" Aujourd'hui, nous générons plus de données que jamais auparavant. Les caméras et les capteurs digitalisent tout. C'est pourquoi nous conseillons à nos clients d'investir dans leur stratégie et leur plateforme de données afin d'aligner le métier et l'IT. Cette approche est la meilleure garantie de succès de l'apprentissage machine. "

A titre d'illustration, Jan Kesters cite d'emblée un exemple tiré de sa propre pratique professionnelle. " Au sein du secteur de la distribution, nous combinons des données de clients et de ventes, et utilisons aujourd'hui déjà l'apprentissage machine pour savoir quel client a le plus de chances d'acheter ou de racheter tel produit. Nous aidons ainsi les revendeurs afin qu'ils ciblent leurs actions de marketing et de vente sur les bons clients et qu'ils réduisent la phase qui précède un achat. "

Jan Kesters, Data Intelligence Sales and Solution Manager chez Cegeka

Apprendre pour prévoir

Mais de quoi s'agit-il en fait ? De systèmes d'intelligence artificielle (IA) qui, comme leur nom l'indique, possèdent aussi une capacité d'apprentissage. " Ils font appel à des algorithmes pour traiter les données et apprendre de ces données ", explique Jan Kesters. " Et grâce à ce processus d'apprentissage, lequel s'améliore au fil du temps, ils peuvent également faire des prédictions. Songez aux prévisions météo ou à la détection proactive d'un éventuel problème de qualité dans un processus de production. "

Le volume des données et la qualité de ces données sont cruciaux pour le succès de l'apprentissage machine. " Ils permettent d'améliorer réellement la qualité des algorithmes. D'où également l'importance d'ajouter constamment de nouvelles sources de données susceptibles d'être pertinentes. Plus les données sont pertinentes, plus les prédictions sont en effet précises ", souligne Jan Kesters.

Investissez dans une stratégie et une plateforme de données afin d'aligner le métier et l'IT. Cette approche est la meilleure garantie de succès de l'apprentissage machine.

Proof of value

Autre facteur clé de succès de l'apprentissage machine : la mise en place d'une bonne stratégie de données. Sans oublier la capacité de posséder en interne le savoir-faire adéquat pour collecter et gérer l'ensemble des données nécessaires. En d'autres termes, il faut disposer d'une plateforme de données moderne en soutien de la stratégie de données. " Cela étant, je recommande surtout de veiller à ce que le métier et l'IT soient alignés. Et de leur présenter également des critères de succès concrets et mesurables. En d'autres termes, ne pas investir dans l'apprentissage machine seulement et uniquement pour faire de l'apprentissage machine. "

Pour déterminer les critères de succès d'un projet de ML et pouvoir en mesurer effectivement le succès par la suite, Cegeka a mis au point sa propre méthodologie en s'appuyant sur un 'AI Value Canvas'. " Dans l'optique du développement de ce 'IA Value Canvas', nous avons rassemblé des personnes du métier et de l'IA au sein d'un atelier commun ", explique Jan Kesters. " Celui-ci a tout d'abord permis de définir les critères de succès et les résultats finaux recherchés en commun : une sorte de 'proof of value' permettant d'évaluer concrètement le 'retour sur investissement' mesurable du projet. Dans le même temps, la technologie à mettre en oeuvre a été choisie, tandis que les exigences ICT du projet ont été fixées. Il peut s'agir de l'ouverture et de la mise à disposition de données, mais peut-être aussi de l'implémentation de ou de l'adaptation d'une application. "

Décisions meilleures

Avec son 'AI Value Canvas', Cegeka entend éviter qu'un projet ne soit voué à l'échec. " Reste qu'un projet qui échoue en apparence peut paradoxalement connaître un certain succès ", estime Jan Kesters d'expérience. " Par exemple du fait qu'il a mis en lumière un problème de qualité des données. Outre une meilleure sensibilisation, cela génère très souvent une nouvelle dynamique au sein de l'entreprise. Celle-ci peut par exemple se traduire par l'installation d'un capteur où l'achat de nouvelles données. Ce qui, à son tour, peut générer de meilleurs résultats de la part de l'apprentissage machine et finalement permettre la prise de meilleures décisions. "

