Faciliter l’adoption de l’intelligence artificielle

Le décalage est surprenant entre les possibilités offertes par le machine learning et les difficultés des organisations à en tirer parti. Établi à la suite d’un projet d’IA mené chez Accenture, le paradigme de « machine learning 2.0 » propose une nouvelle approche pour traduire le potentiel de l’IA en résultats tangibles pour l’entreprise.

Pour anticiper les problèmes potentiels lors du développement de ses nombreux projets logiciels, Accenture a développé « AI project manager », une intelligence artificielle visant à repérer des modèles récurrents dans de larges volumes de données. Objectif : prévoir plusieurs semaines à l’avance la survenue d’éventuelles difficultés. Contre toute attente, le chantier n’aura nécessité aucun outil sophistiqué de data science, mais une ingénierie logicielle robuste, de la flexibilité au niveau de l’automatisation et des outils permettant des tester la modélisation.

 

Le machine learning au cœur des fonctions métiers

 

Dans un contexte où les entreprises peinent à tirer parti des technologies d’IA, cette expérience a permis d’établir un nouveau paradigme : le « Machine Learning 2.0 », qui repose sur quatre piliers. Le premier consiste à accélérer des projets d’IA à travers sept étapes clés, de la représentation des données brutes au déploiement des modèles. Le deuxième vise à impliquer davantage les experts, grâce à un outil d’ingénierie prédictive paramétrable, afin de s’assurer ainsi que le modèle génère de la valeur. Le troisième repose sur une ingénierie fonctionnelle automatisée qui autorise l’extraction de modèles prédictifs à partir de données brutes. Enfin, une série d’outils de tests automatisés permet de valider les modèles avant leur déploiement.

 

Cette approche vise à intégrer les technologies de machine learning au cœur des fonctions métiers et à ne plus les considérer comme des initiatives de R&D indépendantes. Ce changement de paradigme bouleverse la façon dont les organisations gèrent leur activité, laissant entrevoir de nouvelles opportunités tant au niveau de la génération de revenus, de l’évolution de l’offre ou de l’efficacité opérationnelle. Car les entreprises ne peuvent plus se contenter de dresser des bilans sur l’activité passée, elles doivent désormais anticiper l’avenir.

 

Lire l’article (en anglais)

 

En complément :

Les freins à l’adoption du deep learning (en anglais),

La maturité des entreprises françaises dans l’adoption de l’IA.