Méthode pour bien appréhender un projet IA

Au cœur de l’intelligence artificielle, les initiatives se classent en plusieurs familles majeures. Chacune est caractérisée par des attributs uniques et poursuit des buts spécifiques, adaptés à des cas d’utilisation concrets et à la résolution de problématiques variées.

Les stratégies employées pour la collecte et la classification des données sont spécifiques à chaque type. Elles reflètent des défis et des exigences propres à leur domaine d’application.

En pratique, on peut distinguer quatre grandes catégories de projets :

• D’intelligence décisionnelle : l’objectif est d’utiliser la data pour améliorer la prise de décision. Un centre d’appel peut ainsi améliorer le service au client en analysant ses demandes, voire son humeur sur la base de données historiques.

• De Computer Vision : l’objectif est d’analyser des images et d’en extraire des données. Par exemple dans l’aéronautique pour analyser l’environnement extérieur des avions, ou en imagerie médicale pour détecter certaines pathologies.
• De traitement du langage : c’est le domaine du Natural Language Processing, des grands modèles de langage (LLM), et des modèles plus petits (Small Language Models). C’est un des champs majeurs de l’IA générative que l’on retrouve dans ChatGPT ou avec Copilot pour Microsoft 365 pour améliorer la productivité individuelle en entreprise.
• Des projets « socle » de data platform : moins directement orientés vers l’utilisateur final, ils visent à collecter la donnée, puis à la mettre à disposition avec des technologies d’extraction-filtrage (ETL) et de constitution de data warehouse.

Tous ces projets ont en commun d’accorder un rôle central à la data. Avant de se lancer dans un projet IA, les entreprises ont donc tout intérêt à bien s’entourer, notamment d’experts de la donnée comme des data engineers et des data scientists.

Les data engineers permettront de gérer le cycle de vie de la donnée quand les data scientists aideront à comprendre et extraire le sens de la donnée rattachée à un service, un métier ou même un projet en particulier.

Pour débuter, mieux vaut s’atteler à un projet simple, facile à intégrer comme le développement d’un chatbot d’entreprise dans Teams par exemple. Ce n’est que par la suite que des projets plus complexes pourront être abordés et lancés.

On l’a dit, l’implication des métiers et des principaux utilisateurs est incontournable pour assurer l’adoption et l’efficacité des solutions IA. Les ateliers de découverte faciliteront cette intégration : les participants y expriment leurs besoins et leurs visions pour le futur, tout en envisageant les impacts concrets de l’IA sur leur travail quotidien. Une telle démarche collaborative assure que les projets IA sont alignés avec les objectifs métier et répondent véritablement aux attentes des utilisateurs finaux.

Bien que la plupart des projets IA soient initiés par les métiers, la DSI joue un rôle important. C’est l’IT qui stimule l’innovation et soutient le déploiement des solutions.

En étroite collaboration avec les experts data, la DSI contribue à la mise en œuvre technique des projets et garantit leur intégration fluide dans l’écosystème informatique existant. Sans oublier le maintien en condition opérationnelle des solutions déployées.

Pour une intégration réussie de l’IA en entreprise, il est donc essentiel de débuter par des projets à la portée bien définie. Cela implique une collaboration étroite entre les experts data, les métiers, les utilisateurs et la DSI. Cette approche permet non seulement d’assurer une meilleure compréhension des enjeux et des technologies IA, mais aussi de maximiser l’impact des solutions développées.