DĂ©sormais largement convaincues du potentiel de l’intelligence artificielle (IA), les entreprises investissent sur le sujet avec des ambitions claires et des objectifs prĂ©cis. Pourtant, certaines constatent des rĂ©sultats en deçà de leurs attentes. Selon une Ă©tude du Capgemini Research Institute[1], seulement 13% des projets IA sont dĂ©ployĂ©s avec succĂšs et appliquĂ©s Ă  grande Ă©chelle. Bien souvent, la raison principale tient aux difficultĂ©s rencontrĂ©es, ou sous-estimĂ©es, lors du passage Ă  l’échelle des modĂšles.

Les Ă©lĂ©ments clĂ©s de succĂšs de l’industrialisation

Pour tout projet d’IA, le passage Ă  l’échelle est une Ă©tape d’autant plus dĂ©licate que la marche est particuliĂšrement haute entre le prototype et la solution opĂ©rationnelle. Pour qu’un outil d’IA porte pleinement ses fruits, plusieurs aspects sont Ă  prendre en compte dĂšs le dĂ©part :

  • Facteurs opĂ©rationnels : au-delĂ  de la pertinence et de la performance thĂ©oriques du modĂšle, il faut s’assurer que le temps de traitement, la frĂ©quence de rafraĂźchissement ou encore la prĂ©sentation des rĂ©sultats seront compatibles avec les usages envisagĂ©s. Ces facteurs doivent ĂȘtre dĂ©finis sous forme d’indicateurs de performance et ĂȘtre suivis tout au long du projet. Il faut aussi veiller Ă  ce que les utilisateurs acceptent et adoptent la solution, si possible en leur donnant les moyens d’en comprendre et d’en expliquer les rĂ©sultats.
  • Facteurs de rentabilitĂ© : Il faut vĂ©rifier que le coĂ»t de ces infrastructures n’excĂšdera pas les bĂ©nĂ©fices attendus, ce qui n’est pas toujours acquis. L’approche FinOps permet de traiter de ces problĂ©matiques en ayant une dĂ©marche maĂźtrisĂ©e de suivi des coĂ»ts. Dans ce calcul de ROI, on tiendra aussi compte des gains extra-financiers potentiels, par exemple en matiĂšre de productivitĂ©, de qualitĂ© de service, de satisfaction client et employĂ©, ou d’impact environnemental.
  • Facteurs techniques : L’entreprise doit pouvoir mettre en Ɠuvre les moyens IT que suppose la solution, par exemple pour traiter en temps rĂ©el de trĂšs forts volumes de donnĂ©es ou gĂ©rer des bases de donnĂ©es orientĂ©es graphe.
  • Facteurs rĂ©glementaires : Dans le cas oĂč le RGPD s’applique aux donnĂ©es utilisĂ©es, il faut prendre les dispositions adĂ©quates pour les anonymiser, les protĂ©ger, et obtenir le consentement des personnes.
  • Facteurs environnementaux : L’empreinte environnementale des infrastructures, des donnĂ©es et des traitements, notamment leur consommation Ă©nergĂ©tique, ne doit pas ĂȘtre dĂ©mesurĂ©e par rapport aux objectifs visĂ©s.
  • Facteurs Ă©thiques : Il est essentiel de s’assurer que le modĂšle et l’usage qui en sera fait sont bien compatibles avec les valeurs de l’entreprise et qu’ils resteront dans les limites qu’elle se fixe.

Dérive des données et dérive des usages

À ce jeu de contraintes, s’ajoute une particularitĂ© propre Ă  l’IA : son besoin fondamental de suivi. Du jour oĂč elle est lancĂ©e, une IA peut en effet voir ses performances se dĂ©grader peu Ă  peu jusqu’à passer audessous d’un seuil minimum d’acceptabilitĂ©. Un modĂšle Ă©tant conçu pour rĂ©pondre Ă  une question prĂ©cise Ă  partir d’un ensemble de donnĂ©es, sa rĂ©ponse perdra en pertinence sitĂŽt que les donnĂ©es ou la question Ă©volueront.

Le premier cas, la dĂ©rive des donnĂ©es, est trĂšs courant car, on choisit gĂ©nĂ©ralement pour le POC un jeu de donnĂ©es stable, restreint et de bonne qualitĂ©, ce qui ne reflĂšte pas toujours les conditions rĂ©elles. Pour maintenir la qualitĂ© des rĂ©sultats, il faudra donc ĂȘtre capable de rĂ©entraĂźner le modĂšle sur des donnĂ©es plus Ă  jour et plus reprĂ©sentatives.

Plus insidieux, le second cas, la dĂ©rive des usages, tient Ă  l’évolution des attentes des utilisateurs. Alors qu’elle correspondait parfaitement Ă  leur besoin Ă  l’origine, l’IA peut, par exemple, ne plus leur suffire, le contexte ayant changĂ©, ou bien continuer Ă  attirer leur attention sur des problĂšmes dĂ©sormais rĂ©glĂ©s. L’application ne leur Ă©tant plus utile, ils s’en dĂ©tournent progressivement.

Ces phĂ©nomĂšnes de dĂ©rive, communĂ©ment appelĂ©s “drift”, sont tout Ă  fait naturels et souvent inĂ©vitables. Ils doivent par consĂ©quent ĂȘtre anticipĂ©s, dĂ©tectĂ©s et rĂ©glĂ©s au fil de l’eau. C’est pourquoi l’IA doit ĂȘtre considĂ©rĂ©e et gĂ©rĂ©e comme un produit, en constante Ă©volution. Contrairement Ă  la plupart des solutions IT, le jour de la mise en production ne marque donc pas la fin du projet, mais seulement celle du premier cycle d’un processus d’apprentissage continu.

