L'intégration de l'IA dans votre organisation commence par l'identification de la façon dont les plateformes d'IA, les modèles fondamentaux, l'IA générative et le machine learning (ML) s'alignent sur vos objectifs principaux. Les entreprises ont tendance à surestimer l'impact des capacités d'IA et à sous-estimer leur complexité, ce qui oblige les responsables des données et analyses à définir leurs attentes, sous peine de voir leurs projets se solder par des échecs coûteux.²

« Si vous êtes un responsable des données, réfléchissez aux tâches pour lesquelles vos équipes sont le plus sollicitées et à la manière dont l'IA pourrait leur faciliter la vie », déclare Ann Leach, directrice de la gestion des produits de portefeuille chez IBM. « Où l'IA peut-elle faciliter la prise de décision, créer de meilleurs workflows et processus, ou fournir à l'entreprise des informations qui stimulent les idées novatrices ? »

Pour tirer le meilleur parti de vos applications d'IA, tenez compte des conseils suivants :

Établissez un lien avec vos résultats

Collaborez avec les dirigeants pour servir les objectifs commerciaux globaux de votre organisation. Tim Humphrey, directeur de l’analytique, IBM, suggère que si vous envisagez un cas d'utilisation de l'IA avec un responsable du marketing, des ressources humaines, de la chaîne d'approvisionnement, des ventes ou de la gestion des actifs, vous devriez vous interroger sur les objectifs que ce responsable cherche à atteindre pour ce poste ou cette organisation. Vous devez savoir à la fois où il en est actuellement et son objectif. M. Humphrey ajoute : « Si vous ne pouvez pas appliquer l'IA sur ce continuum entre la situation actuelle et la situation future, vous n'êtes pas prêt ».

Commencez par effectuer des tests


Avec l'IA, testez des preuves de concept jusqu'à ce que vous trouviez la bonne solution. Ensuite, optimisez-la. « Plutôt que de passer beaucoup de temps à tout perfectionner, je suis une fervente adepte de la validation de nombreux concepts jusqu'à ce que vous trouviez celui qui vous convient le mieux », déclare Caroline Carruthers, PDG de Carruthers and Jackson et auteur du livre The Chief Data Officer's Playbook.

Fixez des objectifs et assurez-en le suivi

Définissez des indicateurs de performance clés qui mesurent le succès de chaque cas d'utilisation. Supposons que le projet porte sur l'identification des fraudes à la carte de crédit et que vous souhaitiez que l'IA détecte 95 % des cas frauduleux. Le suivi de vos progrès à l'aide d'indicateurs vous permettrait de définir et de contrôler les niveaux de performance de l'IA et de prouver sa valeur aux parties prenantes.

L'un des principaux enjeux du travail d'un responsable des données est de mettre en place des moyens rapides et fiables de passer des données aux informations. Vous avez besoin des bonnes données pour exécuter votre modèle, mais toutes les données ne sont pas adaptées à l'IA.


« Tout commence par un ensemble de données pertinent pour un cas d'utilisation spécifique, et sans cela, il n'y a pas d'IA, un point c'est tout », déclare Remus Lazar, vice-président du développement logiciel, Data Fabric, IBM. Il cite l'exemple d'une compagnie aérienne qui souhaite que l'IA prédictive lui permette de prévoir si les passagers auront le temps d'effectuer leur correspondance. « Si vous n'avez collecté que des données sur les passagers qui ont manqué leur correspondance, et non sur ceux qui l'ont assurée, les données utilisées ne sont pas très pertinentes. Sans les ensembles de données appropriés, vous ne serez jamais en mesure de solutionner votre cas d'utilisation. »

Révisez votre architecture de données

Plus de la moitié des organisations citent les données comme la cause principale des retards dans les projets d'IA. Une architecture de données moderne, telle qu'une data fabric, offre des capacités intégrées en termes de qualité et de gouvernance des données. Elle permet à vos data scientists d'utiliser les données en libre-service, quel que soit l'endroit où elles se trouvent, en appliquant automatiquement toutes les exigences en matière de gouvernance et de protection de la vie privée. Cette approche permet aux utilisateurs de disposer de données fiables et d'accéder à des sources disparates en temps réel, tout en bénéficiant d'une gouvernance totale favorisant l'agilité et la rapidité.

