Intelligence artificielle – de la recherche à l’industrie en utilisant l’exemple de 3 cas d’utilisation concrets

Moteur à vapeur, électricité, ordinateurs, internet, intelligence artificielle. Au cours de l’histoire, certaines inventions et technologies se sont toujours établies comme des technologies dites d’usage général. Si ces technologies peuvent prendre des formes diverses, elles ont toutes en commun de changer la société et l’économie de manière durable grâce à leur influence radicale sur les structures sociales et économiques existantes.

Avec la pertinence croissante de l’intelligence artificielle (IA), nous vivons actuellement exactement ce changement. Si de nombreux articles examinent la fonctionnalité, le potentiel et l’influence de l’IA en général, relativement peu d’articles mettent en avant des applications vraiment concrètes de l’IA.

L’objectif de cet article de blog est donc d’expliquer brièvement un cas concret d’utilisation de l’IA dans trois secteurs différents en utilisant des exemples réels, et enfin de décrire une approche générale avec laquelle les projets d’IA peuvent être mis en œuvre avec succès par des entreprises existantes. Les exemples utilisés sont basés sur des projets réels de Merantix, un studio d’AI Venture à Berlin, qui développe et met en œuvre des projets de logiciels d’AI pour d’autres sociétés, ainsi que développe et met à l’échelle ses propres sociétés d’AI.

Ventes : Estimation de la conversion des ventes

Contexte

Une société de production nous a demandé de développer un algorithme pour la priorisation des pistes. L’objectif était d’aider le personnel de vente à décider sur quelles pistes se concentrer et où soumettre une offre et de réduire considérablement la charge de travail manuel.

Défi

Sur la base de données historiques de plus de 30 ans, il a fallu identifier les facteurs pertinents qui influencent de manière significative le résultat des ventes. En outre, le pronostic de la probabilité d’une vente réalisée devait être très précis.

Solution

La solution la plus appropriée était une approche d’apprentissage automatique, qui prend en compte les données du système CRM utilisé, afin d’automatiser le processus de priorisation, jusqu’alors manuel. L’ensemble des données disponibles comprend environ 500 000 offres envoyées par an et s’élève donc à près de 15 millions d’offres au total. Il a été possible d’automatiser complètement le processus de hiérarchisation des priorités, permettant aux employés de se concentrer sur les activités de vente proprement dites.

Contrôle de qualité/logistique : Contrôle de qualité optique

Contexte

Le contrôle de la qualité des produits achetés et expédiés est un aspect central de la gestion de l’entrepôt et surtout de la satisfaction des clients d’une grande entreprise de commerce électronique. Actuellement, les employés doivent inspecter chaque produit individuellement et manuellement et saisir manuellement l’état des marchandises dans le système, ce qui est une tâche longue et répétitive. Ce processus doit donc être automatisé, entre autres au moyen d’un algorithme qui utilise des photos des produits pour détecter et classer les éventuels défauts.

Défi

Comme la gamme de produits est très large et que les différents produits d’un groupe de produits présentent parfois de fortes nuances, l’algorithme utilisé doit faire l’objet d’une formation approfondie.

Solution

En raison de la large gamme de produits et du grand nombre de formations requises, ainsi que du coût et du temps nécessaires, il a été décidé de se concentrer initialement sur un groupe de produits dans le cadre d’un projet pilote. Un ensemble de données de 6000 images d’un groupe de produits a servi d’entrée. La solution la plus efficace pour l’analyse optique proprement dite était une classification de chaque image individuelle, qui pouvait être utilisée pour évaluer l’état général du produit. Dans le cadre du projet pilote, il a ainsi été possible de réduire le temps nécessaire par produit de près de 70 % et de diminuer considérablement le personnel nécessaire.

Les soins de santé : Mammographie

Contexte

Le diagnostic par mammographie dans le cadre du dépistage du cancer du sein est une activité extrêmement répétitive dans le traitement des images médicales avec un volume élevé. Plusieurs radiologues doivent évaluer chaque image manuellement, ce qui est non seulement très coûteux, mais aussi une tâche fatigante et sujette aux erreurs, surtout compte tenu de la pression croissante du temps. Comme jusqu’à 97 % des études ne nécessitent pas de suivi médical, les radiologues signalent souvent de faux positifs ou négligent les signes réels de cancer du sein (faux négatifs).

Défi

Les systèmes dits d’aide à la décision, qui sont censés faciliter l’évaluation au moyen de marquages sur les radiographies, s’avèrent sans valeur, car un étiquetage inexact dû à une sensibilité élevée et à un biais humain rend le flux de travail encore plus inefficace. Dans le même temps, la création d’un système qui automatise réellement le diagnostic et la notification est un défi non seulement technique mais aussi réglementaire. L’entrée était des milliers d’examens mammographiques non étiquetés de partenaires médicaux.

Solution

Nous avons mis au point un système d’élimination intelligente et de notification certifié CE qui facilite grandement le travail tout en offrant la plus grande confiance en excluant et en signalant une proportion importante de cas non critiques. Le produit final a été formé sur un ensemble de données sur le cancer du sein comprenant plus de deux millions d’images et élimine automatiquement 40 % de la charge de travail des radiologues. En outre, un outil d’annotation sophistiqué, un pipeline de données et un algorithme d’apprentissage actif ont été mis en place. Cela permet au radiologue de se concentrer pleinement sur les cas complexes et augmente la sécurité des patients. Six grands centres de radiologie allemands utilisent déjà avec succès le système que nous avons développé et quatre autres intégrations avec des fournisseurs de téléradiologie dans cinq pays différents ont déjà été confirmées. Cela signifie que le modèle mis au point est très évolutif et atteindra bientôt quatre millions de lectures.

Mise en œuvre réussie des projets d’IA – le point de départ n’est pas les données, mais le cas d’utilisation

Une idée fausse très répandue concernant l’utilisation et la mise en œuvre de l’IA consiste à commencer par les données disponibles. Bien que les données soient, bien entendu, une composante fondamentale des applications basées sur l’IA, la première étape consiste à identifier un cas d’utilisation pertinent. Nous recommandons donc à nos clients de commencer par l’identification des différents cas d’utilisation qui génèrent une valeur économique pour l’entreprise. Dans un deuxième temps, les cas d’utilisation identifiés devraient ensuite être classés par ordre de priorité en fonction des critères de valeur ajoutée économique et de faisabilité. Par la suite, il est important de faire preuve d’une certaine volonté d’expérimentation et, en même temps, de veiller à ce que le montage du projet soit choisi de telle sorte que la faisabilité technique puisse être rapidement établie et que le risque financier soit ainsi réduit.

Les exemples décrits ci-dessus montrent comment l’IA peut être utilisée de manière polyvalente et à valeur ajoutée. Bien que chaque industrie et chaque projet apporte sans aucun doute ses propres défis et exigences individuelles, il est clair que l’approche et le processus sont généralement très similaires. Merantix a donc institutionnalisé le développement et la mise en œuvre de solutions d’IA sur mesure et travaille avec une approche de processus éprouvée pour mener professionnellement les entreprises à la réussite, quel que soit leur secteur d’activité ou leur taille.