Le 19 septembre nous avons démystifié l'IA pour les TPE et PME ! Qui a dit que l'intelligence artificielle était réservée aux géants de la Silicon Valley et aux budgets colossaux ? Préparez-vous à briser les idées reçues et à explorer comment l'IA peut être votre alliée ! Au cœur de notre projet Extr4.0rdinaire, nous vous avons invité à une matinée passionnante, centrée sur un sujet des plus actuels !

2. Programme
10h45 : Accueil des participants
11h00 : Tour d'horizon - Multitel
11h45 : Cas d'application - TIMI
12h30 : Les solutions disponibles pour vous aider à passer à l'action -
INFOPOLE & MIC
12h45 : Moment de networking et lunch

3. 3
European AI week
L’Intelligence
Artificielle au service
des PMEs
19 Septembre 2023
Jean-Yves Parfait - Multitel
Responsable Département Intelligence
Artificielle

4. L’IA, Où en sommes-nous? c’est quoi? Comment ça
fonctionne?

5. Une histoire pas si récente…XAMPLE: E-
3D-PLTS

6. A l’origine du 3ème boom…: E-3D-PLTS
Ressources de calcul Données Algorithmes
Source image : Formation AI4Business,
Agoria

7. Strong AI (AGI)
Intelligence d’une machine qui peut
comprendre ou apprendre n’importe quelle
tâche intellectuelle dont un être humain est
capable (capacité de raisonner, planifier,
communiquer…)
.
Weak AI (ANI)
Capacité d’une machine à résoudre une
tâche spécifique.

8. AGI, pas encore…

9. Mais concernant les ANIs…XAMPLE: E-
3D-PLTS

10. Qu’est ce l’IA?: E-3D-PLTS
Théorie et développement de systèmes
informatiques capables d'exécuter des
tâches nécessitant normalement
l'intelligence humaine
Un sous-domaine de l'IA :
programmes ayant la capacité
d'apprendre sans être explicitement
programmé
Deep learning
Machine learning
Intelligence
artificielle
Un sous-domaine du machine learning
: Réseaux neuronaux artificiels qui
apprennent et s’adaptent à partir de
grandes quantités de données

11. Comment ça marche ?PLE: E-3D-PLTS
Machine
learning
Explicitly program
how to learn from data
how to solve a task
Explicitly program
how to solve a task
Data Output
s
Rule
s
Data Rules
Outputs
Programmation
traditionnelle
Machine learning

12. Comment ça marche ?PLE: E-3D-PLTS
Machine
learning
Input (A)
• Image
• Text
• Numerical
data
Output (B)
• “Malignant”
or “benign”
• “Spam” or
“not spam”
• 56 apple sold

13. Comment ça marche ?PLE: E-3D-PLTS
Machine
learning
Objectif: Reconnaître un chat

14. Comment ça marche ?PLE: E-3D-PLTS
Machine
learning
Programmation classique
If ==
Entrée/
Data
Rules/
Software code
Computer
“Cat” Output/Résultat

15. Comment ça marche ?PLE: E-3D-PLTS
Machine
learning
Programmation classique
If == Rules/
Software code
Computer
FAIL
Entrée/
Data

16. Comment ça marche ?PLE: E-3D-PLTS
Machine
learning
Approche par
apprentissage
Entrée/
Data Output/
Résulta
t
Computer
Cat recognition Rules/Software code
“Cat”

17. Comment ça marche ?PLE: E-3D-PLTS
Machine
learning
Les types de données en entrée ET en sortie
déterminent la tâche IA.

18. Taxonomie: IAE-3D-PLTS
Source: CREATION OF A TAXONOMY FOR THE EUROPEAN AI ECOSYSTEM, Cross-KIC
Activity, 2021

19. Foundation Models (ex: LLM)
Source: Epochai.org

20. ConclusionsD-PLTS
• L’IA couvre une grande variété de finalités, en évolution constante (ex:
Foundation Models, Transformers,…).
• Les progrès récents relèvent principalement du domaine du Machine Learning
(ML) et en particulier du Deep Learning (DL).
• De nombreuses alternatives algorithmiques existent pour implémenter une
tâche donnée, qui diffèrent par:
 Les besoins en pré-traitement.
 La quantité de données d’entraînement nécessaire.
 La complexité de calcul.
 Les fonctionnalités annexes (ex: Explicabilité).
• Entraînement des « Foundation Models », hors de portée de nombreuses
entreprises.

