Comment industrialiser ses cas d’application en intelligence artificielle ?

Après plusieurs décennies de développement des premières IA (Intelligence Artificielle) puis l’avènement du Big Data dans les années 2010, les technologies et cas d’usage basés sur l’IA s’engagent dans l’ère de l‘industrialisation. La récente enquête « IDC European Software Survey 2021 » indique que 29% des entreprises européennes utilisent déjà des plateformes de développement IA.

52% de ces entreprises utilisant l’IA déclarent vouloir en intensifier l’utilisation. Les organisations les plus avancées dans la démarche mettent en place des cellules internes de type « Cognitive Factory » ou « IA Lab ».

Quelles sont les meilleures pratiques pour initier puis opérer le passage à l’échelle des cas d’usage motorisés par l’IA ? Voici quelques grands principes à retenir pour une industrialisation réussie.

Démarche itérative et collaborative sur des premiers cas d’usage simples

La démarche itérative apparaît comme la méthode la plus efficace pour mener à bien des projets data, en l’occurrence une démarche d’industrialisation des cas d’usage ayant recours à l’IA. Elle consiste à mettre en place un premier projet au sein d’un périmètre restreint, par exemple une direction ou une BU. Après les premiers tests et la mise en production, le déploiement peut s’étendre au niveau national pour s’achever, en fonction du contexte, à l’échelle d’un groupe.

Coordonner le CDO, les métiers et acteurs de l’IA (data scientists, développeurs, etc.) sur des projets courts à expérimenter par des POCS avant la mise en production demeure un facteur de succès pour générer rapidement de la valeur. Ces premiers projets peuvent par exemple concerner la relation client avec des chatbot ou voice bot.

En effet, la relation client est un domaine adapté au démarrage de projets à base d’intelligence artificielle. Cette activité permet une mesure relativement simple de l’efficacité d’applications IA en NLP (« Natural Langage Processing » ou Traitement du Langage Naturel).

Prenons par exemple le cas d’un client engageant une conversation avec un chatbot ou voicebot. La faible durée d’un appel ou le fait que le client rappelle à nouveau pour obtenir un interlocuteur humain agiront comme des marqueurs pour signaler un échec. Ceci permet ensuite de bien placer le curseur pour savoir si l’utilisation de l’IA est suffisamment mature ou efficace.

D’autres cas d’usage sont abordables dans une phase initiale. Il peut s’agir de solutions à l’attention des collaborateurs : un assistant conseiller pour explorer la documentation très riche d’une entreprise ou encore un analyseur d’email. L’analyseur d’email à l’avantage de présenter un ROI rapide avec un temps de traitement total du courrier divisé en moyenne par deux : analyser des demandes de devis et les envoyer au service commercial, transférer directement une réclamation au service après-vente, une facture vers le contrôle de gestion, etc.

A nouveau, l’important est de mettre en place ces cas dans un périmètre restreint pour l’élargir ensuite au reste de l’organisation.

Evaluer le coût et le ROI du développement de projets en intelligence artificielle

Est-il plus rentable de développer des algorithmes en interne de bout en bout ou d’acheter des algorithmes tiers ayant déjà fait leurs preuves ? La fameuse question du « make or buy ? » va inévitablement se poser.

Le recours à un framework ou « arbre de décision » est judicieux pour répondre à cette question. Chaque cas est unique par définition mais une tendance se dégage cependant.

Pour des algorithmes déjà éprouvés (reconnaissance faciale, chatbot…) il est souvent plus rentable d’utiliser des solutions existantes et de conserver l’effort de développement interne pour des sujets identifiés comme stratégiques. Pour les sujets moins stratégiques, le recours à un partenaire ou prestataire sera envisagé car plus avantageux. Il faut être en mesure d’estimer ces gains selon différents indicateurs même si cela peut s’avérer parfois complexe.

Enfin, pour le volet de protection des données, le choix s’oriente assez logiquement la plupart du temps vers une gestion en interne.

