L’IA explicable dans tous ses états (ou presque !) : quelques cas d’application

Posté le 06/02/2024 par Anabasis

Traductions: en

Catégories: Entreprise

2024 marque un tournant pour Anabasis : après de belles mises en production chez des clients clés, nous avions besoin de prendre un peu de recul, au-delà des applications sectorielles ou métier de notre technologie Karnyx d’IA explicable.

En effet nous ne sommes pas limités à un seul secteur. Certes, la défense, l’aéronautique, la santé et les RH, qui sont les premiers à nous avoir fait confiance, continuent et continueront à nous solliciter sur des problématiques de données hétérogènes à aligner, d’informations sensibles à protéger, de décisions stratégiques nécessitant une justification à 100 %. Au moment où Anabasis vit une dynamique de croissance des fonctionnalités de sa suite d’IA, Karnyx, où les effectifs sont en croissance (+50 % en un an), nous sommes prêts à poursuivre notre pénétration d’autres secteurs. Nous l’avons déjà fait dans l’agro-alimentaire, la conservation bibliographique et les fusions-acquisitions. Mais il en reste d’autres : professions juridiques et comptables, banque & assurance, pharmacie, instances de normalisation, industries de process ou manufacturières, ministères régaliens, etc.

Plutôt que de décliner des cas d’usage sectoriels ou métier, nous prenons le parti, dans ce billet, de vous présenter quatre applications qui nous semblent éminemment transposables dans d’autres secteurs. Repartons de notre différenciateur clé : l’explicabilité des résultats produits par notre IA.

Le constat : les décideurs sont confrontés à une abondance de données et de solutions informatisées. Cependant :

  • Les entrepôts de données font écran vers les sources : données hétérogènes, pas mises à jour en même temps.

  • Les IA usuelles sont une boîte noire. Or les décisions stratégiques ou des contextes très sensibles (santé, finance, industrie, défense) demandent des décisions pleinement justifiées.

Karnyx, l’IA explicable d’Anabasis s’insère dans ce contexte et apporte le chaînon manquant de l’explicabilité.

Commençons par la vie sans Karnyx.

Les décideurs récupèrent la matière première, les données, les analysent (à la main ou à l’aide d’une IA usuelle) et la restituent sous forme d’une IHM ou d’un rapport. Cela ressemble à peu près à ça :

Sans Karnyx

C’est là que les problèmes commencent :

  • La mise en qualité après extraction est incomplète et « piégeuse » car non pilotée par le métier,

  • L’analyse manuelle ou algorithmique (IA) s’applique à des données hétérogènes,

  • La présentation des résultats s’appuie sur une intuition (analyse manuelle) ou bien une statistique (IA algorithmique) voire, lorsqu’elle s’appuie sur une IA générative, peut produire des hallucinations.

En gros c’est le triptyque infernal hétérogénéité des données de base, intuition/hallucination dans l’analyse et au final, confiance aveugle dans une boîte noire :

Sans Karnyx

De ce fait, beaucoup de décideurs regardent les résultats et finalement décident en fonction de critères tout à fait différents, appelés intuition, expérience, bon sens, etc. En gros, les décideurs s’en trouvent réduits à faire comme avant l’informatique et à construire a posteriori un raisonnement et un jeu d’hypothèses pour justifier les décisions qu’ils s’apprêtent à prendre.

Et le monde avec l’IA explicable de Karnyx, alors ?

S’il n’y a qu’une seule chose à retenir : Karnyx ne vient pas tout remplacer, mais simplement s’insérer dans les SI existant, en apportant une mise en qualité des données et une explicabilité pilotées par un modèle sémantique :

Avec Karnyx

Qu’est-ce que cela change concrètement pour le décideur ?

Avec Karnyx

  • La mise en qualité est pilotée par le modèle sémantique (métier),

  • L’analyse est entièrement justifiée par le modèle sémantique et logique,

  • La présentation met en évidence le raisonnement suivi et permet de justifier les résultats à 100 %.

Avant de parler de cas d’applications, on peut poser, sans grand risque de se tromper, que nos approches et technologies de l’IA explicable sont applicables dans tous les secteurs, dès lors qu’on a besoin :

  • de prendre des décisions critiques,

  • d’une justification précise et argumentée des décisions.

Bien sûr, les cas d’applications qui suivent sont ancrés dans des secteurs puisqu’ils correspondent à des projets effectivement réalisés par Anabasis. Nous espérons cependant que notre lecteur, s’il n’appartient pas au secteur dans lequel a été réalisé le projet, saura s’abstraire du contexte sectoriel présenté et voir l’application pour son secteur, éventuellement en s’aidant des indications des paragraphes « applications à d’autres secteurs ».

Premier cas d’application : prendre des décisions de santé justifiées.

Décisions justifiées

Situation initiale :

  • Le client veut pouvoir prendre des décisions 100 % justifiées en matière de santé : vaccination, prospective, etc.

  • Les données de santé sont dans des SI hétérogènes.

  • Ces données sont critiques pour le suivi médical du personnel mais ne sont pas utilisables en confiance.