21. L’IA au service de l’entreprise, quelques exemples.

22. L’IA au long de la chaîne de valeur: E-3D-
PLTS
Tâches
IA
Applications
Gestion
documentaire
Test In-Silico
CAD (IA + Simu)
Allocation de
ressources
Allocation de
capacité
Conception de
ligne optimisée
Optimisation de
processus
Maintenance
prédictive
Analyse de
défaillances
Ordonnancemen
t
Contrôle qualité
Gestion énergie
Prédiction
demande
Stratification
clients
Recommandatio
n
Pricing
dynamique
Gestion
documentaire
(partenaires)
Optimisation
logistique
CRM
Maintenance
automatisée
Régression
Clustering
Association
IA Générative
Optimisation Optimisation
Régression
Optimisation
Classification
Régression
Clustering
IA Générative
Optimisation
Régression
Régression
Classification
Modèles
IA
NLP/LLM
Sequential
modeling
Physic-Informed
models…
ReInforcement
Learning
Programmation
Linéaire…
Régression
ReInforcement
Learning…
ReInforcement
Learning
Vision par
ordinateur (CNN)
…
NLP/LLM
LSTM, GRU…
NLP/LLM
Vision par
ordinateur
(CNN)…
NLP/LLM
CNN (ASR)
Physic-Informed
models…

23. Exemples de projets: E-3D-PLTS
FoodWal – Peptiboost: Prédiction In-Silico du potentiel
d’activation de peptides et identification de réactifs
enzymes-protéines pour la production de peptides
bioactifs.
Projet « Sucra »: Aide au dimensionnement d’une
machine de « picking » intégrée dans une ligne
d’emballage de biscuits.
SmartR4F: Développement de moyens
d’instrumentation pour l’analyse vibratoire et
ML pour la détection automatique des
problèmes de mesures et des défauts.
R&D
Productio
n Planning
Productio
n
Engineerin
g

24. Exemples de projets: E-3D-PLTS
WINGS : Simulation + ordonnancement d’une ligne de
production (intégrant un autoclave) de pièces en
matériaux composites pour l’aéronautique.
TRIDIM: Développement d’une librairie de calibration
automatique pour un système de contrôle qualité par
caméra laser.
Industry4.0: Détection de défauts dans des
surfaces 3D acquises par un système de
contrôle par caméra laser.
Productio
n
execution
Productio
n
execution
Productio
n
execution

25. Exemples de projets: E-3D-PLTS
WINGS : Prédiction du RUL (Remaining Useful Life) de
batteries de drônes intégrant les conditions de vol.
SmartSign : Suivi de l’état de panneaux de
signalisation par détection de chocs et de chutes
(développement HW et SW).
After-
Sales
Services
After-
Sales
Services

26. Déployer l’IA en entreprise, défis et points
d’attention.

27. Déploiement IA en entreprise: les défis
Source: https://dzone.com/ (Editeur logiciels)
54% des projets « Data science »
menés entre 2015 et 2017 pas mis en
production (Etude Gartner, 2019)
pour diverses raisons:
 Données insuffisantes (qualité et
quantité).
 Contraintes techniques et
organisationnelles.
 Business modèles invalidés.
 Attentes excessives.

28. Les besoins…
Bien définir son
application
Tâches IA?
Interaction
humain-IA (ex:
Aide à la
décision)?
Plateforme
Inférence?
Cycle de vie
(MLOPS)?
Flux de
données
(rapatriement,
accès)?

29. Les données…
Mettre en place les
processus de
collecte, de gestion
et d’annotation de
données
Qualité des
données
(représentativit
ébalance,…)
Quantité de
données à
disposition?
Méta-données
(annotations,
timestamp,
format,..)?
Contraintes
d’accès aux
données
(confidentialité,
localisation)
Quelles
données pour
représenter
mon process

30. L’équipe…
Mettre en place une
équipe multi-
disciplinaire
SW
Développeurs
Data scientists
Experts du
domaine
Utilisateurs Equipe IT

31. La régulation…LTS
• European AI Act et le European Data Act adoptés en juin 2023.
• Objectif: Favoriser le développement responsable d’applications IA (EU AI Act)
et le développement d’un cloud souverain en ligne avec les valeurs de l’EU (EU
Data Act).
• Critères imposés: explainability, transparency, fairness, accountability,…
• Approche par niveau de criticité, défini par application.
• Impact différent selon les secteurs,
plus important pour les secteurs
déjà fortement régulés
(ex: medical device, aéronautique,…).

