Donner la priorité à l'IA

Intelligence artificielle et apprentissage automatique : les priorités de MNP donnent des résultats

Cet article est le dernier d’une série de cinq sur l’adoption réussie de l’intelligence artificielle (IA) en entreprise. Il explique le cadre d’établissement des priorités de MNP en matière d’IA, un projet en sept étapes basé sur les pratiques exemplaires de l’industrie. Les autres articles de la série traitent de stratégie, de mise en œuvre, de gouvernance et d’éthique. Si vous n’avez pas lu les articles précédents, commencez par le premier article intitulé Bâtir sa stratégie d’intelligence artificielle : une introduction.

Quelles sont les tendances en affaires? Selon Gartner, ce sont les entreprises dites « intelligentes et composables ».

Mais à quoi ressemble une telle entreprise? « Une entreprise intelligente et composable réorganise radicalement la prise de décision en accédant à de meilleures informations et en y répondant plus rapidement. Par exemple, les machines amélioreront la prise de décision à l’avenir, grâce à un riche tissu de données et d’informations. » [1] Pour ce faire, il faut donc se tourner vers l’IA et l’apprentissage automatique.

C’est logique, comme le souligne Brian Burke, vice-président de la recherche chez Gartner. Selon lui, « les processus opérationnels statiques qui ont été construits pour l’efficience étaient si fragiles qu’ils se sont effondrés sous le choc de la pandémie, […] Alors que les DSI et les responsables informatiques s’efforcent de recoller les morceaux, ils commencent à comprendre l’importance des capacités commerciales qui s’adaptent au rythme des changements de l’entreprise. » [2]

Devenir une entreprise plus intelligente

Si vous êtes déterminé à rendre votre entreprise intelligente et composable en intégrant l’IA et l’apprentissage automatique à votre modèle d’affaires, vous aurez besoin d’un cadre de mise en œuvre conçu par des experts. Les précédents articles ont abordé d’autres aspects importants pour une adoption réussie de l’IA ou de l’apprentissage automatique, tels que la stratégie et la gouvernance. Un cadre de mise en œuvre englobe la stratégie, la gouvernance, l’éthique, la technologie, le personnel, les processus, etc. Sans ce cadre, la plupart des entreprises n’obtiennent pas les résultats voulus.

Selon Gartner, seuls 53 % des projets passent du prototype d’IA à la production, et les responsables informatiques ont du mal à faire évoluer les projets d’IA. [3] Nous avons découvert qu’il y a trois raisons principales pour lesquelles les projets d’IA ne sont pas à la hauteur des attentes :

1. Les clients n’ont pas compris les principaux facteurs de risque et le besoin d’une évaluation des risques et des avantages;
2. Les clients n’ont pas compris l’étendue du projet et l’ont abordé par le mauvais point d’entrée;
3. Les clients s’attendaient à ce que des experts en science des données puissent à eux seuls prendre en charge tout le projet.

L’adoption réussie de l’IA ou de l’apprentissage automatique passe nécessairement par la gestion des risques. En évaluant correctement la stratégie et les possibilités, l’entreprise peut gérer efficacement les risques et les coûts du programme et ainsi atteindre ses objectifs.

Un cadre de réalisation en 7 étapes

Chez MNP, nous utilisons un processus de réalisation de projets d’IA ou d’apprentissage automatique en sept étapes pour aider nos clients à éviter les obstacles, à gérer les risques et à obtenir les résultats souhaités. En voici un survol :

Première étape : Atelier de formation, de découverte et d’orientation

Cet atelier est l’occasion de sensibiliser les intervenants clés et d’harmoniser les objectifs de l’entreprise et les concepts d’IA ou d’apprentissage automatique. À cette étape, l’équipe peut déterminer les points faibles ou les fonctions qui pourront être améliorés grâce à l’IA et entreprendre des discussions préliminaires sur la plateforme, les données et l’infrastructure. 

Deuxième étape : Identification et classement des possibilités

Lors de cette étape, nous identifions et examinons les projets potentiels et nous interrogeons les intervenants clés afin de classer ces projets en fonction de leur création de valeur, de leur faisabilité et de leur harmonisation avec la stratégie organisationnelle globale de l’entreprise. Une analyse générale du projet et de ce que pourrait constituer un projet réussi est aussi faite à cette étape.

