N’est-ce que du vent ? Comment les investisseurs peuvent-ils vérifier les affirmations d’une entreprise sur l’IA ?
Presque tous les mémorandums d’investissement confidentiels (CIM) concernant une entreprise technologique mentionnent les capacités d’intelligence artificielle (IA) ou d’apprentissage machine (ML) de l’entreprise. Mais comme pour d’autres mots à la mode en matière d’investissement – tels que « revenus d’abonnement » – il existe une tendance à utiliser l’IA ou l’apprentissage automatique pour suggérer une technologie et des processus complexes, propres à l’entreprise, afin de distinguer l’offre comme étant différenciée ou technologiquement supérieure. Il s’agit souvent d’obtenir une valorisation plus élevée.
Nous avons tous entendu des exemples d’échecs de l’IA qui font de bons titres et constituent des mises en garde intéressantes. Mais en tant qu’investisseur, il peut être tout aussi effrayant d’apprendre que la capacité d’IA qui a conduit à une évaluation supérieure au marché n’est pas beaucoup plus qu’une feuille de calcul avec un peu de marketing.
Dans notre rôle de conseillers auprès des investisseurs et des équipes de gestion du secteur technologique, nous sommes souvent confrontés à une question centrale pour la thèse d’investissement : L’IA/ML est-elle vraiment une bonne affaire ? Voici comment trouver la réponse.
Assurez-vous que tout le monde parle le même langage
Les interprétations divergentes des termes « intelligence artificielle », « apprentissage automatique » et « apprentissage profond » peuvent être source de confusion et de malentendus, car ces termes sont souvent mal utilisés ou utilisés de manière interchangeable. Pensez à ces concepts de la manière suivante :
L’intelligence artificielle est tout système qui imite l’intelligence humaine. Avec cette définition, l’IA peut désigner n’importe quel système ou algorithme basé sur des règles, du moment qu’il est utilisé pour simuler l’intelligence. Les chatbots en sont un parfait exemple.
L’apprentissage automatique est un sous-ensemble de l’IA. Il repose sur un modèle mathématique créé à l’aide d’un grand ensemble de données et d’un algorithme d’apprentissage qui permet au modèle d’apprendre et d’évoluer. Par exemple, dans Google Photos, vous pouvez étiqueter des photos avec le nom des personnes qui y figurent et, au fil du temps, Google devient de plus en plus performant dans l’identification des personnes par lui-même. C’est un bon exemple d’apprentissage automatique.
L’apprentissage profond est un sous-ensemble de l’apprentissage automatique qui implique des modèles très sophistiqués ressemblant à la structure du cerveau humain. Ces modèles nécessitent des millions d’enregistrements pour être entraînés, mais peuvent souvent égaler ou surpasser les humains dans des tâches spécifiques. Par exemple, le programme d’apprentissage profond AlphaZero reste invaincu aux échecs.
Il faut aller au-delà de ces termes généraux pour évaluer la légitimité de la technologie IA/ML d’une entreprise. Vous devez comprendre : Quel problème est résolu ? Quelles technologies IA/ML sont utilisées pour le résoudre ? Comment et pourquoi cette solution fonctionne-t-elle ? La solution offre-t-elle un avantage concurrentiel par rapport à d’autres approches ?
Disons que vous envisagez d’investir dans une nouvelle entreprise dans l’espace hypothétique de LawnTech.
Si le CIM décrit l’application HornetNest de l’entreprise comme un « système d’IA pour l’éradication des frelons », vous souhaiterez approfondir vos recherches avec l’équipe technique du produit pour comprendre les composants et le processus sous-jacents. Idéalement, vous obtiendrez une explication qui ressemblera davantage à ceci :
« Nous utilisons un détecteur d’objets basé sur YOLO avec un filtre de Kalman pour identifier, compter et suivre les frelons en temps réel. Les données sont introduites dans un détecteur d’anomalies qui alerte automatiquement les clients lorsque nous observons un comportement qui suggère la présence d’un nouveau nid dans un rayon de 50 mètres. Grâce à un partenariat exclusif avec Orkin, nous avons compilé le plus grand ensemble d’images d’entraînement au monde, ce qui nous permet de prédire la présence et l’emplacement de nouveaux nids de frelons avec plus de précision que quiconque. »
Ce niveau de détail est nécessaire pour comprendre la sophistication, la valeur et le caractère défendable des actifs IA/ML d’une entreprise.
Évaluez l’ensemble du tableau
L’IA ne se résume pas à une seule chose. C’est le produit de six composants essentiels à la valeur de l’IA. La mesure dans laquelle ces éléments fonctionnent efficacement ensemble peut vous aider à distinguer l’IA de plus grande valeur de celle qui est moins légitime.