33. 19 septembre 2023
L’IA
AU SERVICE DES PME
OPTIMISATION DES VENTES

34. Premier développement
de notre ETL Anatella
2010
Leader mondial en
termes de satisfaction
sur le site de référence
G2
2022
Ouverture bureaux
LATAM Colombie &
Pérou
2015
Création de TIMi et du premier
moteur de machine learning
automatisé
2007
Asie et Amérique du
nord
2027

35. Reporting
Opérationnel
Analyse
Stratégique
Modélisation
Prédictive
PLUS
VALUE
TEMPS
Que s’est il passé ?
Identifier les sources de données
Vérifier la conformité
Mesurer la performance
Diffuser les indicateurs aux utilisateurs
Pourquoi cela s’est -il passé ?
Segmenter les données
Interroger les indicateurs
Associer des données issues de plusieurs sources
Établir des tableaux de bords dynamiques personnalisés
Comment améliorer mes résultats ?
Utiliser des modèles pour la résolution de problèmes
Procéder à des analyses de risques
Planifier sa croissance par scénarios
Intégrer l’analytique au processus décisionnel

36. Data
Infrastructure
Compétences
PRÉREQUIS
03
INTRODUCTION
Up Selling & Cross Selling ?
Définition
Chiffres clés
01
CAS D’USAGE
Challenge
Développement
Résultats
02
QUESTIONS RÉPONSES
04

37. L’Up Selling ou montée en gamme est la
pratique qui consiste à proposer un produit
ou service légèrement supérieur et plus cher
que celui auquel s'intéresse le prospect.
Le Cross Selling est le processus qui consiste
à offrir à un client des produits compatibles
avec ceux qu'il achète.
INTRODUCTION
01

38. CHIFFRES
CLÉS
La technique du Cross Selling
représente 30% du CA de Amazon.
Selon McKinsey, l’utilisation du
Cross Selling peut augmenter les
ventes de 20% sur un site
marchand.
Les équipes de vente qui utilisent
l’intelligence artificielle augmentent
leur efficacité / productivité de 62%.
20%
62%
30%
7%
Seulement 7% des entreprises
wallonnes auraient démarré un
projet en intelligence artificielle .

39. AMÉLIORER LA PRISE DE DÉCISION
ENJEUX
01
AUTOMATISATION TÂCHES
CHRONOPHAGES
AMÉLIORER L’EFFICACITÉ DES ÉQUIPES
ANTICIPER LA DEMANDE
ADAPTER VOTRE OFFRE, VOS STOCKS,
VOTRE LOGISTIQUE…

40. TESTS & VALIDATION
2.3
OBJECTIFS
2.1
ÉTAT DES LIEUX
2.2
DEPLOIEMENT & RÉSULTATS
2.4
USE CASE COVIVINS
02

41. OBJECTIFS
Réalisation d’une liste de recommandations personnalisée pour
l’équipe de vente. 2 impératifs :
La propension de chaque client à acheter certaines catégories
de produits.
Les marges de Covivins en proposant à ses clients des produits
« équivalents » mais dégageant des marges supérieures.
2.1

42. ÉTAT
DES LIEUX
Table Ventes : 1.280.000
transactions
Table Produits : 25 850
produits
Table clients : 1788 clients
2.2

43. TESTS &
VALIDATION
5 Workshops avec les
parties prenantes dans le
projet (CEO, Manager,
équipe de vente)
Période de test pour les
modèles
2.3

44. DEPLOIEMENT
& RÉSULTATS
Mise en production du
modèle
Adoption des rapports
automatisés par les Sales
Application des
recommandations lors des
RDV physique et via le
2.4

