Nouvelle venue dans le paysage IT de l'entreprise, l'intelligence artificielle demande la mise en place d'un management et d'expertises aux profils bien particuliers.
A l'heure d'enclencher ses premiers projets d'intelligence artificielle, l'entreprise ne doit pas sous-estimer l'importance de mettre en place une gouvernance de la stratégie et un pilotage de projet adaptés. Déployer un ou plusieurs moteurs de machine learning au cœur d'un système d'information n'est pas tout à fait un chantier comme les autres. Il implique évidemment une forte adhérence aux données business. Il fait intervenir de nouveaux profils, notamment les fameux data scientists. Il ouvre aussi un large champ des possibles qui nécessite d'analyser l'apport de valeur potentiel avant de se lancer.
Chez Oui.SNCF, deux premiers projets d'IA ont été mis en œuvre : un chatbot de relation client et un moteur de ML pour optimiser les campagnes d'adwords. Dans cette optique, une première structure de pilotage a été mise sur pied. Assez classiquement, chaque projet fait l'objet d'une feature team chargée de son déploiement. Toutes deux collaborent avec une équipe transverse de data scientists. Cette dernière opérant sur une infrastructure de machine learning et un data lake mutualisés taillé pour servir les deux applications. "En parallèle, nous avons monté une cellule en charge de la gouvernance et du choix des outils, mais aussi une équipe orientée innovations. Sachant que nous collaborons avec des start-up françaises positionnées sur le sujet, comme ContentSquare, Tiny Clues ou Weborama", détaille Béatrice Tourvieille, chief marketing office d'e-voyageurs SNCF.
"En général, un socle technique est déjà en place en amont des démarches IA, typiquement un data lake", reconnait Sébastien Guibert. "Partant de là, se pose assez vite la question de l'organisation qui permettra de donner de la valeur aux données, notamment via l'IA." A l'instar de ce qui a été mis en œuvre chez Oui.SNCF, le directeur du centre d'excellence pour l'intelligence artificielle de Capgemini en France recommande de montée une première équipe de data scientists. "Dans l'idéal, elle doit combiner des data scientists orientés métier et des data scientists de profil technique plus pointus sur l'algorithmie". Un fin mélange gage de résultats pour dénicher les applications d'intelligence artificielle à plus grand potentiel de valeur pour l'entreprise. Un premier projet pourra ensuite être initié, puis deux, puis trois…
Des équipes en cascade
Ensuite, en fonction de la taille de l'entreprise, les équipes de data scientists pourront être déployées par plaque géographique afin d'opérer au plus proche des collaborateurs, toujours en vue d'optimiser au mieux l'apport de valeur business des applications développées.
"Avant tout déploiement d'outils ou d'infrastructure, mieux vaut cerner d'abord les cas d'usage et projets les plus pertinents, leurs bénéfices pour le métier et calculer le ROI de chacun. Cette mission pourra être dévolue à une équipe combinant consultants internes et externes", estime Laurent Stefani, directeur de l'IA chez Accenture en France. Une équipe associant business analyst, data analyst, data ingénieur et data scientists aura ensuite pour mission de cerner la plateforme d'IA la mieux adaptée aux cas d'usage identifiés. En aval, une équipe technique s'attellera à l'installer et la paramétrer. D'autres équipes seront dédiées à la mise en œuvre des projets d'applications. "A ce stade, divers profils entrent en actions : data scientists (encore), mais aussi delivery lead, architectes senior, scrum master", égraine Laurent Stefani. Une team supplémentaire de data ingénieurs et data owner pilotera le dimensionnement de la plateforme d'IA en fonction des besoins de chaque projet en ressources de calcul et de stockage.
Enfin, des ingénieurs en intelligence artificielle se chargeront de maintenir les outils mis à disposition des équipes projets (librairies de machine learning, deep learning, data set mutualisés). "Pour l'un de nos clients, nous avons créé un catalogue de services d'IA à la demande, dans lequel les projets peuvent venir piocher des briques pour réaliser leur développement", confie Sébastien Guibert.
Le défi du change management
Les deux consultants insistent sur l'importance de la gestion du changement. "Il est important d'accompagner les populations business, les former à l'IA en vulgarisant ses principaux concepts : machine learning, deep learning, entrainement des modèles, inférence... C'est fondamental car si elles ne comprennent pas les fondamentaux de l'IA, elles ne pourront pas se l'approprier", insiste Sébastien Guibert chez Capgemini. Et Laurent Stefani d'Accenture d'insister : "La cellule de change management doit avant tout démontrer que les algorithmes résolvent des problématiques et permettent d'être plus performant." Evidemment les cas concrets et les retours d'expérience seront les meilleurs ambassadeurs de l'IA auprès des collaborateurs. En fonction du public, on pourra prendre différents exemples : l'IA comme levier pour mieux anticiper les ventes (face aux commerciaux), l'IA pour personnaliser les produits (face au marketing), l'IA pour optimiser la production (face au directeur de fabrication) ou la supply chain (face aux logisticiens)...
Pour piloter sa stratégie d'IA, la définition de tableaux de bord d'indicateurs fait évidemment figure de prérequis. "Des indicateurs qui permettront de suivre le niveau d'adoption dans le temps des applications d'IA par le personnel, ainsi que les points d'optimisation que chacune engendre en termes de performance", explique Sébastien Guibert. Ces tableaux de bord pourront servir aussi à s'assurer que les projets d'IA s'alignent bien sur la stratégie de l'entreprise. Hiérarchiquement, l'ensemble des personnels destinés à l'intelligence artificielle pourront venir s'intégrer à la direction du digital ou à la direction des systèmes d'information. "Le premier cas est plus fréquent", note Laurent Stefani.
תגובות