Les bases d’une adoption réussie de l’IA

Cet article est le second d’une série de cinq billets sur l’adoption réussie d’intelligence artificielle (IA) en entreprise. Cette fois-ci, nous abordons les bases à jeter pour soutenir l’adoption de l’IA et des pratiques gagnantes. Les autres articles de la série couvriront les sujets de la gouvernance, de la déontologie et du cadre de priorité pour l’IA. Si vous n’avez pas lu le premier billet intitulé Bâtir sa stratégie d’intelligence artificielle : une introduction, vous pouvez le consulter ici avant de poursuivre votre lecture.

L’IA transforme l’ensemble des secteurs de l’économie, mais de façon bien moins vertigineuse que les gens pourraient croire. Certes, l’IA relevait d’abord de la science-fiction et fait dorénavant partie de notre quotidien, mais son adoption massive par les entreprises se fait toujours attendre. Elle est encore reléguée à des tâches très spécifiques.

Selon un article de McKinsey & Company, « La plupart des entreprises savent qu’il est temps de passer à autre chose que des expériences d’analytique primaires. »[1] Les sociétés investissent en IA, en apprentissage machine, en apprentissage profond et en analytique pour encaisser une partie de la plus-value de 9 500 à 15 400 milliards de dollars que l’analytique avancée devrait permettre de dégager, tous secteurs confondus à l’échelle du globe.[2]

L’analytique vaut son pesant d’or, car, comme l’affirment Kruhse-Lehtonen et Hofmann dans le Harvard Data Science Review, « une entreprise qui souhaite demeurer compétitive dans l’économie numérique doit avoir des processus internes et des produits qui s’appuient sur les données et l’IA. »[3]

Des études montrent que seulement 8 % des entreprises s’adonnent aux pratiques de base favorisant une adoption à grande échelle de l’IA.[4] La plupart des sociétés n’y font appel que dans un seul processus ou croulent sous les projets pilotes ad hoc qui n’aboutissent presque jamais à une adaptation du modèle d’affaires.

À quoi s’explique cette lenteur à tirer parti des vastes possibilités de l’IA ou cette impossibilité de transformer des projets ad hoc en initiatives novatrices qui changent la donne?

À un manque de planification pertinente.

L’importance d’une stratégie d’IA et d’une stratégie de gestion des données

Ceux qui croient que l’IA est une technologie prête à l’emploi font fausse route. Une entreprise doit avoir une stratégie et une infrastructure de gestion des données solides sur lesquelles appuyer un projet d’IA.

Dans le premier billet de cette série, nous avons abordé la première étape dans l’élaboration d’une stratégie d’IA : évaluer la maturité d’une entreprise en matière de croissance technologique. Une fois qu’une entreprise s’est située sur la courbe de maturité, elle doit élaborer sa stratégie de gestion des données, ou la renforcer, et préparer ses infrastructures.

Quand on érige un bâtiment, il faut commencer par les fondations. Si celles-ci ne sont pas solides, il s’effondrera. Il en va de même pour la conception d’une stratégie et d’une infrastructure : toute erreur entraînera l’échec du projet. Aussi, une solution d’IA efficace ne peut reposer sur des données de piètre qualité. Il serait impossible de la déployer à grande échelle ou d’obtenir les résultats escomptés. Il faut prendre le temps nécessaire pour jeter de bonnes bases.

Établir une solide fondation

Les dirigeants d’entreprises sont souvent obnubilés par les technologies et les talents. Bien que ces éléments soient essentiels à l’adoption de l’IA à l’échelle d’une entreprise, il est tout aussi important de veiller à l’adaptation de sa culture, de ses infrastructures et de ses méthodes de travail. En plus des technologies et des talents, la stratégie doit prendre en compte les objectifs d’affaires, le personnel, les processus, les données et l’étiquette.

Comme l’IA dépend des données qui l’alimentent, une attention particulière doit être portée aux politiques, aux normes, à l’architecture et aux processus nécessaires au maintien et à l’amélioration de la qualité, de la gouvernance et de la sûreté de ces données.

Les entreprises qui ont réussi à intégrer l’IA à toutes les facettes de leur plan d’affaires sont reconnues comme s’étant détachées du peloton. Par rapport à des sociétés comparables, ces entreprises sont « 2,5 fois plus susceptibles d’avoir une stratégie de gestion des données claire et 2 fois plus susceptibles d’avoir une forte gouvernance permettant le repérage et la hiérarchisation des données ».[5]

5 questions à se poser au moment d’établir une stratégie de gestion des données

1. Quel est notre objectif d’affaires?

La stratégie de gestion des données doit s’aligner à la stratégie d’affaires. Celle-ci est axée sur les objectifs à long terme d’une entreprise et sur les résultats à obtenir pour sa clientèle. La stratégie de gestion des données doit s’aligner sur la stratégie d’affaires et explorer les utilisations de la technologie qui permettrait à l’entreprise de surmonter ses obstacles et d’atteindre ses objectifs commerciaux et ses objectifs à long terme. D’emblée, il faut se concentrer sur les résultats et non sur la technologie.