45. PRÉREQUIS
Qualité des données
Enrichissement continu
Partage entre les départements
Dédiez des outils et une
infrastructure spécifique dédiés
au traitements des données
Bases dans l’analyse
Connaissance du secteur d’activité
Capacité à travailler en équipe
.
INFRASTRUCTURE COMPÉTENCES
DATA
BONNE
CONDUITE
Stricte respect des lois & du RGPD
Détecter les biais
Communication transparente
OBJECTIFS
Clairement définis
Quick Win
ENGAGEMENT
Implication des parties prenantes
Acceptation du changement
Démontrer les bénéfices
03

46. thomas@timi.eu
+32 478 481 925
timi.eu
MERCI

47. P i s t e s d e f i n a n c e m e n t
M o n s - 1 9 s e p t e m b r e 2 0 2 3

48. F i n a n c e m e n t
Aides/subsides AAP/POC Financement/prêt
• Easy-up
• Easy-green
• Vos partenaires
financiers (banque,
invests, etc.)
• IA : Tremplin IA
• IdF PoC
• Eco. Circu. AAP/PoC
• …
• Start & Tremplin IA
• Chèques entreprises
• Numérique
• Relance

49. I A : S t a r t e t Tr e m p l i n
https://www.digitalwallonia.be/ia/
START IA = Tour d’horizon
Accompagnement de 40H pour mesurer le
potentiel de vos données et identifier les
opportunités de l’IA et préparer un plan
d’actions
Financement de 70% : 3500€/5000€
Conditions : Localisation en wallonie
Tremplin IA = PoC - tester
Accompagnement pour tester la faisabilité
d’un projet et évaluer « concrètement » la
performance de l’IA sur vos données.
Financement de 70% : 40.000/28.000€
Conditions : Localisation en wallonie
Accessible pour
les grandes
entreprises

50. E a s y - U p / E a s y G r e e n
https://www.wallonie-entreprendre.be/fr/financements/pret/
Easy-up = transformation numérique
Soutenir les entreprises dans leur
transformation numérique (ex. Idf 4.0) :
digitalisation des process, infrastructure,
stratégie commerciale. Ex: Acquisition ERP
Prêt subordonné (max 500K) – 40%
Pas de garantie + poss. franchise
Easy-green = transition énergétique
Réduction des factures énergétiques, du
CO2, projet éco-innovants, eau, groupe
froid, gaz fluoré, panneaux solaires,
transition bas carbone, gestion intelligente
de l’énergie, plus circulaire, etc.
Prêt subordonné CT,LT (max 1.000K) + poss.
franchise
Pas de garantie + poss. franchise
Financement (prêt et garantie) + accompagnement
Bientôt
accessible pour
les grandes
entreprises

51. C h è q u e s E n t r e p r i s e
Type de chèques Chèques entreprises
Taux
d'interventio
n
Plafond
Montant
max sur 3
ans
Durée
Relance par
le
numérique
- Diagnostic 90% 1.900 € 1.900 € 3 ans
- Plan d'actions stratégiques 90% 5.700 € 5.700 € 3 ans
- Implémentations stratégiques 90% 7.400 € 7.400 € 3 ans
Numérique - Cybersécurité 75% 50.000 € 50.000 € 3 ans
- Maturité numérique 50% 50.000 € 50.000 € 3 ans
https://www.cheques-entreprises.be/

52. 52

53. 53
Est-ce que vous passez à côté
d’une opportunité offerte par les
technologies modernes ?

54. 54
Pour 50 entreprises wallonnes
4 conférences et 6 ateliers pour prendre en main les outils
intelligents et tester les technologies qui peuvent rendre vos
outils intelligents.

55. 55
Pour 10 entreprises de la région de Mons
Pour enrichir votre compréhension de l’intelligence
artificielle dans le contexte de votre entreprise afin de
démarrer un projet d’intégration.

56. 56
fred@mic-
belgique.be

57. E t m a i n t e n a n t ?
- 1 6 / 1 0 – J e r é i n v e n t e m o n J o b
g r â c e à l ’ I A @ T e c h n o c i t é
- 0 7 / 1 0 - G a g n e z d u t e m p s e t
o p t i m i s e z v o s p e r f o r m a n c e s
a v e c l ’ I A
- 1 8 / 1 0 – A I D e m o D a y @ M I C