Le passage à l'échelle de l'IA nécessite une bonne compréhension de la proposition de valeur que les outils d'IA peuvent apporter aux entreprises. Notre enquête sur les prévisions de l'IA réalisée en 2021 montre que 52 % des organisations ont accéléré leurs investissements dans l'IA suite à la crise pandémique, avec seulement 24 % d'entre elles réalisant un retour sur investissement positif. Alors que les organisations mettent en production des modèles d'IA, le principal facteur de différenciation réside dans la vision apportée à la proposition de valeur. Traditionnellement, le cœur de la proposition de valeur repose sur la valorisation des données acquises et sur un modèle statique basé sur des instructions fixes. Pour traiter les problématiques IA, il est essentiel de déplacer la proposition de valeur sur des paramètres en évolution continue, tenant compte des interactions humaines avec le service fourni en sortie et des données que ces interactions génèrent.
De nombreuses preuves de concept d'IA prometteuses parviennent à démontrer avec succès leur valeur pour les métiers, mais sont bloquées dans la mise en production du cycle de vie complet de l'IA, confrontées à des problèmes de design et d'intégration dans les opérations. Pour industrialiser les initiatives IA, PwC a développé une approche tripartite “gouvernance, technologie, éthique” permettant d’adresser les besoins métiers en IA de manière standardisée et ainsi de gérer les projets IA comme des produits à proprement parler.
Selon notre étude « Operationalizing Artificial Intelligence: Making the Promise a Reality », la majorité des entreprises ayant répondu précisent que la raison principale de l’arrêt du développement de l’IA est l’absence d’identification et de pilotage efficace de sa proposition de valeur.
En voici quelques limitations concrètes observées :
Le cycle de vie d’un produit IA, qu'il soit utilisé en interne ou par des clients, a besoin d’être cadré par des frameworks techniques et des services. Ces outils sont indispensables dans la construction de capacités clés comme le passage à l’échelle et la gouvernance partagée.
MLOps est un ensemble d’outils qui soutient la construction, le déploiement et l'opérationnalisation des modèles d'IA. Il vise à capitaliser les compétences en IA pour répondre aux besoins des entreprises de manière à maximiser le retour sur investissement. L'utilisation de ces outils permet d'améliorer la culture de collaboration entre les développeurs, les data scientists et les équipes métiers en restant agnostique à la technologie et orienté vers la réutilisation des modèles d'IA et la maintenance standardisée. Parmi les composants clés qui rendent les modèles d'IA réutilisables dans plusieurs projets, il y a :
D’autres bonnes pratiques MLOps peuvent se révéler très utiles pour obtenir une gamme complète d’outils. On note en particulier:
Les produits IA devraient être développés à la manière d’un service pouvant s’adapter facilement aux évolutions dans les données ou aux nouveaux schémas d’informations susceptibles d’apparaître au cours du temps. En effet, les modèles IA en production ont été entraînés et leur performance a été évaluée sur des datasets préparés spécifiquement à un instant donné et sont par construction différents des datasets en marche courante. Une fois poussés en production, les modèles IA ont besoin d’être continuellement supervisés “Continuous Monitoring” et potentiellement ré-entraînés “Continuous Training” à la demande (CM/CT). De cette manière, dans le cas où l’on observe la performance d’un modèle décroître ou qu’un nouveau jeu de données d’entraînement est disponible, une version améliorée du modèle IA peut être facilement déployée.
La Feedback Loop est également un process essentiel permettant d’améliorer en continue la performance d’un modèle en prenant en compte la confirmation ou invalidation des résultats IA par l’utilisateur final. Sans vigilance rigoureuse, les modèles IA peuvent eux-mêmes créer des problèmes et de nouveaux risques pour l’entreprise lorsqu’ils proposent des recommandations non-pertinentes ou font des prédictions imprécises. Afin de s'assurer que les besoins métiers soient bien satisfaits, la conception du service IA doit permettre de capturer, si possible automatiquement, le niveau de satisfaction de l’utilisateur sur les éléments suivants :
Cependant, les compétences et outils techniques restent des conditions nécessaires mais pas suffisantes pour garantir un déploiement à l’échelle des produits IA dans une entreprise. Nous recommandons de considérer à minima les 3 domaines de responsabilité suivants dans une organisation :
Les entreprises qui ont réussi à embarquer tous les métiers et à transformer leurs PoCs IA en véritables produits IA partage un facteur clé de succès de manière consistante : un comité de direction engagé. Les exécutifs comprennent l'importance et les possibilités que l'IA génèrent, c’est pourquoi compter sur leur engouement dans la transformation IA est dans les faits simple à atteindre. En effet, ils ont conscience des gains considérables que l’IA apporte à être implémentée de manière durable dans l’entreprise. Toutefois, l’opérationnalisation de l’IA soulève de nouveaux défis importants, elle peut par exemple créer des équipes IA cloisonnées se sentant incomprises ou déconnectées des chaînes de valeur business. Elle peut également être à l’origine de comportements réfractaires au changement en raison de croyances erronées sur l'IA. Par ailleurs, il est important que l’ensemble des exécutifs soient concernés et pas seulement ceux qui ont déjà des connaissances IA car non seulement cela affirmera une ambition intelligible, mais aussi montrera que les activités liées à l’IA sont prioritaires. En particulier, que les activités liées à l’IA sont prioritaires à court terme, là où l'IA est souvent perçue comme un nice-to-have face aux urgences opérationnelles.
Comprendre le stade actuel de maturité de l'IA d'une organisation est crucial pour mettre en place les bons efforts et activer les leviers au bon moment et ainsi atteindre le niveau supérieur de maturité. PwC a développé un framework d’évaluation de la maturité IA à partir de l’accompagnement de ses clients visant à soutenir leurs efforts pour passer à une organisation véritablement axée sur l'IA. En voici brièvement les niveaux identifiés :
Passer du PoC à l'IA opérationnelle revient souvent à se poser ces questions de manière collective :
Vous voulez aller plus loin dans la mise à l'échelle de l’IA ? Contactez-nous pour faire une évaluation de la maturité de l’IA de votre organisation actuelle.
Pierre Capelle
Associé responsable de l’activité Data Analytics et Intelligence Artificielle, PwC France et Maghreb
Marc Damez-Fontaine
Directeur Data Analytics et Intelligence Artificielle, PwC France et Maghreb