Fusionner la business intelligence et l'intelligence artificielle : la solution idéale pour exploiter vos données Covid

Étant donné l'invalidité de beaucoup de données antérieures à la Covid-19, l'avènement de l'approche BI-IA augmentée semble non seulement bienvenu, mais hautement souhaitable.

En février dernier, Gartner a publié un article alertant les entreprises qui utilisent les techniques analytiques traditionnelles et qui s'appuient largement sur de grandes quantités de données historiques sur le fait qu'elles doivent désormais faire face à une nouvelle réalité post-Covid-19 : bon nombre de ces modèles ne sont plus pertinents, la pandémie ayant rendu beaucoup de ces données obsolètes.

C’est un défi de taille pour les DSI qui ont soigneusement construit leur modèle de BI (business intelligence ou informatique décisionnelle) sur une approche conventionnelle. De nos jours, bon nombre d’entreprises, voire toutes, sont dotées d’outils de BI. N’oublions pas que le marché mondial de la BI reste vaste et en plein essor, et qu’il devrait passer de 23 milliards de dollars observés l’an dernier à plus de 33 milliards de dollars d’ici 2025.

Cependant, Gartner ne recommande pas de mettre tous ses cubes de BI au rebus numérique. Au lieu de cela, et c'est une suggestion que je trouve pertinente, l'idée est de revitaliser et d'étendre toutes les capacités OLAP avec la business intelligence "augmentée", où les tableaux de bord prédéfinis et l'exploration manuelle des données seront démocratisés au-delà d'une poignée d'experts en données, vers n'importe qui au sein de l'organisation.

J’avoue adhérer à cette approche de BI augmentée, tout comme de nombreux clients avec lesquels nous travaillons. Mais je pense que l’augmentation doit davantage s’axer sur l’apprentissage automatique (machine learning) que la proposition initiale de Gartner, pour des raisons que je vous propose de développer. Commençons par quelques définitions. La business intelligence est l'informatique à l'usage des décideurs permettant de collecter, consolider, modéliser et restituer les données d'une entreprise pour aider à la décision et permettre une vue d’ensemble de l’activité traitée, principalement au travers de tableaux de bord.

Principal inconvénient de la BI : elle n’analyse que le passé

La BI fait appel à des utilisateurs finaux qui utilisent la technologie pour visualiser les données et en comprendre les schémas et tendances, et qui prennent des décisions fondées sur ces dernières, d’où l’idée d'intelligence décisionnelle. Il existe clairement un marché autour de cela, mais il s’agit essentiellement de production de rapports et d’exploration interactive de données. L’informatique décisionnelle permet de voir et comprendre ce qui s’est passé dans le passé, mais elle ne permet pas de prévoir ce qui va se passer par la suite : que ce soit pour un produit, un client, un service, une demande, ou autre.

Si vous pouvez examiner uniquement ce qui est arrivé aux clients ou aux produits dans le passé, cela vous limite clairement à un seul axe de changement. Et l’intelligence nécessaire à une vue sur l’avenir doit également provenir d’une personne extrapolant les tendances et schémas qu’elle voit dans le passé afin de les appliquer au futur. Et parce qu'il y a des humains impliqués dans cela, il existe un manque de perspective et des erreurs ; car l’être humain est très doué pour repérer un modèle alors qu’il n’y en a pas forcément un, ou s’il existe, il est tellement compliqué que la personne ne peut pas le visualiser.

La visualisation est donc un excellent outil, cependant nous, humains, ne pouvons vraiment visualiser qu’en trois dimensions. Cela signifie que le défi à relever avec les outils BI est que ces derniers sont très performants pour explorer de grandes quantités de données mais à travers des dimensions limitées, et seulement pour donner un aperçu du passé, et non pour prédire l’avenir. Les utilisateurs le savent, et acceptent ces limites inhérentes à la façon dont les visualisations fonctionnent actuellement.

L’IA change la donne, parce qu’elle consiste à fournir une vision prospective. Tout à coup, nous gagnons un nouvel axe, l’avenir ; nous ne travaillons pas seulement en regardant dans le rétroviseur. Les entreprises peuvent obtenir une prédiction réaliste du futur, basée sur des données ou une prévision de ce qui va se passer avec leurs clients ou leurs produits.

Parallèlement, un autre avantage obtenu immédiatement en combinant BI et IA est de pouvoir appréhender une plus grande quantité de données. Nous pouvons aussi les examiner à travers de nombreuses dimensions différentes. Mieux encore, les algorithmes qui sous-tendent l’intelligence artificielle peuvent automatiquement repérer les caractéristiques clés pour prédire un résultat, qu’il s’agisse de la demande d’un produit, d’une transaction frauduleuse, d’un client acheteur ou non, ou d’un risque d’attrition.

