L'entreprise à l'ère de l'IA

La crise sanitaire a mis un coup de projecteur sur l’intérêt du digital et, en particulier, l’efficacité des technologies des données et de l'IA. En France, son déploiement dans les entreprises est au stade de la restructuration. De fait les projets d’IA sont profondément transformants. Leur réussite impose des changements d’organisation, des évolutions de modes de travail, des choix technologiques adaptés et la définition d’un cadre éthique et juridique. Elle requiert l’intégration de ces projets de transformation dans la stratégie globale de l’entreprise et un accompagnement adapté pour concourir à la création de l’entreprise augmentée.

La crise sanitaire a accéléré la reconnaissance des bénéfices des données et de l'IA

L’émergence de l’ère digitale a incontestablement contribué à la lutte contre la COVID19 et à la réduction des impacts de la crise sanitaire inédite que nous traversons. Parmi l’éventail des technologies de cette nouvelle ère, la Data-IA ou la Data Intelligence a participé à l’évaluation, la projection, l’analyse et la gestion de la pandémie. Les exemples sont nombreux. Les plus connus sont ceux relatifs à l’évaluation de la pandémie et au diagnostic médical :

• Cartographie de la pandémie : le Big Data combiné au système d’information géographique (SIG) ont permis d’élaborer des cartes dynamiques de visualisation de l’étendue de la pandémie, en effectuant des analyses spatio-temporelles provenant de plusieurs sources d’information différentes.
• Prédiction de l’évolution de la pandémie : la Data Science a effectué des prévisions de l’évolution de la propagation du virus au niveau régional, national et mondial et de sa projection dans le temps.
• Diagnostic médical : la reconnaissance faciale couplée à de la captation thermique est utilisée pour identifier des personnes dont la température est élevée (dans les transports par exemple). La mise en place de plateformes de télémédecine a permis d’effectuer les premiers diagnostics et de trier les patients

La pandémie a eu des conséquences catastrophiques sur notre économie et notre société. Mais, dans l’urgence, il a fallu faire face et trouver des solutions innovantes. Et, paradoxalement, la crise a eu aussi des impacts positifs : elle a accéléré l’innovation et renforcé l’utilisation des outils digitaux y compris les données et l'IA. Si cette technologie connait un regain d’intérêt depuis quelques années, elle continue d’intriguer, d’interroger et de poser des problématiques d’éthique, de responsabilité et de protection des données privées.

Les avantages des données-IA et leurs capacités de détection, de prédiction et d’interaction naturelle avec l’homme (traitement automatique du langage naturel) sont devenues perceptibles. Cette discipline transformante ouvre l’accès à de nouveaux services innovants.

Cependant son utilisation dans les entreprises, en particulier celles qui héritent d’un « legacy » important, autrement dit d’un SI reposant sur des technologies vieillissantes et/ou un lourd patrimoine fonctionnel, reste au stade de l’exploration. Une étude menée en 2018 par TCS & IDC sur un panel de 300 entreprises françaises montre que seules 36% d’entre elles ont déjà mis en place des outils d’IA tandis que 16% indiquent avoir l’intention de développer des projets d’IA d’ici 1 à 3 ans [TCS]5.

Les entreprises sont encore en phase de structuration, ce qui les conduit à relever plusieurs nouveaux défis.

Définir les nouveaux schémas organisationnels de l’entreprise augmentée

Les organisations doivent se transformer pour fédérer les initiatives, mutualiser les compétences, et décloisonner les directions en rapprochant les métiers et la DSI. L’enjeu est de favoriser le travail transversal et de piloter, de façon cohérente, le numérique, les données et l’IA.

