Comment l’intelligence artificielle ressuscite l’industrie

Dans son dernier livre, le brillant et sulfureux Peter Thiel [1] n’annonçait rien moins que la fin des haricots pour les infinies variations autour des services web, des réseaux sociaux, des webmarkets… Pour lui en effet, la croissance de l’industrie de l’informatique suit la loi de Moore (doublement de la capacité de calcul tous les deux ans) tandis que les progrès des autres domaines industriels (mécanique, chimie, matériaux…) n’ont pas subi la même progression, loin de là. Pour l’industrie pharmaceutique, on parle même de la loi de Eroom (Moore à l’envers) car la découverte de nouveaux médicaments devient de plus en plus lente et coûte de plus en plus cher[2].
Nous arrivons dans une nouvelle phase de la troisième révolution industrielle. La révolution du traitement de l’information initiée en 1990 par l’invention du web[3] a produit, trente ans plus tard, les moyens d’amorcer une loi de Moore pour les autres domaines, plus matériels. Alors que beaucoup parlent d’industrie du futur – et j’assiste souvent à de mornes présentations à ce sujet- les orateurs évoquent ce qu’ils connaissent et proposent aux entreprises: un peu de gestion de documents, un petit ERP pour la production, une petite CRM pour lister les clients. Tout cela devrait être fait par tout DSI digne et sérieux. Il n’y a rien de bien neuf ni rien de plus que de changer de vêtements pour en prendre de plus confortables pour le nouvel environnement dans lequel vivent les entreprises, même si pour beaucoup cela constitue un progrès. Les dépenses, nécessaires à leur mise en place, relèvent des “frais hors production”, des charges. Elles améliorent le fonctionnement de l’entreprise, mais n’ont qu’un impact réduit sur la valeur des produits. Ce dont nous allons ici parler concerne la création de valeur réelle, par des produits nouveaux répondant à un monde qui, dans dix ans, sera totalement différent de celui d’aujourd’hui. L’entreprise du futur devra engager trois actions principales, pour lesquelles l’intelligence artificielle sera décisive: Prédire, Anticiper, Réticuler.

Prédire, ou comment lire l’avenir dans les entrailles de Wikipedia?

Pendant toute la seconde révolution industrielle, nous avons appris à gérer les risques. Ceux-ci sont le produit d’une certaine probabilité de dommage multipliée par une certaine gravité ou perte économique. Pour cela, nous avions des assureurs. Cette industrie lourde qui a fait la richesse des trente glorieuses et qui s’est terminée à la fin des trente piteuses qui ont suivi, a construit son savoir, ses normes, ses organisations sur cette base. En fait, il s’agit d’une pensée mécaniste: une cause produit un effet, si possible proportionnel, avec un peu de statistiques pour essayer de représenter le caractère aléatoire de certaines activités industrielles et l’esprit fantasque de la Nature. L’outil roi de cette période est la régression linéaire: relier les causes aux effets par des droites, éventuellement avec plusieurs variables. Les plus futés iront jusqu’à faire des réseaux bayésiens. Même les lois de changement d’échelle, qui permettent notamment de gérer comment coulent les liquides dans les tuyaux – activité primordiale et cachée de tous dans l’industrie- sont linéarisables (pour ceux que cela intéresse, par le théorème pi[4]). Or, nous savons depuis 400 ans que c’est faux. Les ingénieurs s’ingénient à trouver des relations linéaires partout, des proportionnalités, quitte à faire des approximations terribles, comme la fameuse boutade sur la modélisation de la digestion de la vache pour lequel l’ingénieur commencerait sa note technique par “prenons une vache cubique…”. En fait, il est pratique de résumer ce changement de point de vue par l’aphorisme : “Descartes avait tort, Spinoza avait raison”. La Nature est par nature complexe: une cause produit plusieurs effets, qui eux-mêmes influencent la cause[5] qui les a engendrés. Les IA permettent de continuer à fonctionner dans ce monde réel, ce monde complexe, sans faire de simplifications linéaires. Ainsi, nous allons sans doute revisiter nos anciennes sciences, notre chimie, notre biologie, notre électronique, nos matériaux, avec une nouvelle loupe, presqu’aussi complexe que l’est la Nature. Par exemple, il est très difficile de relier la forme d’une molécule à ce à quoi elle peut bien servir. Pourtant, on se doute bien que c’est dans cette forme qu’est la cause qui fait qu’un médicament soigne, qu’un détergent lave, qu’un acide attaque. À R&D Médiation, nous avons récemment construit un réseau de neurones profonds[6] qui prédit avec succès des usages, industriels ou pour le grand public de substances nouvelles, ou bien de substances anciennes auquelles on aurait pas pensé pour une application nouvelle. C’est évidemment impossible avec un tableur Excel.
Parallèlement, ce trésor de l’humanité qu’est Wikipedia évolue en Dpbedia, une structure de données reliant des objets entre eux par leur sens. L’industrie du futur va devoir faire de même. Reprendre ses trésors de données non structurées, imprimées depuis deux siècles, pour s’en servir de bases d’apprentissage pour les IA et y découvrir leur avenir.

