ACTUALITÉS / TECHNOLOGIE DE L'AI

Inspiré par les sept “gaspillages” popularisés par la production allégée, Artefact a adapté ce concept au domaine de artificial intelligence. Cette étude est basée sur plus de 30 projets artificial intelligence au cours des trois dernières années.

Inspiré par les sept “gaspillages” popularisés par la production allégée, Artefact a adapté ce concept au domaine de artificial intelligence. Cette étude est basée sur plus de 30 projets artificial intelligence au cours des trois dernières années.

Pour chaque “gaspillage” identifié - traitement supplémentaire, énergie, inventaire, surproduction, attente, échecs et talents - les causes sont expliquées à l'aide d'exemples concrets.

Traitement supplémentaire : Dépasser les attentes des clients

L'IA pour l'amour de l'IA

Faire de l'IA parce que c'est la nouveauté qui brille. C'est le cas lorsque des équipes techniques travaillent à l'élaboration d'une solution technique efficace et innovante, mais complexe. Les considérations commerciales sont reléguées à l'arrière-plan au profit du défi technologique ; les spécifications techniques priment sur les spécifications commerciales imprécises, et les principales caractéristiques génératrices de valeur ne sont pas clairement identifiées. Les traitements supplémentaires aboutissent souvent à des “boîtes noires” complexes”

qui doivent être maintenus par les équipes techniques et seulement ensuite compris et adoptés par les équipes commerciales.

“Réinventer la roue”

La création d'une IA personnalisée prend beaucoup de temps. Il arrive qu'un petit détail parfait, auquel le client n'a pas accordé de priorité et qu'il n'attendait pas, devienne le point central d'un projet. Dans ce cas, le véritable objectif du projet est abandonné au profit de la résolution de problèmes mineurs.

Exemples :

Une compagnie d'assurance souhaite créer un algorithme de prédiction du taux de désabonnement. Les solutions traditionnelles de type permettent de respecter les spécifications. Cependant, l'équipe data souhaite concevoir un système de contrôle de la qualité. solution personnalisée d'apprentissage en profondeur. L'algorithme qu'ils ont conçu est une “boîte noire”, dont l'évaluation et la compréhension prennent beaucoup plus de temps.

Une entreprise de produits de grande consommation souhaite mettre en place un algorithme d'attribution pour faciliter la gestion des médias. l'achat. Plutôt que de capitaliser sur les modèles d'attribution traditionnels (dernier contact, linéaire, premier contact, etc.), l'entreprise souhaite mettre en place un modèle d'attribution data-driven, fournissant un modèle inutilement complexe, difficile à comprendre et à utiliser.

Énergie : efforts humains ou mécaniques qui n'augmentent pas les bénéfices

Manque d'intégration

Souvent, les entreprises ne disposent pas d'un écosystème technique en matière d'IA et ont mis en place des systèmes d'information et des outils existants. Les différents composants nécessaires pour construire la solution d'IA ne sont pas intégrés, ce qui augmente les coûts et les délais du processus de développement. Sur le plan humain, les compétences ne sont pas centralisées et la communication n'est pas fluide, ce qui entraîne des malentendus et des pertes de temps.

Exemples :

Une entreprise de distribution souhaite mettre en place un algorithme de recommandation client. Les data nécessaires au projet (CRM, transactionnel, navigation, etc.) sont dispersées dans plusieurs databases sans accès centralisé. La tâche de centralisation, qui prend du temps, est nécessaire avant de lancer le projet.

Pour bénéficier d'une puissance de calcul accrue, l'équipe du data décide d'entraîner l'algorithme sur le cloud et de le déployer sur une infrastructure informatique locale. Les écosystèmes techniques n'étant pas déjà intégrés, un travail d'intégration supplémentaire est nécessaire.

Inventaire : La création d'une intelligence non autonome

Culture spécifique ou standardisée

Les modèles sont conçus individuellement pour répondre à un besoin particulier. Il n'est pas possible de capitaliser sur ce qui a été construit auparavant, de sorte que chaque nouveau besoin est satisfait en partant de zéro, ce qui ralentit la production et le développement de nouveaux modèles.

Le poids des choix passés

De mauvais choix technologiques initiaux aboutissent à un produit data qui nécessite une maintenance importante. L'équipe passe trop de temps à maintenir le système existant au lieu d'itérer et de l'améliorer.

Exemples :

Une société de cosmétiques souhaite créer une solution de traitement du langage naturel (NLP) pour analyser les sentiments sur les réseaux sociaux. Plutôt que d'utiliser un composant existant et d'y ajouter un élément NLP spécialisé, la solution est construite sur mesure. Trois mois plus tard, une autre équipe souhaite utiliser le NLP pour un autre type d'analyse ; elle est obligée de repartir de zéro, créant ainsi un nouvel “inventaire” d'IA.