Donc, nous touchons du doigt l’avenir, tout en obtenant de la granularité. Nous sommes en train de créer des systèmes permettant une construction plus rapide des modèles qui sous-tendent cette nouvelle intelligence artificielle afin d’essayer de donner aux utilisateurs d’IA un coup de pouce supplémentaire. Une nouvelle perspective s’ouvre : que pourrions-nous réaliser si la BI et l’IA travaillaient ensemble, permettant un aperçu réel du passé de l’entreprise, mais aussi de son avenir ?

Une manière de contourner les limites de la BI traditionnelle ?

Quelque chose de performant, en quelques mots. Mais nous n’en sommes pas encore là. Le défi qui se présente ici, c’est que les analystes de la BI d’aujourd’hui ne comprennent pas l’intelligence artificielle ; ils ne comprennent pas les nuances nécessaires pour construire un modèle spécifique. Ce qui les intéresse, c’est le résultat de l’intervention de l’IA, la prévision. Ils veulent s’assurer que toutes leurs données sont prises en compte dans toutes les dimensions, mais ils veulent surtout savoir ce qui va arriver à l’entreprise si rien n’est fait. Ils veulent savoir ce qui se passera si les taux d’intérêt passent de 1 % à 2 %. Quelles seraient les répercussions sur la clientèle ? Ce qu’ils veulent faire, c’est interagir avec un outil de BI qui possède une intelligence artificielle afin de contourner toutes les limites que présente la BI traditionnelle, pour leur permettre de prédire l’avenir.

Une fusion fonctionnelle de la prévision de la demande en BI avec la profondeur de l’IA doit se matérialiser, mais de manière à satisfaire à la fois les experts de la BI et les data scientists. La solution consiste à créer des applications basées sur l’IA ressemblant visuellement à un outil de BI qui en cache essentiellement la complexité. Ces applications ont la capacité de faire du ‘dashboarding’ et d’interagir avec de grandes quantités de données;  elles sont capables d’évoluer, mais ont néanmoins été conçues pour intégrer automatiquement et correctement l’IA. Et dès qu’un modèle analytique sous-tend ces visualisations de style BI, un utilisateur non expert peut alors commencer à interagir avec ces applications pour comprendre des questions telles que, si je devais modifier certains éléments d’un processus, quelle incidence cela aurait-il sur mon entreprise ? Et ainsi de suite.

De telles fusions BI-AI résolvent un défi particulier. Prenez la maintenance prédictive, où vous utilisez l’IA pour anticiper scientifiquement la performance de capteurs spécifiques. Traditionnellement, avec les outils de BI, je peux créer un système d’alerte rapide pour dire que lorsqu’un capteur dépasse un certain seuil, je devrais peut-être me pencher dessus plus en détail. Mais en y intégrant l’IA, nous pouvons obtenir un résultat statistiquement valide de la probabilité que ce capteur tombe en panne au cours des deux prochains jours. Et comme davantage de données arrivent dans le système, cette probabilité s’affine constamment.

Pour être explicite, vous êtes toujours dans un cadre BI ; vous utilisez toujours des outils de visualisation pour voir ce qui se passe. Mais vous êtes également capable d’utiliser le machine learning pour identifier une chose bien spécifique. Et si vous commencez à voir un capteur ayant une forte probabilité de panne, vous pouvez alors immédiatement envoyer un ingénieur pour aller enquêter sur les raisons pour lesquelles le modèle d’apprentissage automatique donne cette prédiction : quel est l’élément qui a causé cette prédiction élevée ? Cela est d’une grande aide car vous êtes alors en mesure de réaliser une analyse approfondie des causes du problème.

Un des développements les plus passionnants que j’ai vus dans ma carrière professionnelle

Combiner la BI et l’IA vous donne la capacité immédiate d’établir des prédictions, mais aussi de comprendre dans quelles conditions elles ont été établies, le tout pouvant ensuite être présenté à l’utilisateur afin qu’il agisse. Et je peux confirmer que mon entreprise travaille avec des clients qui font justement cela, pour des applications comme la maintenance prédictive dans l’industrie, la santé et de nombreux autres secteurs.

C’est l’un des développements les plus passionnants que j’ai vus dans ma carrière professionnelle, je dois dire. Les cas d’usage sont innombrables ; pour n’en prendre qu’un seul : la détection de fraude ; grâce à un tableau de bord, vous pouvez non seulement dénoncer les transactions identifiées comme frauduleuses, mais également être en mesure de voir les raisons précises pour lesquelles ces transactions ont été mises en évidence, afin que l’entreprise puisse ensuite enquêter plus en détail sur ces transactions et accepter ou rejeter les fausses alertes.

Étant donné l’invalidité de beaucoup de données antérieures à la Covid-19, l’avènement de l’approche BI-IA augmentée semble non seulement bienvenu, mais hautement souhaitable. Tout dirigeant doit avoir un point de vue stratégique sur les résultats et les prévisions et, pour l’aider, les DSI responsables doivent examiner la façon dont l’IA et la BI peuvent s’harmoniser, car c’est seulement en procédant ainsi que l’entreprise sera en mesure de mieux faire face à la concurrence, augmenter ses rendements et accroître son efficacité.