L’une des applications les plus populaires de l’intelligence artificielle à ce jour a été de l’utiliser pour prédire des choses, en utilisant des algorithmes entraînés avec des données historiques pour déterminer un résultat futur. Mais popularité ne signifie pas toujours succès : l’IA prédictive laisse de côté une grande partie des nuances, du contexte et du raisonnement de cause à effet qui entrent dans un résultat ; et comme certains l’ont souligné (et comme nous l’avons vu), cela signifie que parfois les réponses « logiques » produites par l’IA prédictive peuvent s’avérer désastreuses. Une startup appelée causaLens a développé une technologie d’inférence causale – présentée comme un outil sans code qui ne nécessite pas l’utilisation d’un data scientist pour introduire plus de nuances, de raisonnement et de sensibilité de cause à effet dans un système basé sur l’IA – ce qu’elle croit peut résoudre ce problème.
L’objectif de CausaLens, a déclaré le PDG et co-fondateur Darko Matovski, est que l’IA « commence à comprendre le monde comme les humains le comprennent ».
Aujourd’hui, la startup annonce un financement de 45 millions de dollars après avoir connu un certain succès avec son approche, augmentant ses revenus de 500% depuis sa sortie de la furtivité il y a un an. Ceci est décrit comme une «première clôture» du tour, ce qui signifie qu’il est toujours ouvert et qu’il va potentiellement augmenter en taille.
Dorilton Ventures et Molten Ventures (le VC renommé de Draper Esprit) ont mené le tour, avec les précédents bailleurs de fonds Generation Ventures et IQ Capital, et le nouveau bailleur de fonds GP Bullhound participant également. Des sources nous disent que la ronde évalue causaLens, basée à Londres, à environ 250 millions de dollars.
Les clients et partenaires de CausaLens comprennent actuellement des organisations du secteur de la santé, des services financiers et du gouvernement, parmi un certain nombre d’autres secteurs verticaux, où sa technologie est utilisée non seulement pour la prise de décision basée sur l’IA, mais pour apporter plus de nuances de cause à effet lors de l’obtention de résultats. .
Un exemple illustratif de la façon dont cela fonctionne peut être trouvé dans la clinique Mayo, l’un des partenaires de la startup, qui utilise causaLens pour identifier des biomarqueurs du cancer.
« Les corps humains sont des systèmes complexes, et donc en appliquant les paradigmes de base de l’IA, vous pouvez trouver n’importe quel modèle que vous voulez, des corrélations de toutes sortes, et vous n’irez nulle part », a déclaré Darko Matovski, PDG et fondateur de la startup, dans une interview. « Mais si vous appliquez des techniques de cause à effet pour comprendre les mécanismes de fonctionnement de différents corps, vous pouvez mieux comprendre la véritable nature de l’impact d’une partie sur une autre. »
Compte tenu de toutes les variables qui pourraient être impliquées, c’est le genre de problème de données volumineuses qu’il est presque impossible pour un humain, ou même une équipe d’humains, de calculer, mais c’est un enjeu de table pour un ordinateur à résoudre. Bien qu’il ne s’agisse pas d’un remède contre le cancer, ce type de travail est une étape importante pour commencer à envisager différents traitements adaptés aux nombreuses permutations impliquées.
La technologie de CausaLens a également été appliquée de manière moins clinique dans les soins de santé. Une agence de santé publique de l’une des plus grandes économies du monde (causaLens ne peut pas divulguer publiquement laquelle) a utilisé son moteur d’IA causal pour déterminer pourquoi certains adultes se sont retenus de se faire vacciner contre le COVID-19, afin que l’agence puisse concevoir de meilleures stratégies pour obtenir les embarquer (les « stratégies » au pluriel sont ici le détail opérationnel : le fait est qu’il s’agit d’une question complexe impliquant un certain nombre de raisons selon les individus en question).
D’autres clients dans des domaines tels que les services financiers ont utilisé causaLens pour éclairer les algorithmes de prise de décision automatisés dans des domaines tels que les évaluations de prêts, où les systèmes d’IA précédents introduisaient un biais dans leurs décisions lorsqu’ils utilisaient uniquement des données historiques. Les fonds spéculatifs, quant à eux, utilisent causaLens pour mieux comprendre comment une tendance du marché pourrait se développer afin d’éclairer leurs stratégies d’investissement.
Et fait intéressant, une nouvelle vague de clients pourrait faire son apparition dans le monde du transport autonome. C’est un domaine où le manque de raisonnement humain a freiné les progrès sur le terrain.
