Cinq étapes essentielles pour l’implémentation de l’IA en entreprise

Pratique
Par Leila Rebbouh (NRB) · 18/08/2020

Source: IBM.

L’IA, l’Intelligence Artificielle. Tout le monde (ou presque en parle. C’est devenu la nouvelle coqueluche, le buzzword a intégrer à toutes les stratégies et communications.

Une entreprise, quel que soit son métier ou son secteur, ne saurait apparemment plus s’en passer si elle veut demeurer compétitive. Au-delà des arguments, l’adoption de l’IA – que ce soit pour améliorer ses processus, innover, imaginer de nouveaux services et produits ou rendre les existants plus efficaces – ne s’improvise pas. 

Dans un petit livre blanc, inspiré d’un document d’une méthodologie IBM (“Beyond the hype: A guide to understanding and successfully implementing artificial intelligence within your business”), Leila Rebbouth, responsable de l’équipe Data Science de NRB rappellent et expliquent cinq étapes essentielles à prendre en compte lors de tout projet d’implémentation de l’IA en entreprise.

1. La collecte et l’accès aux données

Les données sont le carburant de l’IA, mais les sources sont multiples du fait de leur origine (données propres à l’entreprise, aux partenaires, aux clients, données publiques) ainsi que par leur format (données structurées ou non, contenu multimedia ou réseaux sociaux).

Souvent, c’est le croisement et la corrélation de données de natures et d’origines diverses qui sont le plus productrices d’information. C’est bien une “chaîne d’approvisionnement” de données qu’il faut mettre en place. Et c’est ce croisement de données qui est souvent le plus riche en valeur.

Dans le même temps, l’émergence des clouds publics et privés, le plus souvent multiples, dans les infrastructures IT des entreprises pose un problème nouveau: où et comment stocker les données afin de concilier la facilité d’accès, performance, protection et sécurité des données? Comment choisir, selon la nature de chacune des données, entre un cloud privé, à l’abri du firewall, voire on premise, ou, au contraire dans le cloud public?

2. La gouvernance des données

Les chaînes d’approvisionnement traditionnelles ont leurs exigences: traçabilité, contrôle qualité, sécurité et même re-packaging et transformation.

Les “chaînes d’approvisionnement en données” ont les mêmes exigences, en tous points. La deuxième étape vise donc à mettre en place une gouvernance des données afin d’assurer lignée, documentation, protection, contrôle d’accès, sécurité et anonymisation.

Cette étape-clé permet de garantir in fine la confiance dans le “produit fini” qu’est la décision, que ce soit par la qualité du résultat, le respect des réglementations (dont le RGPD) et même l’éthique.

3. L’outil IA

C’est à cette étape que la valeur est réellement extraite des données. Les méthodes et techniques d’analyse sont multiples: elles peuvent être descriptives, prédictives et prescriptives. Elles s’appuient sur des analyses statistiques, des modèles complexes, des méthodes de computer vision ou de NLP (Natural Language Processing); elles peuvent parfois combiner plusieurs méthodes.

L’intelligence artificielle n’est plus l’objectif en soi, mais une technique parmi d’autres, utilisée en data science.

4. Le contrôle

Une fois transformée en (proposition de) décisions concrètes, les besoins de transparence, qualité, traçabilité persistent. Certaines affaires récentes l’ont notamment montré: par l’impression de «boîte noire» qu’elle peut donner, l’IA pose un réel problème de confiance. Est-elle capable de justifier ces choix, ces décisions? Fait-elle correctement ce qu’on attend d’elle? Ces choix ne reflètent-ils pas les biais des données à partir desquelles elle a “appris”? L’explicabilité, l’élimination des biais, le fait de pouvoir être audité et la transparence sont des éléments essentiels et incontournables pour assurer la confiance dans l’IA.

5. Le déploiement

La dernière étape est celle du déploiement et de la gestion à grande échelle au sein de l’entreprise des applications d’IA: gérer les modèles d’IA, par nature évolutifs, déployer de manière sûre à travers des architectures hybrides (clouds multiples publics et privés, on-premise, etc.), donner accès à tous les utilisateurs, assurer l’approvisionnement en données. Les applications d’IA ont leurs besoins propres et, aujourd’hui, les méthodes et les outils existent pour y répondre.

Ecueils à éviter

1. Absence de la culture “data driven” ou culture de données encore à l’âge des “silos”

Un silo de données est une situation dans laquelle un seul groupe d’une organisation peut accéder à un ensemble ou à une source de données spécifiques.

Les silos de données peuvent résulter de plusieurs facteurs, notamment:
– culturels: la concurrence ou l’animosité entre les équipes peut amener leurs collaborateurs à conserver les données sans les partager, plutôt que de les mettre en commun
– structurels: en particulier dans les grandes organisations, les silos de données peuvent provenir d’une hiérarchie séparée par de nombreuses couches de gestion et un personnel hautement spécialisé
– technologiques: les applications n’ont pas été conçues pour croiser les données. Ou un département peut tout simplement ne pas avoir accès à une application précieuse d’un autre département car elle n’a pas été achetée pour leurs tâches quotidiennes spécifiques.

Recommandation: la mise en place d’un projet d’intelligence artificielle nécessite d’accéder à un grand volume de données centralisées, de bonne qualité. C’est une condition indispensable à la bonne réalisation du projet.

2. Attentes du management trop élevées

D’aucuns pourraient croire que l’intelligence artificielle est une baguette magique qui peut résoudre tous les problèmes de l’entreprise. Cette croyance conduit souvent à une déception quand les résultats ne sont pas à la hauteur de ceux escomptés.

Recommandation: think big, start small. Commencez par identifier vos besoins à l’aide d’une solide feuille de route IT et mesurez le potentiel d’un projet IA par un AI Business Model Canvas. Réalisez un proof of concept pour valider votre approche et envisagez ensuite un déploiement à plus grande échelle.

3. Alignement

Sans le soutien de bons interlocuteurs, par exemple les responsables du business, la direction… le risque d’échec du projet est important.

Recommandation: la multidisciplinarité et l’agilité au sein de l’équipe projets seront favorisées. Les projets d’intelligence artificielle s’adressent généralement aux spécialistes métier (le business) tandis que les data sont gérées par l’IT.

Leila Rebbouh
Head of the Data Science team
NRB

Ce document fait partie d’un Livre blanc publié par NRB, intitulée “De l’intelligence artificielle au service du bien commun”. Il explique notamment l’initiative IA4Good, quelques technologies liées à l’Intelligence Artificielle et présente un cas d’usage dans le monde de l’assurance.

Le Livre blanc peut être téléchargé à cette adresse.