LE RECUE I L DES BONNES PRAT I QUES

POUR DEVELOPPER LA CULTURE A I

D E SON ENTREPR I S E .

VOLUME 1

culture [A I ]

2

Encore trop souvent abordé sous le seul spectre technolo-

gique, le développement de l’intelligence artificielle au sein

des entreprises, soulève nombre de défis organisationnels

pour les décideurs, qui se doivent aujourd’hui de remettre

en question leurs façons même d’appréhender les schémas

décisionnels, organisationnels et d’apprentissage en place.

De la formation à la qualification des ressources et compé-

tences en passant par la conduite du changement,

cette transition, avant tout humaine sera longue et complexe,

c’est pourquoi il est nécessaire pour les entreprises de

se saisir du sujet, en faisant du volet « RH » un point central

de leurs stratégies de transformation. L’enjeu est de taille,

car l’intelligence artificielle ne pourra exister sans le développe-

ment d’une culture interne de l’AI portée et partagée par tous.

Afin d’accompagner l’ensemble des décideurs face à ce chan-

tier de transformation majeur, l’équipe éditoriale du congrès AI

Paris a été à la rencontre des hommes et des femmes qui ont

su faire du volet humain, un axe clé du développement de leurs

stratégies d’intelligence artificielle. Découvrez sans plus

attendre les étapes clés à ne pas manquer et les erreurs à ne

pas commettre pour développer la culture AI de son entreprise.

Un recueil de bonnes pratiques inédit porté par Antoine

SIMOULIN, Data Scientist au sein de Quantmetry !Antoine SIMOULIN

Data Scientist, QUANTMETRY

3

CADRAG E O RGAN I SAT I O NN E L

CADRAG E O RGAN I SAT I O NN E L

DO DON ’T

Être “Use Case Driven”

L’infusion de la culture AI ne peut pas se faire pour le seul amour de la technologie. Un projet permet de focaliser ses efforts sur une problématique identifiée et de déve-lopper des compétences robustes et utiles. Ainsi, dès le cadrage, un projet AI doit prévoir la manière dont le sujet s’intègre dans les processus existants. Intégrer très tôt les experts de ces processus permet d’éviter le hors-sujet.

Identifier rapidement les projets porteurs de valeur opérationnelle : “Fail Fast”

Tous les projets ne sont pas promis au succès : s’il est nécessaire de les identifier, il faut surtout pouvoir le faire rapidement. Héritée de la transformation digitale, la méthodologie data suppose généralement d’explorer plusieurs pistes plutôt que de se focaliser sur un seul projet.Les phases successives d’expérimentation, de pilote et d’industrialisation permettent d’égrener efficacement les projets qui ne répondent pas à un besoin opérationnel, qui ne sont pas viables dans une perspective de ROI ou pas réalisables d’un point de vue technologique.

Ne pas se concentrer uniquement sur les “Quick Wins”

Il faut évidemment débuter par des projets “simples” et générateurs de valeurs mais il est également impor-

tant de se projeter pour identifier les actions nécessaires au lancement de projets plus ambitieux (collecte d’un

historique, labellisation, architecture ...).

Négliger l’étape de capitalisation pour chaque projet

Le développement des projets est un excellent catalyseur pour construire un socle technologique en interne

de manière incrémentale !

Il ne faut pas négliger de partager ses connaissances (les snippets de codes développés, les problèmes

rencontrés …) que le projet mène, ou non, à une industrialisation.

4

F ORMAT I O N & R H FORMAT I O N & R H

DO DON ’T

Constituer des équipes pluridisciplinaires

Les profils nécessaires à la bonne conduite d’un projet AI sont variés ! Côté technique, il faudra faire appel à des data scientists, engineers ou architecte. Ces techni-ciens de l’AI doivent être guidés par des experts métiers qui connaissent les besoins des utilisateurs finaux, le contexte de la donnée dans l’entreprise et les pratiques. Le développement de l’AI passe par une entente vertueuse entre ces deux mondes !

Miser sur ses propres talents

Si les profils évoluent et qu’il est parfois difficile de trouver la pépite rare, il ne faut pas négliger ses propres ressources. Dans tous les secteurs, les entreprises regorgent de talents : les assurances comptent des statisticiens, les industries des experts SI … S’il est nécessaire de les former, ils sont de véritables atouts car ils connaissent déjà les usages et les aspects métiers. Ils sont les plus à même de porter la culture AI de l’entreprise !

Se concentrer uniquement sur les compétences techniques

Les projets AI supposent souvent de transcender les frontières des équipes dans l’entreprise. Un data

scientist performant doit certes connaître ses classiques en informatique et mathématique mais aussi faire preuve

de pragmatisme et de pédagogie. Il doit être poreux aux pratiques et aux objectifs de l’environnement dans lequel

il travaille pour utiliser au mieux ses compétences.

De plus, la formation ne doit pas se concentrer uniquement sur les profils techniques et des compétences ésotériques. Les projets émergent de besoins des experts métiers et des utilisateurs, ils doivent donc être sensibles

aux possibilités offertes par les technologies de l’AI pour proposer des projets et des besoins créateurs

de valeur opérationnelle.

