Ces derniers rendent les machines intelligentes pour aider les humains dans leur travail ou leur vie quotidienne. Ils n’utilisent pas la magie, mais des données et modèles informatiques pour apprendre, par exemple à une voiture à conduire, à des caméras à détecter dans une foule les individus aux comportements suspects, ou encore à un ordinateur à jouer si bien aux échecs qu’il peut battre le maître russe Garry Kasparov.
En implémentant dans une machine, des logiques de raisonnement humain, on obtient trois types de résultats : soit la machine « fait ce que l’homme est incapable de faire, soit elle le fait mieux, soit, enfin, elle travaille aussi bien, mais à moindre coût », résume Gwendal Yviquel, data scientist chez Leroy Merlin.
Avec ses collègues du pôle Big Data, ce dernier conçoit un outil informatique pour le service marketing, qui mesure où en sont dans leur réflexion les visiteurs naviguant sur le site de l’enseigne : ont-ils déjà pris la décision d’acheter des produits, attendent-ils un coup de pouce plus ou moins appuyé (appel téléphonique, email) pour les convaincre de refaire leur cuisine ?
À lire Quand l’intelligence artificielle s’invite dans le recrutement des entreprises
Cartographier le parcours de l’acheteur
Une information précieuse pour le service marketing, qui adapte ses actions en fonction afin qu’elles aient plus d’impact. Reste à savoir comment Gwendal et ses collègues insufflent à un ordinateur un esprit d’analyse qui surpasse celui des meilleurs profilers…
« Il faut d’abord identifier les signaux faibles : ces comportements ou actions des acheteurs. Ainsi, nous rentrons un maximum de données, même celles qui, de prime abord, semblent peu importantes », pose Gwendal. Comment le visiteur est-il arrivé sur le site ? Était-il déjà venu ? Que fait-il ? Combien de produits met-il dans le panier ?
Lire aussi Quand l’IA fera les courses, que deviendront les magasins ?
« On obtient un tableau avec une centaine de colonnes, chacune reprenant une action, une caractéristique. Nous programmons le logiciel pour qu’il aille chercher toutes ses données. Il mouline ensuite des semaines pour trouver les récurrences et nous dire ce qu’ont en commun les acheteurs, quels points de passage ils ont utilisé. Cela nous permet de cartographier le parcours type de l’acheteur », poursuit le data scientist.
Ensuite, Gwendal construit un modèle informatique, autrement dit, il programme l’ordinateur pour que celui-ci raisonne correctement. Il va le sommer d’aller recueillir uniquement les données décisives, les signaux faibles. Puis, pour chaque visiteur, le logiciel comptabilise toutes les cases que ce dernier coche et compare ce résultat au parcours type d’un acheteur. Cela permet de situer le visiteur dans le parcours, de voir où il en est dans sa réflexion d’achat.
« Plusieurs types d’ingénieurs travaillent sur les projets d’IA. Les data scientists créent les modèles informatiques. Les data engineers intègrent l’IA dans son environnement. Si on demande à Alexa (l’assistante vocale d’Amazon) de noter dans son agenda son rendez-vous chez le dentiste, elle doit pouvoir se connecter à notre agenda. Enfin, les ingénieurs “cloud” permettent à Alexa d’aller chercher, de manière sécurisée, toutes les données et informations stockées à l’extérieur de l’ordinateur, dans de gros serveurs », schématise Hatim Chahdi, dirigeant d’AXI technologies, start-up spécialisée dans l’intelligence artificielle et enseignant à l’Efrei, une école d’ingénieurs spécialisé dans le numérique.
Ces pros de l’IA sont très recherchés, tant par les mastodontes américains – Amazon, Google, Tesla –, qui les choient avec de gros salaires (entre 300 000 et 500 000 dollars par an en salaire et en actions) et les startups spécialisées dans l’IA, que par les industries et les banques, pour qui ce n’est pas le cœur de leur métier, mais qui en ont besoin pour améliorer leurs produits et la gestion de leur « supply chain » (chaîne logistique).
