Bien que le terme Intelligence artificielle (IA) soit apparu en 1956 lors d’une conférence au Dartmouth College (USA), il aura fallu attendre 1996 pour que Deep Blue, le super-ordinateur d’IBM, batte le champion du monde d’échec Garry KASPAROV, permettant l’essor de la discipline.

Depuis, les IA ont progressé et s’appliquent désormais au 7^e art ou à la médecine. Une IA peut alors générer le résumé d’un film d’après les actions en cours et les acteurs présents à l’écran ou prédire la forme des molécules les plus efficaces pour développer des médicaments.

En quelques mots, l’intelligence artificielle est un ensemble de techniques permettant aux machines de percevoir et d’agir à des niveaux d’intelligences comparables à ceux des humains.

Des technologies comme le machine learning ou le deep learning font partie de l’IA. Dans le 1^er cas, les caractéristiques à prendre en compte doivent être précisées à l’ordinateur pour qu’il apprenne à résoudre une tâche donnée. Dans le 2^e cas, des réseaux de neurones artificiels imitent le processus d’apprentissage du cerveau humain. Pour cela, ils créent et choisissent eux-mêmes les caractéristiques les plus pertinentes pour résoudre une tâche donnée.

Pour autant, il n’y a pas d’IA sans intelligence humaine. En effet, l’IA n’effectue que du traitement de données, en suivant des règles présentant un faible degré de variabilité (algorithmes) et préalablement définies par l’humain.

Ainsi, lors de la création d’une IA, 2 phases se succèdent : la phase d’entraînement ou d’apprentissage et la phase de prédiction ou d’inférence. Lors de la phase d’entraînement, des données préalablement traitées par l’humain sont soumises à l’IA afin de lui apprendre à répondre à la tâche demandée. Lors de la phase de prédiction, une donnée est présentée au modèle et celui-ci doit effectuer la tâche demandée : dans l’exemple ci-dessous, il s’agit de reconnaître l’animal présent sur une image.

Ainsi, derrière chaque IA, des experts ont préalablement catégorisé des données. C’est également ce qu’on appelle l’IA faible : certes capables de traiter un nombre important d’informations de manière automatique et rapide, les IA que nous utilisons au quotidien sont uniquement destinées à effectuer une seule tâche ou un ensemble de tâches étroitement liées.

Bien que Deep Blue semble intelligent puisqu’il est capable de battre le champion du monde d’échec, il ne sait pas reconnaître un chat !

À l’inverse, le terme IA forte désigne des IA dont l’apprentissage et l’amélioration seraient autonomes. Elles seraient également pourvues d’intelligence émotionnelle. Mais, à ce jour, les IA fortes n’existent pas encore !

L’industrie cosmétique n’est pas en reste concernant l’IA qui peut être utilisée à différents niveaux. Dans le domaine du règlementaire, les IA assurent la conformité à chaque étape de développement des produits.

En marketing, les IA permettent d’appréhender le potentiel d’un marché. Dans ce cas, c’est la capacité des IA à analyser de grandes quantités d’informations ou big data qui est utilisée. Par exemple, en croisant les habitudes des consommateurs avec leurs caractéristiques personnelles, les équipes peuvent d’une part cibler les besoins futurs des consommateurs et d’autre part les orienter avec des recommandations adaptées.

De plus en plus hyperconnectés, les consommateurs sont friands d’innovations technologiques. Ainsi, les grands noms de la cosmétique rivalisent d’outils connectés permettant au consommateur d’analyser la qualité de sa peau, de tester une nouvelle couleur de cheveux ou de choisir son parfum. Souvent basés sur des processus de reconnaissance faciale, ces outils analysent des selfies afin de proposer une expérience personnalisée.

En tant que fournisseur d’ingrédients actifs, notre utilisation de l’IA a pour objectif d’apporter la preuve de concept et d’efficacité de nos actifs. En effet, lors du développement de ces actifs, les équipes R&D génèrent de grandes quantités de données, que ce soient des images, des chiffres ou des textes.

L’intérêt de l’IA est alors double : accompagner l’humain dans l’analyse de ces big data afin de gagner en précision et en rapidité et le remplacer sur des volumes de données difficilement analysables manuellement.

Fidèle à sa volonté d’innovation et d’indépendance, SILAB a internalisé des compétences en machine learning et deep learning, rassemblées au sein d’une unité data science. Nos « datascientists » travaillent en étroite collaboration avec les équipes R&D afin de développer nos propres outils d’analyses « sur mesure », adaptés à chaque problématique de développement produit.

In fine, ces logiciels permettent d’obtenir automatiquement des résultats statistiques précis et reproductibles, en quelques secondes seulement. Appliquée à des images de LC-OCT (Line-field confocal optical coherence tomography) acquises au niveau du derme de volontaires sains , l’IA est capable d’attribuer automatiquement à l’image un score selon l’état de la matrice dermique.

Pour une étude visant à modéliser l’impact du vieillissement chronologique et du photo-vieillissement sur la qualité de cette matrice, l’IA effectue une analyse complète et automatique en seulement 21 minutes, là où 6 experts seraient mobilisés pendant presque 5 heures pour une analyse plus partielle. Avec une myriade d’applications possibles, l’internalisation de cette expertise permet à SILAB de gagner en performance et en agilité.