Une approche industrialisée du cycle de vie

  1. La dĂ©finition du problĂšme : dans un premier temps, il est nĂ©cessaire que mĂ©tiers et Ă©quipes data aient une mĂȘme comprĂ©hension des rĂ©sultats attendus. Pour cela, le mĂ©tier doit exposer la problĂ©matique Ă  traiter aux data scientists, lesquels Ă©mettent alors un premier diagnostic de faisabilitĂ©. Cette premiĂšre Ă©tape est Ă©galement l’occasion de dĂ©finir les diffĂ©rents KPIs Ă  suivre tout au long du projet.
  2. La construction du modĂšle : lors de cette Ă©tape, essentiellement confiĂ©e aux data scientists, on ne se limite Ă  la prĂ©cision mathĂ©matique du modĂšle, mais on intĂšgre d’emblĂ©e des indicateurs mesurant ses bĂ©nĂ©fices pour le mĂ©tier ainsi qu’un questionnement « by design » sur les aspects opĂ©rationnels, Ă©thiques, rĂ©glementaires, etc.
  3. L’industrialisation du modĂšle : on dĂ©ploie le modĂšle aprĂšs s’ĂȘtre assurĂ© qu’il sera exploitable en environnement de production. Cela nĂ©cessite de traiter plusieurs problĂ©matiques concernant les performances et les dĂ©lais de traitement, de la capacitĂ© du modĂšle Ă  bien fonctionner sur les donnĂ©es de production, et enfin le respect des critĂšres environnementaux.
  4. La supervision : une fois la solution en production, on met en place un suivi du modĂšle, de ses performances, de son utilisation, de la qualitĂ© des donnĂ©es, et on positionne des seuils d’alerte afin de dĂ©tecter au plus tĂŽt les Ă©ventuelles dĂ©rives.
  5. L’entraĂźnement continu : le modĂšle est constamment rĂ©entraĂźnĂ© sur des donnĂ©es rafraĂźchies et les nouvelles versions peuvent ĂȘtre automatiquement dĂ©ployĂ©es lorsqu’elles apparaissent supĂ©rieures, Ă  la fois sur le plan de la pertinence mathĂ©matique et de l’intĂ©rĂȘt pratique.

« Contrairement Ă  la plupart des solutions IT, le jour de la mise en production ne marque pas la fin du projet d’intelligence artificielle, mais seulement celle du premier cycle d’un processus d’apprentissage continu. »

L’exemple rĂ©ussi d’un acteur majeur des tĂ©lĂ©coms

Un opĂ©rateur tĂ©lĂ©com a eu recours Ă  cette dĂ©marche pour mettre en Ɠuvre trĂšs rapidement une solution d’IA qui lui a permis de rĂ©pondre aux injonctions de son autoritĂ© de rĂ©gulation et de renforcer sa qualitĂ© de service pour ses clients. PressĂ©e d’amĂ©liorer significativement la qualitĂ© des dĂ©ploiements de fibre optique, l’entreprise s’est appuyĂ©e sur une information dont elle disposait dĂ©jĂ  : les photos que prennent les installateurs avant et aprĂšs le raccordement. En vĂ©rifiant certains points de contrĂŽle sur ces images, une solution basĂ©e sur l’IA est capable d’identifier les branchements corrects et ceux qui nĂ©cessiteraient l’examen d’un technicien.

La dĂ©marche d’industrialisation a notamment permis de mettre en place un rĂ©entraĂźnement continu du modĂšle afin de prĂ©venir les Ă©ventuelles dĂ©rives de donnĂ©es (la qualitĂ© des photos Ă©volue avec les nouvelles gĂ©nĂ©rations de smartphones, les conditions de prise de vue dĂ©pendent des saisons
) et d’usage (par exemple, s’il fallait prendre en compte des fils d’une couleur supplĂ©mentaire Ă  la suite de l’arrivĂ©e d’un nouvel opĂ©rateur).

Permettant de sĂ©curiser et d’accĂ©lĂ©rer les projets d’IA, la dĂ©marche d’industrialisation repose classiquement sur la mise en place d’un triptyque Outils/Processus/Organisation. Il faut cependant insister tout particuliĂšrement sur l’importance d’associer Ă©troitement les parties prenantes mĂ©tier, IT et data. Un dĂ©ficit de collaboration entre ces acteurs est en effet un frĂ©quent facteur d’échec des projets, oĂč l’on s’acharne parfois en vain sur des problĂšmes sans solution ou sur des solutions sans problĂšme ! Mettre tout le monde autour de la table dĂšs le dĂ©part, et Ă  chacune des Ă©tapes, permet d’éviter de telles impasses et d’aborder les projets d’IA dans une perspective rĂ©solument tournĂ©e vers leur passage Ă  l’échelle et la maximisation de leurs bĂ©nĂ©fices.

À retenir

  1. Seule une approche mĂ©thodique et structurĂ©e permet d’obtenir les bĂ©nĂ©fices attendus des projets d’IA, et notamment de leur mise Ă  l’échelle
  2. En plus de la prise en compte de certaines contraintes dĂšs sa conception, un modĂšle d’IA doit ĂȘtre sans cesse suivi pour qu’il reste pertinent et performant.
  3. Pour crĂ©er de la valeur, une approche industrialisĂ©e, orientĂ©e produit, couvrant l’ensemble cycle de vie des modĂšles et associant tous les acteurs est indispensable.

[1] : https://www.capgemini.com/fr-fr/perspectives/publications/entreprise-intelligence-artificielle/