Adoption de l’IA : Stratégie et processus vertueux pour réussir

Un Framework en 4 étapes pour réussir son projet d’IA

Les entreprises qui réussissent partagent un certain nombre de points communs. Sans qu’il n’y ait une recette unique, je partage ici un framework en quatre grandes étapes pour identifier de bonnes pratiques à adapter dans le contexte de son entreprise.

Orienter

• Impliquer l’équipe dirigeante
• Définir une stratégie IA et agir délibérément
• Définir des objectifs et jalons clairs et réalistes à atteindre
• Définir l’organisation, les rôles et les responsabilités
• Identifier les compétences disponibles et nécessaires
• Identifier les données disponibles et celles à acquérir

Prioriser

• Identifier les cas d’usage en cohérence avec cette stratégie
• Prioriser en fonction du gain estimé et de la faisabilité
• Définir la roadmap de déploiement de ces cas d’usage
• Investir dans quelques initiatives structurantes et les technologies pour les supporter

Exécuter

• Encourager l’expérimentation et le droit d’échouer
• Construire des équipes projet pluridisciplinaires
• Impliquer les utilisateurs finaux
• Renforcer la formation des équipes
• Spécifier comment résoudre les cas d’usage
• Définir des KPIs pour mesurer le succès
• Identifier et intégrer les attentes réglementaires et éthiques
• S’appuyer sur les bons outils
• Ne pas attendre d’avoir les données parfaites
• Penser la mise en production dès le début

Suivre

• S’appuyer sur les succès et persévérer
• Tirer les leçons des échecs
• Documenter chaque initiative et modèle, ainsi que les données
• Automatiser et « APIser »
• Suivre les KPI métiers
• Monitorer la performance des modèles et itérer
• S’appuyer sur les leçons tirées des expérimentations pour améliorer la qualité des données
• Collecter de nouvelles données
• Gérer le changement
• Ajuster sa stratégie et l’ambition

Cycle de vie d’un projet d’IA

Les entreprises qui réussissent relient surtout leurs initiatives en intelligence artificielle à leur stratégie. Et elles investissent judicieusement pour assurer la réussite de ces initiatives.

Elles constituent des équipes pluridisciplinaires qu’elles forment et équipent des bons outils pour aller plus vite.

Ces équipes expérimentent et itèrent en s’appuyant sur des KPIs clés qu’elles suivent. Ces équipes intègrent les dimensions réglementaires et éthiques et impliquent les utilisateurs finaux pour construire la confiance nécessaire à l’adoption.

Elles partent de la mise en production, car elles sont conscientes que de nombreuses étapes sont nécessaires pour y arriver et que cette mise en production n’est que le début.

Exemple de cycle de vie moderne d’un modèle d’IA, une fois un cas d’usage identifié

En effet le cycle de vie moderne d’un projet d’intelligence artificielle, sans être unique, constitue un processus itératif.

La construction d’un algorithme n’est pas une fin en soi.

L’enjeu aujourd’hui est de rapidement mettre en production les modèles d’IA, pour comprendre comment ils se comportent et itérer en suivant quelques KPIs clés, tout en s’assurant de la robustesse des modèles une fois en production.

Cela demande de s’appuyer sur les bons outils, les bonnes technologies, une forte automatisation et un processus rigoureux afin de réduire le temps nécessaire pour déployer un modèle en production.

Enjeux réglementaires, d’éthique et d’adoption

Par ailleurs, avec l’essor de l’intelligence artificielle en entreprise, la prise en compte des enjeux réglementaires, éthiques et d’adoption des utilisateurs (qui peuvent se poser des questions alors qu’ils sont confrontés à ces nouveaux outils) est désormais un impératif.

Cet impératif se voit renforcé alors que les régulateurs et plus de 50 pays et organisations s’équipent de principes éthiques, de lignes directrices autour de l’intelligence artificielle, voire comme l’Union européenne de premières réglementations.

Ces lignes directrices et réglementations mettent l’accent :

• sur la transparence du processus de construction et de suivi des algorithmes,
• sur la capacité d’un système d’intelligence artificielle à fournir une explication pour comprendre les résultats et les prédictions qu’il produit,
• sur la nécessité de réduire les biais discriminatoires,
• sur le processus d’entraînement des algorithmes de machine learning,
• sur la robustesse des algorithmes et le suivi en production,
• sur le respect renforcé de la vie privée,
• sur la prise en compte du bien-être des utilisateurs de ces systèmes d’intelligence artificielle.

Ces lignes directrices ne peuvent être ignorées. D’autant plus lorsque le risque associé au cas d’application du système d’IA est élevé. En tout cas, les entreprises qui réussissent l’adoption de cet ensemble de technologies intègrent cette réalité.

DreamQuark développe une plateforme logicielle – Brain – qui s’appuie sur l’apprentissage profond (deep learning) pour fournir des résultats interprétables aux services financiers. L’entreprise travaille avec des grands noms du secteur banque et assurance, comme BNP Paribas, ou AG2R La Mondiale qui a investi dans DreamQuark lors de sa dernière levée de fonds.