« Peu importe la quantité de données introduites dans les systèmes autonomes, il ne s’agit toujours que de corrélations historiques », a déclaré Matovski à propos du défi. Il a déclaré que causaLens est actuellement en pourparlers avec deux grandes entreprises automobiles, avec « de nombreux cas d’utilisation » pour sa technologie, mais l’un en particulier est la conduite autonome « pour aider les systèmes à comprendre comment le monde fonctionne. Il ne s’agit pas seulement de pixels corrélés liés à un feu rouge et à une voiture qui s’arrête, mais aussi de l’effet que cette voiture ralentira à un feu rouge. Nous introduisons le raisonnement dans l’IA. L’IA causale est le seul espoir pour la conduite autonome.
Il semble évident que ceux qui utilisent l’IA dans leur travail voudraient que le système soit aussi précis que possible, ce qui soulève la question de savoir pourquoi la brillante amélioration de l’IA causale n’a pas été intégrée aux algorithmes d’IA et à l’apprentissage automatique dans le première place.
Ce n’est pas que plus de raisonnement et de réponse «pourquoi» n’étaient pas des priorités au début, a expliqué Matovski – «Les gens explorent les relations de cause à effet en science depuis longtemps. Vous pourriez même dire que les équations de Newton sont causales. C’est super fondamental en science », a-t-il dit – mais c’est que les spécialistes de l’IA ne pouvaient pas comprendre comment apprendre aux machines à faire cela. « C’était tout simplement trop difficile », a-t-il déclaré. « Les algorithmes et la technologie n’existaient pas. »
Cela a commencé à changer vers 2017, a-t-il dit, alors que les universitaires ont commencé à publier des approches initiales examinant comment représenter le «raisonnement» et la cause à effet dans l’IA en fonction de la recherche de signaux qui ont contribué aux résultats existants (plutôt que d’utiliser des données historiques pour déterminer les résultats), et construire des modèles basés sur cela. Fait intéressant, c’est une approche qui, selon Matovski, n’a pas besoin d’ingérer d’énormes volumes de données de formation pour fonctionner. L’équipe de CausaLens est très chargée en doctorats (on pourrait dire que la startup a vraiment mangé sa nourriture pour chien ici : elle a examiné 50 000 cv tout en constituant son équipe). Et cette équipe a pris ce relais et a couru avec. « Depuis, ça a été une courbe de croissance exponentielle » en termes de découverte, a-t-il dit. (Vous pouvez en savoir plus à ce sujet ici.)
Comme vous vous en doutez, causaLens n’est pas le seul acteur à chercher à tirer parti des avancées en matière d’inférence causale dans des projets plus importants qui reposent sur l’IA. Microsoft, Facebook, Amazon, Google et d’autres grands acteurs technologiques avec des investissements substantiels dans l’IA travaillent également sur le terrain. Parmi les startups, il y a aussi Causalis qui se concentre spécifiquement sur l’opportunité d’utiliser l’IA causale dans la médecine et les soins de santé, et Oogway semble construire une plate-forme d’IA causale destinée aux consommateurs, un « assistant de décision personnalisé d’IA » comme il se décrit lui-même. Tout cela témoigne de la possibilité de développer davantage et un marché assez massif pour la technologie, couvrant à la fois des cas d’utilisation commerciale spécifiques et plus généraux.
« L’IA doit franchir la prochaine étape vers le raisonnement causal pour atteindre son potentiel dans le monde réel. causaLens est le premier à tirer parti de Causal AI pour modéliser les interventions et permettre l’introspection pilotée par la machine », a déclaré Daniel Freeman de Dorilton Ventures, dans un communiqué. « Cette équipe de classe mondiale a créé des logiciels avec la sophistication nécessaire pour séduire des scientifiques de données sérieux et la convivialité pour responsabiliser les chefs d’entreprise. Dorilton Ventures est très heureux de soutenir causaLens dans la prochaine étape de son voyage.
« Chaque entreprise adoptera l’IA, non seulement parce qu’elle le peut, mais parce qu’elle le doit », a ajouté Christoph Hornung, directeur des investissements chez Molten Ventures. « Chez Molten, nous sommes convaincus que la causalité est l’ingrédient clé nécessaire pour libérer le potentiel de l’IA. causaLens est la première plateforme d’IA causale au monde avec une capacité éprouvée à convertir les données en décisions commerciales optimales.