Jean-Jacques Bérard, Vice-Président R&D Esker
Depuis, il ne se passe pas une semaine sans qu’une publication dans la presse ne décrive les avancées de l’IA dans des domaines aussi variés que la voiture sans chauffeur, les robots conversationnels ou la recherche d’un nom original pour une nouvelle bière …
Comment expliquer l’apparition soudaine de telles prouesses ? La réponse tient en deux mots : « Apprentissage Profond » ou « Deep Learning ». Une découverte, popularisée par Le français Yann LeCun, qui met en œuvre des réseaux de neurones virtuels multi-couches. Très schématiquement, cette approche donne d’excellents résultats pour des problèmes qui n’ont pas de solution algorithmique parfaite mais pour lesquels on dispose d’une multitude de cas résolus. Les concepts et algorithmes sont anciens mais l’émergence de cartes graphiques surpuissantes combinées à d’immenses volumes de données, ont permis dès 2012 de battre les meilleurs algorithmes conventionnels dans la reconnaissance d’images.
À mille lieux des problèmes quotidiens des entreprises ?
Ces avancées, aussi séduisantes soient elles, semblent pourtant bien éloignées des préoccupations d’un service comptable ou d’administration des ventes d’une entreprise. Bien évidemment, les équipes informatiques n’ont pas attendu 2012 pour mettre en œuvre des ERP, applications spécifiques et outils bureautiques en tout genre. Malheureusement, quand on prend le temps d’étudier les processus en place, on se rend compte que nombre de tâches restent manuelles comme le traitement des factures fournisseurs ou des commandes.
Pourtant, sans faire la une des journaux, l’IA a déjà fait son entrée dans le monde du back office. Certaines entreprises, en dématérialisant leur flux de gestion, utilisent tous les jours des systèmes auto apprenants basés sur le « machine learning ». Pour elles, la saisie de factures passe graduellement d’une phase manuelle à l’automatisation partielle voire totale. Au fil du temps et des corrections humaines, le système apprend et s’améliore.
Ici pas de neurones artificiels mais des algorithmes combinant analyse statistique, graphique et talent des programmeurs.
Plus loin avec le Deep Learning : une expérience et des résultats prometteurs
Malgré tous ces progrès, certains problèmes résistent encore à cette approche. Prenons le cas d’un fichier pdf contenant une succession de factures mono ou multi pages. Comment identifier unitairement chaque facture ? Le problème n’a pas de réponse algorithmique simple car aucune règle ou heuristique ne donne la fin ou le début d’une facture de façon déterministe. Il y a autant de formats de factures que de personnes qui les ont conçus…
Pourtant, un enfant de 5 ans, ne sachant pas lire, est probablement capable de réaliser cette tâche pour peu qu’on lui montre quelques exemples et surtout qu’il en ait envie…
Des recherches, conduites pendant un an*, nous ont permis de tester l’adéquation de l’apprentissage profond supervisé à la découpe de factures. Nous avons entrainé un réseau neuronal convolutif (3 millions de neurones répartis en 14 couches) avec plus d’un million d’exemples. Le résultat des tests est excellent : 96% de réussite. Aucune des approches algorithmiques traditionnelles n’avaient dépassé les 90%.
Au-delà du résultat brut, il est intéressant de revenir sur le déroulé de cette d’expérience. En seulement quelques mois, nous avons atteint un taux de 80% de bonnes découpes. S’en est suivi une longue phase d’essais où une meilleure compréhension des différents cas métier nous a permis de construire un savant dosage des jeux d’apprentissage et d’atteindre ce taux de 96%.
Comme si la maîtrise de la donnée prenait le pas sur le logiciel…
Autre fait troublant, lors de l’analyse des résultats, nous n’arrivions pas à comprendre pourquoi le réseau échouait systématiquement sur plusieurs lots de factures et ce malgré un apprentissage intensif. En y regardant de plus près, nous sommes arrivés à la conclusion que ces factures particulières avaient été mal découpées. Des erreurs humaines s’étaient donc glissées dans notre jeu de test. Et plus étonnant encore, le réseau refusait de les apprendre…
Demain, quel back office ?
Face à de telles avancées, il ne fait maintenant plus aucun doute que l’IA peut enfin s’attaquer aux tâches récurrentes, chronophages et non déterministes du back office.
Libérés des aspect les moins gratifiants de leur travail, les employés pourront dès lors se consacrer pleinement à leur métier tout en renforçant les relations avec leurs clients et fournisseurs.
Un mouvement de fond appelé « Robotic Process Automation » est en train d’émerger. Il n’est pour l’heure que peu teinté d’IA et reste encore confidentiel.
