Pourquoi le machine learning ne remplacera pas l'humain

Avec l'IA, il n'est pas question de remplacer des postes, mais plutôt d'automatiser des tâches chronophages et répétitives, et d'ajouter de la valeur aux prises de décisions.

Avec l'accélération de la digitalisation, l'attrait des entreprises pour les nouvelles technologies telle que le machine learning (ML) n'a cessé de croître. Pourtant, bien qu'elles se soient empressées de les adopter, beaucoup d'entre elles n'ont pas pu tirer bénéfice de leur investissement. Contrairement à ce que l'on pourrait penser, les barrières rencontrées sont plus souvent liées à l'organisation et à la gestion de tels projets plutôt qu'à la technologie en elle-même.

En effet, certains obstacles, tels que la peur des employés d’être remplacé, ainsi que le manque de compétences et de connaissances, sont courants. Pourtant, le ML a le potentiel de transformer une entreprise, notamment en permettant l’automatisation des processus, mais aussi l’amélioration des produits et services. 

Il est donc nécessaire pour les organisations de prendre un certain nombre de facteurs en compte afin de faire du déploiement de leur projet un succès sur lequel elles pourront capitaliser pour se développer. 

Dans le but d’optimiser les efforts investis, les organisations doivent véhiculer un état d’esprit propice à l’innovation et l’expérimentation tout en opérant une transformation opérationnelle. Un défi qui pousse à aller au-delà de la simple résolution d’une problématique métier.

Créer un état d'esprit de production

Pendant longtemps, les projets ML étaient destinés à des équipes restreintes : des petits modèles étaient testés ci et là, mais n'étaient jamais déployés pour résoudre des problématiques à plus grande échelle. Le potentiel de cette technologie n’était donc pas complètement exploité. 

Aujourd’hui,  les données sont la mine d’or des organisations, l’importance d’avoir une stratégie data-driven est devenue primordiale. Afin de s’aligner sur une telle approche, il est indispensable de créer un état d’esprit de production au sein de l’entreprise. C’est-à-dire qu’en se projetant au-delà du test sur un échantillon de données et d’une unique problématique métier, il est possible de décliner, d’adapter et d’étendre l’application de modèles à une plus grande échelle. 

Dans un premier temps, il convient de déterminer les problématiques métiers à aborder. Pour rendre cette technologie opérationnelle dans l’ensemble d’une organisation, il faut démarrer petit en créant un modèle à tester sans modifier complètement les workflows existants. En commençant par résoudre quelque chose qui est réalisable et réaliste, il est possible de prouver plus rapidement la valeur du ML et d’ainsi atténuer le scepticisme des collaborateurs qui y sont moins familiers.

Construire la bonne culture

Certains obstacles sont faciles à anticiper. Par exemple, des commerciaux qui se targuent d'être à l'écoute des besoins des clients, peuvent rejeter l'idée qu'une machine pourrait avoir de meilleures idées sur ce qu’ils souhaitent réellement, et donc ignorer les recommandations de produits personnalisées d'un outil d'IA. De même, les responsables de grandes organisations qui pensent que leur statut est basé sur le nombre de personnes qu'ils supervisent peuvent s'opposer à la prise de décision décentralisée ou à la réduction des rapports que les capacités d'IA pourraient permettre.

Pourtant, il n’est pas question de remplacer des postes, mais plutôt d’automatiser des tâches chronophages et répétitives, et ajouter de la valeur aux prises de décisions. Lorsqu’elles sont croisées, les données collectées par les entreprises révèlent des informations et renseignements stratégiques qui auraient été difficiles à détecter sans le ML.

C’est pourquoi il est absolument indispensable que les différents services d’une organisation partagent les données qu’elles détiennent. Plusieurs solutions s’offrent alors aux entreprises. Dans un premier temps, il convient de s’assurer de la sécurité de la bonne gouvernance des données dès qu’elles sont collectées. Ainsi leurs accès est contrôlé et les data scientist et ingénieurs data sont garantis d’avoir une vue d’ensemble et d’être certains d’avoir les autorisations nécessaires  à les extraire et les traiter. Ensuite, il faut communiquer sur l’intérêt de déployer un projet ML et démontrer comment cela va contribuer au développement d’un meilleur service clients ou l’élaboration de nouveaux produits.

Il est également nécessaire d’informer les publics internes et externes de l’entreprise des objectifs mis en place, du fonctionnement, des applications et des bénéfices du projet ML. De plus, prouver que son utilisation est éthique permet de rassurer les utilisateurs et les personnes dont les données personnelles sont utilisées. 

Il faut s’engager à ce que ces projets soient utilisés à bon usage et assurer le contrôle de celui-ci. Ceci peut être fait par la création d’une charte car communiquer sur celle-ci est important.

Constituer une équipe 

Pour mener ce type de projet, il est nécessaire de constituer une équipe multidisciplinaire avec des experts big data et des data engineers ainsi que des ressources de gestion des données et de gouvernance. 

Il est judicieux d’intégrer un ou plusieurs experts dans les équipes de produits métier de l'entreprise. Cela leur permet de se rapprocher d'un problème commercial afin de mieux le comprendre. Cependant, ils doivent toujours collaborer en tant qu'équipe de data scientists, ce qui souligne à nouveau l'importance de choisir une plate-forme ML qui leur permet de collaborer et de partager efficacement leurs connaissances entre les départements.

Quelle que soit la structure organisationnelle que choisit une entreprise, le plus important est de maintenir la capacité des équipes de science des données à collaborer et à partager des idées et des bonnes pratiques entre elles.

En résumé, en adoptant la bonne approche dans l’ensemble de leur organisation et en prenant en compte le personnel, les processus et la technologie nécessaires à la réussite d’un projet ML, les entreprises pourront exploiter l’immense potentiel de leurs données. Ainsi, les équipes travailleront de manière plus intelligente, les tâches seront accomplies plus efficacement et les missions complexes pourront être simplifiées.