Avec la nouvelle version de son ERP S4/HANA, SAP inclut des technologies IA de Machine Learning pour permettre à votre entreprise d’adopter des processus automatisés et accélérés.

25/05/2022

INTELLIGENCE ARTIFICIELLE ET SAP

8 minutes de lecture

Comment le Machine Learning Revolutionne l'ERP ?

Définie comme une qualité de l’esprit qui comprend et s’adapte facilement, l’intelligence a pendant très longtemps été rattachée aux seules espèces vivantes humaines et animales. Pourtant, depuis les années 50, on parle d’intelligence artificielle, soit une qualité de l’esprit “construite” par l’être humain.

Aujourd’hui, lorsque l’on évoque l’intelligence artificielle (IA), on pense aux robots vus dans certains films capables de penser, de bouger et même d’agir sans aucune intervention humaine. La réalité est un peu plus complexe et surtout plus vaste que la simple robotique.

Dans cet article, nous allons faire le point sur toutes ces technologies avant de nous concentrer sur le Machine Learning (ML) et ses avantages à être utilisé au sein de votre environnement SAP.

Qu'est-ce que l'Intelligence Artificielle ?

Contrairement à ce que l’on pourrait penser, cette technologie n’est pas si récente. En effet, on estime que le premier logiciel d’intelligence artificielle a été conçu au début des années 1950. Turochamp était un programme informatique qui “savait” jouer aux échecs et avait des connaissances au moins identiques que celles d’un joueur lambda. 

Ce n’est seulement que quelques années plus tard que le terme “intelligence artificielle” a été employé pour la première fois. Il faisait référence à des logiciels qui apprenaient à parler anglais ou encore qui résolvaient des problèmes mathématiques. 

Malgré cela, on retrouvait un certain scepticisme des experts quant à l’utilisation du mot “intelligence”.

Les évolution vont alors être lentes et les problèmes économiques vont fortement ralentir les innovations si bien que l’on parle de l’hiver de l’intelligence artificielle entre 1973 et 1980, faisant référence à de nombreux doutes sur l’évolution positive dans le futur pour ces technologies et donc à un délaissement intellectuel et financier.

Malgré quelques travaux intéressants dans les années 80, l’intérêt pour l’IA est fortement remonté au début des années 2000 avec la mise en avant du Deep Learning

Aujourd’hui, l’avenir de l’IA semble prometteur. Un rapport publié par l’international Data Corporation prévoit d’ailleurs une croissance de 18,8% des revenus mondiaux dans ce domaine pour cette année.

La Donnée au Cœur de l’IA

L’IA ne pourrait fonctionner sans donnée. En informatique, elle est définie comme la représentation d’une information dans un programme. Un commentaire sur un blog, un formulaire rempli ou encore une inscription à une newsletter : tout est donné aujourd’hui si bien que l’on parle de Big Data qui sont stockés dans un très grand nombre de serveurs. 

Il s’agit de l’élément de base de l’intelligence artificielle. En effet, pour fonctionner, l’intelligence artificielle va analyser un grand nombre de données pour offrir un résultat qui va lui aussi se matérialiser sous forme de données.

Une donnée pourra être :

  • structurée : ce sont les données que l’on peut facilement classer dans une feuille de calcul. Elles prennent la plupart du temps le format de chiffres (date, numéro de téléphone…) ou de lettres (nom, ville…)
  • non structurée : il s’agit des données qui ne sont ni organisées ni formatées et qui peuvent difficilement entrer dans des cases. Dans cette catégorie, on retrouve notamment tous les fichiers au format vidéo ou photo ou encore les commentaires sur les réseaux sociaux.

Qu’est ce que le Machine Learning ?

L’apprentissage automatique est un type d’intelligence artificielle qui permet aux applications logicielles de devenir plus précises pour prédire des résultats sans être explicitement programmées pour le faire. Les algorithmes d’apprentissage automatiques utilisent des données historiques comme entrée pour prédire de nouvelles valeurs de sortie.

Sous-branche de l’intelligence artificielle, le ML est aujourd’hui en plein essor. Pourtant, cette technologie n’est pas aussi récente qu’elle n’y paraît.

Différences entre les Principes de Conception

C’est l’informaticien Arthur Samuel qui a employé pour la première fois ce terme pour qualifier son programme en 1952. Ce dernier était capable de jouer aux dames et surtout d’apprendre et de s’améliorer après chaque partie. Il a fini par battre le 4ème meilleur joueur des Etats-Unis. 