L’équipe
C’est peut-être l’atout le plus précieux et le facteur déterminant de la réussite à long terme. En particulier, disposer d’une solide équipe de science des données dirigée par un chef scientifique des données chevronné ouvre la porte à une IA de premier ordre.
Les données
L’IA repose sur des données d’entraînement pour créer des modèles. Des volumes élevés de données, en particulier des données propriétaires auxquelles les concurrents ne peuvent pas accéder, créent un avantage concurrentiel et une barrière importants. En règle générale, il faut des dizaines de milliers de données d’apprentissage pour l’intelligence artificielle traditionnelle et des millions pour l’apprentissage profond.
Le processus de formation
Il existe des processus de formation de base et des techniques avancées, notamment l’apprentissage automatique (AutoML), le réglage des hyperparamètres, l’apprentissage actif et la supervision faible. La capacité d’une entreprise à utiliser ces techniques avancées permet de réduire les coûts et d’améliorer la qualité.
Excellence opérationnelle
Au-delà de la formation de l’IA, il est important de comprendre son entretien général et son alimentation. Vous devez comprendre les processus d’assurance qualité, de test et de décomposition des erreurs. Lorsque des faiblesses sont identifiées, comment les données de formation supplémentaires sont-elles recueillies ? En outre, supposons que l’un des points forts de l’IA soit l’intégration d’un retour d’information en temps réel pour permettre l’apprentissage par renforcement, ou la compilation d’une base de connaissances pour soutenir la prise de décision. Dans ces cas, les processus doivent être gérés activement pour garantir des performances optimales.
Les modèles
Les modèles sont les résultats de l’équipe, des données et du processus de formation. Mais, pour être considérés comme un atout, ils nécessitent tout de même un temps appréciable pour être créés et optimisés. La valeur de ce composant est déterminée par le nombre de modèles dont dispose une entreprise et par la sophistication de ces modèles.
L’infrastructure de développement de l’IA
Il y a une différence entre une entreprise qui a assemblé quelques modèles ML et une autre qui dispose de l’infrastructure nécessaire pour créer, réentraîner, tester et déployer automatiquement des modèles.
Comprendre où se situe l’entreprise sur l’échelle de maturité de l’IA
Sur la base d’un échantillon de plus de 2 500 entreprises technologiques que notre équipe a étudiées au cours des deux dernières années, nous avons noté des indicateurs de maturité de l’IA assez cohérents.
Environ 10 % de ces entreprises entrent dans la catégorie « Pas d’IA ». Malgré ce qu’elles disent, il ne s’agit pas d’IA. Par exemple, un logiciel qui optimise l’acheminement des conteneurs n’est peut-être pas de l’IA, mais simplement un algorithme traditionnel sophistiqué.
Dix pour cent supplémentaires entrent dans la catégorie « IA non propriétaire ». Dans ces cas, l’entreprise utilise uniquement des modèles du domaine public, ou des API de cloud MLaaS, pour exploiter l’IA. Un exemple serait l’utilisation de l’API Textract d’Amazon basée sur l’IA pour reconnaître du texte ou le modèle ResNet du domaine public pour détecter des objets dans des images. Cette approche peut être considérée comme basée sur l’IA, mais sa mise en œuvre ne nécessite pas de données d’entraînement, de processus d’entraînement, de spécialistes des données ou même de grandes connaissances en matière d’IA. Il n’y aurait pas non plus de différentiateur concurrentiel dans cette approche puisque n’importe quelle entreprise peut utiliser les mêmes actifs du domaine public.
La grande majorité, environ 75 %, entre dans la catégorie de l' »IA standard ». Ce que nous voyons le plus souvent, ce sont des entreprises qui forment des modèles ML propriétaires en utilisant leurs propres données de formation en combinaison avec des algorithmes de formation standard. Il existe un large éventail de sophistication dans cette catégorie. À l’extrémité la plus simple de la gamme, on trouve les entreprises qui créent des modèles de régression linéaire à l’aide d’une bibliothèque comme sklearn de Python. À l’extrémité la plus complexe, on trouve les entreprises qui conçoivent et créent plusieurs modèles d’apprentissage profond à l’aide de TensorFlow et qui utilisent des techniques d’optimisation avancées comme le réglage des hyperparamètres, l’apprentissage actif et la supervision faible pour maximiser la précision.
Les 5 % restants entrent dans la catégorie « IA de pointe ». Ces entreprises sont allées au-delà des techniques d’IA standard et ont développé leurs propres types de modèles et algorithmes d’apprentissage pour pousser l’IA dans de nouvelles directions. Il s’agit d’une propriété intellectuelle unique et brevetable qui a une valeur en soi, et les modèles créés par ces entreprises peuvent surpasser les concurrents qui ont accès au même ensemble de données.
