En ce début d’année 2019, le Docteur Milan Stankovic, l’un de nos contributeurs, vous propose une série d’articles pour comprendre les enjeux liés à l’IA. Découvrez la deuxième partie dédiée à la maturité des investissements
De grands seuils d’investissements favorisent les monopoles existants et leur confère une rentabilité encore meilleure
Dans une entreprise, l’automatisation des processus et l’IA permettent logiquement de gagner en efficacité et donc, soit d’avoir des meilleures marges, soit de proposer des prix casés pour tuer la concurrence. Selon McKinsey, les entreprises ayant adoptées l’IA affichent systématiquement des meilleures marges par rapport à celles qui expérimentent encore ou qui ne l’ont pas du tout adopté. L’intérêt est clair, mais tout le monde ne peut s’y lancer avec la même facilité.
Différentes branches d’IA sont aux différents stades de maturité
Quand on parle d’IA, la plupart des personnes y voient uniquement l’apprentissage automatique – la capacité de machine d’apprendre. Ce n’est pas étonnant car cette branche de l’IA a atteint une belle maturité, et permet aux sites internet de personnaliser notre expérience de lecture, en nous proposer des articles que nous allons aimer, optimiser les stocks et faire des nombreux gains d’efficacité, visibles pour les utilisateurs finaux. Les domaines qui peuvent en profiter sont alors bénis. Ils accèdent facilement à des gains d’efficacité que ce savoir-faire procure. Ces domaines sont clairement visibles sur le diagramme McKinsey – les points jaunes le plus à droite – ce sont eux qui étaient les premiers à gagner les meilleures marges grâce à l’IA. En revanche, ce qui sont amenés à expérimenter, galèrent pour dégager des meilleures marges.
L’intelligence ne se limite pas à la capacité d’apprendre. Une machine intelligente doit pouvoir produire un raisonnement, voir et interpréter ce qu’elle voit, entendre et interpréter ce qu’elle entend, résoudre des problèmes plus ou moins complexes, et encore ne parlons pas des capacités d’empathie et d’émotion nécessaires dans le métier de la vente et dans tellement d’autres taches interactifs et cognitifs. Sur ces défis, la maturité est loin d’être acquise.
La demande croissante pour les véhicules autonomes met en lumière des enjeux de « vision par ordinateur », un sujet complexe qui préoccupe des chercheurs depuis des années 60, et qui affiche une maturité de plus en plus remarquable.
Les assistants virtuels, tels que Siri d’Apple et Alexa d’Amazon, peuvent nous faire rire avec leurs erreurs d’interprétation, mais elles sont les témoignages d’une maturité nouvelle d’un domaine (IA conversationnelle) dont les défis sont d’une extrême complexité. Se comprendre est déjà une tache cognitive dans laquelle les humains échouent souvent. Elle implique la capacité de la machine à interpréter la voix – le signal auditif, comprendre le sens du langage, et puis interagir. Des chercheurs de plusieurs disciplines, travaillent depuis des décennies sur ces sujets, et les progrès à réaliser sont encore énormes. Il ne surprend alors pas que les deux assistants virtuels les plus en vue, soient produits par les deux entreprises (américaines) dont la valorisation est la plus élevée au monde (plus de 1.000 milliards de dollars chacune).
Le coût des gains en maturité augmente brusquement avec le degré de maturité souhaité
Rivaliser avec l’humain fut toujours le graal des chercheurs en IA, et ce notamment dans des taches très intellectuels. Le 10 février 1996 l’ordinateur Deep Blue développé par IBM gagne le premier match d’échecs contre Garry Kasparov, champion mondial de l’époque. Dans des matchs suivants, Kasparov arrive à égaliser et finalement gagner (4-2). IBM se remet au travail et en 1997, Deep Blue gagne contre le champion du monde. Gagner au jeu d’échec est une affaire complexe qui relève de véritable intelligence, incluant la stratégie et du raisonnement en plus de la capacité computationnelle. Le projet a couté à IBM entre 1985 et 1997 plus de 100 millions de dollars[1], soit ~150 millions aujourd’hui pour le seul jeu d’échecs.. Mais, Deep Blue ne pouvait pas remplir d’autres fonctions. Il ne parlait pas, il ne voyait pas son adversaire ; il était limité au calcul. Donc si on veut plus, il faudrait débourser plus.
IBM choisit ainsi d’aller plus loin. En 2011 l’ordinateur Watson participe au jeu télévisé Jeopardy ! et gagne contre des champions humains. Répondre à des questions aléatoires est pour la machine beaucoup plus compliqué que jouer aux échecs, car il faut disposer d’une base de connaissance, interpréter correctement les questions, savoir inférer les bonnes réponses : un art complexe qui a couté entre 0.9 et 1.8 milliards de dollars[2]. Un tel investissement n’est pas à la portée de n’importe qui et nécessite d’avoir les reins solides.
