30 Mar Quelles sont les deux fonctions nécessaires au succès d’un projet d’IA ?
Aujourd’hui, les organisations procèdent de plus en plus au déploiement de projets d’intelligence artificielle (IA) et d’apprentissage machine, les résultats ne sont pas toujours à la hauteur de leurs espérances, voire en complète déconnexion de leurs enjeux métiers. Ce n’est pas si étonnant car une intelligence artificielle basée sur des bases de données manquant de fiabilité, considérées hors de leur contexte, peut générer des conclusions complètement erronées.
C’est ainsi par exemple qu’un modèle d’apprentissage machine conçu par un laboratoire pharmaceutique souhaitant identifier le meilleur canal pour communiquer avec sa clientèle de médecins lui a suggéré l’expédition en rafale d’e-mails non personnalisés. Une absurdité lorsqu’on connaît le marché de l’industrie pharmaceutique et surtout l’importance de la relation entre le médecin et le visiteur médical.
Toute intelligence a@rtificielle performante ne peut se nourrir que d’une qualité de donnée optimale, maîtrisée et comprise.
Comment procéder pour que l’intelligence artificielle puisse donner tout son potentiel et offrir à l’organisation les réponses ad hoc à ses enjeux de développement comme une meilleure compréhension de son marché, faire progresser ses ventes, enregistrer des gains de productivité, une réduction de ses coûts ou encore une personnalisation adaptée de ses offres produits/services et de sa relation client ? La réponse coule de source : toute intelligence artificielle performante ne peut se nourrir que d’une qualité de donnée optimale, maîtrisée et comprise.
Prenons par exemple les bases de données clients d’un organisme bancaire, le data analyst doit avoir connaissance de la manière dont elles ont été produites
Une partie du succès de l’adoption de l’IA est dû à l’intégration dans l’entreprise d’un data analyst, sensé être au carrefour entre les pratiques métier, la compréhension de la data et la production d’analyses. Les data analysts et data scientists sont souvent formés et recrutés en interne : ils remplissent une mission essentielle pour tout projet d’intelligence artificielle réussi, notamment par leur totale compréhension des process de production.
Prenons par exemple les bases de données clients d’un organisme bancaire, le data analyst doit avoir connaissance de la manière dont elles ont été produites (achats sur lieu de vente physique, sur le web, dépenses d’abonnements, dates et heures où elles ont été effectuées, etc.) pour ensuite avoir la capacité de procéder à leur analyse et d’échanger sur comment mieux les exploiter avec un data scientist qui se concentrerait, par exemple, sur l’identification de mécanismes de fraude.
Compétent en matière de mathématique et statistique, le data scientist produit des algorithmes sensés offrir des réponses ad hoc à une problématique métier. Son rôle est de construire des modèles, fruit de ses échanges avec les équipes métiers ainsi qu’avec les data analysts. Ces deux fonctions sont donc essentielles au succès d’un projet d’IA abouti.
Dans la plupart des cas, ces fonctions de data analyst et data scientist s’inscriront dans le temps long en devenant les référents de l’entreprise en matière de compréhension de ses données. Une chose est certaine : l’intelligence artificielle ne peut remplir sa mission stratégique dans une entreprise sans une collaboration étroite de ces deux fonctions. Chaque entreprise a d’ailleurs fortement intérêt à recruter ces professionnels de l’analyse et exploitation des données en interne.
Sans cette prise en compte de l’importance stratégique de la donnée et de son exploitation, une organisation ne pourra prétendre rester compétitive à l’ère de l’intelligence artificielle.