Nicholas Wegman, Ph.D., Directeur de l’Intelligence artificielle et Alex Barnes, directeur de la gestion des produits antuit.ai, reviennent sur le fonctionnement de l’intelligence artificielle, ses différents modèles et comment l’utiliser et l’intégrer correctement.

L’intelligence artificielle (IA) permet d’analyser de vastes ensembles de données, d’automatiser des tâches répétitives et d’améliorer les processus décisionnels des entreprises. Sa capacité à prévoir et à planifier permet de rationaliser l’achat, de gérer plus efficacement les démarques en cours de saison et de fournir des prévisions précises de la demande. Et au final, ceci se traduit par des marges plus élevées.

Afin de mieux comprendre le fonctionnement de cette technologie, il faut se pencher sur la science des données qui se cache derrière l’IA. En comprenant ce système et en exploitant au mieux les capacités de cette technologie émergente, il est possible de développer à la fois la confiance et le discernement dans son utilisation.

Avant tout, connaître l’utilité de l’IA  

Pour comprendre l’IA ou le machine learning, il faut d’abord savoir qu’il ne s’agit pas d’un outil uniformisé. Il existe plusieurs modèles d’IA, notamment l’apprentissage supervisé, non supervisé et par renforcement. Ces modèles permettent de reconnaître des schémas, de classer des informations et de prendre des décisions sur la base des données d’entrée.

Certaines pages web répertorient les types d’IA les plus répandus : les algorithmes qui permettent aux machines d’apprendre grâce aux données, pour faire des prédictions ou résoudre certaines problématiques. En choisissant le bon modèle, les experts en science des données peuvent créer de puissants systèmes d’IA pour automatiser et analyser ce qui serait autrement trop long ou complexe à réaliser par un humain.

Pour choisir la bonne méthode, il faut comprendre les aspects suivants :

1. Collecte et prétraitement des données : avant d’être en mesure de construire des processus d’IA, il faut rassembler les informations pertinentes et les étudier. Il peut s’agir de trouver les valeurs manquantes ou illogiques, et de normaliser les données en s’assurant que les critères d’entrée sont sur une échelle similaire.
2. Analyse exploratoire des données (EDA) : il s’agit du processus de visualisation et de synthèse des données visant à obtenir des informations claires, à identifier des schémas et à formuler des hypothèses en vue d’une analyse plus approfondie. L’EDA aide à comprendre la structure sous-jacente des données et à sélectionner les algorithmes d’apprentissage automatique appropriés.
3. Feature engineering : il consiste à sélectionner et à transformer les variables et les caractéristiques les plus pertinentes à partir des données brutes pour améliorer l’efficacité du modèle. Ce processus peut utiliser des techniques telles que la réduction de la dimensionnalité, la mise à l’échelle des caractéristiques ou leur extraction.
4. Algorithmes d’apprentissage automatique : ils sont au cœur des systèmes d’IA et se répartissent en trois grandes catégories : l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement. Parmi les algorithmes les plus courants figurent la régression linéaire, les arbres de décision, les machines à vecteurs de support, les algorithmes de regroupement et les réseaux de neurones.
5. Sélection et évaluation des modèles : il est essentiel de choisir le bon modèle et d’évaluer ses performances. Il s’agit de diviser les données en jeux d’entraînement et de test, de sélectionner le meilleur processus sur la base des mesures de performance (par exemple : l’exactitude, la précision, le rappel) et de l’affiner pour obtenir des résultats optimaux.
6. Déploiement du modèle : une fois le modèle approprié développé, il faut le déployer en environnement d’utilisation réel. Ceci peut consister à l’intégrer aux systèmes existants, à contrôler ses performances et à le mettre à jour au fur et à mesure que de nouvelles données sont disponibles.
7. Considérations éthiques : l’IA peut avoir un impact considérable sur la société. Il est important de prendre en compte les implications éthiques telles que l’équité, la transparence et la protection de la vie privée.

Pour bien utiliser l’IA, les entreprises des secteurs de la grande distribution et des biens de consommation courante (CPG) doivent poser les bonnes questions et disposer de données exactes. Voici quelques exemples hypothétiques d’erreurs à ne pas commettre :

Pour le secteur CPG (biens de consommation courante) :

1. Entrer des données incorrectes : ces entreprises peuvent utiliser l’IA pour prévoir la demande des consommateurs pour chaque site et chaque unité de gestion des stock (UGS), mais si les informations d’entrée sont incorrectes ou incomplètes, elles seront erronées. Par exemple, si l’entreprise ne tient pas compte des facteurs susceptibles d’influer sur la demande, le système d’IA risque de ne pas être en mesure de prédire cette demande avec précision.
2. Être trop attaché aux anciennes solutions : Il arrive que des entreprises de CPG utilisent des solutions existantes qui ne sont pas capables de répondre aux exigences modernes. En s’appuyant trop sur ces solutions, les entreprises risquent de ne pas profiter des avantages de l’IA. Par exemple, si une entreprise utilise une méthode de prévision de la demande qui ne peut pas gérer de grands ensembles de données ou fournir des mises à jour en temps réel, elle risque de rater des opportunités d’améliorer ses marges.
3. Manque de compréhension de l’IA : les entreprises du secteur CPG ne comprennent pas toujours comment fonctionne l’IA ou comment l’utiliser efficacement. Par exemple, elles peuvent ne pas comprendre l’importance de la qualité des données ou de sélectionner le bon modèle pour une tâche particulière.

Pour la grande distribution :

1. Ne pas poser les bonnes questions : cela peut entraîner des entrées inexactes ou non pertinentes. Par exemple, si une enseigne essaie de prévoir la demande de tous les produits sur tous les canaux et toutes les échelles de temps sans tenir compte de l’évolution des conditions du marché ou des préférences des clients, les prévisions risquent d’être inutiles.
2. Données inexactes : elles peuvent être à l’origine de nombreux problèmes. Par exemple, lorsqu’une enseigne veut s’assurer que le bon produit est au bon endroit, au bon moment et au bon prix, mais qu’elle s’appuie sur des données inexactes ou incomplètes, elle risque de rater des opportunités d’améliorer les marges.
3. Manque d’intégration avec les systèmes existants : les enseignes peuvent également avoir du mal à intégrer l’IA à leurs processus existants. Par exemple, si une enseigne utilise un système de gestion des stocks obsolète, elle ne sera pas en mesure de tirer parti des avantages de prévision de la demande ou d’optimisation des prix par l’IA.

Pour éviter ces écueils, il est important que les entreprises abordent l’IA de manière stratégique en comprenant parfaitement leurs besoins. Elles doivent prendre des mesures pour s’assurer que les données d’entrée sont exactes, qu’elles utilisent les bons modèles d’IA pour leurs tâches spécifiques et qu’elles intègrent efficacement l’IA à leurs systèmes existants.