Anticiper, ou comment éviter l’iceberg quand on s’appelle Titanic?

Il y a quelques années, j’avais participé aux formations d’un groupe d’anticipation politique qui avait été un des rares à prédire la crise financière de 2008 (le LEAP)[7]. Son fondateur, F.Biancheri, pensait que les sociétés étaient des paquebots très lourds, ne réagissant que faiblement et avec beaucoup de retard à l’influence de tendances de fond profondes qui existent sur le long terme. Cette lenteur à y réagir peut conduire les plus beaux paquebots à l’iceberg, pour peu que leur timonier soit mal informé et entêté. Ces tendances de fond existent sur le long terme et sont connues. Par exemple, on peut citer l’aversion au risque (qui a conduit au principe de précaution maintenant inclus dans la constitution), l’allongement de la durée de vie (qui conduit à l’explosion des cosmétiques et demain sans doute des “augmentations”[8]).
Or bien peu sont les entreprises à en tenir compte dans leur processus de décision. Les IA peuvent là aussi aider, notamment en prononçant des avis indépendants du biais cognitif de Dunning-Kruger[9], qui veut qu’en assemblée, ce soit le moins compétent qui s’exprime le plus et impose sa décision. Déjà des IA font du travail juridique. Elles pourront gérer au mieux des contrats complexes et, surtout, capitaliser sur l’expérience.
Actuellement, une dizaine de tendances de fond majeures sont à l’oeuvre. Toutes sont dans une phase d’évolution drastique. L’intuition va devenir une compétence majeure du décideur. Or, les neurosciences, filles du calcul et de l’image, nous apprennent aujourd’hui qu’elle est le fruit de l’expertise et de l’intention[10]. Les IA deviendront une aide à l’intuition pour le décideur, pour la même raison que le Dr Alexandre anticipe que les médecins auront sous peu l’interdiction de faire des diagnostics médicaux. Avec la radiographie, le médecin recevait une projection en deux dimensions d’un organe, sur lequel il pouvait parfois voir une vague tâche qui faisait son diagnostic. Quand une IRM génère un téraoctet d’images et de données, aucun humain ne pourra jamais les lire. Ce seront les IA qui le feront et donneront leur diagnostic. Il en va de même pour l’entreprise du futur qui évoluera dans un monde de relations clients-fournisseurs-stakeholders tellement complexes et générant tellement de données qu’il faudra bien prendre ses décisions sur la base de la lecture qu’en feront les IA.

Réticuler, ou comment choisir entre le networking et le not working?

