Mini série : L‘intelligence artificielle et la puissance et le potentiel de l’apprentissage machine – Partie 4

Si vous avez manqué les articles précédents, il s’agit du dernier épisode de la minisérie éducative de Mediative sur « L’intelligence artificielle et la puissance et le potentiel de l’apprentissage machine ». Les articles précédents se sont penchés sur :

    1. Quelles sont les différences entre l’intelligence artificielle, l’apprentissage machine (machine learning) et l’apprentissage en profondeur (deep learning)?
    2. Comment l’intelligence artificielle, l’apprentissage machine et l’apprentissage en profondeur peuvent être mis au profit des entreprises.
    3. Que devraient faire aujourd’hui les spécialistes du marketing pour exploiter la puissance de l’IA, du ML et du DL ?

Nous examinons ici des exemples d’entreprises qui mettent parfaitement à profit l’IA et le ML :

4e partie : Exemples d‘entreprises qui tirent profit de l’IA et du ML

Walmart

Saviez-vous que Walmart. com a 60 millions d’articles en vente ? Pour gérer des tâches telles que l’organisation des données d’inventaire, la tarification et la résolution de problèmes, l’entreprise utilise des algorithmes d’apprentissage machine. Si les ventes d’un article particulier diminuent, un algorithme peut détecter l’anomalie et en identifier la cause. Par exemple, une erreur d’écriture peut avoir entraîné un changement de prix entraînant la baisse des ventes en ligne.

La taille de Walmart signifie qu’il dispose d’une quantité massive de données de haute qualité, un avantage si vous essayez de tirer parti de la technologie d’apprentissage automatique.

(Source)

Tesla

Tesla exploite l’IoT et l’IA pour « l’intelligence écosystémique ». Leur flotte entière de véhicules autonomes apprend les uns des autres. L’expérience d’une Tesla est transmise et apprise par toutes les autres voitures du réseau.

(Source)

Auto Trader

Auto Trader utilise l’apprentissage machine pour fournir de meilleures évaluations des véhicules. Mohsin Patel, administrateur principal de la base de données chez Auto Trader, explique : « Une façon d’y parvenir est de prendre des décisions basées sur des algorithmes concernant la valeur d’une voiture, et d’introduire l’apprentissage machine pour aider à comprendre les différences entre les caractéristiques (comme un système de navigation par satellite) et à reconnaître les données qui ne sont pas nécessairement tangibles. Nous devons développer nos systèmes en fonction des caractéristiques qu’une voiture pourrait avoir, ou de ce qui dérive d’une voiture que le client consulte puisque le prix pourrait différer, et c’est là que l’apprentissage machine entre en jeu. »

(Source)

Google

Google a également recours à l’apprentissage approfondi dans de nombreux domaines de son activité, y compris la mesure plus précise des visites de magasins, dans une annonce annonçant une mise à jour majeure de son outil de conversion des visites de magasins en mai 2017. L’outil détermine le nombre d’utilisateurs qui ont cliqué sur une annonce de recherche puis visité un magasin physique en utilisant des modèles d’apprentissage machine qui traitent des centaines de signaux de localisation de première partie et des données anonymes agrégées provenant d’utilisateurs qui ont choisi d’activer l’historique de leur emplacement. Quand on y pense, le simple fait de rendre anonyme toutes ces données pour protéger les utilisateurs de Google est en soi un énorme exploit en terme d’IA. Continuez comme ça Google !

Selon TechCrunch,« Google est devenu plutôt bon dans l’utilisation de signal wifi, la localisation, la cartographie et les données d’étalonnage pour estimer les visites en magasin, mais l’entreprise a toujours du mal à fournir des informations aux clients qui opèrent dans les villes denses et les centres commerciaux à plusieurs étages. Ces cas d’utilisation échappent aux techniques d’estimation traditionnelles. Pour remédier au manque de fiabilité, Google se tourne vers l’apprentissage en profondeur. Ils espèrent ainsi qu’ils pourront rétablir la précision en canalisant une plus grande quantité de données diverses dans un modèle d’apprentissage en profondeur afin de tenir compte de plus de cas d’utilisation ».

(Source)

Shell Oil

En 2015, Shell Oil est devenue la première société de son industrie à développer un assistant virtuel, utilisant l’interaction en langage naturel pour permettre aux clients et aux distributeurs de saisir des questions sur les produits dans une fenêtre de messagerie en ligne et d’obtenir des réponses d’avatars nommés Emma et Ethan.

Le service répond aux questions concernant l’endroit où les acheter, les tailles disponibles et les informations relatives à la sécurité et aux spécifications techniques. Shell a indiqué que le service peut également faire des recommandations de produits et assurer la coordination avec d’autres services axés sur le client.

(Source)

Conclusion

L’intelligence artificielle fait déjà partie de notre vie quotidienne, à la maison et au travail, mais son plein potentiel commence à peine à être envisagé. Bien que l’IA puisse introduire un niveau de risque et d’incertitude dans les organisations, elle représente aussi une occasion en or d’accroître l’efficacité organisationnelle à l’échelle, réduisant ainsi le besoin d’intervention humaine et les erreurs naturelles qui surviennent avec la participation humaine. Compte tenu de l’énorme quantité de données disponibles et du potentiel qu’elles représentent, il semble absurde que toute entreprise ne veuille pas les exploiter sous une forme ou une autre.

Exploitez-vous vos données pour l’IA ?

Source:

      1. Artificial Intelligence for Marketers 2018: Finding the Value Beyond the Hype, eMarketer, October 2017
      2. Artificial Intelligence for Marketers: The Future is Already Here, October 2016
Rebecca Maynes
Rebecca Maynes is Mediative’s Manager, Content Marketing and Research. Her expertise lies in the creation of engaging thought leadership for Mediative. From compiling eBooks and case studies, to conducting research, analyzing data and writing white papers and reports, Rebecca is an integral part of Mediative’s Marketing and Research team. Rebecca began her career with Yell.com in England, and, after emigrating to Canada in 2005, she has gone full circle, joining Mediative, a Yellow Pages Group Company, in 2009. Prior positions include Marketing for a B2B Software company. Rebecca graduated from Cardiff University in Wales, UK, with a First Class Honours BSc in Business Administration.