La GenAI pour plus d'engagement des salariés dans l'analytique au quotidien

ChatGPT stimule les appétits pour des interfaces en langage naturel. Comment la GenAI peut-elle fournir à tous dans l'entreprise des analyses de données performantes ?

L’IA générative (GenAI) change désormais la donne dans l’élaboration des tableaux de bord d’aide à la prise de décision. Nombreux sont ceux qui ont goûté à la puissance de ChatGPT et veulent à présent une interface en langage naturel pour chaque application. Mais la GenAI peut-elle fournir à tous dans l'entreprise des analyses de données performantes quelle que soit l’application ? 

L’analytique distribuée à l'ensemble d’un environnement demeure un défi de taille pour les entreprises en raison de la complexité des tableaux de bord traditionnels et du manque d'expertise ou de temps de nombreux collaborateurs pour rendre les données exploitables. De plus, les utilisateurs formés à la création de tableaux de bord se limitent souvent à 5 % maximum de l'effectif de l’entreprise. Cet accès restreint à création d'analyse, ses coûts et la formation spécifique qu’elle requiert freinent considérablement la démocratisation de l'intelligence et de la connaissance data-driven à l'échelle de l'organisation. 

En grande partie statiques, les tableaux de bord offrent une interactivité restreinte ou inexistante et ne servent qu'à 20 ou 30 % du personnel. Les fonctions opérationnelles de première ligne sont ainsi largement privées d’accès aux données analytiques. Aujourd’hui, l'IA générative offre une solution à ce manque d'accès aux données. De nombreux professionnels font déjà du copier-coller à partir de ChatGPT ou d'autres grands modèles de langage (LLM) dans des applications métier pour accélérer la rédaction d’emails, la réflexion sur une campagne marketing ou la création du plan d’un projet.  

Bien qu’utilisée par de nombreux éditeurs de logiciels pour lancer de nouvelles fonctionnalités, la GenAI n’est pas réputée pour ses performances de calcul. Sa tendance avérée aux hallucinations, en générant des faits et des résultats incorrects, n’en fait pas une base fiable pour une prise de décision data-driven. Cependant, la combinaison de la GenAI à l’analytique permet de remédier aux faiblesses respectives de ces deux technologies. La GenAI enrichit l’analytique pour fournir un texte explicatif des visualisations de données, répondre aux questions en langage naturel et suggérer des formulations de requêtes SQL, ce qui permet d’en étendre l’accès. L’analytique fournit à l'IA générative des garde-fous de gouvernance des données nécessaires pour fournir des informations fiables. Une combinaison d’IA et d’analytique peut être intégrée dans les applications quotidiennes de chaque employé, de l'usine, le point de vente, l’agence, … à la direction.  

L’analytique de confiance remplit cette fonction efficacement si elle s'appuie sur la rigueur d’une couche sémantique. Il s’agit d’une couche technologique qui fournit une structure de données de confiance, centralisée, certifiée, gouvernée et réutilisable. Elle intervient comme une couche d'interprétation, traduisant les données sources en concepts et en relations métier pertinents et unifiés. Cette couche sémantique normalise la logique et les définitions de l'entreprise, en formant des relations de données qui fournissent une source unique de vérité à l'échelle de l'entreprise. Non seulement elle contribue à renforcer l'intégrité des données, mais elle constitue également un élément essentiel à l'intégration de la GenAI qu’elle guide dans sa compréhension et son interprétation des données. 

Autrement dit , l'IA générative qui recherche par elle-même des référentiels de données internes trouve invariablement des bonnes données ainsi que des données incorrectes, obsolètes ou mal étiquetées. C'est l'une des principales raisons pour lesquelles les modèles de GenAI génèrent des hallucinations : ils ont du mal à faire la différence entre les bonnes et les mauvaises informations.  Prenons l’exemple d’une équipe de vente ayant récemment changé d'affectation de territoire. Il y a de fortes chances que certains data sets reflètent encore les anciens territoires de vente. De plus, supposons que les territoires aient été réalignés aussi l'année précédente. Le cas échéant, la compréhension par la GenAI de ce qui est actuel par rapport à ce qui est obsolète ou simplement erroné ressemble au jeu du bonneteau, qui consiste à repérer une carte parmi trois présentées, retournées, puis interverties par un manipulateur. Pour un algorithme de données, chaque carte a un peu plus de 33 % de chances d'être juste. L'algorithme choisit donc l'un des trois au hasard pour répondre à une question d'analyse de données. Des chances de résultats exacts bien trop faibles pour toute entreprise exigeante. 

On comprend ainsi aisément, que l’entreprise qui associe GenIA et analytique ne peut se passer d’une couche sémantique. Une fois validée en production, cette technologie permet aux utilisateurs autorisés, avec l'aide de l'IA, de créer des rapports, des tableaux de bord et des visualisations sans avoir besoin de connaître les structures de données sous-jacentes. La couche sémantique fournit une vue cohérente des données dans l'ensemble de l'organisation et garantit ainsi que chacun utilise les mêmes définitions et calculs, sans avoir à inventer de nouveau la roue de la gouvernance analytique. Les entreprises peuvent alors se lancer à plein régime dans l’automatisation des analyses, la création de tableaux de bord et la génération d’informations, afin d’optimiser pour l’ensemble des salariés l’accessibilité et la fiabilité des prises de décision axées sur les données.