Pas d’IA performante sans une opérationnalisation des projets

Entrées dans les entreprises par la technologie, les premières initiatives d’IA sont restées à l’état de projets. Ce n’est qu’avec l’implication des métiers que les projets ont trouvé des applications. Aujourd’hui il faut aller un cran plus loin : opérationnaliser les projets pour avoir des Enterprise IA. 

Des projets IA cantonnés aux labs

Avec un marché mondial de 1200 milliards de dollars en 2018, l’Intelligence artificielle n’est plus un phantasme. Séduites par les capacités de cette technologie à faciliter la prise de décision, à automatiser des tâches, à anticiper des évènements et à augmenter l’humain, l’IA est entrée de plain-pied dans les entreprises. Ainsi, depuis deux ou trois ans, les grands comptes multiplient les projets. Soucieux, dans un premier temps, de tester cette technologie, ils ont recruté des data scientists qui, confinés dans des labs, ont développé de jolis algorithmes. Mais, concentrés à produire des modèles sans se préoccuper de leurs utilités et de leurs opérationnalisations et en sous estimant l’impact de ces nouvelles technologies sur l’ensemble de leurs organisations, les entreprises ont vu leurs projets IA restés dans les cartons. La raison principale de ces échecs est due à l’approche partielle de ces initiatives, et à l’absence d’implication profonde des métiers, d’intégration dans les processus existants, et de l’alignement avec les SI. D’ailleurs, selon Nick Heudecker de Gartner, malgré la multiplication de telles initiatives, 85% des projets échouent. 

Des projets IA qui répondent à des besoins métiers

Fort de ces échecs, les entreprises recueillent désormais les besoins des métiers. De l’analyse de ces attentes et des technologies d’IA disponibles sur le marché naissent de multiples projets développés sur la base de données massives. C’est ainsi, par exemple, que le secteur de la banque/assurance utilise des assistants intelligents pour automatiser des réponses à des questions basiques de clients ou pour aider les conseillers à répondre plus rapidement à leurs problématiques plus complexes en leur fournissant, en temps réel, les informations nécessaires à la réponse. D’autres solutions d’IA sont mises en place pour détecter les fraudes, identifier les cyber attaques ou, dans la maintenance prédictive, pour anticiper les pannes plutôt que de les subir. L’IA entre également dans l’optimisation de campagnes marketing. 

Si cette stratégie de prise en compte du besoin métier est plus pertinente que d’aborder le sujet par la technologie, elle se heurte néanmoins à deux problèmes. Le premier est le temps nécessaire à ces outils pour dégager de la valeur métier. En effet, si designer un model prend 15 jours, la mise à niveau des process business, des équipes et la pérennisation de la qualité du modèle prédictif nécessitent plusieurs mois. Le second, est celui de l’indépendance, voire de l’incompatibilité, de ces projets entre eux et à l’informatique de l’entreprise. Développés par POC (Proof of Concept), ces projets menés par les data scientists et les métiers, restent en marge des SI et de l’organisation de l’entreprise. Résultat : les entreprises se retrouvent à la tête d’une myriade de projets éparpillés dans les services, incompatibles avec les règles opérationnelles de la société, et qui ne trouvent que très tardivement, voir même jamais, de débouchés effectifs chez les métiers. 

Evoluer vers l’Enterprise IA

La réussite d’un projet IA doit donc non seulement répondre à une problématique métier, mais aussi s’intégrer à l’ensemble des processus et de l’organisation de l’entreprise. Un projet IA doit prendre en compte la technologie de traitement de données, la connaissance métier, et l’ensemble des processus opérationnels de l’entreprise. Le succès d’un projet IA est donc conditionné à l’implication des équipes données, métier, et systèmes. Technologie inclusive, l’IA contraint les entreprises à opérer une véritable transformation organisationnelle en incitant les collaborateurs à nourrir leur prise de décision par la donnée et à fournir des données pour entrainer l’Intelligence artificielle. 

Une Enterprise AI se déploie par étapes : définir la finalité du projet, développer le modèle, en valider le potentiel, l’intégrer aux processus métier, aux SI de l’entreprise, valider les outils et entrainer le modèle. Ainsi l’IA n’apportera de la valeur métier que si elle s’intègre de façon transparente aux processus de l’entreprise et si la robustesse et l’évolutivité du modèle sont au rendez-vous. 

La prise en compte des enjeux de l’opérationnalisation est un élément essentiel pour permettre aux entreprises de se rapprocher d’une vision d’Enterprise AI, où chacune des décisions prises par chaque collaborateur peut être augmentée et optimisée par de l’IA. 

Une IA efficiente est une IA imprégnée à tous les niveaux de l’entreprise. Nous sommes au balbutiement de la puissance de cette technologie, mais une chose est sûre : elle constitue pour les entreprises un véritable changement de paradigme, les obligeant à se restructurer en profondeur. 

Romain Fouache

Romain Fouache

COO chez Dataiku
Romain Fouache est COO de Dataiku. Diplômé de l’École Centrale de Paris et de HEC Paris, il débute sa carrière comme Data Scientist dans le domaine de la publicité avant de rejoindre Exalead en 2006, où il sera responsable du pilotage des projets stratégiques. Il prend ensuite en charge le développement commercial et des opérations chez Arbiom, start-up franco-américaine dans le domaine des biotechnologies. Il rejoindra Dataiku en 2017 pour supporter la forte croissance de la jeune entreprise et accompagner les grandes organisations françaises et internationales dans leur transformation autour de l’IA.
Romain Fouache

Les derniers articles par Romain Fouache (tout voir)

Romain Fouache

Romain Fouache

Romain Fouache est COO de Dataiku. Diplômé de l’École Centrale de Paris et de HEC Paris, il débute sa carrière comme Data Scientist dans le domaine de la publicité avant de rejoindre Exalead en 2006, où il sera responsable du pilotage des projets stratégiques. Il prend ensuite en charge le développement commercial et des opérations chez Arbiom, start-up franco-américaine dans le domaine des biotechnologies. Il rejoindra Dataiku en 2017 pour supporter la forte croissance de la jeune entreprise et accompagner les grandes organisations françaises et internationales dans leur transformation autour de l’IA.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *