Si les entreprises déploient de plus en plus de projets d’intelligence artificielle (IA) et de machine learning (ML), les résultats qu’elles en obtiennent sont parfois décevants, voire déconnectés de réels enjeux métiers. Et pour cause. Une IA construite sur des données tronquées, sorties de leur contexte, peut fournir des conclusions absurdes.
C’est ainsi qu’un modèle de machine learning développé par un laboratoire pharmaceutique cherchant à connaître le meilleur canal pour aborder les médecins a conclu à l’envoi en rafale d’e-mails non personnalisés. Une aberration lorsqu’on connaît ce secteur d’activité et l’importance de la relation entre le médecin et le professionnel du laboratoire.
Comment faire pour que l’IA donne tout son potentiel et permette à l’entreprise de répondre à ses enjeux de développement comme mieux comprendre son marché, accroître ses ventes, gagner en productivité, réduire ses coûts ou encore personnaliser ses offres et sa relation client ? La réponse est simple : toute IA pertinente viendra d’une source de données de qualité, maîtrisée et comprise.
Maîtriser la chaîne de production de la donnée pour se prémunir contre les dérives
Les entreprises n’ont pas attendu l’essor de l’IA pour structurer leurs initiatives autour de la donnée. Recensement des données, compréhension des processus de production, responsabilité, niveaux de qualité et distribution sont autant de sujets d’actualité pour bon nombre d’entreprises.
L’IA met cependant un éclairage différent sur ce sujet, tant la capacité des entreprises à créer des modèles d’IA impactant et à les maintenir dans la durée est liée à la donnée. Mais le besoin va bien au-delà de simples processus. Les données sont vivantes, évoluent constamment, et demandent à être comprises dans leur contexte métier pour être exploitées de façon pertinente.
Une partie de la réponse à ces enjeux tient dans le développement des postes de data analysts, positionnés au carrefour entre processus métier, compréhension de la donnée et production d’analyses. Ces nouveaux rôles, souvent issus des équipes métiers elles-mêmes, jouent alors un rôle déterminant dans toute initiative d’IA réussie en assurant une pleine compréhension de la chaîne de production sous-jacente, en alimentant le travail de préparation et d’analyse initiale des données avec le data scientist, et en permettant de valider les résultats des modèles d’IA.
Si on prend des bases de données clients dans une banque par exemple, le data analyst doit comprendre la façon dont elles ont été produites (achats en magasin, sur internet, dépenses d’abonnements, moments où elles ont été effectuées, etc) pour ensuite pouvoir les analyser et échanger sur leur meilleure exploitation avec un data scientist qui travaillerait, par exemple, sur l’identification de mécanismes de fraude. Cette compréhension de production permet de replacer les données dans leurs contextes et donc d’éviter les dérives de conclusions. Car c’est bien connu, une donnée sortie de son environnement peut signifier tout et son contraire.
Statisticien et mathématicien, le data scientist produit des algorithmes (souvent complexes), permettant de répondre à une problématique métier. Son rôle est bien dans la construction des modèles, nourri de ses interactions avec les équipes métiers ainsi que les data analysts. L’émergence de ces fonctions est donc une pierre angulaire des initiatives d’IA réussies, permettant aux data scientists de travailler dans un cadre de données robuste et maîtrisé, et de se concentrer sur des contributions à forte valeur ajoutée.
Pour certains, ces rôles de data analysts deviendront des rôles à plein temps. Ils deviendront les garants de la compréhension et du maintien des données clés d’une organisation. Pour d’autres, cette mission deviendra progressivement une partie de leur rôle, permettant de créer une culture donnée forte dans l’organisation. Dans tous les cas, une chose est sure : l’IA ne peut jouer un rôle stratégique dans une organisation sans ces rôles et sans une collaboration forte entre ces derniers et les data scientists. Chaque organisation gagnera d’ailleurs à faire émerger ces rôles de data analysts de ses différentes équipes, permettant de marier expertise métier et culture de la donnée pour alimenter des initiatives d’IA fortes.
Sans cette conscience de la donnée, une entreprise ne peut devenir une entreprise IA. Elle ne peut le devenir que si tous les collaborateurs producteurs et utilisateurs de données ont le réflexe de son explicabilité et de sa contextualisation.
(function(d, s, id) { var js, fjs = d.getElementsByTagName(s)[0]; if (d.getElementById(id)) return; js = d.createElement(s); js.id = id; js.src = "//connect.facebook.net/fr_FR/all.js#appId=243265768935&xfbml=1"; fjs.parentNode.insertBefore(js, fjs); }(document, 'script', 'facebook-jssdk'));