5

OUT I LS & T E CHNO LOG I ES

OUT I LS & T E CHNO LOG I ES

DO DON ’T

Favoriser le travail collaboratif

Les projets AI supposent de constituer des équipes pluridisciplinaires. Il est impératif de mettre en place des outils collaboratifs pour faciliter la contribution de chacun mais aussi encourager à la parallélisation de certaines tâches. Ces outils doivent faciliter les échanges tant au niveau du projet que du code. Certains frameworks comme git constituent un excellent pivot pour développer des modèles et préparer leur industrialisation.

S’appuyer sur les outils open-source

La communauté open-source regorge d’outils qui sont maintenus régulièrement et efficacement. Il est important de mener un travail de veille pour être conscient des possibilités et des limites offertes par cet écosystème. Dans le cadre de certaines missions, nous publions égale-ment du code en open-source pour bénéficier de l’apport de la communauté.

Construire des modèles boite noire

La construction d’un modèle pertinent ne se mesure pas seulement par ses performances. Dans nombre de cas, on

veut savoir pourquoi l’algorithme arrive à une conclusion précise et quels sont les éléments qui l’ont poussé dans

cette direction. Cela peut s’appuyer sur des méthodes d’in-telligibilité (Explainable AI) qui permettent d’ausculter et

d’expliquer les conclusions de l’algorithme mais aussi par une transparence au niveau des pré-traitements

effectués sur les données et une excellente compréhension des variables utilisées.

6

TRANS FORMAT I O N D ES P ROC ESSUS

TRANS FORMAT I O N D ES P ROC ESSUS

DO DON ’T

Permettre l’accès à la donnée

On ne peut pas faire de l’AI sans données. Il est donc important d’être conscient de son patrimoine de données et d’en favoriser l’accessibilité et le partage. La clé du succès réside dans un contrôle rigoureux de la qualité et de l’intégrité de cette dernière. Ce contrôle est d’autant plus nécessaire étant donné l’importance de la confidentiali-té et de la sécurité rappelées par le contexte réglementaire.

“Think big, Start small, Scale fast”

C’est le mantra du développement de l’AI dans l’entreprise : avoir de l’ambition sans pour autant se perdre dans des méandres de complexité. La démarche agile permet de construire les projets itérativement afin de mieux coller aux besoins des utilisateurs finaux. Attention ! Cette démarche ne doit pas occulter l’ambition de déployer à terme le projet. Il faut donc penser dès le début à la possible industrialisation du projet. Développer un code modulable, facilement déployable.

Réduire les enjeux liés à l’AI à un seul défi technologique

Comme l’annonce Gill Morisse dans son article La gouvernance de la donnée, cette aventure humaine : “Il ne suffit pas d’alimenter un modèle de machine learning

avec des données brutes pour le rendre performant.” Le développement de l’intelligence artificielle doit

d’abord s’appuyer sur des hommes et des femmes. Il faut connaître sa donnée, pouvoir la remettre

dans son contexte.

7

AN I MAT I O N AN I MAT I O N

DO DON ’T

Acculturation au changement : favoriser le partage

Le développement de l’AI implique de conduire des projets disruptifs sur le plan technologique et méthodologique. Il est important de faire preuve de pédagogie et de trans-parence sur les solutions mises en place afin permettre à chacun de les appréhender et de se les approprier.

Cet échange ne peut se développer uniquement par les moyens digitaux. La sacralisation de moments de partage autour de thématiques AI est un moyen de constitution de la communauté à ne pas négliger. Ces événements permettent d’impliquer le management mais aussi d’identifier clairement les travaux menés par chacun et donc de pouvoir approfondir ou réutiliser certains projets et surtout d’éviter de travailler un même sujet en parallèle sans le savoir (effet silos) !

Ne pas prendre le temps d’expliquer pour impliquer

Il faut que l’ensemble des utilisateurs finaux soient acteurs de la transformation AI : il est important de faire

preuve de transparence sur les objectifs des projets développés pour permettre l’adhésion et éviter

la méfiance des utilisateurs face à ces technologies.

Cette implication peut également se faire au niveau technique : s’ils ne disposent pas de la grille d’analyse

technique pour analyser les solutions proposées, les experts métiers peuvent apporter des éléments

de réflexion qui influencent les choix technologiques : quelle mesure d’erreur, quel type d’algorithme ...

Il ne faut pas hésiter à leur demander d’effectuer des tâches utilisant les solutions mises à disposition pour

s’assurer qu’elles répondent effectivement aux besoins.

14

A la fois source d’inspiration, boîte à outils technique et place de marché incontournable de l’IA en France, AI PARIS 2019 donne la parole

aux hommes et aux femmes qui façonnent jour après jour les codes et usages de l’intelligence artificielle au sein de leurs organisations.

Offrez-vous plus de 48h d’immersion au cœur de l’incroyable scène tech française de l’IA, en réservant votre badge

sur www.aiparis.fr