![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/margaret-weir-524923-unsplash-scaled-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>ACTUALIT\u00c9S \/ TECHNOLOGIE DE L'AI<\/p>\n<\/div>
Artefact a adapt\u00e9 les m\u00e9thodologies du Lean Manufacturing afin de rem\u00e9dier aux sept sources de gaspillage traditionnellement rencontr\u00e9es dans les projets artificial intelligence.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Artefact a adapt\u00e9 les m\u00e9thodologies du Lean Manufacturing afin de rem\u00e9dier aux sept sources de gaspillage traditionnellement rencontr\u00e9es dans les projets artificial intelligence.<\/span><\/p>\n Ces lignes directrices sont con\u00e7ues pour \u00e9viter les pi\u00e8ges et optimiser le traitement, mais elles peuvent \u00eatre adapt\u00e9es.<\/span><\/p>\n Ils permettront d'optimiser les d\u00e9lais de mise sur le march\u00e9, la livraison continue, la collaboration fluide et la prise de d\u00e9cision rapide afin de maximiser les b\u00e9n\u00e9fices.<\/span><\/p>\n Dans son livre La conception des objets du quotidien<\/em>, Don Norman observe que les progr\u00e8s technologiques proviennent soit des technologies elles-m\u00eames, soit de la normalisation. Il illustre son propos par l'histoire de l'automobile. Les premi\u00e8res voitures \u00e9taient toutes diff\u00e9rentes, ce qui les rendait difficiles \u00e0 utiliser et exigeait de la force et des comp\u00e9tences sp\u00e9cifiques. Cependant, au fil du temps, elles sont devenues plus standardis\u00e9es. Aujourd'hui, toutes les voitures sont \u00e9quip\u00e9es de volants, de clignotants et de leviers de vitesse plac\u00e9s \u00e0 peu pr\u00e8s au m\u00eame endroit et remplissant la m\u00eame fonction. Gr\u00e2ce \u00e0 la normalisation de ces \u00e9l\u00e9ments cl\u00e9s, un conducteur peut conduire n'importe quelle voiture, n'importe o\u00f9 dans le monde. Ce type de normalisation a facilit\u00e9 la plupart des avanc\u00e9es technologiques et fonctionnelles majeures.<\/span><\/p>\n Lean AI s'engage \u00e0 construire des briques technologiques bas\u00e9es sur un \u00e9cosyst\u00e8me, ou des produits data, sur lesquels l'entreprise peut construire une strat\u00e9gie d'IA durable.<\/strong> <\/span><\/p>\n L'objectif est de mettre \u00e0 la disposition des \u00e9quipes de data une biblioth\u00e8que de composants technologiques standards, afin que des projets pr\u00e9sentant les m\u00eames caract\u00e9ristiques techniques puissent \u00eatre trait\u00e9s selon la m\u00eame approche et s'int\u00e9grer au reste de l'\u00e9cosyst\u00e8me.<\/span><\/p>\n Pour \u00eatre r\u00e9utilisable, l'IA doit \u00eatre \u201cemball\u00e9e\u201d comme une structure Lego, compos\u00e9e de plusieurs briques qui, une fois combin\u00e9es, cr\u00e9ent un mod\u00e8le plus complexe. Le mod\u00e8le artificial intelligence repose sur une base de d\u00e9nominateurs communs - les produits g\u00e9n\u00e9riques data - essentiels au bon fonctionnement de l'IA mais non sp\u00e9cifiques au probl\u00e8me trait\u00e9. Des produits data sp\u00e9cialis\u00e9s peuvent ensuite \u00eatre construits si n\u00e9cessaire pour r\u00e9pondre aux besoins sp\u00e9cifiques de l'IA.<\/span><\/p>\n Uber construit ses d\u00e9nominateurs communs en cr\u00e9ant une plateforme scientifique data appel\u00e9e Michelangelo. Cette plateforme vise \u00e0 r\u00e9soudre les probl\u00e8mes de production en normalisant les flux de travail et en regroupant des extraits de code data pour aider les centres data \u00e0 partager et \u00e0 diffuser les connaissances.<\/span><\/p>\n Dans le commerce de d\u00e9tail, le client et le magasin sont des sources data communes \u00e0 la plupart des projets. Il s'agit de sources data g\u00e9n\u00e9riques qui peuvent \u00eatre utilis\u00e9es par des produits data sp\u00e9cialis\u00e9s tels que des algorithmes de recommandation ou des algorithmes visant \u00e0 garantir la disponibilit\u00e9 des stocks.<\/span><\/p>\n Cette approche pr\u00e9sente de multiples avantages :<\/span><\/p>\n Il permet surtout aux \u00e9quipes de se concentrer sur l'essentiel 20% du travail sp\u00e9cialis\u00e9 qui augmentera la valeur g\u00e9n\u00e9r\u00e9e par le produit final.<\/b><\/p>\n La m\u00e9thodologie Lean AI met l'accent sur le dernier kilom\u00e8tre de la cha\u00eene de production. Un produit data n'a de succ\u00e8s que s'il est largement distribu\u00e9 et consomm\u00e9 par les utilisateurs finaux.<\/span><\/p>\n Le travail des \u00e9quipes de data ne s'arr\u00eate pas \u00e0 la construction du mod\u00e8le, mais \u00e0 la r\u00e9alisation des indicateurs cl\u00e9s de performance de l'entreprise. Cela implique de mettre l'algorithme \u00e0 la disposition de tous les utilisateurs finaux.