" Aujourd'hui, nous générons plus de données que jamais auparavant. Les caméras et les capteurs digitalisent tout. C'est pourquoi nous conseillons à nos clients d'investir dans leur stratégie et leur plateforme de données afin d'aligner le métier et l'IT. Cette approche est la meilleure garantie de succès de l'apprentissage machine. "A titre d'illustration, Jan Kesters cite d'emblée un exemple tiré de sa propre pratique professionnelle. " Au sein du secteur de la distribution, nous combinons des données de clients et de ventes, et utilisons aujourd'hui déjà l'apprentissage machine pour savoir quel client a le plus de chances d'acheter ou de racheter tel produit. Nous aidons ainsi les revendeurs afin qu'ils ciblent leurs actions de marketing et de vente sur les bons clients et qu'ils réduisent la phase qui précède un achat. "Mais de quoi s'agit-il en fait ? De systèmes d'intelligence artificielle (IA) qui, comme leur nom l'indique, possèdent aussi une capacité d'apprentissage. " Ils font appel à des algorithmes pour traiter les données et apprendre de ces données ", explique Jan Kesters. " Et grâce à ce processus d'apprentissage, lequel s'améliore au fil du temps, ils peuvent également faire des prédictions. Songez aux prévisions météo ou à la détection proactive d'un éventuel problème de qualité dans un processus de production. "Le volume des données et la qualité de ces données sont cruciaux pour le succès de l'apprentissage machine. " Ils permettent d'améliorer réellement la qualité des algorithmes. D'où également l'importance d'ajouter constamment de nouvelles sources de données susceptibles d'être pertinentes. Plus les données sont pertinentes, plus les prédictions sont en effet précises ", souligne Jan Kesters.Autre facteur clé de succès de l'apprentissage machine : la mise en place d'une bonne stratégie de données. Sans oublier la capacité de posséder en interne le savoir-faire adéquat pour collecter et gérer l'ensemble des données nécessaires. En d'autres termes, il faut disposer d'une plateforme de données moderne en soutien de la stratégie de données. " Cela étant, je recommande surtout de veiller à ce que le métier et l'IT soient alignés. Et de leur présenter également des critères de succès concrets et mesurables. En d'autres termes, ne pas investir dans l'apprentissage machine seulement et uniquement pour faire de l'apprentissage machine. "Pour déterminer les critères de succès d'un projet de ML et pouvoir en mesurer effectivement le succès par la suite, Cegeka a mis au point sa propre méthodologie en s'appuyant sur un 'AI Value Canvas'. " Dans l'optique du développement de ce 'IA Value Canvas', nous avons rassemblé des personnes du métier et de l'IA au sein d'un atelier commun ", explique Jan Kesters. " Celui-ci a tout d'abord permis de définir les critères de succès et les résultats finaux recherchés en commun : une sorte de 'proof of value' permettant d'évaluer concrètement le 'retour sur investissement' mesurable du projet. Dans le même temps, la technologie à mettre en oeuvre a été choisie, tandis que les exigences ICT du projet ont été fixées. Il peut s'agir de l'ouverture et de la mise à disposition de données, mais peut-être aussi de l'implémentation de ou de l'adaptation d'une application. "Avec son 'AI Value Canvas', Cegeka entend éviter qu'un projet ne soit voué à l'échec. " Reste qu'un projet qui échoue en apparence peut paradoxalement connaître un certain succès ", estime Jan Kesters d'expérience. " Par exemple du fait qu'il a mis en lumière un problème de qualité des données. Outre une meilleure sensibilisation, cela génère très souvent une nouvelle dynamique au sein de l'entreprise. Celle-ci peut par exemple se traduire par l'installation d'un capteur où l'achat de nouvelles données. Ce qui, à son tour, peut générer de meilleurs résultats de la part de l'apprentissage machine et finalement permettre la prise de meilleures décisions. "