La méthodologie en 4 étapes pour construire un MVP en IA

Qu’elle soit précédée par la conception d’un POC (ou Proof of Concept) à destination des directions techniques [ajout du lien vers l’article “POC, MVP : quelles différences et quels usages ?”] ou qu’elle découle directement d’un diagnostic de maturité en entreprise, la construction d’un MVP (ou Minimum Viable Product) en intelligence artificielle est cruciale. Pensé pour les utilisateurs et construit en méthode agile pour un déploiement fonctionnel et rapide, le MVP doit être issu d’une méthodologie rigoureuse pour être pertinent et servir l’entreprise pour laquelle il est créé. 

Pour s’assurer un retour sur investissement et obtenir de vraies solutions à des problèmes vérifiés, voici 4 étapes à suivre pour construire un MVP en IA.  

Comprendre le besoin

La première des choses à faire est un audit de compréhension des besoins. L’objectif est de détecter les pain points des personnes concernées, de différencier les besoins réels des “faux” besoins et de repérer les redondances dans les échanges. Car c’est bien grâce à des discussions ouvertes avec les utilisateurs qu’on s’assure d’identifier les bonnes problématiques de l’entreprise.

L’organisation de workshops spécifiquement dédiés à la construction d’un MVP en IA permet de faire le tour des difficultés rencontrées par les utilisateurs, de rassembler les idées sur un dashboard et de prendre en compte globalement les processus utilisés. Sans communication et en restant dans des échanges individualisés, il est très compliqué de mener à bien cette étape de découverte qui est essentielle pour la suite.

Suite à ces ateliers, les points de douleurs redondants et pertinents sont retenus grâce à un vote. Cet audit de compréhension des besoins constitue une sorte de listing des problèmes rencontrés dans l’entreprise et donc la base d’un listing de solutions futures.

Proposer une solution macro

Cette seconde étape doit s’effectuer en deux temps afin de favoriser le recul et la réflexion. Compter quelques mois entre ces deux moments est nécessaire pour proposer un MVP en accord complet avec les besoins de l’entreprise

Recommander une solution générique pour évaluer les réactions

En premier lieu, une solution macro est proposée pour très rapidement donner la parole aux utilisateurs et identifier les contraintes dures, les obstacles majeurs qui n’auraient pas été détectés lors de la première étape. L’objectif : trouver l’algorithme qui va gérer de la data donnée et pouvoir automatiser une tâche spécifique. Par exemple : la possibilité de faire des recommandations personnalisées sur un site e-commerce, ou encore le matching de CVs en fonction de critères définis sur un job board. Véritable liste au Père Noël, ce moment permet de répondre à la question : “si vous disposiez d’une solution capable de tout, que devrait-elle faire ?”. 

À noter que c’est aussi l’étape qui demande une certaine pédagogie en fonction du client et de sa maturité digitale : certains ont besoin d’explications sur le fonctionnement de la solution, d’autres non.

Dégager les contraintes et les formaliser

Ce second temps permet d’aller plus loin dans les attentes techniques des utilisateurs par rapport au MVP développé. Il est l’occasion de formaliser les contraintes, d’identifier les derniers leviers et de poser un socle pour aller plus vite dans la conception du projet par la suite.

Quelques exemples de besoins à détecter :

• Le niveau de rigueur de l’algorithme : la tolérance faux positifs / faux négatifs
• Les données à prendre en compte et à traiter
• Les leviers interprétables : cruciaux pour convaincre de l’utilité du MVP et pour donner le contrôle de la solution au client

Dès cette étape, le MVP passe en mode projet, avec la méthodologie agile scrum qui replace le client comme pilote des développements de sa solution. Organisé en sprints, ce mode permet des échanges très rapides et en temps réel avec les utilisateurs finaux pour concevoir un produit au plus proche de leurs besoins. C’est également le moment de désigner un interlocuteur dédié, qui jouera le rôle d’intermédiaire et suivra le projet du début à la fin (un Product Owner). Charge à lui de distinguer les besoins identifiés de la technique ou des fonctionnalités développées et de les prioriser. Parfois doté de quelques connaissances techniques, il a aussi la responsabilité d’opter pour des features faciles à implémenter et réalistes pour bien rythmer la construction du MVP.

Présenter et implémenter la solution

La troisième étape consiste à présenter schématiquement et globalement la solution à implémenter, pour avoir une vision générale pour l’équipe et pour le client du produit créé. Cette présentation intègre les 2 volets fonctionnels et d’architecture qui constituent la solution, soit un listing spécifique des features intégrées et des visuels et plans qui représentent le MVP. L’objectif : rassurer le client et lui donner la maîtrise du projet bout en bout. 

L’implémentation du MVP se poursuit ensuite selon la méthode TDD (ou Test Driven Development), avec un accent particulier sur la mesure, le test et le monitoring continu de la solution. Des critères de succès ou de réussite sont définis en amont dans les ateliers de compréhension des besoins, et ils sont la base de la bonne évaluation du fonctionnement d’un MVP. Au fur et à mesure des développements, des tests sont effectués pour valider les features créées, ce qui permet d’assurer que l’implémentation correspond bel et bien aux attendus et à l’usage réel de la solution. Le développement du MVP est ainsi orienté en fonction des tests réalisés et de leur réussite. En intelligence artificielle, la qualité d’un produit dépend énormément de la qualité du code, de la plateforme mais aussi des données apportées dans l’algorithme. Ainsi le succès des tests dépend de la donnée de base et du respect des standards de la data.

Tester et maintenir le MVP

La phase de test du MVP est en réalité une de long terme. Le produit doit être “entraîné” sur la durée par le support : c’est un produit vivant qui évolue dès sa mise en production et tout au long de sa vie. Aussi, le maintien du MVP dépend d’un soutien constant de l’algorithme. Il est très important d’avoir conscience qu’en intelligence artificielle, un test ne peut pas être réussi à 100%, contrairement à un test classique pratiqué sur un MVP hors IA. La marge d’erreur doit être traitée par l’humain.

Au moment de la présentation de la solution IA, il faut également de la pédagogie pour mettre en avant les enjeux de vie d’un MVP dans ce domaine et sensibiliser sur des enjeux d’éthique, d’écologie, d’explicabilité…

La méthodologie de construction d’un MVP en IA comporte 4 étapes essentielles :

1. Un audit de compréhension des besoins qui permet, grâce à des ateliers ouverts, de détecter les points de douleurs et les problématiques redondantes des utilisateurs ; 
2. La proposition d’une solution macro pour évaluer les réactions, identifier les obstacles d’utilisation et les contraintes techniques avant de passer en mode projet ;
3. La présentation du MVP pour donner une vision globale aux équipes et son implémentation ;
4. Le maintien sur le long terme de la solution proposée, grâce à un entraînement continu de l’algorithme et une sensibilisation à son utilisation et ses enjeux en IA.

Avant d’entamer un projet data incluant de l’IA, Octopeek préconise systématiquement un diagnostic de maturité, composé d’un audit organisationnel et d’un audit technique. Celui-ci permet de déterminer la meilleure façon d’entreprendre avec succès votre projet data et IA.