Lire aussi: La démocratisation fulgurante de l’intelligence artificielle n’est pas sans risque
Réponses par des machines
Récemment, Swisscom a mis le turbo dans ce domaine. «Nous avons commencé à travailler sur nos données dès 2016, pour les consolider et voir comment nous pourrions les employer pour nos services. En 2018, nous avons mis ensemble tous les employés du groupe qui travaillent sur des données. Aujourd’hui, 300 collaborateurs de Swisscom utilisent des systèmes d’intelligence artificielle, que ce soit pour améliorer notre réseau, ou nos services à nos clients», détaille Laure Willemin, responsable de l’analyse des données chez l’opérateur.
Avec des résultats. «Il y a quatre ou cinq ans, un premier système d’intelligence artificielle analysait les e-mails reçus des clients pour les orienter, en interne, vers les bons services. Aujourd’hui, nous commençons à lancer des conversations automatiques avec nos clients, via WhatsApp ou par SMS. Cela peut concerner une carte SIM bloquée ou une demande de délai pour un paiement», raconte une employée sur le stand de Swisscom. L’opérateur utilise aussi de plus en plus des machines pour répondre aux clients. «Nous essayons de détecter la raison de leur appel, et parvenons parfois à prédire qu’ils téléphonent pour une panne, selon leur domicile», complète un collègue.
Lire également: Créer des algorithmes éthiques et justes, un défi majeur
Analyse des trains
Mais tout cela ne va pas de soi, selon Laure Willemin: «Les données changent tout le temps, il faut faire très attention à leur qualité. Et en interne, il faut maintenir un dialogue permanent entre le département commercial et celui de la recherche, car ils ne parlent pas forcément la même langue…»
Dans un tout autre registre, les CFF emploient aussi des techniques de machine learning, en analysant des photos. «Notre but, c’est de prédire quand une locomotive ou un wagon auront besoin d’être réparés, détaille Markus Roth, expert en données chez les CFF. Nous avons installé à côté des voies des appareils prenant de nombreuses photos des convois: l’analyse des images, effectuée par des ordinateurs, nous permet de savoir ce qui doit être réparé.» Et l’inverse est aussi réalisé par les CFF: des appareils de mesure sont installés sur des wagons, afin de détecter des anomalies sur les rails. «Nous utilisons aussi des systèmes d’intelligence artificielle pour aider nos passagers malvoyants: une application leur indique exactement où s’arrête le train sur le quai.»
Données annexes pour la santé
Le secteur de la santé est clairement l’un des plus grands utilisateurs de machine learning aujourd’hui. «Nous avons face à nous des masses de données colossales. Le secteur de la santé a généré un volume de plus de 1200 exabytes de données en 2018, et ce volume croît de 36% par an. Grâce à leur analyse, nous pouvons encore mieux nous orienter vers des traitements personnalisés, nous comprenons mieux les pathologies et nous pouvons prédire leur développement», affirme Gunther Jansen, responsable de l’analyse des données pour la santé personnalisée chez Roche. Il va plus loin: «Nous sommes aussi en train d’analyser les données récoltées par un scanner, par exemple, mais qui ne concernent pas la maladie examinée: le but est de récolter un maximum d’informations sur le patient, pour améliorer nos traitements.»
Et que ce soit pour des applications dans le secteur de la santé, du transport ou des télécoms, l’EPFL affirme être aujourd’hui à la pointe. «Le machine learning permet à la science de réaliser des progrès énormes. Et c’est ici, à l’EPFL, que sont formés les meilleurs spécialistes. Il n’y a aucun doute à ce sujet», dit la professeure Lenka Zdeborova. La spécialiste cite des travaux de recherche sur la fusion nucléaire menés avec DeepMind, des travaux sur l’hydrogène des planètes géantes ou encore des recherches sur de nouvelles technologies pour préserver la faune sauvage. «Partout, le machine learning offre des possibilités énormes», affirme Lenka Zdeborova.