopp.com

FOCUS SUR
l’atelier Restitution
Restitution du projet d’IA sélectionné par groupe
sous la forme d’une présentation orale, un Pitch !

• Qui, Pourquoi, Comment, Quoi, Combien

• Présentation du plan projet

• Présentation du plan de conduite du changement

Questions / Réponses :

1 question par groupe (ou plus selon le temps)

56
56
© ai-humanx 2022. Tous droits réservés.
 MERCI
DES QUESTIONS?

© ai-humanx 2022. Tous droits réservés.