87 % des projets en data science n’atteignent jamais la production. Certains échouent faute de soutien managérial, d’autres par manque de données de qualité et d’infrastructures adaptées. Les organisations qui veulent tirer de la valeur de l’IA et de l’apprentissage automatique doivent connaître les écueils courants lorsqu’elles cadrent et pilotent des projets d’IA. Plus facile à dire qu’à faire. Même les équipes aguerries aux projets logiciels classiques peuvent se heurter à des difficultés avec l’IA, en raison de sa nature spécifique.
En quoi les projets d’IA diffèrent-ils des projets logiciels traditionnels ?
Dans un projet logiciel traditionnel, un programmeur code explicitement la logique du programme, qui reçoit une entrée et produit une sortie. Par exemple, un logiciel bancaire diminue le score de crédit d’un emprunteur (sortie) lorsqu’il demande un prêt important (entrée).
À l’inverse, les projets d’IA qui s’appuient sur l’apprentissage automatique ne nécessitent pas de logique codée explicitement. Les algorithmes apprennent systématiquement la relation entre l’entrée et la sortie, puis prédisent une sortie à partir d’une entrée. Par exemple, estimer le risque de défaut d’un emprunteur à partir de son score de crédit et du montant total des prêts contractés.
Cela peut créer une forte inertie lorsque l’on commence à déployer et à gérer ses premiers projets d’IA. Cet article a donc pour objectif de vous donner des repères pour réussir un projet d’IA déployable et rentable.
Trois caractéristiques pour vos premiers projets d’IA
Ces trois caractéristiques posent les bases du succès des premiers projets d’IA d’une entreprise. Voici pourquoi.
Les projets d’IA doivent être viables
Avant de lancer de nouveaux projets d’IA, les organisations devraient évaluer leur propre maturité data avant d’engager des ressources sur des projets non viables. Les piliers de la maturité couvrent l’infrastructure, les personnes, les outils, l’organisation et les processus. Des questions utiles sur ces piliers peuvent aider à mieux prioriser les projets les plus viables :
- L’entreprise sait-elle collecter des données de manière fiable ?
- Dispose-t-elle de l’infrastructure pour stocker et nettoyer les données ?
- L’équipe possède-t-elle les compétences requises pour fournir des modèles fiables et précis ?
- L’entreprise a-t-elle les processus, les outils et les compétences pour superviser des modèles en production ?
Les projets d’IA doivent être simples
Un projet techniquement simple est plus gérable pour une organisation dont la maturité data est encore limitée. Un projet simple, rapide à livrer, génère des victoires rapides qui font monter en expérience l’équipe. Cela crée un élan pour les futurs projets d’IA et suscite l’adhésion interne à des projets plus avancés. À mesure que l’entreprise gagne en maturité IA, elle peut passer des « fruits faciles à cueillir » à des projets plus complexes.
Les projets d’IA doivent être créateurs de valeur
Harvard Business Review rappelle qu’un bon projet d’IA se distingue par la valeur qu’il crée. Sous trois formes : aider à prendre de meilleures décisions, réduire les coûts en automatisant des tâches répétitives, ou alimenter de nouveaux produits. La valeur générée par des projets d’IA réussis convainc les parties prenantes d’investir dans les capacités IA de l’entreprise.
Identifier un projet simple, viable et porteur de valeur n’est pas trivial. Pour trouver les bons candidats, Veljko Krunic, auteur de Succeeding with AI, propose les étapes suivantes.
- Identifier les problèmes métier.
- Imaginer des solutions IA à ces problèmes.
- Estimer la viabilité technique et la complexité du projet.
- Définir des indicateurs métier pour mesurer la valeur du projet d’IA.
- Estimer la valeur business à partir de ces indicateurs.
Sur le papier, c’est simple ; en pratique, c’est plus subtil. En particulier, le choix des indicateurs métier n’est pas toujours évident. La section suivante explique comment les sélectionner.
Mesurer les projets d’IA avec des indicateurs métier
La valeur business d’un projet d’IA se mesure avec des indicateurs métier pertinents. Pourtant, pour beaucoup de praticiens, évaluer un système d’IA à l’aune d’indicateurs business peut sembler contre-intuitif.
Les modèles d’apprentissage automatique sont généralement évalués selon des métriques techniques sur un jeu de données, et non selon des indicateurs qui quantifient leur impact économique. C’est l’usage en recherche, où les progrès sont comparés à des références techniques objectives. Mais dans le monde réel, les systèmes d’IA doivent produire des résultats tangibles qui dépassent la seule précision : revenu, coût, satisfaction client, etc.
Il faut donc relier performance technique et indicateurs métier. Souvent, ce lien n’est pas immédiat. Les dirigeants et experts IA doivent collaborer et s’accorder sur un indicateur business pour mesurer et optimiser la performance d’un système d’IA, comme le recommande Andrew Ng, cofondateur de Google Brain.
