Le propos de cet article n’est pas de présenter en détail les concepts d’Intelligence Artificielle et du « Deep Learning » mais de mettre en lumière deux caractéristiques qui doivent nous amener à prendre du recul sur les modèles et les outils de costing qui, disons-le d’emblée, sont très éloignés des technologies d’IA.

Intelligence Artificielle et deep learning

Dès les années 70, les techniques d’intelligence artificielle promettaient d’approcher le fonctionnement du cerveau humain par des machines. Ces techniques qui ont évolué au fil des ans et bénéficient aujourd’hui de puissances de calcul presque sans limite se retrouvent dans le concept de « deep learning » permettant d’apprendre aux machines à apprendre par elles-mêmes.

Ces technologies sont aujourd’hui principalement utilisées pour reconnaître le contenu d’images ou analyser et comprendre le langage parlé. Siri, Cortana ou Google Now en font naturellement massivement usage.

Première caractéristique : le « deep learning » permet en quelque sorte de comprendre et analyser le « réel ».

Au-delà de ces applications bien connues, l’intelligence artificielle commence à trouver des usages dans de nombreux secteurs d’activités sans que le grand public ne s’aperçoive directement de sa présence, par exemple lorsque l’IA s’immisce dans les moteurs de pricing des assurances.

Une autre caractéristique du « deep learning » réside ainsi dans le fait que les résultats de ces algorithmes sont difficilement voire pas « explicables ». Le « deep learning » se comporte comme une sorte de « boîte noire » : on alimente le système pas de données et il produit des résultats auxquels on accorde une grande confiance étant donnés les champs d’application de l’intelligence artificielle.

Seconde caractéristique : on admet que des algorithmes complexes orientent des décisions importantes sans que les résultats produits soient « explicables » facilement.

Quel rapport avec le costing ?

Un modèle de costing a pour objectif de calculer les coûts de produits ou de services en permettant de les expliquer et de les justifier.

Sans chercher à faire de parallèle direct avec les technologies d’IA, il est intéressant de mettre en perspective les modèles et les outils de costing avec les deux caractéristiques exposées ci-dessus.

Représentation du réel et simplicité

Là où les algorithmes d’IA cherchent à analyser et comprendre le réel, un modèle de costing doit, à son modeste niveau, essayer d’être représentatif d’une réalité.

Tout en restant simple pour être appréhendable par les personnes qui l’utilisent, un modèle de costing doit être fidèle à la réalité du « business » qu’il modélise.

Si la simplicité est une vertu pour un modèle de costing, la simplification à outrance ne permet pas de représenter la réalité.

Explicabilité et traçabilité

Alors qu’on fait une confiance « aveugle » aux résultats des algorithmes d’intelligence artificielle, on attend d’un modèle de costing et des outils associés qu’ils soient capables d’expliquer et de tracer en détail les coûts des produits et des services.

Un modèle de costing doit assurer la transparence et offrir toutes les pistes d’audit permettant de remonter du coût d’un produit ou service jusqu’aux ressources d’origine en passant par toutes les étapes d’allocation et de répartition.

Deep learning et costing

A l’heure où on commence à être prêt à confier des décisions importantes à des machines ou à des algorithmes très complexes, il est intéressant de rappeler quelques bonnes pratiques applicables à un modèle de costing :

 

  • Etre proche de la réalité que le modèle est censé représenter,
  • Rester simple sans devenir « simpliste »,
  • Permettre la transparence et l’audit des résultats produits pour garder la confiance de ceux qui les utiliseront.