À l’heure où ChatGPT, Midjourney et DALL-E font la une des journaux pour leurs avancées majeures en matière d’intelligence artificielle (IA) générative, la modélisation de systèmes complexes connaît à son tour une forte accélération.
Cognizant explore au maximum les potentialités de toutes ces formes d’IA ; avec, pour la seconde, la conviction que le machine learning et l’IA évolutionnaire peuvent fournir des outils puissants de supports à la décision, y compris dans des contextes incertains.
Qu’est-ce qu’une « bonne décision » ? Et plus particulièrement : qu’est-ce qu’une bonne décision dans un environnement contraint ? Quand le temps presse et que la visibilité manque…
Si l’on pose cette question à un compétiteur sportif tel un pilote de Formule 1, il répondrait probablement qu’une bonne décision suppose de comprendre et d’anticiper les mouvements de l’adversaire. Il peut ainsi agir de la bonne façon. Tout cela en un fragment de seconde. Pour gagner ou perdre.
Cette introspection éclair et quasi-instinctive s’applique tout autant dans le monde du travail, quand les entreprises doivent prendre des décisions rapides dans un environnement changeant. Quand des chercheurs doivent trouver des traitements efficaces contre une maladie. Quand des traders doivent prendre des positions pour maximiser leur gain et minimiser leur risque. Quand des agriculteurs doivent optimiser la qualité et le rendement de leur récolte. Et dans bien d’autres circonstances et métiers…
Intéressons-nous à la façon dont nous, humains, prenons les décisions. Même si les psychologues ont toujours tendance à parler de « rationalité » ou « d’irrationalité » quand il s’agit de prendre des décisions (c’est-à-dire appuyées sur le logos, la raison), la réalité montre que les individus ont plutôt tendance à faire appel à leurs croyances, leurs valeurs et leurs préférences (l’ethos) pour valider leurs choix. La décision humaine est toujours biaisée par des éléments contextuels, des logiques de situation et l’expérience personnelle de celui qui décide : par exemple, en tant qu’animal social, le décideur sera susceptible de rechercher la validation de ses pairs au moment de faire son choix. Tout ceci brouille la lucidité du cerveau humain et l’empêche de prendre des décisions rapides et éclairées dans un environnement complexe.
Pour cette raison, les entreprises recourent de plus en plus à des outils d’Intelligence Artificielle (IA) dans la mesure où ces technologies proposent de nouvelles manières d’aborder ces problèmes complexes en une fraction de seconde – qu’il s’agisse de machine learning ou d’IA évolutionnaire (en anglais : Evolutionary AI). Quand le contexte business se brouille et que la visibilité fait défaut, ces outils d’IA dépassent alors la fonction traditionnelle d’automatisation qui leur est souvent attribuée et deviennent de véritables supports à la prise de décision, y compris la plus complexe et la plus urgente.
L’exemple de la pandémie
Rappelez-vous la crise de la COVID-19 et les décisions d’urgence qui ont dû être prises au début de la pandémie. La situation était alors inédite : aucune vaccination, aucun traitement n’était disponible et les données manquaient pour permettre aux gouvernements de prendre des décisions éclairées. Chaque pays a donc mis en place ses propres mesures de limitation de la propagation, sans que de « bonnes pratiques » n’émergent véritablement d’un pays à l’autre tant les contextes et les leviers d’action étaient différents.
Pour pallier ce manque de protocole à suivre, nous avons alors requis l’aide de l’IA évolutionnaire : au-delà de ses fonctions de modélisation informatique, elle s’est affirmée comme un outil essentiel pour prendre des décisions éclairées et contribuer ainsi à limiter la propagation de la maladie tout en permettant le redémarrage de l’économie.
Auparavant, la plupart des efforts de modélisation étaient fondés sur des méthodes d’épidémiologie traditionnelles : celles-ci prédisaient la diffusion de la maladie avec une certaine justesse mais elles étaient dépendantes de la précision de certaines estimations-clés – comme le nombre moyen de nouvelles contaminations générées par un individu infecté. Ces modèles avaient également tendance à rester statiques : ils n’intégraient pas les nouvelles décisions prises au fil du temps et les biais potentiels que celles-ci induisaient dans la propagation de la pandémie.
Heureusement, la remontée rapide des données du terrain a vite permis de contourner ces difficultés : au fur et à mesure que le virus se propageait, les résultats des tests ainsi que les données des gouvernements et des méthodologies cliniques ont pu être collectées à échelle mondiale. Nous avons alors pu exploiter ces données en les reliant aux actions prises successivement dans différentes régions du monde pour bâtir des modèles de machine learning capables de prédire précisément la propagation de la maladie en fonction des politiques d’endiguement mises en place.
