Comment définir une stratégie d'IA en 6 étapes
La moitié des projets menés sur le front de l'IA sont voués à l'échec. C'est là l'un des principaux enseignements tiré d'une étude réalisée début 2019 par IDC auprès de quelque 2 500 organisations à travers le monde. Les décideurs IT consultés évoquent le plus souvent des attentes irréalistes et un manque de main-d'œuvre parmi les causes de ces revers. Quatre ans après et le Covid passé, l'ombre de l'échec plane toujours sur les projets d'IA selon les experts interrogés dans le cadre de cet article. Mais à l'heure où ChatGPT rebat les cartes du marché et incite la plupart des entreprises à se tourner vers l'IA générative, la défaite n'est plus une option. Les entreprises se doivent désormais de réussir pour ne pas risquer de se voir dépasser. Pour mettre en œuvre une stratégie d'IA qui marche, on pourra s'orienter vers une méthodologie qui a désormais fait ses preuves.
1. Evaluer son degré de maturité en data
En amont, l'organisation cherchera d'abord à évaluer son degré de maturité en data. "Est-ce que j'ai mis en œuvre une plateforme pour collecter, traiter et analyser la donnée ? Est-ce que j'ai un outil de reporting pour suivre sa qualité ? Est-ce que j'ai mis en place un outil de data gouvernance pour labelliser les informations ? Ce sont toutes ces questions qu'il faudra se poser au préalable. Elles sont incontournables, notamment pour bien aborder les projets de large language model", insiste Dimitri Cabaud, squad lead data chez Alfun (groupe Devoteam).
| Degré de maturité | Personnes | Processus | Technologies | Data & IA | Synthèse |
|---|---|---|---|---|---|
| Imprévisible | Pas de prise de conscience sur la qualité des données, Pas de responsabilité clairement définie |
Pas de langage commun, Projet par projet, Pas de gestion des métadonnées |
Aucun outil | Pas ou très peu de projets IA et la totalité des projets IA s'arrêtent en chemin | Niveau de qualité inconnu |
| Managé | Perception de la nécessité de la qualité des données, Mise en place de Data Stewards |
Existence d'un glossaire métier partiel, Audit qualité de données, Méthodologies mise en place ponctuellement |
Outil de qualité de donnée, Nettoyage des données, Répertoire de métadonnées partiel |
Quelques projets IA mais très peu en production et une grande majorité d'entre eux sont arrêtés en chemin | Capacité à évaluer le niveau et l'impact de la qualité des données, La qualité de données est un enjeu métier |
| Contrôlé | Data Stewards en place, Émergeance d'un CDO, Responsabilisation des Business Process Owner |
Règles métiers et dictionnaire de données documentés, Gestion partagée des métadonnées |
Plateforme de qualité des données, MDM analytique & partage des métadonnées, Glossaire métier |
Quelques projets IA en production, la plupart prennent un retard sensible, certains projets sont abandonnés avant la fin | Mesure de la qualité mais inégale suivant les domaines, Valeur de la qualité de données partagée, Pilotage de l'information par les métiers |
| Proactif | Comportement proactif sur la qualité de données, Positionnement clef des CDO, Data Stewards reconnus |
Qualité de donnée intégré aux processus métiers, Métadonnées centralisées, Stratégie qualité de données |
Outils dédié à la gouvernance des données, Plateforme de gestion des métadonnées centralisée |
Plusieurs projets IA en production un certain nombre d'entre eux prennent un retard sensible | Information globalement cohérente et partagée, Vision partagée (métier et DSI) du patrimoine de données |
| Intégré | Culture de la qualité de données, Gouvernance de la donnée, Data Stewards clefs |
Chaîne de valorisation de la donnée optimisée La qualité de donnée est partie prenante de tous processus métiers et DSI |
Plateforme collaborative pour la gestion des couches sémantiques, MDM opérationnels |
Un grand nombre de projets IA viables et en production. La plupart des projets IA aboutissent dans les temps |
La donnée est gérée comme un actif clé. La donnée crée beaucoup de valeur via l'IA, Enrichissement maitrisé du patrimoine de données |
| Tableau signé Business & Decision (Orange Business), issu du livre blanc L'industrialisation de l'IA : ML Ops, un regard sur le futur de l'IA | |||||
2. Acculturer les équipes
"Avant de se lancer dans la définition de projets, il faudra commencer par sensibiliser les équipes sur ce que peut faire l'IA, mais aussi sur ce qu'elle ne peut pas faire", prévient Didier Gaultier, head of data science & ethics AI chez Business & Decision (Orange Group). Une séance de formation de deux heures est recommandée pour le comité de direction, et des demi-journée pour la DSI et les représentants des métiers. Des moments qui seront également l'occasion de présenter les différents mode d'apprentissage d'une IA pour que chacun partage une grille de lecture commune.
