Intelligence artificielle : comment passer de l’expérimentation à l’industrialisation ?
16/09/2021
LeCet article vous est proposé par Wavestone, sponsor Silver du SIDO Paris
Le boom de l’intelligence artificielle
L’intelligence artificielle (IA) a désormais fait son entrée dans tous les secteurs d’activité. Si l’on en croit Forbes, 80% des entreprises investissent aujourd’hui dans l’IA avec dans le viseur des perspectives de gains considérables à réaliser au niveau de toutes les fonctions. Pour préserver leur positionnement face aux acteurs émergents, introduire l’intelligence artificielle dans les processus mais aussi dans les produits et offres proposées semble nécessaire. IBM estime avoir économisé près d’un milliard de dollars depuis 2011 en introduisant des algorithmes de Machine learning au niveau des ressources humaines pour trier les milliers de candidatures reçues tous les jours (Fortune).
Cet engouement des entreprises engendre un foisonnement d’expérimentations autour de cas d’usage d’IA. France Digitale a ainsi cartographié près de 450 startups travaillant sur l’intelligence artificielle en France, qui ont toutes réalisé des dizaines de POC (proof of concept) dans le cadre de partenariats avec les grandes entreprises de nombreux secteurs d’activités (industrie, agriculture, santé, finance, etc.).
Très peu de cas d’usage IA industrialisés
Un POC vise principalement à démontrer l’adéquation d’un besoin ou la faisabilité technique d’un concept, d’une idée. Un POC peut être poussé un cran plus loin, avec un POV (proof of value), afin de prouver ou mesurer quantitativement la valeur du produit en l’appliquant en condition réelle sur un périmètre limité. Aujourd’hui, de plus en plus d’entreprises parlent de cas d’usage « production ready » pour désigner leurs expérimentations, ce qui laisse entendre une réflexion en amont sur l’industrialisation potentielle du produit.
Dans le cadre de l’IA, si beaucoup de POC et de POV sont lancés dans les entreprises, bien peu arrivent au stade final de l’industrialisation dans les outils. Quels sont les problèmes les plus fréquemment rencontrés dans le cadre d’un passage à l’industrialisation d’un cas d’usage d’intelligence artificielle et quelles sont les pistes de solutions à envisager pour les éviter ?
La culture de l’échec : un frein à la bonne gestion des expérimentations dans l’entreprise
L’innovation passe forcément par des expérimentations. Cela est d’autant plus vrai pour l’IA qui peut être par nature exploratoire. Ceci implique donc des réussites et des échecs nécessaires de cas d’usages. Le contexte professionnel tend à ne pas valoriser ces types d’échecs, encore vécus comme quelque chose de négatif, alors qu’ils sont sources d’apprentissage. De fait, des biais font que les acteurs ont plus facilement tendance à sous-estimer les difficultés et à valider une expérimentation, plutôt qu’à assumer un échec.
Une culture est à instaurer pour faire prendre conscience qu’un cas d’usage qui « échoue » est en réalité très vertueux. Une pratique facile à mettre en œuvre est d’adapter le vocabulaire, ne plus parler « d’échec » mais plutôt « d’apprentissage » ou « d’enseignement ».
D’autre part, favoriser une approche portefeuille de cas d’usage permet de prendre du recul et de mieux accepter les tentatives non concluantes. En effet, dans un foisonnement parallèle de lancement de projets, certaines expérimentations seront réussies et aboutiront à une industrialisation qui génèrera des gains, tandis que d’autres ne le seront pas et permettrons de tirer des enseignements. Le pilotage de la performance des expérimentations peut se faire par le ratio du nombre de celles qui délivrent de la valeur et celles qui délivrent un enseignement Ce ratio n’est pas uniquement un indicateur de suivi, mais représente aussi une ambition et un choix délibéré d’orienter l’exploration vers une génération de gains ou de l’innovation, selon le choix des cas d’usage qu’on décide d’accompagner.
Le changement de vocabulaire peut avoir un impact profond sur la culture, et s’accompagne de bonnes pratiques méthodologiques pour évaluer au plus juste le résultat d’une expérimentation.
De bonnes pratiques pour favoriser l’industrialisation
Les exemples d’industrialisations réussies de cas d’usage IA, dans des environnements matures, nous permettent de lister un ensemble de bonnes pratiques pour réellement juger de la pertinence du cas d’usage et de maximiser les chances d’industrialisation en cas de valeur démontrée.