L’IA générative dans la gestion des processus : un levier de performance pour les entreprises

Share this post:

Les processus sont à l’entreprise ce que les cartes sont au territoire. Ils sont essentiels pour comprendre comment elle fonctionne et mettre en lumière ses leviers d’amélioration, que ce soit à travers ses produits et services, son service client ou marketing, sa gestion financière ou sa chaîne logistique.

La gestion de processus (Business Process Management) n’est pas un sujet nouveau et a œuvré depuis de nombreuses années à coordonner les différentes parties en mouvement pour atteindre les objectifs stratégiques les plus ambitieux d’une firme en automatisant et orchestrant de bout en bout ses chaînes de valeur.

L’année 2023 sonne l’avènement de l’intelligence artificielle générative et donne un sens nouveau à l’automatisation, faisant prendre un tournant majeur à l’orchestration de processus. Dans une étude que nous avons menée chez IBM : 75% des cadres exécutifs à qui nous avons parlé estiment que l’avantage compétitif reviendra à celui qui possède l’IA générative la plus avancée. Selon une étude de Gartner, les équipes intégrant l’IA générative dans leur travail atteindraient un taux de réussite de 75% sur les projets d’innovation.

Le probabilisme de l’IA générative mis au service et sous contrôle du déterminisme du BPM, est-il l’instrument ultime de l’« hyperautomatisation » ?

Les plateformes d’automatisation de processus offrent les conditions idéales pour exploiter l’IA générative

L’automatisation des processus fait référence aux activités au sein d’une organisation qui impliquent la conception, la modélisation, la surveillance, l’optimisation et la gestion des processus Métier. Son objectif principal est de favoriser l’amélioration continue, l’agilité, la collaboration, la visibilité et la responsabilité parmi les employés, partenaires, fournisseurs, clients et autres systèmes impliquées dans les opérations. En cela, elle constitue un cadre contrôlé (ou garde barrière) idéal pour l’exploitation de l’IA générative qui en retour permettra d’arrondir les angles saillants d’un système de règles statiques (ex : classifier une demande), raisonner sur des données existantes (ex : identifier des données personnelles).

L’IA générative excelle également dans la production de données nouvelles (dites synthétiques) qui seront exploitées pour instruire ou optimiser de nouveaux modèles sur un domaine ou une tâche, et ainsi réduire les efforts inhérents au travail sur la donnée – comme son accès ou sa curation.

Pour finir, l’IA générative met en lumière les corrélations complexes entre les données accélérant la création de flux de travaux sophistiqués.

Voici quelques cas d’utilisations qui tirent parti de l’IA générative dans les processus Métier :

1. Détection de fraude : les algorithmes d’apprentissage automatique peuvent analyser les données historiques pour trouver des modèles indiquant un comportement frauduleux (ex: détection de signaux faible dans un graph représentant les liens entre acteurs). Les entreprises peuvent utiliser l’IA générative pour créer des ensembles de données qui imitent les transactions réelles des utilisateurs sans mettre en danger les informations sensibles des clients.
2. Automatisation du service client : les agents virtuels pilotés par des IA générative peuvent offrir aux clients une assistance instantanée 24 heures sur 24. Sur la base de rencontres passées, le modèle peut apprendre aux chatbots à comprendre les souhaits des clients, leur contexte et à réagir de manière appropriée. Cette technologie peut améliorer le service client et réduire les dépenses d’exploitation des organisations (notamment de formation des nouveaux arrivants).
3. Maintenance prédictive : l’IA générative peut accompagner une procédure opérationnelle de résolution de pannes d’équipement (ex : secteur ferroviaire) en se connectant aux manuels d’équipement, historiques d’incidents (ex : contextualisation à une base de connaissance) et en considérant d’autres éléments conjoncturels (ex : panne de courant). Les organisations peuvent ainsi prévenir via un système d’alerte adapté à certaines situations à la marge.
4. Analyse de processus (aussi appelé « process mining ») : la modélisation de processus est une tâche complexe (et manuelle) qui prend ses sources dans les journaux d’activités d’applications et des actions humaines (parfois non tracées) évoluant souvent en silos et de façon non structurée dans le système d’information. L’IA générative peut aider dans la compréhension initiale de ces chaînes de traitements en identifiant les liens manquants ou proposant un format pivot pour les données circulant entre chaque participant.

Ces exemples sont axés sur l’accompagnement des collaborateurs sans exposition directe (et potentiellement risquée) au client final. Mieux vaut prévenir que guérir… car utiliser l’IA générative en production et à l’échelle pose encore un certain nombre de problèmes aussi bien techniques qu’éthiques : biais et propriété intellectuelle des données, empreinte carbone… Même si en cette fin d’année 2023, nombres de réponses sont encore attendues, peu doutent encore du potentiel de cette nouvelle technologie. 

