Shaun McGirr, directeur de la stratégie IA chez Dataiku
Or, la question n'a toujours pas été élargie au sujet data - IA, car les entreprises en sont encore à développer des data-labs. Si ces structures permettent aux entreprises de tester des concepts d'IA et servent de tête de pont dans l'acculturation des collaborateurs, elles sont hélas souvent déconnectées des réalités business des entreprises.
Cette situation rend impossible la maximisation du ROI des initiatives d'IA. Les projets sont alors soit abandonnés, soit décorrélés de ce qui a été fait lors de la phase de design. Car, en forçant le passage en production, l'entreprise transforme bien souvent le projet d'un point de vue technique, impactant alors directement la pertinence du projet et la capacité à le maintenir à jour. Ce genre de situations conduisent les data scientists à préférer ne pas mettre en production le projet de peur de l'échec.
Heureusement, tous les projets ne sont pas condamnés à l'impasse. Certaines entreprises réussissent, haut la main, leur passage en production. C'est le cas notamment de sociétés comme GE Aviation, Schlumberger ou Euronext qui ont fait de la data science un projet de transformation d'entreprise et non un projet périphérique. Une stratégie résultant de l'engagement et du soutien des cadres de l'entreprise mais aussi d'une volonté de faciliter les changements organisationnels, culturels ou techniques. La data science n'est plus isolée, mais devient un combat commun pour l'IT et les métiers.
L'industrialisation des projets d'IA passe par la mise en place d'un hub central
En termes de méthodologie, la création d'un hub central dans l'entreprise permet de gérer la gouvernance, la transversalité et la mise à disposition d'outils, pour la data science ou d'autres sujets. Les utilisateurs de ces outils sont les spokes, porteurs des projets data proche du terrain. Ils utilisent les capacités techniques et mettent en œuvre les meilleures pratiques. Le hub n'est pas le faiseur, mais le garant de la facilité de mise en production, rôle pouvant parfaitement être assuré par l'IT. Car, on l'a vu dans le passé, l'IT a géré des sujets aussi variés que la business intelligence s'occupant à la fois de la formation, du run ou de fournir des experts pour accompagner les métiers. Toute la difficulté est de ne pas tomber dans l'excès de centralisation, grande tentation de l'IT. Le hub doit aider sans pour autant se substituer aux spokes.
Converger vers une plateforme permet d'éviter le phénomène de décorrélation observé dans le cas des projets d'IA. Comme la majorité des applicatifs, la plateforme data doit être vue comme un bastion de stabilité central, un point de convergence qui permette de contrôler à la fois la qualité, l'obsolescence, et la documentation de façon évolutive. Sans cette gouvernance donnant une vision sur qui fait quoi, à quel moment, avec quelle version et pourquoi, la transformation ne sert à rien. Et cela est d'autant plus vrai que la réglementation se durcit en matière de traitement de la data et de l'IA. Il devient donc critique d'être très pertinent en matière de traçabilité. Et si le hub minimise les risques, il n'a de sens que s'il est agile et flexible et qu'il intègre les métiers.
Se donner les moyens de devenir une entreprise Everyday AI impose de mettre en place un langage commun à tous les acteurs pour que les équipes data puissent passer le relais à celles censées industrialiser les projets. C'est à la fois un enjeu en termes de compétences, avec l'émergence de spécialistes du run, à l'image des MLops (pour machine learning et Operations IT, ndlr), et en termes technique avec des plateformes évitant les changements de codes et de conceptualisation. Cela parait simple mais les implications sont nombreuses : avoir une documentation claire pour tout le monde, une compréhension commune de ce qui est fait, de la façon dont la donnée est traitée... Cette centralisation du savoir facilitera aussi bien l'adoption des nouveaux entrants que des projets préexistants, tout en assurant la réussite du seul objectif qui compte : délivrer de la valeur à l'entreprise.
Cette situation rend impossible la maximisation du ROI des initiatives d'IA. Les projets sont alors soit abandonnés, soit décorrélés de ce qui a été fait lors de la phase de design. Car, en forçant le passage en production, l'entreprise transforme bien souvent le projet d'un point de vue technique, impactant alors directement la pertinence du projet et la capacité à le maintenir à jour. Ce genre de situations conduisent les data scientists à préférer ne pas mettre en production le projet de peur de l'échec.
Heureusement, tous les projets ne sont pas condamnés à l'impasse. Certaines entreprises réussissent, haut la main, leur passage en production. C'est le cas notamment de sociétés comme GE Aviation, Schlumberger ou Euronext qui ont fait de la data science un projet de transformation d'entreprise et non un projet périphérique. Une stratégie résultant de l'engagement et du soutien des cadres de l'entreprise mais aussi d'une volonté de faciliter les changements organisationnels, culturels ou techniques. La data science n'est plus isolée, mais devient un combat commun pour l'IT et les métiers.
L'industrialisation des projets d'IA passe par la mise en place d'un hub central
En termes de méthodologie, la création d'un hub central dans l'entreprise permet de gérer la gouvernance, la transversalité et la mise à disposition d'outils, pour la data science ou d'autres sujets. Les utilisateurs de ces outils sont les spokes, porteurs des projets data proche du terrain. Ils utilisent les capacités techniques et mettent en œuvre les meilleures pratiques. Le hub n'est pas le faiseur, mais le garant de la facilité de mise en production, rôle pouvant parfaitement être assuré par l'IT. Car, on l'a vu dans le passé, l'IT a géré des sujets aussi variés que la business intelligence s'occupant à la fois de la formation, du run ou de fournir des experts pour accompagner les métiers. Toute la difficulté est de ne pas tomber dans l'excès de centralisation, grande tentation de l'IT. Le hub doit aider sans pour autant se substituer aux spokes.
Converger vers une plateforme permet d'éviter le phénomène de décorrélation observé dans le cas des projets d'IA. Comme la majorité des applicatifs, la plateforme data doit être vue comme un bastion de stabilité central, un point de convergence qui permette de contrôler à la fois la qualité, l'obsolescence, et la documentation de façon évolutive. Sans cette gouvernance donnant une vision sur qui fait quoi, à quel moment, avec quelle version et pourquoi, la transformation ne sert à rien. Et cela est d'autant plus vrai que la réglementation se durcit en matière de traitement de la data et de l'IA. Il devient donc critique d'être très pertinent en matière de traçabilité. Et si le hub minimise les risques, il n'a de sens que s'il est agile et flexible et qu'il intègre les métiers.
Se donner les moyens de devenir une entreprise Everyday AI impose de mettre en place un langage commun à tous les acteurs pour que les équipes data puissent passer le relais à celles censées industrialiser les projets. C'est à la fois un enjeu en termes de compétences, avec l'émergence de spécialistes du run, à l'image des MLops (pour machine learning et Operations IT, ndlr), et en termes technique avec des plateformes évitant les changements de codes et de conceptualisation. Cela parait simple mais les implications sont nombreuses : avoir une documentation claire pour tout le monde, une compréhension commune de ce qui est fait, de la façon dont la donnée est traitée... Cette centralisation du savoir facilitera aussi bien l'adoption des nouveaux entrants que des projets préexistants, tout en assurant la réussite du seul objectif qui compte : délivrer de la valeur à l'entreprise.