Durant la prochaine décennie, la combinaison de ces deux approches a le potentiel de rendre les mutations au sein du back office des entreprises spectaculaires jusqu’à, soyons fou, faire la une des journaux !
* Projet de recherche mené par la société Esker en collaboration.
Comment expliquer l’apparition soudaine de telles prouesses ? La réponse tient en deux mots : « Apprentissage Profond » ou « Deep Learning ». Une découverte, popularisée par Le français Yann LeCun, qui met en œuvre des réseaux de neurones virtuels multi-couches. Très schématiquement, cette approche donne d’excellents résultats pour des problèmes qui n’ont pas de solution algorithmique parfaite mais pour lesquels on dispose d’une multitude de cas résolus. Les concepts et algorithmes sont anciens mais l’émergence de cartes graphiques surpuissantes combinées à d’immenses volumes de données, ont permis dès 2012 de battre les meilleurs algorithmes conventionnels dans la reconnaissance d’images.
À mille lieux des problèmes quotidiens des entreprises ?
Ces avancées, aussi séduisantes soient elles, semblent pourtant bien éloignées des préoccupations d’un service comptable ou d’administration des ventes d’une entreprise. Bien évidemment, les équipes informatiques n’ont pas attendu 2012 pour mettre en œuvre des ERP, applications spécifiques et outils bureautiques en tout genre. Malheureusement, quand on prend le temps d’étudier les processus en place, on se rend compte que nombre de tâches restent manuelles comme le traitement des factures fournisseurs ou des commandes.
Pourtant, sans faire la une des journaux, l’IA a déjà fait son entrée dans le monde du back office. Certaines entreprises, en dématérialisant leur flux de gestion, utilisent tous les jours des systèmes auto apprenants basés sur le « machine learning ». Pour elles, la saisie de factures passe graduellement d’une phase manuelle à l’automatisation partielle voire totale. Au fil du temps et des corrections humaines, le système apprend et s’améliore.
Ici pas de neurones artificiels mais des algorithmes combinant analyse statistique, graphique et talent des programmeurs.
Plus loin avec le Deep Learning : une expérience et des résultats prometteurs
Malgré tous ces progrès, certains problèmes résistent encore à cette approche. Prenons le cas d’un fichier pdf contenant une succession de factures mono ou multi pages. Comment identifier unitairement chaque facture ? Le problème n’a pas de réponse algorithmique simple car aucune règle ou heuristique ne donne la fin ou le début d’une facture de façon déterministe. Il y a autant de formats de factures que de personnes qui les ont conçus…
Pourtant, un enfant de 5 ans, ne sachant pas lire, est probablement capable de réaliser cette tâche pour peu qu’on lui montre quelques exemples et surtout qu’il en ait envie…
Des recherches, conduites pendant un an*, nous ont permis de tester l’adéquation de l’apprentissage profond supervisé à la découpe de factures. Nous avons entrainé un réseau neuronal convolutif (3 millions de neurones répartis en 14 couches) avec plus d’un million d’exemples. Le résultat des tests est excellent : 96% de réussite. Aucune des approches algorithmiques traditionnelles n’avaient dépassé les 90%.
Au-delà du résultat brut, il est intéressant de revenir sur le déroulé de cette d’expérience. En seulement quelques mois, nous avons atteint un taux de 80% de bonnes découpes. S’en est suivi une longue phase d’essais où une meilleure compréhension des différents cas métier nous a permis de construire un savant dosage des jeux d’apprentissage et d’atteindre ce taux de 96%.
Comme si la maîtrise de la donnée prenait le pas sur le logiciel…
Autre fait troublant, lors de l’analyse des résultats, nous n’arrivions pas à comprendre pourquoi le réseau échouait systématiquement sur plusieurs lots de factures et ce malgré un apprentissage intensif. En y regardant de plus près, nous sommes arrivés à la conclusion que ces factures particulières avaient été mal découpées. Des erreurs humaines s’étaient donc glissées dans notre jeu de test. Et plus étonnant encore, le réseau refusait de les apprendre…
Demain, quel back office ?
Face à de telles avancées, il ne fait maintenant plus aucun doute que l’IA peut enfin s’attaquer aux tâches récurrentes, chronophages et non déterministes du back office.
Libérés des aspect les moins gratifiants de leur travail, les employés pourront dès lors se consacrer pleinement à leur métier tout en renforçant les relations avec leurs clients et fournisseurs.
Un mouvement de fond appelé « Robotic Process Automation » est en train d’émerger. Il n’est pour l’heure que peu teinté d’IA et reste encore confidentiel.
Durant la prochaine décennie, la combinaison de ces deux approches a le potentiel de rendre les mutations au sein du back office des entreprises spectaculaires jusqu’à, soyons fou, faire la une des journaux !
* Projet de recherche mené par la société Esker en collaboration.
