![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/12\/anastasia-dulgier-1156050-unsplash-scaled-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>ACTUALIT\u00c9S \/ TECHNOLOGIE DE L'AI<\/p>\n<\/div>
Inspir\u00e9 par les sept \u201cgaspillages\u201d popularis\u00e9s par la production all\u00e9g\u00e9e, Artefact a adapt\u00e9 ce concept au domaine de artificial intelligence. Cette \u00e9tude est bas\u00e9e sur plus de 30 projets artificial intelligence au cours des trois derni\u00e8res ann\u00e9es.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Inspir\u00e9 par les sept \u201cgaspillages\u201d popularis\u00e9s par la production all\u00e9g\u00e9e, Artefact a adapt\u00e9 ce concept au domaine de artificial intelligence. Cette \u00e9tude est bas\u00e9e sur plus de 30 projets artificial intelligence au cours des trois derni\u00e8res ann\u00e9es.<\/span><\/p>\n Pour chaque \u201cgaspillage\u201d identifi\u00e9 - traitement suppl\u00e9mentaire, \u00e9nergie, inventaire, surproduction, attente, \u00e9checs et talents - les causes sont expliqu\u00e9es \u00e0 l'aide d'exemples concrets.<\/span><\/p>\n Faire de l'IA parce que c'est la nouveaut\u00e9 qui brille. C'est le cas lorsque des \u00e9quipes techniques travaillent \u00e0 l'\u00e9laboration d'une solution technique efficace et innovante, mais complexe. Les consid\u00e9rations commerciales sont rel\u00e9gu\u00e9es \u00e0 l'arri\u00e8re-plan au profit du d\u00e9fi technologique ; les sp\u00e9cifications techniques priment sur les sp\u00e9cifications commerciales impr\u00e9cises, et les principales caract\u00e9ristiques g\u00e9n\u00e9ratrices de valeur ne sont pas clairement identifi\u00e9es. Les traitements suppl\u00e9mentaires aboutissent souvent \u00e0 des \u201cbo\u00eetes noires\u201d complexes\u201d<\/span><\/p>\n qui doivent \u00eatre maintenus par les \u00e9quipes techniques et seulement ensuite compris et adopt\u00e9s par les \u00e9quipes commerciales.<\/span><\/p>\n La cr\u00e9ation d'une IA personnalis\u00e9e prend beaucoup de temps. Il arrive qu'un petit d\u00e9tail parfait, auquel le client n'a pas accord\u00e9 de priorit\u00e9 et qu'il n'attendait pas, devienne le point central d'un projet. Dans ce cas, le v\u00e9ritable objectif du projet est abandonn\u00e9 au profit de la r\u00e9solution de probl\u00e8mes mineurs.<\/span><\/p>\n Une compagnie d'assurance souhaite cr\u00e9er un algorithme de pr\u00e9diction du taux de d\u00e9sabonnement. Les solutions traditionnelles de type\u00a0<\/span>permettent de respecter les sp\u00e9cifications. Cependant, l'\u00e9quipe data souhaite concevoir un syst\u00e8me de contr\u00f4le de la qualit\u00e9.\u00a0<\/span>solution personnalis\u00e9e d'apprentissage en profondeur. L'algorithme qu'ils ont con\u00e7u est une \u201cbo\u00eete noire\u201d, dont l'\u00e9valuation et la compr\u00e9hension prennent beaucoup plus de temps.<\/span><\/p>\n Une entreprise de produits de grande consommation souhaite mettre en place un algorithme d'attribution pour faciliter la gestion des m\u00e9dias.\u00a0<\/span>l'achat. Plut\u00f4t que de capitaliser sur les mod\u00e8les d'attribution traditionnels (dernier contact, lin\u00e9aire, premier contact, etc.), l'entreprise souhaite mettre en place un mod\u00e8le d'attribution data-driven, fournissant un mod\u00e8le inutilement complexe, difficile \u00e0 comprendre et \u00e0 utiliser.<\/span><\/p>\n Souvent, les entreprises ne disposent pas d'un \u00e9cosyst\u00e8me technique en mati\u00e8re d'IA et ont mis en place des syst\u00e8mes d'information et des outils existants. Les diff\u00e9rents composants n\u00e9cessaires pour construire la solution d'IA ne sont pas int\u00e9gr\u00e9s, ce qui augmente les co\u00fbts et les d\u00e9lais du processus de d\u00e9veloppement. Sur le plan humain, les comp\u00e9tences ne sont pas centralis\u00e9es et la communication n'est pas fluide, ce qui entra\u00eene des malentendus et des pertes de temps.<\/span><\/p>\n Une entreprise de distribution souhaite mettre en place un algorithme de recommandation client. Les data n\u00e9cessaires au projet (CRM, transactionnel, navigation, etc.) sont dispers\u00e9es dans plusieurs databases sans acc\u00e8s centralis\u00e9. La t\u00e2che de centralisation, qui prend du temps, est n\u00e9cessaire avant de lancer le projet.