<\/span><\/p>\n Par exemple, d\u00e8s qu'un nouveau composant de Google Cloud est d\u00e9velopp\u00e9, il est packag\u00e9 pour que les utilisateurs de Google Cloud Platform puissent l'utiliser facilement. Google d\u00e9veloppe des API d'apprentissage automatique, qui sont cr\u00e9\u00e9es pour \u00e9tendre l'utilisation des produits d'intelligence artificielle de Google et en favoriser l'adoption \u00e0 grande \u00e9chelle. L'objectif des produits data est de profiter \u00e0 un audience beaucoup plus grand que celui pour lequel le composant a \u00e9t\u00e9 con\u00e7u \u00e0 l'origine.<\/span><\/p>\n Un mod\u00e8le d'apprentissage automatique permettant de pr\u00e9dire la disponibilit\u00e9 des stocks pour un num\u00e9ro d'article europ\u00e9en (EAN) sp\u00e9cifique peut s'av\u00e9rer extr\u00eamement utile pour un d\u00e9taillant. Cependant, si le d\u00e9taillant l'alimente par une API standardis\u00e9e dans un tableau de bord accessible \u00e0 l'ensemble de l'entreprise, il est bien plus puissant. Ce tableau de bord peut \u00eatre utilis\u00e9 par les directeurs de magasin pour suivre le flux de leurs stocks, par l'\u00e9quipe marketing pour cibler leurs campagnes sur les produits \u00e0 succ\u00e8s, par l'\u00e9quipe de promotion pour d\u00e9finir sa strat\u00e9gie promotionnelle et par l'\u00e9quipe d'approvisionnement pour optimiser la cha\u00eene d'approvisionnement.<\/span><\/p>\n Une fois que le produit data a \u00e9t\u00e9 distribu\u00e9 dans les diff\u00e9rents secteurs de l'entreprise, nous devons mesurer l'adoption et stimuler les performances.<\/span><\/p>\n Artefact recommande de mettre en \u0153uvre un outil d'analyse de l'IA, contr\u00f4l\u00e9 par les propri\u00e9taires de produits, pour promouvoir l'am\u00e9lioration.<\/b><\/p>\n Quelques-uns des indicateurs de performance de l'analyse de l'IA :<\/span><\/p>\n Pour comprendre l'utilisation d'un produit par des personnes r\u00e9elles, le responsable du produit doit passer du temps avec elles. Par cons\u00e9quent, les sessions d'immersion avec les \u00e9quipes commerciales sont pr\u00e9f\u00e9rables \u00e0 l'envoi d'enqu\u00eates aupr\u00e8s des utilisateurs. Le responsable du produit d'IA doit agir comme un ethnographe, en observant comment l'outil cr\u00e9\u00e9 est utilis\u00e9 dans leur environnement de travail.<\/span><\/p>\n Cette m\u00e9thodologie a fait ses preuves en mati\u00e8re de bonnes pratiques pour le d\u00e9veloppement de produits num\u00e9riques. Pierre Fournier, chef de produit chez ManoMano, recommande aux propri\u00e9taires de produits d'organiser des \u201cvendredis popcorn\u201d, au cours desquels ils visionnent des enregistrements vid\u00e9o de parcours d'utilisateurs sur le site. Le premier vendredi du mois est consacr\u00e9 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 propri\u00e9taires de produits de s'identifier aux utilisateurs et facilite grandement la prise de d\u00e9cision en mati\u00e8re d'ajustements.<\/span><\/p>\n \n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":" Artefact a adapt\u00e9 les m\u00e9thodologies du Lean Manufacturing afin de rem\u00e9dier aux sept sources de gaspillage traditionnellement rencontr\u00e9es dans les projets artificial intelligence.<\/p>","protected":false},"featured_media":5560,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5559","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/5559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/5560"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=5559"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=5559"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=5559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}L'IA all\u00e9g\u00e9e fournit un cadre en deux parties pour r\u00e9pondre \u00e0 cette question :<\/span><\/strong><\/h3>\n
\n
Optimisation de la cha\u00eene de production par le d\u00e9veloppement de produits standards data<\/span><\/h3>\n
La normalisation : Le principal moyen de mettre en \u0153uvre les avanc\u00e9es technologiques<\/span><\/strong><\/h3>\n
Produits Data en tant que Lego intelligent normalis\u00e9<\/span><\/strong><\/h3>\n
\n
L'accent est mis sur l'op\u00e9rationnalisation des produits data dans le dernier kilom\u00e8tre.<\/span><\/h3>\n
La distribution des produits data<\/span><\/strong><\/h3>\n
Analyse de l'IA<\/span><\/strong><\/h3>\n
\n
Le responsable du produit d'IA doit devenir un expert du comportement humain<\/span><\/strong><\/h3>\n