2. Quelle est notre situation en ce qui a trait aux données?

Il importe de comprendre les données d’une entreprise, leur évolution et la croissance de leur volume au cours des cinq prochaines années, l’utilisation courante qu’on en fait et celles qui sont nécessaires pour régler les problèmes de l’entreprise et pour atteindre ses objectifs. Il est tout aussi essentiel d’évaluer les besoins en matière d’infrastructure de données. Les exigences techniques de chaque environnement de données doivent être bien comprises.

3. Qui surveille des données de l’entreprise?

La gouvernance des données vise à assurer l’intégrité, la conformité, la qualité, le contenu et le contrôle des données d’une entreprise. Les entreprises qui n’ont pas établi un processus de gouvernance ne sont pas en mesure de complètement maîtriser leurs données. Or, des données imprécises peuvent donner lieu à des incohérences et à des stratégies qui se chevauchent. Le troisième billet de cette série explorera la gouvernance plus à fond.

4. Que faut-il faire pour préparer notre culture d’entreprise?

Il est impossible d’élaborer une stratégie d’affaires sans prendre en compte ceux qui devront la mettre en œuvre. Il en va de même pour une stratégie de gestion des données. Il est donc important de promouvoir les compétences et la culture nécessaires au sein de l’entreprise. Ceux qui accéderont aux données n’ont pas à être des experts du langage Python. Ils doivent simplement être capables de consulter les données au moyen d’outils bien établis et de comprendre ce qu’elles révèlent sans faire appel au personnel technique.

Tout projet d’IA nécessite aussi la création de nouvelles fonctions. Il faudra penser à former le personnel existant, à faire des embauches et à conserver les employés chevronnés, sans oublier l’incidence du projet sur la culture de l’entreprise.

5. Que faut-il faire pour préparer les processus de l’entreprise?

L’adoption de l’IA à l’échelle d’une entreprise transformera la façon dont celle-ci exerce ses activités. La stratégie de gestion des données doit aussi prendre en compte la création ou la mise à jour des attentes, des politiques et des processus de travail, car ce qui s’est avéré efficace par le passé ne le sera vraisemblablement plus.

L’élaboration d’une stratégie de gestion des données : première étape d menant à une stratégie d’IA

Il n’y a pas de stratégie d’IA sans stratégie de gestion des données. Ces 5 questions ont pour but de vous faire réfléchir à votre stratégie de gestion des données.

Pour approfondir ce sujet et pour favoriser l’adoption de l’IA dans votre entreprise, inscrivez-vous à notre atelier immersif sur l’IA de 5 jours. L’atelier portera sur les manières d’évaluer et de mettre au point une stratégie d’IA faite sur mesure pour votre entreprise, et vous donnera des outils pour aller tirer le maximum de votre mise en œuvre et éviter les risques inutiles.

Apprenez-en davantage au sujet de la série sur l’IA de MNP

Communiquez avec un conseiller MNP pour discuter de votre stratégie en intelligence artificielle.

Auteurs : Dev Mishra et Kaustubh Kapoor

Dev Mishra dirige le groupe Solutions d’ingénierie des données et la pratique d’IA et d’apprentissage automatique, qui regroupe plus de 15 directeurs principaux, directeurs et spécialistes des données Azure. Son équipe et lui se concentrent sur les technologies de pointe, notamment Azure, Databricks et Alteryx. Depuis plus de 16 ans, il réalise des projets de transformation de grande envergure, mettant à profit des techniques d’analytique des données avancées pour des entreprises d’envergure mondiale en Amérique du Nord.

Kaustubh Kapoor est consultant en apprentissage automatique chez MNP. Il développe des produits visant à améliorer l’efficacité et les processus d’affaires grâce à l’apprentissage automatique progressif et les techniques statistiques. Il offre des services-conseils lors de projets d’analytique des données et cherche constamment de nouvelles manières d’innover.

Références

• [1] McKinsey, « Breaking away: The secrets to scaling analytics. »

• [2] McKinsey, « Breaking away: The secrets to scaling analytics. »

• [3] Harvard Data Science Review, « How to Define and Execute Your Data and AI Strategy. »

• [4] McKinsey, « Breaking away: The secrets to scaling analytics. »

• [5] McKinsey, « Breaking away: The secrets to scaling analytics. »