Dans ce processus, l’usage d’une courbe de profit peut aider à quantifier la relation entre métriques business et techniques, comme le propose l’ouvrage Data Science for Business. Cela traduit les avancées techniques en termes business, et permet de répondre à des questions comme : « combien de revenus supplémentaires génère un point de précision en plus ? »
Figure 1 : illustration d’une courbe de profit reliant la précision d’un système d’IA au profit généré
Comment communiquer la valeur d’un projet d’IA
Entre praticiens, on parle souvent jargon et modèles, et c’est normal. Mais cela ne parle pas à un public non technique, plus sensible à l’impact business qu’à un gain de 1 % de précision.
Pour éviter cet écueil, gardez toujours en tête votre audience lorsque vous partagez des mises à jour. Pour des parties prenantes business, l’amélioration des indicateurs métier passe avant les métriques techniques. Les techniques de data storytelling aident à montrer en quoi un projet d’IA améliore l’expérience client, augmente la rétention ou réduit les coûts.
La mise en œuvre des systèmes d’IA va de pair avec les pipelines de machine learning
Nous l’avons vu : un système d’IA diffère d’un logiciel classique. Il n’a pas besoin d’une logique codée explicitement, puisqu’il apprend des schémas à partir des données. Pour cela, il faut d’abord construire un pipeline qui ingère, transforme et alimente le système en données.
Ainsi, un système d’IA regroupe non seulement l’algorithme d’apprentissage, mais aussi un pipeline de machine learning (ML). Ce pipeline décrit le flux des données de bout en bout : collecte, transformation, utilisation, restitution et supervision.
Les pipelines de machine learning s’inscrivent dans un système logiciel plus vaste. Les étapes de conception d’un pipeline de machine learning et d’un système logiciel classique sont en grande partie similaires. On retrouve notamment le besoin d’ingénieurs data compétents, des pratiques de développement proches du DevOps, et une exigence forte en matière de sécurité.
Voici l’exemple d’un pipeline ML pour un système de vision par ordinateur détectant des anomalies sur une ligne d’assemblage de smartphones. Ce pipeline simplifié repère les défauts à partir de photos et facilite le travail de l’équipe qualité.
Figure 2 : pipeline ML simplifié chez un fabricant de smartphones
On voit dans cet exemple que la conception d’un pipeline de machine learning dépend fortement des données, de l’algorithme et du cas d’usage. Rarement un pipeline « prêt à l’emploi » convient à tous.
Un pipeline complet inclut aussi la collecte des données, l’extraction de caractéristiques, la vérification des données, la supervision des résultats, etc. Il est donc vaste et très complexe, comme le souligne l’article de référence de Google. C’est pourquoi une équipe d’ingénierie ML est généralement dédiée à sa construction et à sa maintenance.
Concevoir dès le départ des systèmes ML robustes pour éviter des changements coûteux
Le déploiement de systèmes de machine learning ne se passe pas toujours comme prévu : évolution des données, faiblesse du modèle, défaut du pipeline… Face à cela, on peut être tenté de proposer des changements radicaux, pour découvrir que les pipelines ML deviennent vite difficiles à faire évoluer une fois en place.
Veljko Krunic parle d’« ossification des pipelines ML ». L’inertie vient de la difficulté à modifier le code d’un projet très technique. Les équipes métier, conscientes des effets en chaîne sur les opérations, peuvent aussi s’y opposer. Dans l’exemple de la figure 2, si la capacité de l’algorithme à signaler automatiquement les téléphones défectueux chute fortement, le temps de recruter pour revenir à une inspection manuelle peut prendre des semaines.
Modifier en profondeur un projet d’IA « ossifié » coûte cher. Une refonte peut être inévitable si un pipeline de preuve de concept, non scalable, a été mis en production. Cela dit, l’ossification est souvent difficile à éviter.
Aussi, pour bien gérer leurs projets d’IA, les entreprises doivent viser la bonne architecture de pipeline dès le départ. Le Machine Learning Model Operationalization Management (MLOps) est un domaine en plein essor qui aide à atteindre cet objectif. Les outils et pratiques MLOps offrent un processus de bout en bout pour concevoir, construire et gérer des logiciels dopés au ML, reproductibles, testables et itératifs. Ils permettent aux équipes data de mettre en place l’intégration et la livraison continues, de surveiller les dérives de données et de préserver l’explicabilité des pipelines.
Renforcez la capacité de votre équipe à gérer efficacement des projets d’IA
Piloter un projet d’IA n’a rien d’aisé. Une organisation a besoin de bien plus que de talents techniques pour les construire. Il lui faut aussi une culture data diffuse et une forte culture des données pour accélérer l’adoption de l’IA. Tout comme le déploiement de projets d’IA prend du temps, les programmes de montée en compétences en culture data s’inscrivent dans la durée.
C’est là que DataCamp for Business peut vous aider en proposant une plateforme d’apprentissage interactive pour les entreprises qui doivent former et requalifier leurs collaborateurs sur les compétences data. Avec des thématiques allant de l’ingénierie des données au machine learning, plus de 1 600 entreprises font confiance à DataCamp for Business pour faire monter en compétences leurs talents.
Vous avez des doutes sur le niveau data de votre équipe ? Faites notre évaluation de maturité data.