Alimentez vos modèles avec des données fiables

À une époque où les réglementations et l'éthique autour de l'IA sont en constante évolution et complexes, vous devez toujours vous poser cette question : Quelle est la gouvernance de ces données et peuvent-elles être utilisées à cette fin ? La qualité des données et la gouvernance des données sont essentielles à l'évolutivité des solutions d'IA. Réfléchissez aux questions suivantes auxquelles votre organisation doit répondre avant de pouvoir se fier aux décisions de l'algorithme.


• Par exemple, avez-vous besoin de données externes ou de données internes ?
• Utilisez-vous des données historiques ?
• Si oui, est-ce éthique dans le contexte actuel ?

En tant que responsable des données, il vous appartient de déterminer qui contrôle les données, qui a accès aux logiciels et aux applications d'IA et qui doit y avoir accès pour que les initiatives d'IA soient profitables.

Engagez-vous en faveur d'une IA éthique

Les directives pour une IA responsable comprennent des considérations telles que la sécurité, le caractère explicable et la partialité. Si vous utilisez des données historiques pour alimenter un modèle, assurez-vous qu'elles soient conformes à l'éthique et aux sensibilités actuelles de la société. Par exemple, les attitudes concernant le genre, l'origine ethnique, le sexe, la classe sociale et l'âge sont différentes aujourd'hui de ce qu'elles étaient dans les années 1970. L'utilisation d'un ensemble de données obsolètes pourrait entretenir les préjugés de l'IA et fausser les résultats dès le départ. Les organisations peuvent se distinguer en abordant les questions éthiques de manière stratégique, ciblée et réfléchie.

L'IA d'entreprise exige la même communication, la même structure et la même rigueur que dans les secteurs plus établis d'une organisation. Mais le développement de modèles se fait trop souvent sur l'ordinateur portable d'un data scientist, et l'orchestration se fait manuellement, ou ad hoc, au moyen de codes et de scripts personnalisés. C'est pourquoi vous avez besoin d'opérations de machine learning (MLOps), c'est-à-dire l'application de capacités d'IA, telles que le traitement automatique du langage naturel (NLP) et les modèles de ML, pour automatiser et optimiser les workflows opérationnels. Ne négligez pas non plus les gains d'efficacité qui découlent de modèles d'IA flexibles et réutilisables, tels que les modèles de base.

Accélérez efficacement les workflows

Il est utile de disposer d'un ensemble de bonnes pratiques pour les plateformes d'IA d'entreprise qui facilitent et harmonisent la collaboration entre vos équipes de science des données et le service informatique.

« Vous voulez créer la capacité de déployer automatiquement des modèles sécurisés vers la périphérie, les services web, les ordinateurs centraux, sur le bon type de matériel, et le justifier », déclare Steven Eliuk, vice-président, AI et gouvernance, directeur mondial des données chez IBM. « Chez IBM, nous cherchons toujours des moyens de permettre aux groupes de mettre leurs modèles en production plus rapidement, mais d'une manière sécurisée et gouvernée », ajoute M. Eliuk.

Remédiez aux erreurs humaines

MLOps automatise les processus manuels et contribue à prévenir les erreurs humaines coûteuses, ce qui réduit les risques et rend l'entreprise beaucoup plus réactive. En plus d'optimiser la production, MLOps aide les modèles à être performants, de sorte que la confiance règne tout au long du cycle de vie de l'IA. Cela vous permet de répondre à des questions cruciales telles que : Ces données sont-elles biaisées au départ ? L'ensemble de données comporte-t-il suffisamment d'échantillons représentatifs ? Lors du développement, utilisez-vous les bons algorithmes ou ces algorithmes vont-ils accentuer les biais déjà présents dans les données ?