<\/span><\/p>\n Pour b\u00e9n\u00e9ficier d'une puissance de calcul accrue, l'\u00e9quipe du data d\u00e9cide d'entra\u00eener l'algorithme sur le cloud et de le d\u00e9ployer sur une infrastructure informatique locale. Les \u00e9cosyst\u00e8mes techniques n'\u00e9tant pas d\u00e9j\u00e0 int\u00e9gr\u00e9s, un travail d'int\u00e9gration suppl\u00e9mentaire est n\u00e9cessaire.<\/span><\/p>\n Les mod\u00e8les sont con\u00e7us individuellement pour r\u00e9pondre \u00e0 un besoin particulier. Il n'est pas possible de capitaliser sur ce qui a \u00e9t\u00e9 construit auparavant, de sorte que chaque nouveau besoin est satisfait en partant de z\u00e9ro, ce qui ralentit la production et le d\u00e9veloppement de nouveaux mod\u00e8les.<\/span><\/p>\n De mauvais choix technologiques initiaux aboutissent \u00e0 un produit data qui n\u00e9cessite une maintenance importante. L'\u00e9quipe passe trop de temps \u00e0 maintenir le syst\u00e8me existant au lieu d'it\u00e9rer et de l'am\u00e9liorer.<\/span><\/p>\n Une soci\u00e9t\u00e9 de cosm\u00e9tiques souhaite cr\u00e9er une solution de traitement du langage naturel (NLP) pour analyser les sentiments sur les r\u00e9seaux sociaux. Plut\u00f4t que d'utiliser un composant existant et d'y ajouter un \u00e9l\u00e9ment NLP sp\u00e9cialis\u00e9, la solution est construite sur mesure. Trois mois plus tard, une autre \u00e9quipe souhaite utiliser le NLP pour un autre type d'analyse ; elle est oblig\u00e9e de repartir de z\u00e9ro, cr\u00e9ant ainsi un nouvel \u201cinventaire\u201d d'IA.<\/span><\/p>\n Une entreprise sp\u00e9cialis\u00e9e dans l'internet des objets (IdO) souhaite comprendre comment les consommateurs utilisent ses produits connect\u00e9s.\u00a0<\/span>Si les appareils data de l'entreprise sont en bon \u00e9tat, les donn\u00e9es qui lui parviennent sont irr\u00e9guli\u00e8res et de pi\u00e8tre qualit\u00e9. L'entreprise d\u00e9cide d'externaliser la mise en \u0153uvre d'un nouveau produit data afin de r\u00e9soudre ce probl\u00e8me et de permettre le traitement en temps r\u00e9el du data ainsi que d'anticiper tout probl\u00e8me de qualit\u00e9. \u00c0 la livraison du nouveau produit data, les \u00e9quipes internes sont incapables d'assurer la maintenance de la nouvelle solution (sp\u00e9cifique et complexe). Elles ont trop de syst\u00e8mes d'IA sp\u00e9cifiques, distincts et complexes.<\/span><\/p>\n En l'absence de strat\u00e9gie int\u00e9gr\u00e9e, de nombreuses initiatives diff\u00e9rentes (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 r\u00e9pondent souvent au m\u00eame probl\u00e8me.<\/span><\/p>\n Une entreprise de produits de grande consommation d\u00e9cide de lancer une \u00e9quipe de projet ax\u00e9e sur artificial intelligence. La premi\u00e8re action de l'\u00e9quipe est d'organiser un atelier d'id\u00e9es pour identifier les cas d'utilisation \u00e0 d\u00e9velopper. Les cas d'utilisation soumis se concentrent sur la promotion et le marketing, et d'autres domaines int\u00e9ressants sont n\u00e9glig\u00e9s, notamment l'optimisation de la cha\u00eene d'approvisionnement, la r\u00e9duction de la consommation d'\u00e9nergie et la r\u00e9duction des co\u00fbts en magasin.<\/span><\/p>\n L'intelligence artificielle n'est pas consid\u00e9r\u00e9e comme un outil strat\u00e9gique par les dirigeants de l'entreprise. Le temps pass\u00e9 \u00e0 convaincre la direction que artificial intelligence peut cr\u00e9er un avantage concurrentiel laisse peu de temps pour agir.<\/span><\/p>\n Le faible parrainage des dirigeants entra\u00eene un manque de participation de toutes les \u00e9quipes. Les processus ne sont pas mesur\u00e9s, ce qui entra\u00eene des probl\u00e8mes de qualit\u00e9, des d\u00e9fauts et des bogues techniques. Les processus ne sont pas non plus fluides, ce qui entra\u00eene des pertes de temps consid\u00e9rables dans l'attente de l'approbation entre les \u00e9tapes successives.