La transformation implique avant tout un changement culturel et humain à tous les niveaux de l’entreprise. Il s’agira d’intégrer de nouvelles compétences : des data scientists, des coachs de chatbot, des psy-designers chargés de concevoir des interfaces IA ou encore des éthiciens responsables de la gouvernance des décisions induites par des outils IA. De nouveaux métiers émergent et il va falloir faire face à la pénurie de ces nouveaux profils sur le marché. Les stratégies de formation, d’acculturation, d’acquisition et de partenariat y compris avec les startups seront déterminantes.

Cette mutation hybride de l’entreprise, nécessitant de gérer les systèmes d’informations existants tout en créant de nouveaux systèmes intelligents - sachant que les uns peuvent interagir avec les autres - concourt à la construction d’une entreprise augmentée [Rapport CIGREF]6 par des capacités intelligentes de collaboration entre l’homme et la machine.

Transformer les modes de travail : l’agilité comme accélérateur des synergies

La collaboration transversale est déterminante pour réussir l’intégration des données et de l'IA dans les entreprises : les métiers, les informaticiens, les statisticiens, les data scientists, doivent pouvoir travailler ensemble.

Comme la culture des données-IA n’est pas suffisamment mature dans les entreprises, le travail en mode agile permet d’avancer à petits pas (Think Big, Start Small and Show Value Fast) et de capitaliser sur les échecs au plus tôt. On voit émerger les méthodes MLOps (Machine Learning Operations) et DataOps (Data Operations), une adaptation de DevOps7 aux projets Data-IA.

L’enjeu est de créer des équipes pluridisciplinaires et des espaces collaboratifs (data lab, fab lab...) permettant de catalyser les synergies et de faire converger les projets en alignant l’ensemble des parties prenantes via une méthodologie partagée et une culture commune.

Faire des choix technologiques adaptés aux cas d’usage métier

La Data-IA est un vaste domaine qui englobe plusieurs technologies : la robotique, le traitement du langage naturel, la reconnaissance des formes, l’apprentissage (machine learning, deep learning), l’analyse prédictive, le raisonnement dans l’incertain, la représentation des connaissances, le web sémantique, les systèmes-multi-agents...

Ces différentes technologies permettent de créer une multitude de cas d’usage métiers tels que l’assistance virtuelle, la détection automatique des pannes ou de fraude, le marketing prédictif... Le choix des solutions technologiques ne peut pas se faire indépendamment de la prise en considération des cas d’usage métier à implémenter.

Les entreprises doivent également considérer la question du choix des technologies « faire ou faire-faire » et étudier sérieusement la possibilité de définir une stratégie autour de l’open source.

En effet, les GAFA ont développé quantité de plateformes et de framework8 techniques open source. Ils ont une longueur d’avance dans ce domaine puisque leur modèle économique repose depuis toujours sur la data. L’utilisation de leurs outils permet de se lancer rapidement, de vérifier la pertinence des cas d’usage et d’évaluer les bénéfices au moindre coût.

Définir un cadre éthique où la technologie reste à la main de l’humain

Les données-IA reposent sur la manipulation d’importantes quantités de données en particulier pour l’apprentissage (machine Learning) et les algorithmes de prédiction.

Par conséquent, elle soulève de nombreuses interrogations sur l’exploitation de ces données dans le respect de la vie privée et des libertés individuelles, et suscite de la méfiance.

Elle pose également des problématiques de transparence et de maitrise des algorithmes :
comment garantir que ces algorithmes d’apprentissage ne génèrent pas d’inégalités ou d’exclusion ? Comment gérer la question de la responsabilité des décisions générées par une IA ?

Un défi collectif est à relever pour nous assurer que ces nouveaux outils soient à la main humaine, à son service, dans un rapport de transparence et de responsabilité [CNIL]9.

Les défis des données et de l'IA10 sont nombreux et leur succès dépendra fortement de sa prise en compte au niveau de la stratégie globale de l’entreprise, de sa cohérence avec le programme de transformation digitale engagé, de la gouvernance des données, et de la gestion du changement inhérente.

Extrait du livre blanc : Défis et progrès à l’ère des données et de l’intelligence artificielle