Je me suis intéressé à l’IA pour la première fois au début des années 2000 et j’ai même remporté une compétition junior avec un projet axé sur l’OCR manuscrit (reconnaissance optique de caractères). Fait intéressant, dès 2000, nous disposions déjà de presque tous les algorithmes fondamentaux qui sont encore utilisés aujourd’hui. Ce qui nous manquait alors, c’était une puissance de calcul suffisante…
Au fil du temps, mes intérêts se sont déplacés vers la mesure de la performance, puis vers le domaine plus large de l’exécution de la stratégie. Aujourd’hui, alors que les LLM dominent l’actualité, nous revenons rarement aux fondamentaux.
Qu’est-ce qui rend réellement l’apprentissage possible dans les réseaux neuronaux ?
Quelques principes mathématiques simples se trouvent au cœur de l’IA moderne. Et je vois des parallèles évidents dans la manière dont ces mêmes principes peuvent et devraient être utilisés par les organisations lors de l’exécution de leurs stratégies.
Ce qui rend possible l’apprentissage de l’IA
L’un des fondements mathématiques des réseaux neuronaux est la règle de la chaîne du calcul différentiel appliquée aux compositions de fonctions. Les réseaux neuronaux sont des systèmes en couches constitués de nombreuses opérations simples, dérivables. La règle de la chaîne permet de calculer des gradients à travers l’ensemble de la composition. C’est ce qui rend l’apprentissage possible à grande échelle.
- Lors d’une propagation avant, un réseau neuronal produit une sortie initialement erronée.
- À l’aide de données étiquetées et d’une fonction de perte, nous pouvons mesurer dans quelle mesure le résultat s’écarte du résultat souhaité.
- Comme toutes les opérations internes sont dérivables, nous pouvons calculer des dérivées locales pour chaque transformation.
- En appliquant la règle de la chaîne, ces dérivées locales sont combinées en gradients de la perte par rapport à chaque paramètre du modèle.
Le système ne se contente pas de détecter qu’une erreur s’est produite. Il détermine comment chaque paramètre individuel a contribué à cette erreur et dans quelle direction le modifier ferait évoluer le résultat.
Exécutez la stratégie comme un système d’apprentissage organisationnel
Le même problème existe dans les organisations…
Une bonne mise en œuvre de la stratégie est un système structuré d’objectifs, de sous-objectifs, d’initiatives et d’indicateurs de performance.
Pendant l’exécution, les organisations doivent détecter les écarts par rapport à leur direction prévue le plus tôt possible. C’est pourquoi les mesures de performance existent. Elles fournissent le premier signal que la réalité s’éloigne des hypothèses.
Mais :
Savoir que « quelque chose s’est mal passé » est presque inutile en soi…
L’exécution ne s’améliore que lorsque l’organisation peut voir quels éléments du système nécessitent un ajustement, et comment ces ajustements sont susceptibles d’influencer les résultats.
Dans les réseaux neuronaux, cela est rendu possible mathématiquement par la règle de la chaîne. Dans la mise en œuvre de la stratégie, cela ne devient possible que lorsque la stratégie est correctement décomposée, alignée sur les attentes des parties prenantes et traduite d’aspirations vagues en plusieurs niveaux d’objectifs et d’indicateurs concrets, liés causalement.
Exécutez une stratégie correctement mise en œuvre
En ce sens, l’exécution efficace de la stratégie commence à ressembler à un réseau neuronal bien conçu.
Lorsque des écarts se produisent, l’organisation peut apprendre rapidement — non seulement que la performance est inférieure aux attentes, mais aussi quelles initiatives, quels processus, quelles capacités ou quelles hypothèses doivent être ajustés afin de se rapprocher des attentes des parties prenantes.
Lorsque la stratégie est mal formulée (objectifs abstraits, absence de relation de cause à effet, absence d’indicateurs pertinents), l’organisation se retrouve dans la même situation qu’un modèle sans gradients exploitables. Elle peut constater que les résultats sont mauvais, mais elle ne dispose d’aucun moyen fiable de décider ce qu’il faut changer.
Dans les réseaux neuronaux comme dans les organisations, l’apprentissage ne devient possible que lorsqu’un système est construit à partir de composants interconnectés à travers lesquels le retour d’information peut se propager.
Lorsqu’il y a :
- une structure,
- une responsabilité locale, et
- des facteurs moteurs mesurables
… l’amélioration continue devient possible. Sans eux, les organisations n’ont guère plus que des signaux de réussite/échec, et aucun mécanisme permettant de comprendre comment s’améliorer.
Savons-nous enfin où vont les dépenses Marketing ?
La réponse courte est : « non » (et les réseaux neuronaux non plus).
En IA, nous ne pouvons pas désigner un neurone unique et dire : « c’est cela qui a causé le résultat ». L’apprentissage reste possible parce que le système est conçu de sorte que le retour d’information circule à travers de nombreuses parties connectées et les remodèle progressivement.
Dire que « le marketing fonctionne » revient à dire que « le modèle s’est amélioré ». Cela indique une direction, mais ne vous dit pas quoi changer ensuite.
Ce qui devient utile, c’est de repérer des schémas au sein du système.
Par exemple : le chiffre d’affaires peut rester stable tandis que le trafic augmente, que l’engagement envers le contenu s’améliore et que davantage de prospects sont générés, mais que les taux de conversion des opportunités diminuent et que les ventes prennent plus de temps à se conclure.
D’un point de vue analytique, il ne s’agit plus d’un simple succès/échec. C’est un ensemble de signaux montrant que certaines parties du système s’améliorent tandis que d’autres sont désalignées.
Le système n’identifie pas une seule campagne coupable. Il indique où un ajustement est nécessaire.
Voilà à quoi ressemble l’apprentissage lorsqu’il fonctionne.
Il ne vous dira peut-être pas exactement où est allé chaque euro, mais il vous dira quelque chose de bien plus précieux : où l’organisation doit aller ensuite.
Défauts connus : trouvez un minimum local
À l’instar des réseaux neuronaux, avec la limitation connue de trouver un minimum local plutôt qu’un minimum global, les organisations ne devraient pas faire confiance à 100 % à leurs cadres de mesure.
L’exécution de la stratégie est un processus continu de validation des hypothèses dans la pratique. Parfois, nous validons des hypothèses de bas niveau et tout a du sens. Parfois, nous remontons le long de l’arbre de décomposition et finissons par remettre en question notre compréhension des parties prenantes et de leurs besoins.
Alexis Savkin est un architecte en mise en œuvre de la stratégie et le fondateur de BSC Designer, une plateforme logicielle d’exécution de la stratégie et de tableau de bord équilibré. Il aide les organisations à automatiser la gestion de la performance et à transformer la stratégie en résultats mesurables. Alexis est le créateur du « Strategy Execution Canvas », l’auteur de plus de 100 articles sur la stratégie et la mesure de la performance, et un conférencier régulier lors de manifestations du secteur.