Le directeur de l’agence Z Digital a interviewé Claudiu Musat, directeur de recherche en apprentissage automatique & IA chez Swisscom.

Claudiu est ingénieur, avec un doctorat en fouille de textes et un post-doc à l’EPFL sur les systèmes de recommandation (une sous-classe de système de filtrage de l’information qui cherche à prédire la « note » ou la « préférence » qu’un utilisateur donnerait à un article).

Après avoir créé une startup d’analyse de texte en Suisse et fait un arrêt dans une startup d’opinion mining aux Etats-Unis, il est devenu directeur de recherche en apprentissage automatique et intelligence artificielle chez Swisscom, s’occupant de l’idéation, du développement et de la pré-mise en œuvre de solutions pour les clients de Swisscom Enterprise.

Dans le cadre de Swisscom Enterprise, il travaille principalement sur des cas d’utilisation provenant d’entreprises clientes pour créer des solutions personnalisées. Certaines IA sont également créées et testées en interne avec des ensembles de données propres à Swisscom.

Si nous prenons un peu de recul, nous pouvons distinguer trois niveaux d’IA :

– une IA étroite n’effectuant qu’une seule tâche, de manière autonome.

– une architecture d’intelligence générale.

– une super-intelligence artificielle (style Skynet).

Nous nous situons actuellement entre les types 1 et 2 – nous mélangeons divers modèles pour créer des systèmes utiles qui ne sont pas encore assez généraux pour gérer n’importe quelle tâche qui leur est confiée (c’est-à-dire qu’ils ne sont pas encore humains).

Swisscom travaille actuellement à la création de systèmes d’intelligence artificielle utiles. Ceux-ci sont généralement basés sur les requêtes des utilisateurs – lorsqu’ils passent un appel par exemple, en raisonnant avec des données et en donnant une réponse à cette requête. L’objectif est de boucler la boucle en fournissant un retour d’information utile.

En utilisant des réseaux neuronaux récurrents, l’équipe de recherche de Claudiu travaille sur la reconnaissance du texte et de la parole.

En IA, il existe un théorème « Pas de déjeuner gratuit » : toutes les méthodes sont de valeur égale en général. Pour des tâches spécifiques cependant, les différences font que certaines méthodes sont nettement meilleures que d’autres. Dans le cas de la reconnaissance vocale, nous utilisons deux systèmes :

• Un système de bout en bout avec une transcription de la parole traitée par un modèle.
• Combinaison d’un modèle acoustique et d’un modèle linguistique. Le modèle acoustique convertit la parole en phonèmes qui sont ensuite convertis en langage par un modèle linguistique.

Dans le cas de la reconnaissance de texte, il existe une pléthore de méthodes concurrentes, dont par exemple :

• Une tâche de classification avec un réseau de neurones à anticipation.
• En cas de problème de séquence (par exemple pour des conversations plus complexes), généralement abordé avec des réseaux neuronaux récurrents (RNN).

D’une part, nous avons des besoins classiques impliquant plus d’ensembles de données, plus de puissance de traitement et de meilleurs algorithmes. D’autre part, le nombre de nouveaux cas d’utilisation dans l’industrie a considérablement augmenté au cours des trois dernières années.

En intelligence artificielle, il y a 4 phases que nous essayons d’atteindre :

• 1^ère phase: un modèle avec une règle ou une séquence de règles.
• 2^ème phase: l’opérateur ajoute manuellement des caractéristiques, qui sont ensuite traitées.
• 3^ème phase: apprentissage par représentation sans saisie manuelle. La machine apprend les caractéristiques qui seront ensuite optimisées.
• 4^ème phase: la machine apprend à apprendre, ce qui augmente sa puissance d’un ordre de grandeur.

Chatbots. L’équipe de Claudiu travaille actuellement sur les 4 types de bots :

– FAQ bots : avec des réponses basées sur des modèles (questions classiques à reconnaître pour fournir des réponses classiques à partir d’une base de données).

– Bots de recherche d’informations basés sur des environnements changeants : il comprend ce que l’utilisateur veut et récupère la réponse.

– Bots personnalisés : ils adaptent la question de l’utilisateur à ses propres besoins, en utilisant ses données personnelles. Cette programmation neuronale fait correspondre la requête à une séquence d’étapes permettant d’obtenir la bonne réponse.

– Les bots orientés vers un objectif : ils effectuent également des actions, en utilisant la reconnaissance d’intention (par exemple, pour changer automatiquement votre mot de passe avec celui que vous voulez et le communiquer en retour).

Maintenir l’équilibre. Il est difficile de partager son temps entre la recherche, le prototypage et la gestion des clients, tout en essayant de se tenir au courant des dernières publications du secteur.