<\/span><\/p>\n Une entreprise du secteur du voyage souhaite d\u00e9velopper une application vocale sur Google Home et Alexa. Trois mois sont consacr\u00e9s \u00e0 l'identification et \u00e0 la mobilisation des ressources techniques. Un besoin clair d'augmenter les comp\u00e9tences de l'\u00e9quipe est identifi\u00e9. L'entreprise d\u00e9cide de faire appel \u00e0 des ressources externes, qui sont alors mises en attente pendant un mois jusqu'\u00e0 ce que l'acc\u00e8s aux databases et \u00e0 l'environnement technique soit accord\u00e9. Une fois que le projet est pr\u00eat \u00e0 \u00eatre lanc\u00e9, il est interrompu pendant plusieurs semaines, en raison d'un retard dans la signature d'un accord de confidentialit\u00e9 par le PDG.<\/span><\/p>\n Une entreprise du secteur de l'alimentation et des boissons souhaite remplacer son logiciel de diagnostic des d\u00e9faillances dans sa cha\u00eene d'approvisionnement r\u00e9frig\u00e9r\u00e9e. Elle utilisait auparavant un arbre de d\u00e9cision d\u00e9terministe construit par l'homme pour analyser les d\u00e9faillances, mais souhaitait le remplacer par un algorithme d'apprentissage automatique. Plut\u00f4t que de laisser l'algorithme d\u00e9finir la solution la plus pertinente pour r\u00e9soudre le probl\u00e8me, l'\u00e9quipe de data a limit\u00e9 l'algorithme en incluant des contraintes d\u00e9velopp\u00e9es par l'homme. \u00c0 la fin du programme, les r\u00e9sultats sont les m\u00eames que ceux du syst\u00e8me pr\u00e9c\u00e9dent.<\/span><\/p>\n Pour r\u00e9ussir sa transformation en mati\u00e8re d'IA, l'entreprise doit reconna\u00eetre les forces et les contributions de chaque employ\u00e9 et faire de la transformation en mati\u00e8re d'IA une transformation inclusive. Aujourd'hui, trop peu de temps et de ressources sont consacr\u00e9s \u00e0 l'am\u00e9lioration des comp\u00e9tences, \u00e0 la formation et au d\u00e9veloppement des employ\u00e9s, ce qui complique le d\u00e9ploiement des solutions d'IA et limite le transfert de connaissances.<\/span><\/p>\n Trois ans apr\u00e8s le lancement d'un grand plan de transformation de l'IA, une entreprise bancaire consulte ses employ\u00e9s. Trois points principaux ressortent de la consultation :<\/span><\/p>\n Inspir\u00e9 par les sept \u00ab gaspillages \u00bb popularis\u00e9s par le lean manufacturing, Artefact a adapt\u00e9 ce concept au domaine du artificial intelligence. Cette \u00e9tude est bas\u00e9e sur plus de 30 projets artificial intelligence au cours des trois derni\u00e8res ann\u00e9es.<\/p>","protected":false},"featured_media":5603,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5602","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\/5602","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\/5603"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=5602"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=5602"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=5602"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Traitement suppl\u00e9mentaire : D\u00e9passer les attentes des clients<\/span><\/h3>\n
L'IA pour l'amour de l'IA<\/span><\/h3>\n
\u201cR\u00e9inventer la roue\u201d<\/span><\/h3>\n
Exemples :<\/span><\/h3>\n
\u00c9nergie : efforts humains ou m\u00e9caniques qui n'augmentent pas les b\u00e9n\u00e9fices<\/span><\/h3>\n
Manque d'int\u00e9gration<\/span><\/h3>\n
Exemples : <\/span><\/h3>\n
Inventaire : La cr\u00e9ation d'une intelligence non autonome<\/span><\/h3>\n
Culture sp\u00e9cifique ou standardis\u00e9e<\/span><\/h3>\n
Le poids des choix pass\u00e9s<\/span><\/h3>\n
Exemples :<\/span><\/h3>\n
Surproduction : L'IA arrive trop t\u00f4t par rapport au niveau de maturit\u00e9 de l'entreprise, ou de mani\u00e8re non structur\u00e9e.<\/span><\/h3>\n
Trop de preuves de concept (POC) non industrialis\u00e9es<\/span><\/h3>\n
Exemple :<\/span><\/h3>\n
Attente : Temps inoccup\u00e9, attente d'une livraison ou d'une d\u00e9cision manag\u00e9riale.<\/span><\/h3>\n
Absence de parrainage au niveau de la direction<\/span><\/h3>\n
Exemple :<\/span><\/h3>\n
\u00c9checs : Le produit d'IA ne r\u00e9pond pas aux besoins du client final.<\/span><\/h3>\n
L'accent mis sur la vitesse d'ex\u00e9cution plut\u00f4t que sur la qualit\u00e9 et la coh\u00e9rence<\/span><\/h3>\n
\n
Exemple :<\/span><\/h3>\n
Le personnel : Absence d'exploitation des comp\u00e9tences internes<\/span><\/h3>\n
Absence d'une culture inclusive mettant l'\u00eatre humain au centre des pr\u00e9occupations<\/span><\/h3>\n
\n