Comment appréhender un projet d’IA en entreprise ?

Comment appréhender un projet d’IA en entreprise – Partie 2/3

La vocation de l’IA est de remplacer ou d’améliorer des tâches habituellement réalisées par des humains.  Un projet d’IA  en entreprise est avant tout un projet métier, il est donc primordial d’avoir au sein de l’équipe projet des personnes maîtrisant parfaitement les tâches à réaliser . Ceci permettra de  monitorer l’apprentissage de l’IA et en valider ou non le bon fonctionnement avant une mise en production éventuelle.

Un projet d’IA c’est 70 % de métier et 30 % de technique

 

 Les différentes étapes d’un projet d’IA 

1. Etudes fonctionnelles 

Quel que soit le processus à automatiser, il est important de bien définir la problématique métier ciblée et de s’assurer par la suite de la conformité des résultats obtenus. Cette mission ne fait pas appel à des compétences du Data-Scientist, l’intégration d’un expert métier au projet est donc primordiale.

Ce dernier doit être impliqué dès la phase d’étude et aura également un rôle stratégique dans la qualification des données pour la phase d’apprentissage.

2. Validation des données 

A la mise en place d’un nouveau modèle d’IA, il est primordial d’être capable de sélectionner des données propres et suffisamment quantitatives pour réaliser les premiers entraînements de l’algorithme. Des données d’une qualité aléatoire peuvent fausser un modèle et tout simplement faire échouer le projet.

3. Choix de l’algorithme

Avec la démocratisation de l’IA, les types d’algorithmes se sont multipliés. Selon les objectifs fixés, il n’est pas forcément nécessaire de choisir un algorithme complexe. Bien au contraire, plus l’algorithme sera évolué, plus la phase d’apprentissage sera longue.

4. Prototypage

Un projet d’IA doit être vu comme un projet d’innovation, pour lequel il conviendra de procéder par itération. En effet, il est impossible de savoir lors du lancement du projet si les résultats obtenus seront positifs ou non. Afin de ne pas mobiliser une équipe et des budgets conséquents sans garantie, il est préférable de réaliser un prototypage du projet. Ce dernier permettra de tester le modèle (algorithme + données) sur un périmètre restreint et sans contrainte externe. La démarche itérative est alors lancée, et ce n’est qu’à la suite à la validation des résultats du prototype que le projet dans son ensemble est développé.

5. Apprentissage 

L’apprentissage et le choix des jeux de données utilisés vont permettre d’optimiser les modèle pour approcher les résultats attendus. Par exemple, sur un projet de prédiction de vente pour un site e-commerce, les données réelles de ventes vont être comparées avec les données proposées par l’algorithme. Tant que celles-ci ne seront pas suffisamment proches, le modèle va être entraîné avec les données réelles issues des statistiques du site.

6. Implémentation technique 

Les solutions d’IA sont très consommatrices de RAM et de CPU. La complexité de l’algorithme, la quantité de données traitées, mais aussi des paramètres externes tel que la nécessité de travailler en temps réel,  peuvent avoir une incidence forte sur le besoin en ressources.

Ce point est plus facile à traiter si vous faites appel à un acteur du Cloud avec lequel vous pourrez adapter votre infrastructure. Si vous faîtes le choix d’une installation dans vos Data-Center vous devrez anticiper les besoins en ressources de votre solution et dimensionner l’architecture serveur associée.

7. Suivi du projet

Bien que l’apprentissage initial soit le plus significatif, il est important que votre solution d’IA évolue au fil de temps avec une notion d’apprentissage permanent. En effet si cette dernière est figée sans utilisation de nouvelles données, les résultats obtenus seront rapidement dépassés.

Comme toute solution logicielle (métier + technique) une équipe doit donc être en charge de son exploitation pour veiller au bon fonctionnement avec une validation des résultats en sortie et la réalisation d’ajustements éventuels du modèle (algorithme, jeux de données ..) en fonction d’évènements contextuels.

 

Quelles ressources prévoir dans mon équipe ?

Plusieurs profils sont pertinent afin d’avoir un spectre le plus complet possible, notamment :

1. Data scientist : Il est au coeur du projet et intervient sur la sélection , la curation des données mais aussi sur la construction des algorithmes utilisés. Ce sont des profils très demandés sur le marché… mais il est compliqué de faire de L’IA sans Data-scientist …
2. Expert métier : Il est le garant fonctionnel de la solution. Ces missions seront donc de définir les objectifs à atteindre, et de vérifier que les résultats obtenus sont valides et conforment aux attentes.
3. Développeur : Il va travailler en collaboration avec le Data-Scientist pour développer les algorithmes d’IA et mettre en oeuvre les connecteurs avec les bases de données et applications de l’entreprise.

Semaine prochaine, découvrez la 3ème et dernière partie de l’article : Facteurs à prendre en compte lors d’un projet IA en Entreprise.

Sources

• https://blog.atinternet.com/fr/8-etapes-pour-exploiter-efficacement-le-machine-learning-dans-votre-entreprise/
• https://www.lesechos.fr/idees-debats/cercle/cercle-173197-lintelligence-artificielle-en-entreprise-une-strategie-et-des-ambitions-a-renforcer-2110211.php
• https://www.fabernovel.com/insights/tech/les-6-etapes-pour-batir-votre-projet-d-intelligence-artificielle
• https://www.journaldunet.com/solutions/dsi/1210678-7-conseils-cles-pour-batir-une-ia-efficace/

 

Cet article en 3 parties a été corédigé avec Alban Costa, Entrepreneur passionné d’Intelligence Artificielle , Cofondateur de la startup Wikit (www.wikit.ai)

partie 1 : qu’est ce que l’IA en entreprise.