Une entreprise spécialisée dans l'internet des objets (IdO) souhaite comprendre comment les consommateurs utilisent ses produits connectés. Si les appareils data de l'entreprise sont en bon état, les données qui lui parviennent sont irrégulières et de piètre qualité. L'entreprise décide d'externaliser la mise en œuvre d'un nouveau produit data afin de résoudre ce problème et de permettre le traitement en temps réel du data ainsi que d'anticiper tout problème de qualité. À la livraison du nouveau produit data, les équipes internes sont incapables d'assurer la maintenance de la nouvelle solution (spécifique et complexe). Elles ont trop de systèmes d'IA spécifiques, distincts et complexes.

Surproduction : L'IA arrive trop tôt par rapport au niveau de maturité de l'entreprise, ou de manière non structurée.

Trop de preuves de concept (POC) non industrialisées

En l'absence de stratégie intégrée, de nombreuses initiatives différentes (POC) en dehors de l'objectif principal de l'entreprise voient le jour. Ces initiatives sont souvent le fruit d'une anticipation des attentes des clients et répondent souvent au même problème.

Exemple :

Une entreprise de produits de grande consommation décide de lancer une équipe de projet axée sur artificial intelligence. La première action de l'équipe est d'organiser un atelier d'idées pour identifier les cas d'utilisation à développer. Les cas d'utilisation soumis se concentrent sur la promotion et le marketing, et d'autres domaines intéressants sont négligés, notamment l'optimisation de la chaîne d'approvisionnement, la réduction de la consommation d'énergie et la réduction des coûts en magasin.

Attente : Temps inoccupé, attente d'une livraison ou d'une décision managériale.

Absence de parrainage au niveau de la direction

L'intelligence artificielle n'est pas considérée comme un outil stratégique par les dirigeants de l'entreprise. Le temps passé à convaincre la direction que artificial intelligence peut créer un avantage concurrentiel laisse peu de temps pour agir.

Le faible parrainage des dirigeants entraîne un manque de participation de toutes les équipes. Les processus ne sont pas mesurés, ce qui entraîne des problèmes de qualité, des défauts et des bogues techniques. Les processus ne sont pas non plus fluides, ce qui entraîne des pertes de temps considérables dans l'attente de l'approbation entre les étapes successives.

Exemple :

Une entreprise du secteur du voyage souhaite développer une application vocale sur Google Home et Alexa. Trois mois sont consacrés à l'identification et à la mobilisation des ressources techniques. Un besoin clair d'augmenter les compétences de l'équipe est identifié. L'entreprise décide de faire appel à des ressources externes, qui sont alors mises en attente pendant un mois jusqu'à ce que l'accès aux databases et à l'environnement technique soit accordé. Une fois que le projet est prêt à être lancé, il est interrompu pendant plusieurs semaines, en raison d'un retard dans la signature d'un accord de confidentialité par le PDG.

Échecs : Le produit d'IA ne répond pas aux besoins du client final.

L'accent mis sur la vitesse d'exécution plutôt que sur la qualité et la cohérence

  • Mauvaise compréhension des besoins de l'entreprise ; les spécifications ne sont pas assez précises au début du programme
  • Processus non normalisés ; mauvaise détection des bogues pendant la phase de production
  • Les fonctionnalités cassées comme l'infrastructure et les connecteurs vers d'autres systèmes ne sont pas mis à jour.
  • Cela peut être dû au fait que les équipes sont récompensées en fonction de la quantité et de la rapidité d'exécution plutôt qu'en fonction de la qualité.

Exemple :

Une entreprise du secteur de l'alimentation et des boissons souhaite remplacer son logiciel de diagnostic des défaillances dans sa chaîne d'approvisionnement réfrigérée. Elle utilisait auparavant un arbre de décision déterministe construit par l'homme pour analyser les défaillances, mais souhaitait le remplacer par un algorithme d'apprentissage automatique. Plutôt que de laisser l'algorithme définir la solution la plus pertinente pour résoudre le problème, l'équipe de data a limité l'algorithme en incluant des contraintes développées par l'homme. À la fin du programme, les résultats sont les mêmes que ceux du système précédent.

Le personnel : Absence d'exploitation des compétences internes

Absence d'une culture inclusive mettant l'être humain au centre des préoccupations

Pour réussir sa transformation en matière d'IA, l'entreprise doit reconnaître les forces et les contributions de chaque employé et faire de la transformation en matière d'IA une transformation inclusive. Aujourd'hui, trop peu de temps et de ressources sont consacrés à l'amélioration des compétences, à la formation et au développement des employés, ce qui complique le déploiement des solutions d'IA et limite le transfert de connaissances.

Trois ans après le lancement d'un grand plan de transformation de l'IA, une entreprise bancaire consulte ses employés. Trois points principaux ressortent de la consultation :

  • La résolution des problèmes est effectuée dans la salle par les experts, en ignorant les contributions des autres membres de l'équipe.
  • Idées d'amélioration imposées par la direction ou les experts au reste de l'équipe au lieu d'être conçues avec eux
  • Produits conçus “au rabais” en raison d'un manque de compétences et de connaissances
  • Les équipes ne sont pas suffisamment motivées par la réalisation du projet