Bien gérer les talents et la gouvernance des données

La gestion des talents est un autre facteur de succès pour passer vos projets et cas d’usage IA à l’échelle. Plusieurs profils vont être nécessaires à ces réalisations : data engineer, data architect, data scientists, research scientists, applied scientist, business analysts, tech leads, développeurs… En considérant le talent de l’ensemble d’une équipe, en assortissant les compétences et en prenant l’habitude de confronter les points de vue, vous mettrez toutes les chances de votre côté pour retenir les meilleures solutions.

Cette cellule pluridisciplinaire de mise à l’échelle devra finalement être en mesure de participer à l’industrialisation des cas d’usage, de faire de l’accompagnement au changement et aussi être capable d’intégrer ponctuellement d’autres équipes projet en interne pour assurer le lien avec les métiers.

Elle va assurer la sécurité et la pérennité de l’IA ainsi que la conformité RGPD, la responsabilité juridique ou répondre aux enjeux éthiques (en interne où vis-à-vis des clients) et RSE de la société.

Il est également possible d’instaurer un comité de conformité en interne avec un traçage des projets.

Dans le cadre de cas d’usage IA, une bonne gouvernance des données sera indispensable.

En premier lieu par l’aspect transverse que peuvent présenter ces activités : Robotic Process Automation (RPA), algorithmes de Deep Learning pour définir du pricing, identifier des problèmes de qualité de données sur des prix ou des images, identifier des concurrents sur Internet… Marketing, commerce, finance : tous les métiers sont touchés.

Les acteurs de la gouvernance des données auront ensuite en charge de documenter les prototypes et les algorithmes développés. Si un ou plusieurs data scientists venaient par exemple à quitter l’organisation, la perte de connaissances ou d’archives représenterait un risque trop important.

Anticiper l’intégration de vos cas d’application en intelligence artificielle

Le rôle central du SI comme clé d’accès à la mise en production pour une industrialisation est capitale pour éviter des développements en « shadow IT ». Ces développements réalisés en autonomie dans une BU ou direction particulière de l’entreprise risquent en effet de ne pas être forcément adaptables ou intégrables au SI Legacy dans la suite des opérations.

Concernant l’intégration au SI existant, le recours à une plateforme cloud intégrée offre des avantages incontestables. Modularité, tests, mise à l’échelle… Ce sont autant d’opérations qui nécessiteraient des investissements extrêmement lourds en hardware On premise.

Conteneuriser les applications (via des solutions comme Kubernetes, Docker ou autres) constitue une bonne solution pour les passer à la DSI afin de réduire les contraintes d’intégration et de mise en production.

Ces opérations peuvent aussi être réalisée en serverless ou en services partagés, tant que le rapprochement des équipes projets IA se fait avec la DSI.

Sponsorship et acculturation

En matière de cas d’usage IA, l’expérimentation et la preuve par l’exemple seront la clé pour engager une conduite du changement car la plupart des dirigeants et décideurs ne sont pas « IA native » : ils ont fréquemment besoin d’être rassurés ou convaincus de l’efficacité de ces technologies. Cela est d’autant plus important qu’ils auront en charge par la suite d’assurer un sponsorship fort de ces projets envers le reste de l’organisation. Sans impulsion du Comité de direction, point de salut.

L’arrivée progressive de l’intelligence artificielle a amené avec elle des questionnements légitimes mais aussi des peurs. Ces réticences peuvent encore être présentes, notamment sur la faculté des IA à occuper des fonctions jusque-là assurées par des humains. L’idée est donc de mettre l’accent sur la valeur que peut apporter l’IA. Il s’agit précisément de la valeur ajoutée de l’humain, qui va se retrouver libéré de tâches chronophages et répétitives.

Il faut donc pouvoir expliquer, être transparent, quitte à utiliser l’anthropomorphisme pour convaincre les collaborateurs réticents avec pédagogie. Et rappeler qu’au fond, tous les métiers évoluent : les cinquante dernières années ont vu naître de profondes mutations dans lesquelles l’Intelligence artificielle n’était aucunement impliquée.

La rédaction vous conseille

>  Comment structurer une gouvernance des données efficace ? 

> L’intelligence de la donnée au service de la modernisation de l’Etat