Plus qu’une révolution technologique, c’est une révolution culturelle que les entreprises vont devoir affronter avec l’émergence de l’entreprise analytique et le développement de l’intelligence artificielle. Les entreprises dites du web ont montré que l’exploitation de chaque donnée était le fuel de leur croissance. Les GAFA ont déjà changé totalement nos usages en imposant leurs interfaces et leur niveau d’interaction comme des standards. Il en sera de même pour l’utilisation des data, elles seront au cœur de la croissance de toutes les entreprises. L’apport de l’IA aux métiers et les retours sur investissement sont tels qu’après avoir été un mythe, la donnée devient une nécessité. Elle prend du sens sous toutes ses formes : de la Business Intelligence (pour permettre à l’humain de prendre la bonne décision au vu des données qu’il va analyser), à la machine avec de l’IA (quand la décision a été apprise, l’algorithme qu’il a en entrée a alors la possibilité de décider, de recommander ou de réaliser une action).

L’introduction de ces nouveaux traitements demande à l’entreprise de changer en profondeur sa culture mais aussi les nouveaux profils spécialisés qu’elle doit intégrer. Alors que la data fait son apparition sous de multiples formes dans l’entreprise, la DSI va devoir intégrer de nouveaux profils pour mettre en place de nouveaux outils.

Les applications de la Data Science liées au core business seront majoritairement développées sur mesure, par des équipes pluridisciplinaires

Dans un marché de plus en plus compétitif, les métiers liés au core business vont être servis en premier pour augmenter leur performance. Digital Product Owner et Data Scientist joueront un rôle essentiel dans cette évolution.

Nouveau chef de projet digital, le Digital Product Owner définira d’abord le besoin du métier (comme le serait un produit ou un service que l’on doit livrer à un marché), avec une formulation du problème assez abstraite pour être compatible avec le mode de fonctionnement d’un Data Scientist. Habitué des méthodes agiles classiques des éditeurs et connaissant les data sciences, il ira ensuite chercher une solution sur étagère qu’il sera en mesure d’évaluer, ou à défaut se tournera vers une équipe pluridisciplinaire intégrant des Data Scientists. En effet, une application intégrant de l’intelligence artificielle est d’abord une application classique du système d’information avec un front-end, qu’il faudra avoir défini avec le métier, et un back-end. Elle doit être intégrée au système d’information et développée avec ses méthodes pour pouvoir être mise en exploitation et maintenue par la DSI.

Le data scientist représente quant à lui un nouveau profil auquel nous ne sommes pas habitués dans l’entreprise : il ne programme pas, il ne déploie pas, il modélise. Le Data Scientist fait le lien entre le problème qu’il a à résoudre, les données à sa disposition et les algorithmes capables de traiter ce genre de problèmes. Le travail du Data Scientist est complexe car il doit choisir les bonnes données d’entrée de son modèle, parfois même les « nettoyer », les préparer au bon format et les enrichir[1]. Il doit ensuite choisir et adapter le bon algorithme pour obtenir la meilleure prédiction. L’ensemble se fait de manière itérative.

L’erreur pourrait être de déléguer des data scientists auprès des métiers et de les laisser se débrouiller, en sous-estimant le rôle du Digital Product Owner. A-t-on déjà vu des développeurs délégués auprès des métiers pour quelque projet ou service que ce soit ? Jamais ! Au risque de voir ces profils livrés à eux-mêmes, sans méthodologie de « delivery », sans guidelines pour faire un Front adapté et homogène avec le reste des développements du système d’information ou incapables de s’intégrer dans le workflow qu’ils viennent augmenter avec de l’IA.

Comment bien choisir et intégrer les Data Scientists ?

La data science est un métier de spécialistes. Le rôle de Chief Data Scientist sera primordial dans les années à venir pour composer les bonnes équipes sur des projets de plus en plus complexes et pour faire intervenir un mix de plusieurs pans de l’Intelligence artificielle.

En effet, ces dix dernières années, l’intelligence artificielle s’est dotée d’une panoplie d’algorithmes de plus en plus puissants et spécialisés (Vision, Langage, …) faisant intervenir des concepts de plus en plus complexes. Il est totalement illusoire de penser qu’un seul Data Scientist pourra maîtriser la totalité de ce qui a été produit jusqu’à maintenant et, a fortiori, pour les années à venir. Le Data Scientist a une culture scientifique et technique qui lui permet de comprendre les derniers développements et, au besoin, de s’adapter, mais il faut avoir un bon background sur des sujets spécifiques pour être capable d’appliquer une famille d’algorithmes à un domaine. Il n’est pas encore permis à tout le monde de comprendre la portée et la généralisation d’algorithmes complexes, et de passer du traitement de l’image au traitement du langage avec le même niveau d’excellence.

L’arrivée de l’IA dans l’entreprise passera par la capacité à intégrer ces nouveaux profils, à bien les comprendre et à les utiliser à bon escient en les intégrant dans les méthodes et process classiques de delivery de nouvelles applications. La DSI aura un rôle primordial à jouer dans cette capacité à industrialiser et à passer à l’échelle ces applications « augmentées » par l’IA, si elle ne veut pas perdre la maîtrise de son outil, de sa qualité et de son exploitation.

[1] C’est ce que l’on appelle le « feature engineering » qui englobe aussi le « data engineering » (au fur et à mesure, ces deux fonctions se spécialiseront)

FavoriteLoadingAjouter à mes favoris

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.