Intelligence Artificielle en production : 10 problèmes courants, 11 solutions

10 causes d’échec

Voici les 10 raisons principales qui, d’après moi, l’expliquent :

1. Manque de support et implication du leadership.
2. Stratégie IA mal définie et initiatives non reliées à la stratégie globale de l’entreprise.
3. Gouvernance de la donnée insuffisante.
4. Coordination insuffisante entre IT et business, freins organisationnels.
5. Enjeux réglementaires, éthique, ou sécurité insuffisamment pris en compte.
6. Valeur du problème à résoudre trop faible ou système d’intelligence artificielle inappropriée.
7. Manque de co-construction avec les utilisateurs finaux, absence d’explicabilité et d’actionnabilité.
8. Absence d’utilisation d’outils ou de technologies adaptées.
9. Mise en production et intégration avec l’écosystème existant non pensées au début du projet.
10. Manque de valeur durable par absence de suivi des initiatives et de KPI une fois déployés.

Face à ces défis, comment réussir ?

En ayant appris des succès et des échecs de nos propres initiatives, j’ai aussi tiré 11 leçons pour faire face à ces difficultés récurrentes et que vous pourrez appliquer dans vos propres projets :

1. S’assurer du support du leadership – avoir un senior leader en charge, le CEO devrait être le premier sponsor pour s’assurer de la coopération entre les équipes et la constitution d’équipes pluridisciplinaires.
2. Définir une stratégie IA et identifier les initiatives clés à financer qui supportent la stratégie globale de l’entreprise. Définir des objectifs clés à atteindre et les KPI qui permettront de s’assurer que les objectifs pourront être atteints.
3. S’assurer que les données nécessaires sont disponibles et qu’il sera possible de les utiliser une fois le système en production. Renforcer la qualité des données et apprenant des initiatives. Identifier les données qu’il faudra collecter pour le futur.
4. Mettre en place une organisation et une gouvernance adaptées en définissant les responsabilités ; penser les projets d’IA comme des projets transverses, désiloter.
5. Adopter une approche de confiance, ce qui implique de s’assurer de l’explicabilité des modèles, d’identifier les biais et les corriger, de s’assurer que les données sont sécurisées. Prendre en compte les recommandations des régulateurs, les premières versions de réglementations, les checklists.
6. S’assurer que le problème à résoudre est suffisamment important, partir de l’usage ; s’assurer qu’une technologie d’intelligence artificielle est adaptée au problème à résoudre.
7. Impliquer les utilisateurs finaux, travailler avec eux pour qu’ils voient la valeur et qu’ils soient en mesure d’actionner les résultats de l’IA (ce qui demande souvent des explications claires).
8. Avoir une roadmap cloud, API, kubernetes, MLOps, s’appuyer sur des plateformes et bons outils pour pouvoir capitaliser plus efficacement sur les initiatives et reproduire les résultats dans le temps.
9. Penser production et l’intégration avec l’écosystème existant depuis le début au risque de ne pas pouvoir utiliser les résultats des modèles d’intelligence artificielle.
10. Avoir conscience que la mise en production est certainement le début du chemin, mettez comme objectifs à vos équipes de déployer en quelques semaines voire jours plutôt qu’en quelques mois.
11. S’équiper d’outils pour monitorer les modèles déployés et suivre les KPIs identifiés. S’assurer que les initiatives sont sous contrôle.

 DreamQuark développe une plateforme logicielle – Brain – qui s’appuie sur l’apprentissage profond (deep learning) pour fournir des résultats interprétables aux services financiers. L’entreprise travaille avec des grands noms du secteur banque et assurance, comme BNP Paribas, ou AG2R La Mondiale qui a investi dans DreamQuark lors de sa dernière levée de fonds.