Dans les usines du futur, il n’y aura plus grand monde. Alors que dans les années 70, l’emploi dans le secteur industriel représentait les deux tiers des salariés, il ne représente plus que 13%[11] aujourd’hui. Ce n’est pas la première fois, puisque la France à 80% agricole d’avant-guerre est un souvenir lointain et nostalgique dans une France du XXIe siècle où les agriculteurs ne représentent plus que 4% des emplois. Le phénomène d’aversion pour le risque renforce cette tendance. Ainsi les accidents de travail font pratiquement 100 fois moins de morts que les accidents domestiques. Pourtant c’est sur l’entreprise industrielle que se concentrent les efforts de prévention. Il serait criminel – pour ne pas dire une faute morale- de ne pas le dire aux jeunes, puisque les organismes chargés de leur éducation s’y refusent, peut-être pour préserver leur clientèle. Les unités industrielles échangeront autant de données que de biens matériels, avec une logistique complexe de transport des deux. Or, une faible variation de la demande entraîne des fortes variations de l’activité en amont en raison de de l’effet “bullwhip” [12]. Là aussi, les IA seront au coeur d’un monde industriel où l’intégration verticale sera extrêmement présente[13]. En effet, même avec les IA, le problème économique des “contrats incomplets” [14] qu’elle résout sera une source majeure d’incertitude. Nous pouvons également penser que blockchain, qui résout un problème connecté sur la confiance[15], sera au centre du dispositif.

Les IA ne doivent donc pas faire spécialement peur. Elles nous permettront de vivre dans un monde plus sûr et plus sain. Elles nous mettent aussi devant notre responsabilité sociétale. Si demain tous n’auront pas un emploi il faudra bien que tous aient une activité. Ces activités restent à inventer et espéront que la pauvre production media actuelle ne les préfigurent pas. Rassurons nous l’intelligence artificielle est bien moins à craindre que la stupidité naturelle.

 

Références

[1] P. Thiel and B. Masters, Zero to one: notes on startups, or how to build the future. New York: Crown Business, 2014.
[2] J. W. Scannell, A. Blanckley, H. Boldon, and B. Warrington, “Diagnosing the decline in pharmaceutical R&D efficiency,” Nat. Rev. Drug Discov., vol. 11, no. 3, pp. 191–200, Mar. 2012.
[3] Tim Berners-Lee, “Alt.hypertext post (invention of web).” alt.hypertext, 09-Aug-1991.
[4] L. E. Brunet, Automated Vashy-Buckingham data mining. https://sourceforge.net/projects/pitherorem: SourceForge, 2014.
[5] M. Halévy, Un univers complexe. 2011.
[6] L. E. Brunet, “AlchemAI:Une IA pour prédire les applications et les marchés des substances,” R&D Mediation, 2017.
[7] M.-H. Caillol, “Political anticipation: observing and understanding global socio-economic trends with a view to guide the decision-making processes,” Int. J. Gen. Syst., vol. 41, no. 1, pp. 77–90, Jan. 2012.
[8] L. Brunet, “Le transhumanisme, l’idée la plus dangereuse du monde?,” L’expertise, vol. 2–3, pp. 183–196, Nov. 2012.
[9] J. Kruger and D. Dunning, “Unskilled and unaware of it: How difficulties in recognizing one’s own incompetence lead to inflated self-assessments.,” J. Pers. Soc. Psychol., vol. 77, no. 6, pp. 1121–1134, 1999.
[10] X. Wan et al., “Developing Intuition: Neural Correlates of Cognitive-Skill Learning in Caudate Nucleus,” J. Neurosci., vol. 32, no. 48, pp. 17492–17501, Nov. 2012.
[11] L. Brunet and H. Hayotte, “Changements stratégiques et souffrances psychologiques,” in Changement stratégique et stratégie de changement, 2011.
[12] R. L. Bray and H. Mendelson, “Information Transmission and the Bullwhip Effect: An Empirical Investigation,” Manag. Sci., vol. 58, no. 5, pp. 860–875, May 2012.
[13] V. Vergara, “Decisions of vertical and virtual integration : model and resolution,” Theses, Ecole Centrale de Nantes (ECN) (ECN) (ECN) (ECN), 2009.
[14] P. W. Schmitz, “The Hold-Up Problem and Incomplete Contracts: A Survey of Recent Topics in Contract Theory,” SSRN Electron. J., 2001.
[15] L. Lamport, R. Shostak, and M. Pease, “The Byzantine generals problem,” ACM Trans. Program. Lang. Syst. TOPLAS, vol. 4, no. 3, pp. 382–401, 1982.

Télécharger cet article au format PDF ou ePub