Comme pour l’IA, le ML va connaître un coup d’arrêt jusqu’au début des années 1990 grâce notamment à l’arrivée d’Internet et des ordinateurs beaucoup plus puissants. Les scientifiques ont accès à plus de données et peuvent surtout partager les différents résultats ce qui accélère l’innovation.

IBM sera un des grands acteurs du développement du ML avec l’invention d’un programme informatique toujours basé sur le jeu (les échecs cette-ci). Ce dernier va d’ailleurs battre le n°1 mondial de l’époque en 1997. A partir de cette date, cela va se développer dans de nombreux domaines dont celui du business.

Les Caractéristiques du Machine Learning

Textuellement, il s’agit d’une machine apprenante qui va donc apprendre automatiquement. La machine est en réalité un algorithme qui va analyser des données et produire des résultats et notamment des prédictions futures.

Le ML est une branche de l’IA permettant de mettre en avant des patterns de données afin de prédire des comportements. Pour cela, la machine va apprendre par elle-même. Ainsi, comme un être humain qui apprend, il va être de plus en plus efficace avec le temps. On distingue plusieurs types d’apprentissage.

L’apprentissage supervisé : la machine dispose de nombreux exemples lui permettant de prendre la bonne décision. L’intervention humaine est donc essentielle au départ. Par exemple, si l’on veut mettre en place une technologie de ML qui identifie automatiquement les spams, on pourra lui donner des exemples de spams. 

Elle identifiera les objets, les signatures voire les images pour classer les mails qu’elle reçoit. Une vérification accrue est obligatoire au départ mais plus elle s’exerce, plus elle sera efficace.

L’apprentissage semi-supervisé : on l’utilisera avec un grand nombre de données principalement non structurées. L’idée est de faciliter le travail de la machine en lui mettant à disposition une petite quantité de données structurées et organisées qui lui permettra de mieux analyser les données principales.

L’apprentissage non supervisé : dans ce cas, il n’y a aucune donnée de départ que peut utiliser l’intelligence artificielle. Elle va donc analyser directement les données brutes. On utilisera par exemple cette méthode pour analyser des comportements sur les réseaux sociaux afin de proposer des publicités ciblées.

L’apprentissage par renforcement : il s’agit du principe d’essai / erreur. Selon la situation, l’algorithme va prendre la décision qu’il pense être la meilleure. Il va apprendre de son expérience et adapter de plus en plus ses réponses.

Le choix du type d’apprentissage se fera en fonction des données de départ et des capacités / objectifs de ceux qui l’utilisent. En effet, un apprentissage supervisé avec des données structurées ne sera pas très complexe au contraire d’un apprentissage non supervisé avec des données non structurées.

L’objectif final du Machine Learning est la prédiction d’information. A la base, il y a différentes sources de données qui sont elles même différentes. 

La première étape est de rassembler celles-ci en une base de données unique. Habituellement, on parle d’un traitement en silos. On a ainsi d’un côté les données spatiales, de l’autre les données numériques etc…

Rassembler les informations dans une base de données unique pour une IA

Comment distinguer Machine Learning et Deep Learning ?

Si vous êtes plutôt familier avec la notion de ML, vous avez sûrement entendu parler du Deep Learning (ou Apprentissage Profond), une autre branche de l’IA. La base est la même, à savoir des algorithmes, mais ces derniers reprennent le fonctionnement du cerveau humain et des neurones ce qui facilite l’analyse des données non structurées.

A l’inverse du ML, il n’y a pas d’apprentissage ou d’entraînement préalable. De plus, le Deep Learning ne fonctionne qu’avec un très grand nombre de données que l’on ne va pas forcément contrôler. Il est donc nécessaire de posséder de grandes capacités de traitement de données et des machines souvent coûteuses en termes énergétiques et financiers.

Le Machine Learning chez SAP

Avec S4/HANA, SAP s’est résolument tournée vers l’IA et le ML pour vous aider à mettre en avant votre entreprise intelligente. SAP est depuis quelques années propriétaire d’algorithmes divers et variés de Machine Learning. De nombreuses applications utilisent l’IA. Nous allons passer en revue ces dernières.