Cela ressemble à une vraie affaire – mais est-ce que cela vous convient ?
Une fois que vous avez compris les détails de l’IA elle-même, vous êtes mieux placé pour comprendre son impact sur la thèse d’investissement. Il y a deux facteurs à prendre en compte ici.
Premièrement, quelle est la valeur de l’IA ? Le terme « IA » pouvant avoir des définitions très différentes, il est important d’adopter une vision globale. La valeur des actifs d’IA d’une entreprise est la somme des six éléments critiques mentionnés ci-dessus : l’équipe, les données, le processus de formation, l’excellence opérationnelle, les modèles et l’infrastructure de développement.
Une autre façon de considérer la valeur de l’IA dans une entreprise est de se demander quel est son impact sur les résultats. Qu’adviendrait-il des revenus et des coûts si l’IA disparaissait demain ? Génère-t-elle réellement des revenus ou un effet de levier opérationnel ? Et inversement, quels coûts sont nécessaires pour maintenir ou améliorer cette capacité ? Vous constaterez que l’IA peut être aussi bien un slogan marketing vide de sens qu’une technologie essentielle au succès d’une entreprise.
Deuxièmement, quels risques l’IA présente-t-elle ? Les biais algorithmiques non intentionnels peuvent présenter des risques pour la réputation et le droit de l’entreprise, en créant une IA sexiste, raciste ou autrement discriminatoire. Dans le cas du crédit, de l’application de la loi, du logement, de l’éducation et des soins de santé, ce type de biais est interdit par la loi et difficile à défendre – même lorsqu’il se produit involontairement. Assurez-vous de comprendre comment la cible s’est prémunie contre les préjugés algorithmiques et les mesures que vous devriez prendre pour éviter les préjugés à l’avenir.
La vie privée est une autre préoccupation, l’IA nécessitant souvent de nouvelles couches de protocoles de confidentialité et de sécurité. Vous devez comprendre comment les données biométriques (considérées comme des informations personnelles identifiables protégées par les lois sur la confidentialité des données) et les images sensibles, telles que les visages, les plaques d’immatriculation et les écrans d’ordinateur, sont collectées, utilisées et sauvegardées.
La véritable valeur de l’IA
La réalité est que, dans le paysage technologique actuel, la plupart des entreprises peuvent légitimement revendiquer certaines capacités d’IA. La plupart du temps, l’IA correspond à notre définition de la maturité « standard » et fonctionne comme nous l’attendons. Mais lorsque nous avons examiné plus en profondeur la catégorie « IA standard », nous avons constaté que seule la moitié de ces entreprises utilisaient les meilleures pratiques ou créaient un différentiateur concurrentiel qu’il serait difficile pour les concurrents de dépasser. L’autre moitié pouvait encore s’améliorer.
Déterminer la valeur de l’IA nécessite à la fois un regard approfondi sous le capot et une compréhension nuancée du rôle spécifique de l’IA dans l’entreprise. La diligence technique, effectuée par des experts qui ont directement dirigé des équipes d’IA, peut aider à démystifier l’IA pour les investisseurs. L’objectif est d’aider les investisseurs à comprendre exactement ce qu’ils achètent, ce que l’IA peut et ne peut pas faire pour l’entreprise, les risques qu’elle présente et, finalement, dans quelle mesure elle soutient la stratégie d’investissement.
–
SEO INSIDE est une agence web (notamment…).
--
SEO Inside est une agence web et SEO - en savoir plus sur nous:
Agence web / Audit SEO / Conseil SEO / Création de site internet / Refonte de site internet optimisé pour le SEO / Référencement naturel / Référencement local /Netlinking / Formation SEO / E-Réputation et avis
Voici nos implantations :
Lille / Dunkerque / Amiens – ce sont nos 3 bureaux historiques.
Puis voici nos zones géographiques d’intervention :
Paris / Abbeville / Rouen / Compiègne / Reims / Metz / Caen / Evreux / Nancy / Colmar / Rennes / Le Mans / Orléans / Dijon / Besançon / Angers / Nantes / La Rochelle / Poitiers / Limoges /Clermont-Ferrand / Lyon / Annecy / Grenoble / Valence / Bordeaux / Montauban / Toulouse / Biarritz / Montpellier / Marseille / Cannes / Nice / Avignon / Monaco
SEO INSIDE est une agence web spécialiste en référencement naturel qui se veut proche de vous. Contactez-nous pour discuter de vos projets.
