Pourquoi l’IA va booster votre stratégie data ?

L’intelligence artificielle est souvent considérée comme la finalité d’une stratégie Data.
Hors, elle n’est qu’un outil parmi d’autres, l’important est de répondre au besoin.
Ce qu’on l’on néglige souvent, C’est que ces mêmes technologies peuvent se montrer particulièrement utiles tout au long du cycle de vie de la donnée. Un outil efficace pour gagner en efficacité et en productivité des équipes Data.

Le pilotage des entreprises par la donnée, ce que l’on appelle le « Data Driven », est un véritable changement de paradigme pour les managers. Dans l’approche basée sur la Business intelligence, l’entreprise observait son chiffre d’affaires et ses données passées et réagissait à ces informations. L’évolution technologique permet d’aller vers des modèles d’optimisation ou décisionnels prédictifs voir prescriptifs. Ces modèles peuvent exploiter les données de prévisions météorologiques pour prédire le chiffre d’affaires du rayon boisson dans la grande distribution, par exemple. Dès lors, on peut aller vers le prescriptif et utiliser ces informations pour améliorer la qualité du service et mieux répondre aux besoins réels des consommateurs.

Le sésame du concept d’entreprise « Data Driven » est la donnée. il faut pouvoir disposer de données, de beaucoup de données, de données variées, complémentaires et de qualité. L’information disponible dans les entreprises est largement insuffisante pour aller vers le prédictif. Elle ne constitue que la partie émergée de l’iceberg. Il faut enrichir cette donnée d’informations issues de l’Open Data, de partenaires ou sur les médias sociaux. Dans un deuxième temps, cette donnée doit être traitée afin d’être exploitable par les algorithmes. Cela demande généralement un gros travail de préparation et de nettoyage des données. Enfin, on peut exploiter cette donnée soit afin de fournir des éléments qui permettront une prise de décision, soit en vue d’optimiser un processus comme on peut le voir dans l’industrie ou la chaine logistique. C’est uniquement à partir de ces données retravaillées et enrichies que l’IA va délivrer tout son potentiel.

Objectif : Alléger le poids et le coût du traitement de la Data

Actuellement, L’IA arrive tout au bout de cette chaîne de traitements des données, après les phases de collecte, préparation. Le modèle d’IA participe à l’enrichissement de cette donnée en bout de chaîne. On oublie que l’IA reste avant tout un outil et que rien ne le limite à cette tâche d’enrichissement. Les algorithmes peuvent tout autant être mis en œuvre dans les phases de collecte, de préparation et d’exposition des données.

La préparation de la donnée est une phase généralement très chronophage. Cela demande beaucoup de ressources pour repérer les incohérences, les données invalides. Aujourd’hui, une IA peut effectuer un premier travail d’analyse des données, avec un expert qui va pouvoir valider les corrections proposées par l’IA. De la même façon, en phase de collecte de données, tout ce qui est collecté sur le Web et sur les médias sociaux constitue une donnée « plate », sans structure. L’IA va permettre de structurer cette donnée et retrouver le nom de produit, le descriptif et le prix depuis une page Web. En phase d’exposition, l’IA peut proposer les modes de visualisation, les DataViz les plus adaptés.

En intervenant sur chacune de ces phases, l’IA peut apporter des gains de temps très significatifs et dégager les Data Engineers, les Data Scientists mais aussi les utilisateurs métiers qui peuvent se consacrer à des tâches à plus haute valeur ajoutée.

En intervenant sur chacune de ces phases, l’IA peut apporter des gains de temps très significatifs et dégager les Data Engineers, les Data Scientists mais aussi les utilisateurs métiers qui peuvent se consacrer à des tâches à plus haute valeur ajoutée.

Vers un changement des métiers de la data

Il y a encore quelques mois, le Data Scientist était un spécialiste qui codait ses algorithmes, or de plus en plus il est assisté par l’IA dans son travail. Il va pouvoir concentrer son attention au cas d’usage et à la signification des données qu’il a à sa disposition. Auto ML illustre bien l’aide apportée au Data Scientist. C’est la machine qui propose divers modèles d’IA en fonction des données qui lui sont soumises. Le Data Scientist peut alors choisir celui qui délivre les meilleurs résultats à ses yeux.

De même, avec l’IA, le Data Engineer dispose d’outils qui automatisent toutes les tâches répétitives afin de se concentrer sur les cas particuliers. Les algorithmes vont automatiser les traitements à apporter sur les sources de données afin de les rendre exploitables. Les chiffres que nous avons pu glaner auprès de nos clients sur les gains engendrés par cette approche montrent que les tâches répétitives représentent jusqu’à 60% du temps passé sur la donnée et l’IA peut réduire cette part de manière significative.

L’évolution dans le traitement de la donnée est d’aller de plus en plus vers des outils de plus haut niveau, de type Low Code/No Code. Cette évolution vers une approche moins technique va permettre peu à peu d’impliquer davantage les métiers en leur donnant la possibilité d’intervenir de plus en plus directement dans le processus de collecte, de traitement de la donnée et de la prise de décision.

En 2022, l’idée n’est pas de faire de l’IA pour la beauté du geste. Si un calcul de ROI sur des IA utilisée à des fins de pilotage et de prise de décision est complexe, ce n’est pas le cas de son utilisation dans l’optimisation des process, ou il est possible d’atteindre un retour sur investissement extrêmement court. C’est tout particulièrement vrai sur les chaînes de traitement des données.