L'IA pour quoi faire ?

L'IA (Intelligence Artificielle) commence à pénétrer nos outils décisionnels. La référence apparait dans presque tous les outils décisionnels et de traitement de la donnée. La promesse est d'envergure : le système va résoudre de lui-même vos problèmes grâce à l'IA. 

Regardons d'un peu plus près ce phénomène, en se posant deux questions : 

 1) Quelles sont les applications de l'IA dans le cadre du contrôle de gestion ? 

 2) La référence à l'IA dans la plupart des outils décisionnels : est-ce vraiment de l'IA ou du marketing ? 

 

Tout d'abord rappelons quelques définitions   

L'IA, c'est quoi ? 

Si le prédicat de départ est d'indiquer que l'intelligence artificielle est un regroupement de techniques pour simuler ou reproduire l’intelligence humaine, il faut noter qu'il existe trois grands niveaux d'IA, caractérisés chacun par des techniques particulières. 

  • Le premier niveau, que tout le monde connait : l'implémentation de règles. Il s'agit de la programmation de règles sous la forme « SI… ALORS… ». Ces règles sont utilisées dans bon nombre de fichiers Excel, de programmes, de systèmes expert… 

Cette technique permet certes d'automatiser des actions en fonction de conditions, mais n'implique pas d'évolution autonome du système (c’est-à-dire sans recours au programmeur). 

  • Le second niveau, le machine learning, consiste à faire identifier par une machine des règles à travers un jeu de données.  

L'apport de cette technique est d'éviter de programmer toutes les règles, de permettre à la machine, en lui fournissant des exemples (nombreux), d'identifier par elle-même les règles afin de les appliquer. 

La machine apprend à partir d'exemples qului sont fournis.  

Cependant, sa capacité d’apprentissage est des millions de fois plus longue que celle d'un petit enfant. De plus, même si une taille importante du jeu de données d'apprentissage permet de diminuer les biais, il ne les élimine pas définitivement. 

Les deux principaux biais sont : 

  • Le biais de l'exhaustivité des cas : tous les cas particuliers et toutes les exceptions ont-ils été communiqué à la machine via des exemples ?  
  • Le biais du taux d'erreur du modèle prédictif : la solution se trouve-t-elle dans les exemples fournis ou bien sera-t-elle une créance pure, qui par essence, ne peut être un exemple communiqué à la machine ? 

La machine peut se perfectionner elle-même en générant ses propres exemples, cas d'apprentissage ou en recherchant de manière continue de nouveaux jeux de données. 

  • Le troisième niveau, ldeep learning  

Ce niveau, qui s'inspire du cerveau humain, est basé sur un système de réseau de neurones. Le principe est de superposer des niveaux de milliers de neurones artificiels qui : 

  • reçoivent des informations des niveaux inférieurs 
  • interprètent ces informations 
  • poussent leur résultat vers les niveaux suivants 

A l’image de tamis successifs qui permettent de trouver une solution à un problème posé. 

Exemple : après avoir identifié une forme non symétrique, des pattes, une queue, une taille, des moustaches, la machine va potentiellement reconnaître : un félin ou une peluche et il lui faudra encore d'autre niveau de neurones avec d'autres réponses à d'autres questions pour identifier au final : un chat.  

  

Quelles sont les applications de L'IA dans le cadre du contrôle de gestion ? 

Dans la liste des principales applications de l'IA au contrôle de gestion, nous pouvons énumérer : 

Les analyses prédictives, qui permettent de définir un modèle pour

  • les simulations budgétaires
  • les changements de modèle de gestion
  • les analyses de coût 

Et en particulier, l'apport de la machine est de pouvoir tester un très grand nombre de possibilités, de modifications de paramètres afin de discerner avec les données et variables fournies, la réponse la plus optimisée. 

Repérer des anomalies, distinguer finement des données contrevenantes à des règles, afin de mettre en exergue : 

  • les erreurs de saisies 
  • les défauts ou mise en qualité de processus 
  • les fraudes 
  • les phénomènes embryonnaires

L'automatisation des processus, ainsi que l'orientation vers les réponses les plus adéquates aux contextes. Les processus n'ayant plus besoin d'être maitrisés par les acteurs, parce qu'ils sont guidés par la machine. 

Dans le cadre de la déclinaison d'une stratégie : de formation, de qualité ou d’identification des talents … d'appliquer de la même façon que les réseaux sociaux, des concepts d'analyse de données professionnelles associées à des profils et de pousser vers les acteurs idoines : des présentations, des propositions de postes, des formations, des règles à privilégier ou à appliquer. 

L'analyse de données sur les marchés, les humeurs des consommateurs, la situation économique et l'identification par l'IA de la meilleure adaptation des services ou du produit proposé, ainsi que du système de production. 

 

La référence à l'IA dans la plupart des outils décisionnels : est-ce vraiment de l'IA ou du marketing ? 

La réponse ne va sans doute pas vous étonner, mais elle est hétérogène : 

  • Des graphiques qui présentent les valeurs les plus hautes ou les plus basses selon différents axes de dimension : potentiellement intéressant mais est-ce vraiment de l'IA ? 
  • L'identification d'anomalies par rapport à une tendance, utile mais est-ce vraiment de l'IA ? 
  • Des possibilités d'apprentissage et d'entrainement afin d'identifier des sentiments, des règles. Nous sommes bien dans de l'IA. Pas encore des réseaux de neurones, mais de l'IA tout de même.  

En effet, ce qu’on constate dans les outils, notamment EPM de type SAP Analytics Cloud, Workday Adaptive Planning ou Anaplan pour ne citer qu’eux, c’est qu’une analyse pertinente, qui peut être générée par l’IA à partir d’un apprentissage statistique, doit être basée sur une modélisation intelligente de la donnée. L’IA implémentée dans ces outils ne saurait pas se déterminer seule à partir d’un ensemble de données non modélisé selon des axes métiers et dire ce qui doit ou pas être considéré. On gagne du temps, mais ce n’est pas la révolution du contrôle de gestion.  

En guise de conclusion, nous pouvons indiquer que l'utilisation de l'IA se démocratise et est à portée de main dans nos outils décisionnels, mais elle demande un investissement conséquent pour donner des résultats probants.