Mais le coût de la R&D est encore le moindre de nos problèmes. Le plus grand problème est celui de l’échelle capitalistique. Même si une start-up française pouvait rivaliser avec l’IA d’IBM dans certaines niches bien trouvées, il est inimaginable pour elle, avec quelques millions ou dizaines de millions qu’elle peut lever sur le marché VC en France (si encore elle arrive à convaincre les investisseurs souvent très ignorants), de rivaliser avec 1 milliard de dollars investit par IBM dans la commercialisation de sa technologie Watson dans des marchés niches[3].
Au-delà des capitaux, la donnée fait une barrière
Déployer de la technologie d’IA dans un cas d’usage concret présuppose qu’il existe des données, numérisées et structurées, relatives à ce cas d’usage. Les géants du Web travaillent presque exclusivement avec des telles données car ils interagissent avec leurs clients principalement en ligne. Dans d’autres secteurs, avant de pouvoir en disposer, il faut opérer la transformation digitale, souvent lente et couteuse. Par exemple, dans le domaine de tourisme en France, 44%[4] de chiffre d’affaire de l’année 2016 a été réalisé en ligne. Les acteurs de tourisme disposent donc des traces informatiques d’interaction avec leur client, au mieux sur 44% des cas, et ils sont de loin le domaine le plus avancé en matière de transformation digitale de la vente au détail. Les géants du Web sont naturellement à 100%.
Conclusion
Pour doter la France d’un climat favorable au développement de l’IA, il nous faut comprendre qu’il s’agit d’un domaine encore très intense en investissement, où le rendement est encore fragile et la concurrence bien armée. Autrement dit c’est un domaine où l’investissement nécessite des encouragements économiques forts. Cette prise de conscience est nécessaire à la fois au niveau des pouvoirs publiques et au niveau des investisseurs privés.
Au-delà de cette prise de conscience, la France peut encore jouer plusieurs cartes pour s’y prendre intelligemment :
- Renfoncer l’attractivité des emplois en IA
- Pour permettre aux entreprises françaises d’attirer les talents, il est possible d’envisager une incitation fiscale spécialement conçue pour les talents en informatique. Par exemple, il est possible d’envisager un dispositif à l’image de dispositif « Jeune docteur » fait pour stimuler l’emploi des docteurs, qui confère aux entreprise un Crédit Impôt Recherche important, permettant de compenser une bonne partie du salaire du jeune docteur. Le même mécanisme pourrait stimuler l’emploi des talents IA, en conférant les mêmes bénéfices du dispositif « Jeune docteur » à condition d’un salaire compétitif avec ce qui se pratique outre-Atlantique.
- Augmenter considérablement le volume et renfoncer la qualité des investissements en IA.
- L’investissement de l’Etat est opéré principalement par la BPI France, pourtant peu qualifié en matière d’IA. Il faut mener un véritable débat sur la capacité d’être mise au niveau en termes de compétences, et se poser la question si une stratégie d’investissement aveugle (par exemple en doublant ou triplant tout EUR de l’investissement privé, sans condition) ne risquerait pas d’avoir de meilleurs résultats. Ou alternativement, mobiliser les talents français, en les impliquant dans les structures d’investissement, pour mieux orienter les investissements.
- Nous fixer un objectif ambitieux pour l’IA au niveau national.
- En 1962 John Kennedy a fixé un objectif pour sa nation, celui d’envoyer un homme sur la Lune et de le faire revenir vivant à la terre avant la fin de la décennie. Cela a permis de fédérer les efforts d’une nation entière en matière de R&D. Pour rattraper notre retard, il n’y a rien de mieux que de nous fixer un objectif de ce type, qui peut apparaître futuriste de ce point de vue, mais que nous pouvons, avec suffisamment d’investissement et de coordination, accomplir en tant que nation. Un tel objectif permettrait de fédérer l’investissement public, mais aussi d’attirer l’investissement privé – puisqu’une orientation nationale de telle envergure garantira des débouchés économiques. Imaginons par exemple l’objectif de Paris – ville sans conducteurs d’ici 2028. 12 millions d’habitants, uniquement des transports automatiques, pourquoi pas verts. Il y aurait alors tellement à faire – de la voiture autonome pour transporter les personnes, à la logistique – livraisons de marchandise autonomes etc. Des innovations que nous pourrions ensuite commercialiser ailleurs en nous imposant comme pionniers.
[1] https://www.extremetech.com/computing/76552-project-deep-blitz-chess-pc-takes-on-deep-blue/2
[2] https://money.cnn.com/galleries/2010/technology/1008/gallery.biggest_tech_gambles/3.html
[3] https://venturebeat.com/2014/07/18/inside-ibms-billion-dollar-bet-on-watson/
[4] https://www.blogdumoderateur.com/chiffres-e-commerce-2016-2017/