À la demande de VVP, présenté dans le dernier numéro de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, notre CTO et stratège en IA Dennie van den Biggelaar explique comment appliquer l’IA spécifique et l’apprentissage automatique aux « conseils en pratique ». Dans diverses éditions, les sujets suivants seront mis en avant :

• Commencer avec l’IA et l’AM spécifiques
• Opérationnalisation dans les processus commerciaux
• Intégration dans les paysages informatiques existants
• Mesurer = apprendre : KPI pour l’AM
• Éthique, réglementations et société
• IA et AM : un aperçu de l’avenir proche

Dans cette deuxième édition, nous répondons à la question : comment opérationnaliser un algorithme entraîné dans les processus commerciaux ?

Défis pour opérationnaliser l’IA dans les processus commerciaux Imaginez que vous et votre équipe de data science avez conçu un algorithme IA prometteur pour prédire les résiliations, visant à ce que les conseillers les abordent de manière proactive. Ce processus a été discuté dans la première partie de cette série « IA en pratique ». Le potentiel est là, mais vous réalisez bientôt que plusieurs obstacles complexes doivent être surmontés pour le mettre en œuvre pratiquement. Quels sont ces obstacles et comment les surmonter ?

Les résultats mesurables manquent Un objectif clairement formulé identifie précisément ce que l’algorithme IA doit accomplir et s’aligne sur les objectifs commerciaux. La portée, quant à elle, dirige le projet en définissant les sources de données pertinentes, le budget, les délais et les résultats attendus. Quelles sont les étapes pour y parvenir ? Un projet de data science est généralement un investissement où :

• Il est incertain de ce qu’il peut offrir.
• Il est incertain si votre équipe peut le réaliser.

Par conséquent, rendez le projet aussi petit et gérable que possible sans perdre sa valeur et son impact s’il réussit. Essayez d’obtenir des résultats le plus rapidement possible pour prouver que vous êtes sur la bonne voie. Si vous n’obtenez pas ces résultats, évaluez et ajustez avec l’équipe. Si vous les obtenez ? Premier objectif atteint ! Ensuite, créez une histoire convaincante et présentez-la à vos parties prenantes commerciales en discutant de la manière de la faire évoluer au sein de votre organisation.

Questions sur la qualité constante des données Un obstacle courant est la qualité et la fourniture constante de données à jour. Les incohérences et les valeurs manquantes peuvent compromettre la précision du modèle IA. La solution ? Une exploration approfondie des données qui sont toujours précises, disponibles et cohérentes (les données ABC). Si des données essentielles ne répondent pas à ces critères pour atteindre votre objectif, appliquez un nettoyage approfondi des données, comme la gestion des valeurs manquantes, des valeurs aberrantes extrêmes et des données mal saisies. Ensuite, vous devrez structurer ces étapes de nettoyage dans un pipeline de transformation des données et un processus associé afin de pouvoir ajouter ces données à votre base pour un modèle opérationnel fiable.

Manque de confiance dans le modèle IA Une compréhension et une confiance insuffisantes dans les modèles ML constituent un obstacle à leur acceptation par les utilisateurs non techniques. Si vous ne prêtez pas suffisamment attention à cela, la méfiance et la résistance apparaîtront. Une solution consiste à sélectionner des modèles transparents avec une bonne explicabilité et des méthodes intelligentes où la complexité est traduite en un concept compréhensible. La visualisation et une documentation claire (du processus) augmentent la confiance, repoussant ainsi l’objection de la « boîte noire » au second plan. Comme pour tout changement, il est important d’impliquer soigneusement vos collègues dans ce processus. Donnez-leur suffisamment de temps pour poser des questions et s’habituer à cette nouvelle technologie et à ses possibilités. Réalisez que leurs questions et leurs commentaires sont des éléments essentiels pour réussir l’application prévue en pratique.

Préoccupations concernant la sécurité, la confidentialité et l’éthique Il va sans dire que la sécurité et la confidentialité des données (clients) sont des conditions préalables pour commencer. Heureusement, de nombreuses nouvelles législations ont été mises en œuvre ces cinq dernières années et les organisations les appliquent également de manière pratique et structurée. La confiance n’est pas seulement une question de législation et de technologie. Des objections éthiques peuvent également être attendues sous divers angles :

• Sommes-nous sûrs que l’algorithme est équitable ?
• Et que signifie cela ?
• Certains groupes sont-ils désavantagés par un algorithme ?
• Trouvons-nous cela éthiquement responsable ?
• Comment empêcher mon algorithme de discriminer ?

Heureusement, l’Association des Assureurs Néerlandais a établi plusieurs lignes directrices que vous pouvez intégrer dans votre algorithme et votre approche. Vous voulez vous assurer de ne rien oublier ? Désignez une personne responsable de cela.

Le cycle de rétroaction manque Écouter les expériences des utilisateurs et utiliser ce retour crée un cycle dynamique itératif permettant au modèle d’évoluer en fonction des exigences commerciales. Un mécanisme de rétroaction structuré est crucial pour la capacité d’auto-apprentissage du modèle IA. Comment mettre cela en place correctement diffère selon l’application IA. Dans le cas spécifique de la « prévention des résiliations », demandez par exemple aux conseillers d’enregistrer ce qu’ils ont fait avec la prédiction : appelé le client, lui rendu visite ou rien fait. De cette façon, vous pouvez mesurer au fil du temps l’effet sur les résiliations.

Surveillance insuffisante Le mot d’ordre devrait être : « gardez l’algorithme en laisse. » Vous ne voulez pas de « hallucinations » ou de dégradation inattendue des performances, par exemple lors d’une rupture de tendance. Cela signifie qu’un système de surveillance et d’alerte minutieux doit être en place pour suivre les performances du modèle. Une application durable nécessite une documentation détaillée des paramètres et des données utilisées afin que le modèle reste transparent et reproductible.

Le modèle n’est pas évolutif Un algorithme doit être « par conception » intégré dans un système avec l’évolutibilité en tête. Des solutions cloud sécurisées et une infrastructure évolutive telle que la technologie MLOps (la variante ML de DevOps) sont généralement nécessaires. Tenez compte des projections de croissance et assurez-vous d’un système suffisamment flexible qui s’adapte aux exigences commerciales en évolution. Faire les bons choix pour l’intégration avec le paysage informatique est essentiel (par exemple, traitement en temps réel ou par lots). Plus de détails dans la prochaine édition.

Dernier point mais non le moindre : manque d’implication Selon le professeur d’innovation Henk Volberda, le succès de l’innovation est seulement de 25 % technique et de 75 % dépendant de l’adoption humaine. L’adoption réussie commence par le « parrainage du CEO » car l’eau coule de haut en bas. La direction doit assurer une formation suffisante, une communication et un soutien lors du déploiement d’un modèle IA. Investissez suffisamment de temps et d’énergie pour faire de cette nouvelle technologie une partie de votre organisation, de la stratégie à l’exploitation. Car c’est là que réside le véritable retour sur investissement : la collaboration réussie entre les experts humains et la technologie IA.

« C’est facile de créer un algorithme auto-apprenant. Ce qui est difficile, c’est de créer une organisation auto-apprenante. » – Satya Nadella, CEO de Microsoft.

En résumé : concevoir, construire et valider un algorithme robuste n’est que la première phase pour réussir l’implémentation de l’IA en pratique. Dans la prochaine édition, nous approfondirons la manière de l’intégrer aux systèmes et flux de travail existants.