Avec Anabasis et Karnyx IA explicable :

  • La solution a été livrée en moins de 6 mois et utilisée par plusieurs centaines de praticiens de santé et d’épidémiologistes.

  • Elle permet aujourd’hui de prendre de manière rapide, fiable et argumentée des décisions qui n’auraient jamais pu être prises de cette façon.

Application à d’autres secteurs : partout où vous avez des données hétérogènes à mettre en qualité et des décisions critiques à prendre et à justifier – stratégie commerciale, performance R&D, performance environnementale et sociale, performance des opérations, pertinence juridique ou comptable.

Second cas d’application : Justifier et garantir la protection des informations sensibles.

Information protégée

Situation initiale :

  • Un industriel dans domaine sensible doit travailler avec des acteurs externes mais doit absolument préserver des secrets industriels et stratégiques.

  • Le processus de protection est centralisé et manuel : il faut plusieurs jours pour valider certains partages d’information pourtant nécessaires aux opérations.

  • Cela retarde les opérations sur le terrain sauf à mettre en risque certaines.

Avec Anabasis et Karnyx IA explicable :

  • Protection 100 % justifiée des informations sensibles.

  • Automatisation sécurisée du traitement grâce à un marquage des données par sensibilité.

  • Efficacité opérationnelle décuplée grâce aux nouveaux accès à toutes les informations autorisées.

Efficacité opérationnelle décuplée grâce aux nouveaux accès à toutes les informations autorisées.Application à d’autres secteurs ou métiers : partout où :

  1. vous avez des informations sensibles (secret industriel, secret institutionnel) et des documents associés à protéger par rapport à des organisations qui font partie de l’entreprise étendue mais n’ont pas besoin d’en connaître mais :

  2. vous voulez que ces informations sensibles ne ralentissent pas la conduite de vos opérations en mode étendu.

Troisième cas d’application : Travailler en toute confiance sur la maintenance des aéronefs avec des informations explicables.

Maintenance

Situation initiale

  • La disponibilité des aéronefs est diminuée par l’absence de référentiel commun entre acteurs de la maintenance (état, industriels).

  • Le client souhaite que tous ces acteurs de la maintenance partagent la même compréhension. Il décide la migration vers un système d’information unique.

Avec Anabasis et Karnyx IA explicable

  • 80% des données ont été migrées en quelques semaines, de manière automatique et 100 % justifiée

  • Disponibilité des aéronefs.

Application à d’autres secteurs ou métiers : partout où votre gestion des données de référence (master data management) a besoin d’être poussée à un niveau supplémentaire de performance afin de pouvoir mieux collaborer avec d’autres intervenants de processus critiques : production, maintenance, etc. dans une logique de continuité numérique.

Quatrième cas d’application : une gestion RH unifiée et fiable.

Gestion RH

Situation initiale * Les personnels sont gérés dans des SI différents, utilisant leurs référentiels propres. * Un ministère veut fédérer ces différents SI et utiliser un référentiel unique

Avec Anabasis et sa suite d’IA explicable

  • Pilotage sécurisé de la reprise des données.

  • Possibilité de prendre des décisions de politique RH (gestion des emplois et compétences) d’affectation et de récompenses justifiées sur des données fiables.

  • Pour chaque donnée consultée Karnyx IA explique quelles sont les données originales utilisées et les transformations appliquées.

  • Un référentiel unique et lisible facilite le recrutement, la fidélisation, les passerelles internes et externes.

Application à d’autres secteurs ou métiers : partout où vous avez besoin de gérer les conséquences d’une fusion, d’un rapprochement – informations techniques, de production, marketing, commerciales. Le but étant de tirer le meilleur parti de ces fusions ou rapprochement en termes de synergies, au moyen de modèles sémantiques pivots et fédérateurs développés dans Karnyx.

Conclusion

Les champs d'application de l'IA explicable sont vastes. Ses usages le sont encore davantage : maîtrise par le métier des données à reprendre dans le cas d'une migration ou d'une convergence vers un SI cible, aide à la décision en appui à des décisions stratégiques, etc.

Le dénominateur commun de toutes ces déclinaisons est au fond de maîtriser et valoriser les connaissances sensibles de votre organisation pour des décisions justifiées par une IA explicable.

Pour poursuivre cet échange avec l'équipe Anabasis : contact@anabasis-assets.com.

Richard Roll

Fondateur Anabasis richardroll@anabasis-assets.com

Intelligence explicable avec les outils du Web sémantique - Partie 2

Dans le billet précédent, nous nous sommes concentrés sur les graphes de connaissances à la RDF, à

Retour sur la participation d'Anabasis à SemWeb.Pro 2023

Parce qu'Anabasis Assets a construit sa suite logicielle sur les normes et standards du web sémantique (entre autres), il était naturel de participer à la Jou

L'apprentissage automatique d'ontologie ou comment tous les textes cachent des schémas

L'apprentissage automatique d'ontologie (ontology learning) à partir de textes permet de soutenir les ingénieurs de la connaissance dans l'analyse de la connaissance métier à partir des documen