ACTUALITÉS / TECHNOLOGIE DE L'AI
Artefact a adapté les méthodologies du Lean Manufacturing afin de remédier aux sept sources de gaspillage traditionnellement rencontrées dans les projets artificial intelligence.
Artefact a adapté les méthodologies du Lean Manufacturing afin de remédier aux sept sources de gaspillage traditionnellement rencontrées dans les projets artificial intelligence.
L'IA allégée fournit un cadre en deux parties pour répondre à cette question :
- Optimisation de la chaîne de production par le développement de produits standard data
- L'accent est mis sur l'opérationnalisation des produits data dans le dernier kilomètre.
Ces lignes directrices sont conçues pour éviter les pièges et optimiser le traitement, mais elles peuvent être adaptées.
Ils permettront d'optimiser les délais de mise sur le marché, la livraison continue, la collaboration fluide et la prise de décision rapide afin de maximiser les bénéfices.
Optimisation de la chaîne de production par le développement de produits standards data
La normalisation : Le principal moyen de mettre en œuvre les avancées technologiques
Dans son livre La conception des objets du quotidien, Don Norman observe que les progrès technologiques proviennent soit des technologies elles-mêmes, soit de la normalisation. Il illustre son propos par l'histoire de l'automobile. Les premières voitures étaient toutes différentes, ce qui les rendait difficiles à utiliser et exigeait de la force et des compétences spécifiques. Cependant, au fil du temps, elles sont devenues plus standardisées. Aujourd'hui, toutes les voitures sont équipées de volants, de clignotants et de leviers de vitesse placés à peu près au même endroit et remplissant la même fonction. Grâce à la normalisation de ces éléments clés, un conducteur peut conduire n'importe quelle voiture, n'importe où dans le monde. Ce type de normalisation a facilité la plupart des avancées technologiques et fonctionnelles majeures.
Produits Data en tant que Lego intelligent normalisé
Lean AI s'engage à construire des briques technologiques basées sur un écosystème, ou des produits data, sur lesquels l'entreprise peut construire une stratégie d'IA durable.
L'objectif est de mettre à la disposition des équipes de data une bibliothèque de composants technologiques standards, afin que des projets présentant les mêmes caractéristiques techniques puissent être traités selon la même approche et s'intégrer au reste de l'écosystème.
Pour être réutilisable, l'IA doit être “emballée” comme une structure Lego, composée de plusieurs briques qui, une fois combinées, créent un modèle plus complexe. Le modèle artificial intelligence repose sur une base de dénominateurs communs - les produits génériques data - essentiels au bon fonctionnement de l'IA mais non spécifiques au problème traité. Des produits data spécialisés peuvent ensuite être construits si nécessaire pour répondre aux besoins spécifiques de l'IA.
Uber construit ses dénominateurs communs en créant une plateforme scientifique data appelée Michelangelo. Cette plateforme vise à résoudre les problèmes de production en normalisant les flux de travail et en regroupant des extraits de code data pour aider les centres data à partager et à diffuser les connaissances.
Dans le commerce de détail, le client et le magasin sont des sources data communes à la plupart des projets. Il s'agit de sources data génériques qui peuvent être utilisées par des produits data spécialisés tels que des algorithmes de recommandation ou des algorithmes visant à garantir la disponibilité des stocks.
Cette approche présente de multiples avantages :
- Il renforce les capacités des équipes en standardisant les approches et en renforçant les compétences internes
- Il augmente la qualité du produit final en fixant des normes de développement et des contrôles de qualité
- Il améliore le délai de mise sur le marché en centralisant les connaissances et en tirant les leçons des expériences passées
Il permet surtout aux équipes de se concentrer sur l'essentiel 20% du travail spécialisé qui augmentera la valeur générée par le produit final.
L'accent est mis sur l'opérationnalisation des produits data dans le dernier kilomètre.
La méthodologie Lean AI met l'accent sur le dernier kilomètre de la chaîne de production. Un produit data n'a de succès que s'il est largement distribué et consommé par les utilisateurs finaux.
La distribution des produits data
Le travail des équipes de data ne s'arrête pas à la construction du modèle, mais à la réalisation des indicateurs clés de performance de l'entreprise. Cela implique de mettre l'algorithme à la disposition de tous les utilisateurs finaux.
Par exemple, dès qu'un nouveau composant de Google Cloud est développé, il est packagé pour que les utilisateurs de Google Cloud Platform puissent l'utiliser facilement. Google développe des API d'apprentissage automatique, qui sont créées pour étendre l'utilisation des produits d'intelligence artificielle de Google et en favoriser l'adoption à grande échelle. L'objectif des produits data est de profiter à un audience beaucoup plus grand que celui pour lequel le composant a été conçu à l'origine.
Un modèle d'apprentissage automatique permettant de prédire la disponibilité des stocks pour un numéro d'article européen (EAN) spécifique peut s'avérer extrêmement utile pour un détaillant. Cependant, si le détaillant l'alimente par une API standardisée dans un tableau de bord accessible à l'ensemble de l'entreprise, il est bien plus puissant. Ce tableau de bord peut être utilisé par les directeurs de magasin pour suivre le flux de leurs stocks, par l'équipe marketing pour cibler leurs campagnes sur les produits à succès, par l'équipe de promotion pour définir sa stratégie promotionnelle et par l'équipe d'approvisionnement pour optimiser la chaîne d'approvisionnement.
Analyse de l'IA
Une fois que le produit data a été distribué dans les différents secteurs de l'entreprise, nous devons mesurer l'adoption et stimuler les performances.
Artefact recommande de mettre en œuvre un outil d'analyse de l'IA, contrôlé par les propriétaires de produits, pour promouvoir l'amélioration.
Quelques-uns des indicateurs de performance de l'analyse de l'IA :
- Indicateurs de performance d'utilisation (par exemple, le nombre d'utilisateurs du modèle)
- ICP techniques (par exemple, performance du modèle (erreur %), nombre de défaillances sur la chaîne de production)
- ICP de l'entreprise (par exemple, économies générées, chiffre d'affaires supplémentaire)
Le responsable du produit d'IA doit devenir un expert du comportement humain
Pour comprendre l'utilisation d'un produit par des personnes réelles, le responsable du produit doit passer du temps avec elles. Par conséquent, les sessions d'immersion avec les équipes commerciales sont préférables à l'envoi d'enquêtes auprès des utilisateurs. Le responsable du produit d'IA doit agir comme un ethnographe, en observant comment l'outil créé est utilisé dans leur environnement de travail.
Cette méthodologie a fait ses preuves en matière de bonnes pratiques pour le développement de produits numériques. Pierre Fournier, chef de produit chez ManoMano, recommande aux propriétaires de produits d'organiser des “vendredis popcorn”, au cours desquels ils visionnent des enregistrements vidéo de parcours d'utilisateurs sur le site. Le premier vendredi du mois est consacré au visionnage de 20 sessions sur le parcours de paiement, et le dernier vendredi du mois au visionnage de 20 sessions d'utilisateurs atterrissant sur le site. Cela permet aux propriétaires de produits de s'identifier aux utilisateurs et facilite grandement la prise de décision en matière d'ajustements.