Les clés de succès d’une intégration méthodique d’une technologie émergente à son écosystème.

Toute technologie émergente amène son lot de craintes et d’attentes, l’IA générative ne déroge pas à la règle. Pas une semaine cette année ne s’est écoulée sans la sortie de nouveaux papiers de recherche, de modèles ou d’outils, parfois sans évoquer de façon transparente l’origine des données ayant servi à l’entraînement de ses larges modèles de langages (LLM) ou les conditions dans lesquelles a été fait le renforcement d’apprentissage par l’humain (Reinforcement Learning with Human Feedback) pouvant impacter l’alignement (et comportement) du modèle avec le Métier de l’entreprise l’utilisant.

Plusieurs tendances de fond se dégagent.

Premièrement, un besoin d’orchestrer l’IA générative en fonction de ses cas d’usage. Un modèle de langage sera représenté comme une tâche automatique (aussi appelé « agent ») au sein d’une chaîne de traitement (idéalement couvrant un processus de bout en bout). La norme BPMN est un standard ISO aidant à la modélisation d’un flux : ses conditions d’appels, ses règles de gestion (via la notation DMN), la parallélisation de certaines tâches. Il vise à être portable d’une plateforme à l’autre et rapprocher Métier (services fonctionnels) et IT (services technologiques). Les plateformes BPM proposant l’exécution des processus offrent traçabilité, mise à l’échelle (facilitée par l’élasticité fournie par les fournisseurs Cloud) mais aussi une reprise sur erreur (ex : indisponibilité temporaire d’un service participant à la chaîne), des connexions aux différentes interfaces manuelles, ainsi que des rapports analytiques pour l’amélioration des processus.

Deuxièmement, le besoin d’opérer des modèles plus légers et spécialisés en production. Des études ont montré que de petits modèles (SLM) permettent d’offrir les débits attendus (plus faible besoin en GPU) en production via :

• Quantification et réglage fin (« finetuning ») ; réduction de la précision des poids d’un modèle puis réentraînement sur un sous ensemble de données spécifique,
• Distillation de connaissance; un modèle plus grand (ex : Llama 2) et plus complexe (l’enseignant) est utilisé pour entraîner un plus petit (l’élève) sur un jeu de données ou des instructions de celui-ci sans sacrifice majeur de performance. Ceci signifie que les gestionnaires de processus peuvent élargir leur palette d’outils et instruire (« prompter ») en langage naturel ces modèles pour compléter un système de règle, préconstruire un contenu à valider par un humain (ex : réponse client, classification de document) ou générer des données de test.

Troisièmement, la modélisation des informations générées par un LLM sous forme d’un « graphe de pensées » permet de résoudre des problèmes complexes. Les unités d’information (« pensées ») sont des sommets, et les arêtes représentent les dépendances entre ces sommets. Cette approche permet de combiner des pensées de LLM de manière synergique, de distiller l’essence de réseaux entiers de pensées en utilisant des boucles de rétroaction offrant un ratio performance/coût supérieur à d’autres techniques. Ceci est parfaitement modélisable via la norme BPMN si l’on souhaite apporter une compréhension fine des étapes de raisonnement.

Enfin, puisque l’on ne peut améliorer que ce que l’on peut mesurer, les plateformes d’automatisation de processus intègrent le pilotage de ses flux permettant d’identifier les goulots d’étranglement et optimiser le fonctionnement à travers l’analyse des données. Ces dernières pourront servir à améliorer, dans une boucle vertueuse, la pertinence Métier des modèles d’IA.

Une automatisation accélérée mais maîtrisée

L’association symbiotique du BPM et de l’IA générative est porteuse de vélocité et de contrôle dans la gestion des processus de l’entreprise. Le but commun étant leur optimisation et automatisation. La régularité et prédictibilité du BPM œuvrent également dans le sens de l’IA de confiance. La gouvernance concernant l’IA générative a pu faire défaut dans l’effervescence de ces derniers mois, l’état de l’art ayant pris de l’avance sur le cadre réglementaire pourtant essentiel à l’adoption de masse dans les diverses industries.

Or, concevoir un processus d’entreprise exécutable et auditable de bout en bout signifie : faciliter la collaboration de ses participants, historiser ses changements, assurer le lignage des données de ses modèles, prévenir de potentiels biais et dérives, capturer les métriques pour l’améliorer en continu et alimenter ses indicateurs de performance.

Notre mission chez IBM Consulting est d’accompagner nos clients dans l’industrialisation des initiatives autour de l’IA et de passer à l’échelle avec des systèmes modulaires, intégrés, sécurisés et fiables.

Article écrit en collaboration avec Matthieu Thibaud, Automation Technical Leader, IBM Consulting.