Une fois cette phase de prédiction validée, les modèles ont ensuite pu évoluer vers un rôle de prescription en analysant quelle stratégie de limitation de la maladie s’avérait la plus efficace selon le contexte du pays. Une évolution permise par la création de multiples simulations qui intégraient non seulement l’estimation de la propagation de la maladie et des impacts économiques induits mais également les arbitrages à envisager pour chaque stratégie adoptée.
Selon les évolutions du modèle, de nouvelles variables étaient alors introduites pour créer une frontière de Pareto, c’est-à-dire une approche qui permette de déterminer la combinaison optimale entre les variables-clés (propagation de la maladie et impact économique) sans en pénaliser une seule.
En pratique : qu’est-ce qu’une décision assistée par IA ?
Ces modèles appuyés sur l’IA ont donc fait leurs preuves durant la crise de la COVID-19 ; et c’est désormais dans le monde de l’entreprise que s’annoncent les principales avancées. Une technologie de machine learning retient particulièrement l’attention : celle de la « prescription assistée par substitution évolutionnaire » (en anglais « evolutionary surrogate-assisted prescription » ou ESP) dans laquelle un très grand nombre d’options stratégiques peuvent être générées et évaluées pour chaque scénario testé – le grand avantage de ces modèles résidant dans leur indépendance totale vis-à-vis de méthodologies ou conceptions préexistantes. Un peu comme on l’observe avec la sélection naturelle, l’IA évolutionnaire est capable de générer des situations totalement nouvelles, inédites, qui permettent aux décideurs d’appréhender immédiatement les retombées possibles et d’affiner ainsi leurs prévisions en conséquence, alors qu’ils auraient pu passer à côté de ces scénarios si l’IA ne les avait pas suggérés.
Nous avons requis l’aide de l’ESP pour plusieurs représentations du monde réel et plusieurs cas de prises de décisions à optimiser. Parmi ceux-ci, le Massachusetts Institute of Technology (MIT) souhaitait découvrir de nouvelles méthodes de culture pour l’agriculture – plus spécifiquement concernant le basilic. Il avait mis en place pour cela un environnement de culture hydroponique 100 % contrôlé. Cependant, le MIT manquait de données historiques lui permettant d’affiner ses modèles et de passer à des programmes d’agriculture durable, raison pour laquelle nous les avons accompagnés dans cette modélisation à travers notre approche en quatre étapes : Initiation, Observation, Modélisation, Suggestion.
- Initiation : pour commencer et constituer les premières étapes de ce modèle, nous avons d’abord identifié les données issues de « bonnes pratiques » traditionnelles de l’agriculture (ex : lumière, engrais, stress hydrique, etc.), données que nous avons fait varier sur une période de huit semaines pour obtenir un optimum sur ces bonnes pratiques.
- Observation : nous avons ensuite utilisé ces résultats pour créer un jumeau numérique basé sur du machine learning qui nous a permis d’observer quels ajouts et ajustements étaient nécessaires pour accroître notre connaissance de ce type de culture.
- Modélisation : par la suite, le jumeau numérique a pu être utilisé pour modéliser des techniques de culture totalement originales. Par exemple, nous avions commencé l’expérience en étant persuadés que le basilic ne pourrait pousser que sur un équilibre entre obscurité et lumière. Or, l’observation empirique du modèle nous a conduits à conclure qu’il fallait préférer une exposition à la lumière vingt-quatre heures sur vingt-quatre et sept jours sur sept, l’alternance avec des phases d’obscurité n’étant pas nécessaire.
- Suggestion : en mettant à profit ces conclusions et ces nouvelles techniques, nous avons pu ainsi suggérer de nouvelles manières d’augmenter l’efficience de la production et d’atteindre simultanément les trois objectifs de culture du basilic : le plus haut rendement, la meilleure qualité gustative et le plus haut standard de durabilité.
Face aux mutations, transformer sa prise de décision
La prise de décision appuyée sur l’IA est donc un horizon souhaitable pour toute entreprise en quête de compétitivité. Mais, pour réussir cette transformation, elle doit accepter de reconsidérer ses pratiques en relevant les défis organisationnels et technologiques déjà identifiés – parmi lesquels : le silotage des données qui limite la capacité d’analyse et d’action, ou la prise en compte des interdépendances entre l’entreprise et son écosystème business, trop souvent négligée.
Dépasser ces problèmes récurrents est indispensable pour enclencher le changement : la prise de décision assistée par l’IA est en effet désormais à la portée des entreprises. En utilisant l’IA évolutionnaire, les entreprises pourront construire la résilience et l’agilité nécessaires pour faire face à un environnement business en perpétuel mouvement et des contraintes réglementaires et climatiques qui se renforcent. Par-dessus tout, elles pourront regarder vers l’avenir avec confiance, en étant assurées d’avoir les bons outils pour affronter les mutations à venir.
Pour toutes demandes spécifiques à la France, contactez Olivier Mallet, Directeur Data et Intelligence Artificielle chez Cognizant France.
Article traduit en français d'après la version originale, AI: the decision-making tool for complex times.