Voici comment un responsable des données a mis en pratique la méthode MLOps : « Nos MLOps vérifient en permanence la qualité, testant la qualité de nos prédictions et la qualité de notre ML », explique Peter Jackson, directeur des données et des opérations chez Outra. « Nous disposons de toute une série de tableaux de bord qui sont transmis à la direction générale et qui nous permettent de contrôler la qualité et le pouvoir prédictif de ces modèles. Et si nous constatons une baisse de performance sur un mois, nos programmes de machine learning sont analysés et les sources de données examinées, afin de déterminer les causes du problème ».

Les organisations sont confrontées à de graves risques pour la réputation de leur marque si leurs modèles d'IA sont biaisés ou inexplicables. Elles pourraient également faire l'objet d'audits gouvernementaux et se voir infliger des millions d'euros d'amendes si elles ne respectent pas des exigences réglementaires complexes et évolutives. Tous ces problèmes peuvent avoir un impact dévastateur sur les relations avec les actionnaires et clients.

Apprenez à maîtriser votre modèle d'IA et faites-lui confiance

Les modèles de boîtes noires qui manquent de transparence sont une source d'inquiétude croissante pour les parties prenantes du secteur de l'IA. Ces modèles sont conçus et déployés mais manquent de transparence. Il n'est pas toujours facile, même pour le data scientist, de savoir comment et pourquoi le modèle a pris la décision. Et avec la montée en puissance des réglementations, telles que la loi de la ville de New York régissant l'utilisation de l'IA dans le recrutement et la proposition de loi sur l'IA de l'Union européenne, les entreprises doivent faire preuve de plus de discernement, et ce, rapidement.


La gouvernance de l'IA est le processus global de direction, de gestion et de suivi des activités d'IA dans les processus d'entreprise. Les responsables des données devraient collaborer avec les responsables des risques, de la conformité et d'autres parties prenantes essentielles dès le début d'un projet d'IA afin d'élaborer un cadre de gouvernance en la matière. Ce cadre devrait décrire les bonnes pratiques de l'entreprise en matière de développement, de déploiement et de gestion des modèles d'IA et, en fin de compte, de suppression de la boîte noire.

Assurez le suivi des modèles de bout en bout

La gouvernance de l'IA établit des garde-fous à chaque étape du cycle de vie de l'IA et du ML, y compris la collecte de données, l'élaboration de modèles, le déploiement, la gestion et la surveillance. Ils se traduisent par des processus plus transparents et fournissent des résultats explicables aux principales parties prenantes et aux clients. La mise en œuvre d'une gouvernance de l'IA de bout en bout vous aide à mieux gérer les risques et votre réputation, à adhérer aux principes éthiques, ainsi qu'à protéger et à adapter vos activités en fonction des réglementations gouvernementales.

Un grand détaillant américain s'est tourné vers IBM pour l'aider à résoudre les problèmes d'équité liés aux outils et aux systèmes de recrutement qui présélectionnent les candidats. Il était essentiel pour cet employeur d'intégrer l'équité et la confiance, y compris la capacité d'identifier les préjugés et d'expliquer les décisions prises par son modèle d'IA et de ML servant au processus d'embauche. L'entreprise a utilisé IBM Cloud Pak® for Data pour gérer de manière cohérente les modèles basés sur l'IA afin d'en garantir l'exactitude et l'équité. Désormais, l'entreprise surveille et limite de manière proactive les préjugés dans ses processus d'embauche.

Exposez votre travail

IBM applique également cette approche en interne. « Si une réglementation exige de la transparence ou des explications, nous veillons à ce que l'algorithme ou l'étude d'impact présente ces détails afin que nous puissions rapidement nous adapter à la nouvelle réglementation et éviter qu'elle n'ait un impact sur l'entreprise », explique M. Eliuk.

Alors que l'IA passe du stade de l'expérimentation à celui d'activité essentielle, les entreprises constatent la nécessité de mettre en œuvre de manière proactive une gouvernance de l'IA afin de favoriser son caractère transparent et explicable. L'absence de garde-fous en matière d'IA peut faire échouer les projets d'IA et freiner l'innovation.