L’IA pour mieux concevoir

Ce podcast, intitulé « L’IA pour mieux concevoir », permet d’explorer les opportunités que ces outils offrent, grâce notamment aux questions de Sylvain et à sa propre expérience de dirigeant : créer des passerelles entre les équipes, leur faciliter la réalisation de certaines tâches et les aider à innover plus sereinement.

Il existe plusieurs approches en matière d’implémentation de l’IA. D’une part, il est possible de déployer des modèles d’IA existants, développés par des tiers, tels que l’IA générative. Ces modèles qui font preuve d’une forte généralisation, c’est-à-dire qu’ils ont la capacité de bien performer sur de nouvelles données inédites qu'il n'a pas vues pendant la phase d'entraînement. Ils sont donc appropriés pour des tâches génériques et fortement reproductibles comme la gestion de projet ou la comptabilité.

D’autre part il est aussi possible de déployer des modèles d’IA sur mesure, qui intègrent les besoins d’un métier ou d’une entreprise. Ce type d’approche est particulièrement intéressant pour les cas techniques avec de fortes spécificités métier. Par exemple, un concepteur de maisons ou d’appartements pourrait utiliser une IA de génération d’aménagement spécifiquement entrainée pour ses besoins, que ce soit en termes de contraintes locales avec un PLU ou d’expertises accumulées, à partir de nombreux plans réalisés dans le passé.

Comme pour tout projet, on débute par la définition claire des objectifs. Cela impacte le choix des technologies employées et les besoins du projet. Il y a trois grands chantiers lors d’un tel projet. Premièrement, l’acquisition et l’annotation des données nécessaires à l’entrainement du modèle car les données constituent la pierre angulaire d’un modèle d’IA. C’est généralement l’étape la plus chronophage : il faut des données en quantité et qualité suffisantes.

Ensuite vient la phase d’entrainement et de paramétrisation du modèle. Cette étape est réalisée par des experts en IA et va définir le fonctionnement propre du modèle d’IA pour le cas d’usage choisi.

La troisième étape est le déploiement du modèle auprès des utilisateurs. Cette étape peut nécessiter plusieurs développements pour rendre le modèle d’IA exploitable. Par exemple, des interfaces graphiques peuvent être mises en place, ainsi que diverses intégrations avec des logiciels ou systèmes existants. Dernier point important de cette étape, c’est la formation des utilisateurs, afin de favoriser un transition facile vers de nouveaux outils. Il faut aussi un contrôle des résultats, c’est très important et une vérification régulière du modèle.

Plusieurs solutions techniques existent pour pallier le manque de données. Il est par exemple possible d’utiliser des données synthétiques en plus de données réelles pour renforcer l’IA. Les données synthétiques sont des données générées artificiellement par des algorithmes pour simuler des données réelles. Par exemple, il est envisageable de développer un algorithme qui génère des plans à partir de diverses représentations de portes, murs et fenêtres. Ces plans pouvant alors être utilisés en plus de plans réels pour entrainer un modèle de détection de portes ou fenêtres. Un autre avantage des données synthétiques, c’est qu’elles sont automatiquement annotées à leur création.

Une autre approche permettant de limiter le partage de données critiques est le « fine-tuning » d’un modèle, qu’on pourrait traduire par « l’affinage » d’un modèle. Cette technique consiste à utiliser un modèle d’IA pré-entrainé sur des ensembles de données génériques, puis de le réentraîner avec des données spécifiques à un contexte donné.

Ce podcast montre à quel point cette question des données doit être traitée dès le début du projet. Il fait partie d’une série proposée par la FFB et à laquelle s’ajoutent vidéos et masterclass, ces dernières étant réservées aux adhérents de la FFB.

A suivre…

N’oubliez pas les vidéos et podcasts diffusés depuis le 20 septembre : https://www.ffbatiment.fr/actualites-batiment/actualite/ia-tous-concernes