Ce que l’entreprise pourrait apprendre de la recherche en intelligence artificielle

Read this post in: Anglais

Ceci ressemble au titre d’un article universitaire, mais Dieu sait à quel point je suis peu universitaire ! Je me suis depuis longtemps intéressé à l’intelligence artificielle en tant que manière d’utiliser les ordinateurs à autre chose que de computer des données de façon déterministe et, en écrivant mon dernier billet, j’ai été frappé par d’importantes analogies existant entre des périodes clef de l’histoire de l’IA et nos essais pour définir et mettre en place les premières briques de l’organisation intelligente : ce que l’on appelle l’Entreprise 2.0.

Des processus aux réseaux

Une fois les premiers rêves et mythes évaporés, la recherche en IA a commencé à se concentrer sur deux sujets différents : d’un côté la manipulation de symboles abstraits et de la compréhension d’un contexte (notamment la compréhension de la vision et du langage naturel), de l’autre la résolution de problèmes pratiques. C’est-à-dire la manière de gérer la connaissance et le savoir pour prendre des décisions, et d’en tirer les actions adéquates. A la fin des années 70, ce sujet a connu un véritable essor avec le développement des systèmes experts, qui computaient les informations recueillies à travers un large corpus de règles (l’expertise) pour générer des décisions. Les principaux problèmes rencontrés par les systèmes experts étaient la nécessité de gérer des bases de connaissances démesurées, et la difficulté à actualiser ce savoir. Cette approche me rappelle très fortement la manière dont sont prises les décisions dans nos entreprises gérées par les processus.

Pour arriver à gérer l’énorme masse de calculs nécessaires, les chercheurs commencèrent à introduire des raccourcis, tels que les moteurs heuristiques, afin de contourner quelques portions de ces gigantesques arbres de connaissance. Il est plus qu’intéressant de comparer cela avec nos tentatives d’introduire des outils et pratiques du web 2.0 dans nos processus de business, afin d’y introduire davantage de flexibilité et d’efficacité.

La publication, en 1982, de Neural networks and physical systems with emergent collective computational abilities, par John Hopfield, fut une avancée spectaculaire. Le physicien prouvait qu’un certain type de réseaux était capable de parvenir aux mêmes résultats que des systèmes à base de règles. Au lieu d’utiliser des bases de données, les réseaux neuronaux d’Hopfield stockaient la connaissance dans leurs connections au fur et à mesure qu’ils apprenaient de nouveaux schémas de savoir distribué, et déduisaient les décisions à prendre des données produites en sortie.

Pondération et convergence

L’analogie entre les réseaux neuronaux et une entreprise réellement gérée par des communautés est frappante, de même que le rapprochement entre les limites de cette approche et certaines des questions qui se posent à propos de l’Entreprise 2.0. Les réseaux neuronaux rencontrèrent deux problèmes majeurs : la pertinence et la convergence (il n’y avait aucune certitude qu’ils puissent converger autour des schémas désirés, et des techniques d’apprentissage sophistiquées, telles que la rétro-propagation, étaient nécessaires pour s’assurer de la convergence d’un tel réseau). Les médias sociaux rencontrent des problèmes identiques dans l’entreprise : comment pouvons-nous nous assurer que des communautés parviennent à un consensus permettant de prendre les bonnes décisions ? J’ai évoqué quelques pistes dans mon précédent billet, et c’est là un point crucial.

En poussant plus loin cette analogie, la manière dont les connections étaient pondérées dans un réseau neuronal peuvent nous donner une autre piste : nous pourrions également « pondérer » les conversations dans les médias sociaux afin de faciliter l’émergence d’un consensus. Un tel système existe sur le Web Social, mais est avant tout un jeu de chiffres, ceux qui possèdent le plus de « followers » ou d’amis sont le plus écoutés, et les plus influents. Les limites inhérentes à un tel système ne peuvent convenir à un contexte professionnel, et nous devons chercher plus loin de meilleurs moyens de pondérer les communautés selon l’expertise et l’autorité…

Vers de nouveaux progrès : les micro-processus

La comparaison historique s’arrête ici, l’Intelligence Artificielle ayant continué à évoluer depuis ces paradigmes. Significativement, d’explicites, les structures logiques traitant l’information sont devenues implicites, complétées par une approche hybride, « incarnée » (embodied), dans laquelle des capteurs physiques recueillent des signaux de leur environnement : les agents intelligents.

L’Entreprise 2.0 suivra-t-elle les mêmes évolutions que l’IA ? Si c’est le cas, la prochaine évolution serait de se débarrasser des gros processus métiers que nous connaissons tous, et les remplacer par des micro-processus, applicables à l’échelle de l’individu. Par exemple, la manière dont les employés japonais sont capables de faire émerger un consensus d’ateliers de travail, un des pré-requis d’une démarche Kaizen, dépend de leur profond sens de « faire ce qui est juste ». Mettre en place de tels micro-processus est un changement radical par rapport à là où nous sommes, et à là où les entreprises les plus aventureuses tentent de s’engager, et ne deviendrait possible qu’avec une démarche éducative volontaire, ainsi qu’une implication très forte du management et des Ressources Humaines. Quel que soit le futur que nous prédisions à l’Entreprise 2.0, la plupart des concepts sous-jacents sont encore balbutiants.

Ce contenu a été publié dans Francais, Vécu, Vu, lu ou entendu, avec comme mot(s)-clé(s) , , , , , . Vous pouvez le mettre en favoris avec ce permalien.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Loading Facebook Comments ...