SAP Data Intelligence

SAP Data Intelligence est une solution de traitement de données qui permet de les nettoyer et surtout d’extraire et mettre en relation entre elles ces dernières pour améliorer la productivité de l’entreprise. Elle se compose d’une suite d’applications qui propose entre autres l’ingestion, le catalogage ou encore l’enrichissement des données.

SAP Co Pilot

Il s’agit de l’assistant digital à commande vocale ou textuelle. Le principe est simple : vous écrivez ou parlez à l’assistant qui va interagir avec l’ensemble des applications métiers. Par exemple, il vous suffit de demander combien de jours de vacances il vous reste pour obtenir la réponse quelques secondes après.

Grâce à la technologie de ML, l’assistant apprend à chaque utilisation et réduit son temps de traitement de l’information et la vitesse à laquelle il communique. Intégré à SAP BTP et au launchpad de SAP Fiori, il peut même être utilisé avec la version On-Premise de SAP S4/HANA.

SAP Intelligent Robotic Process Automation

Dans notre article sur la RPA, nous avions évoqué l’IRPA, soit l’association de l’IA et du ML. Avec SAP, il est aujourd’hui possible d’automatiser son workflow, d’apprendre des expériences passées pour finalement prendre de meilleures décisions. Cette solution hybride est composée de trois éléments :

  • Le Cloud Studio (ou sa version On-Premise, le Desktop Studio) pour désigner le processus d’automatisation
  • Le Cloud Factory pour orchestrer l’automatisation
  • Le Desktop Agent pour exécuter l’application

Ceci est possible grâce à la technologie du logiciel Contextor. Leader européen de la RPA dès le début des années 2010, il a notamment créé un automate dédié au virement des crédits refusés pour BNP Paribas.

Aujourd’hui, plus de 90% des virements sont effectués automatiquement par le robot quand quatre personnes étaient nécessaires auparavant. Propriété de SAP depuis 2018, il a notamment été intégré dans SAP Leonardo et SAP BTP.

SAP Leonardo

SAP Leonardo est un portefeuille basé sur le Cloud qui regroupe un ensemble de solutions grâce auxquelles il est possible de développer n’importe quelle application. 

Mais ces dernières ne sont pas figées. En effet, grâce au ML, chaque clic, chaque transaction, chaque utilisation induit un apprentissage et donc une meilleure performance à court terme.

En réalité, SAP Leonardo implique de nombreuses technologies en plus du ML : blockchain, IoT, design thinking

Il permet également d’héberger des applications prêtes à l’emploi dont certaines se base sur le Machine Learning. On citera entre autres Citons Service Ticketing pour le tri des tickets de service ou encore Customer Retention qui permet l’analyse de l’attrition.

SAP HANA Spatial Service

Il s’agit d‘un ensemble de services qui s’exécute sur SAP BTP. Ces derniers fournissent un accès simplifié via une même interface et vont permettre de compléter vos données commerciales avec des informations spatiales grâce à différentes map et outils géospatiaux.

Il est possible d’accéder aux services :

  • Grâce à l’application Web Spatial Service
  • Grâce à des nombreuses API en libre service qui facilitent la création d’applications géolocalisées

Il s’agit donc ici d’associer le Machine Learning avec la conscience spatiale et géographique.

SAP Predictive Analysis

Sous ce nom se cache une solution d’exploration de données et de modélisation prédictive composée de quatre modules :

  • Data manager qui prépare les différentes données à analyser
  • Modeler qui permet la gestion des workflow et la manipulation des données grâce à des modèles de classification
  • Social qui extrait et utilise l’information et les données mises en avant sous forme de graphique.
  • Recommandations qui permet la génération de recommandations personnalisées et adaptées en fonction de votre secteur d’activité ou de votre processus métier.

Les derniers articles publiés :

LA GOUVERNANCE D’ENTREPRISE

Gérer une entreprise, c’est bien, le faire de manière éthique, c’est encore mieux. La gouvernance d’entreprise est un pôle important

La gestion des risques requiert un grand travail dans leur identification et leur évaluation. Toutes les entreprises sont confrontés à des risques

Gérer une entreprise, c’est bien, le faire de manière éthique, c’est encore mieux. La gouvernance d’entreprise est un pôle important de la

De plus en plus d’entreprise se voient dans l’obligation de réaliser des controles internes pour protéger les actifs et prévenir les risques.

L’ERP et le CRM permettent le gestion et l’échange des donnée des entreprise mais sont sensiblement différents par le fait que le

Retour haut de page