Troisième étape : Évaluation des possibilités

À cette étape, on commence à approfondir notre examen de la faisabilité technique, du coût et de la valeur à l’aide de critères de réussite. À ce stade, nous ferons un examen réaliste de la durabilité et de la capacité des infrastructures de soutenir l’initiative.

Quatrième étape : Développement itératif (preuve de concept)

Nous sommes rendus à valider le bien-fondé du concept et de son usage, selon l’évaluation que nous avons faite des possibilités. Il est aussi question d’établir le meilleur modèle statistique qui soit pour résoudre le problème. Pour ce faire, il faut valider la disponibilité/qualité des données et s’assurer que le résultat produit puisse être utilisé et mis en œuvre à large échelle de façon efficace.

Cinquième étape : Pilote de semi-production (preuve de valeur)

La preuve de valeur est l’analyse de la valeur au cours de laquelle nous créons le produit minimal viable en intégrant, de manière contrôlée, certaines preuves de concept dans l’environnement de production, comme un serveur Dev ou UAT. Lors de cette étape, nous devons analyser les incidences sur la technologie, le personnel, les processus, la gouvernance et la sécurité.

Sixième étape : Opérationnalisation et mise en œuvre

À cette étape, nous pouvons intégrer la preuve de valeur dans l’environnement de production en créant le flux de travail, en assurant l’intégration, la sécurité, la gouvernance des données, les rapports, etc. Les pratiques exemplaires en matière de DevOps et de MLOps seront mises en œuvre pour garantir que le modèle se déploie de façon automatisée sur un cycle de vie complet et qu’il soit accessible.

Étape sept : Gestion du modèle

C’est à cette étape qu’on fait le suivi du modèle basé sur l’IA ou l’apprentissage automatique afin d’assurer sa pertinence et de procéder à des ajustements au besoin.

Les pièges à éviter

De nombreuses entreprises tentent de se lancer dans des projets d’IA ou d’apprentissage automatique à l’étape du développement itératif, ce qui n’est pas l’idéal. Les coûts augmentent au fur et à mesure que l’on progresse dans le cadre, de sorte que le choix de démarrer un projet tardivement signifie que l’entreprise s’embarque dans une aventure au moment où les coûts sont relativement élevés, ce qui entraînera de plus grandes pertes si le projet échoue.

Parmi les autres problèmes pouvant découler d’un projet qui a commencé sans le travail préliminaire nécessaire, on retrouve les sempiternelles remises en question (« et si… ») et les multiples questions laissées sans réponse. Avons-nous choisi le bon candidat? Avons-nous suffisamment de données pour tirer parti d’une solution d’IA ou d’apprentissage automatique? Savons-nous ce qu’il en coûtera pour rendre l’application opérationnelle dans l’environnement de production? Autant de questions qui auraient été abordées lors des étapes de classement et d’évaluation.

En adoptant le cadre plus tôt, vous acquérez les connaissances dès le début du processus et vivrez donc moins d’incertitude. Vous serez également en mesure de 

• sélectionner les bons projets pour une évaluation des plus approfondie;
• accroître votre capacité à réaliser des gains rapides pour démontrer la valeur du projet et obtenir des appuis;
• relever les lacunes dans l’environnement et déterminer la maturité des données de l’entreprise grâce à une feuille de route stratégique claire;
• éviter de perdre du temps et de l’argent sur des utilisations sans importance ou irréalistes.

Pour mieux comprendre ce qu’est un cadre de réalisation efficace et ses avantages, participez à notre atelier immersif de cinq jours sur l’IA. Vous en apprendrez davantage sur les façons d’évaluer et d’élaborer une stratégie d’IA adaptée à votre entreprise et vous serez outillé pour tirer le maximum de votre projet et pour éviter les risques inutiles. L’atelier portera également sur la création et l’utilisation d’un cadre complet pour la réalisation d’un projet. 

Pour en savoir plus sur la série d’ateliers sur l’IA offerte par MNP >

1 https://www.gartner.fr/fr/salle-de-presse/communiques-de-presse/2020-10-19-gartner-identifie-les-principales-tendances-technologiques-strategiques-pour-2021

2 https://www.gartner.fr/fr/salle-de-presse/communiques-de-presse/2020-10-19-gartner-identifie-les-principales-tendances-technologiques-strategiques-pour-2021

3 https://www.gartner.fr/fr/salle-de-presse/communiques-de-presse/2020-10-19-gartner-identifie-les-principales-tendances-technologiques-strategiques-pour-2021