3. Dénicher les cas d'usage
Une fois la phase d'acculturation achevée, un atelier de design thinking, regroupant les différentes parties prenantes, permet de définir les premiers cas d'usage. En ressort souvent au moins une dizaine de projets possibles. "Il est conseillé de scorer le bénéfice business versus l'effort nécessaire pour les mettre en œuvre, par exemple via la méthodologie du double diamant", indique Didier Gaultier. Objectif : aboutir à la définition d'un premier projet de produit minimum viable ou minimum viable product (MVP) fonctionnant sur des données production. L'idée étant de prouver la valeur de l'IA. Un premier chantier qui permettra de justifier le budget d'investissement nécessaire pour s'équiper de l'infrastructure data, en vue, in fine, d'aligner par la suite plusieurs projets.
"Si l'entreprise est déjà mature en termes de data, on pourra se passer de l'étape du MVP et se lancer directement dans la définition d'un backlog de projets, avec à la clé une première feuille de route", commente Laurent Chata, partner conseil, en charge des activités Data & AI chez Devoteam. Dans cette configuration, on réalisera une cartographie complète des cas d'usage IA réalisables, en évaluant dans la même logique leur valeur d'usage vs la complexité technique nécessaire pour les réaliser.
4. Définir une organisation
Après le design thinking vient la phase d'organisation. Elle passe par la définition des rôles des acteurs clés. "Il s'agit des data office, des data stewart ou des data owner côté données d'entrainement, de test et de validation", égraine Laurent Chata. Et Didier Gaultier d'ajouter : "On définira également les rôles et tâches des data scientist, data engineer et data analyst."
5. Déployer une plateforme unique
L'ensemble des experts interrogés s'accordent pour conseiller le choix d'une plateforme d'IA unique. "C'est un peu le Graal aujourd'hui que de partir sur une seule solution autour de laquelle pourront collaborer data scientist, data analyst et data engineer. Avec à la clé une logique de décloisonnement des données et des outils. L'objectif étant de bénéficier d'une seule source de référence évolutive", reconnait Dimitri Cabaud chez Devoteam. Elle s'articulera notamment autour d'un feature store et d'un model store mis à jour en permanence au fil du déploiement, de l'exécution et du monitoring des projets.
6. Passer en mode agile
Une stratégie d'IA impliquera nécessairement de passer en mode agile. "Lors du passage du premier projet en phase de déploiement, on se retrouvera avec deux branches : d'une part une équipe de production qui gèrera la phase de mise en œuvre et d'industrialisation, d'autre part une équipe projet qui travaillera sur la deuxième version du feature store dans une logique d'intégration et de livraison continue", pointe Didier Gaultier. En ligne de mire : ajouter de nouveaux indicateurs, de nouvelles dimensions pour enrichir les modèles, telles une dimension météo ou point de vente dans le cas de modèles de machine learning commerciaux.
Résultat des courses : il ne sera pas possible de sous-traiter la démarche à une ESN en mode forfait. "On raisonnera plutôt par unité d'œuvre en découpant le projet par phase : étapes de stratégie, de data ingenering, de dev & test et d'industrialisation. Et pour chacune, on évaluera les charges nécessaires", conclut Didier Gaultier.