L’intelligence artificielle combinée au big data est en train de révolutionner notre façon de travailler.
Nous entendons cela depuis plusieurs années. Il y a une rupture technologique, c’est indéniable. Mais la révolution de l’usage des outils data et IA par les métiers est moins évidente.
Pourquoi ? Deux facteurs majeurs nous semblent expliquer cette situation :
-
Le désengagement des directions suite aux échecs ayant suivi la phase d’enthousiasme
-
Le manque de structures techniques et organisationnelles pour faire aboutir les projets
La course à la technologie et le risque de désillusion
Les technologies data et IA sortent de terre sans que nous ayons le temps de les appréhender. Malheureusement, elles se retrouvent embouteillées dans la phase “Through of disillusionment” si l’on se réfère à la courbe de la Hype de Gartner.
A l’image d’un Lego technique, dans la construction des infrastructures liées à la data et l’IA nous avons eu l’impression de recevoir les pièces dans le désordre.
On parlait déjà de data science alors que les organisations n’avaient pas assez de données de qualité pour constituer des datasets pertinents. On voulait déployer des outils de BI à l’échelle alors que les systèmes de data plateforms étaient défaillants.
La priorité était de tester et mettre en place des technologies qui étaient vendues presque comme miraculeuses, permettant de développer, déployer des cas d’usages data/IA de manière triviale.
Pour tirer le plein potentiel de ces données et des dernières solutions d’IA il est nécessaire de repenser l’organisation des entreprises pour les intégrer dans le cycle de production des produits digitaux.
La prise en considération de l’IA et la Data comme une technologie “systémique”
La mise en place d’outils data/IA dans les organisations est un enjeu complexe, on parle souvent de noeud Gordien.
Les projets data et IA sont par définition une composante du Système d’Information d’une entreprise. Ce qui change ce sont le volume des données et les outils permettant de les traiter. Cela impose que les organisations aient en amont une architecture robuste et des processus de conformité et de qualité centrés sur l’organisation des données, afin d’être prêtes à absorber et à initier ces projets complexes.
Ces outils modifient la façon dont les métiers prennent et restituent les décisions. Les processus humains doivent donc s’ajuster. C’est l’organisation complète qui doit porter ce changement pour répondre aux enjeux systémiques.
Il y a eu beaucoup de gaspillage à travers des initiatives avortées, des projets lancés et déployés, mais pas pérennisés.
Chez Isskar nous mettons notre énergie à apporter à nos clients des atouts stratégiques sur leur marché. Nous avons analysé les écueils rencontrés par de nombreuses entreprises pour tracer une route plus directes vers des projets data et IA à forte valeur ajoutée. Voici nos constats et la démarche qui en découle.
Le constat
Pourquoi les projets IA et Data mettent longtemps à être mis en production ou sont abandonnés ? Les raisons sont multiples et dépendent très largement du contexte. Mais nous avons identifié trois types de raisons fondamentales lors de nos expériences.
Bascule exploration / production. La première raison est que le passage en production peut ne pas être possible dans les conditions de l’exploration. Il faut donc refaire une exploration… cela ralentit la livraison, mais cela a également un coût financier et psychologique qui peut mener à arrêter un projet.
Manque de valeur. La deuxième raison est que le résultat final n’apporte pas le service attendu par les utilisateurs. La solution technique répond au problème posé, mais sa résolution n’apporte n’améliore ni la qualité li la vélocité du travail des destinataires. Souvent, le projet n’est ni maintenu, ni développé.
Manque de sponsorship. La troisième raison est qu’il y a peu de Sponsorship et donc peut de volonté pour poursuivre le projet malgré les obstacles qui ́ne manqueront pas de se poser. La promesse que l’on perçoit des technologies data et IA cache la complexité de mise en oeuvre dans un contexte d’une organisation :
-
concevoir une solution spécifique
-
garantir la sécurisation de la solution et des données
-
fiabiliser des résultats à l’échelle
-
s’assurer de l’adoption de la solution par les métiers
Cela rallonge les délais et les investissements intuités de la mise à disposition des solutions et donc renforce la déception des sponsors à partir des premiers écueils.
Comment nous répondons à ce constat ?
Il n’y a pas de recette miracle, mais un triptyque formant la clef de voûte de la méthode que nous développons pour répondre à ces problématiques :
-
Une approche produit
-
Une exploration en conditions de production
-
Un alignement de l’organisation
Cette démarche doit s’inscrire dans l’activité globale du développement logiciel porté par l’IT.
Une approche produit : la valeur comme boussole
Cette approche nous oblige à nous projeter sur l’utilisation final de ce que l’on va livrer et embarque l’ensemble des parties prenantes pour renforcer l’adhésion. La démarche user-centric amène à s’interroger sur la validation de la promesse faite au départ et donc à développer des méthodes d’évaluations pertinentes avec des métriques partagées. L’implication de l’ensemble des acteurs dès le début du projet facilite ensuite l’adoption, mais également la façon de surmonter les difficultés en cours.
Cette approche est au coeur de l’ADN d’Isskar par sa filiation avec Kanbios qui est spécialisée dans le travail de design, d’expérience utilisation et du parcours pour apporter une valeur certaine aux destinataires des solutions digitales développées.
En conclusion, mettre en place une gouvernance des données solide est essentiel pour garantir la qualité des données. La qualité des données est un élément essentiel de toute stratégie de gestion de l’information en entreprise. En suivant ces meilleures pratiques et en accordant une attention constante à la qualité de vos données, vous pouvez garantir que votre organisation dispose de données fiables et précises pour prendre des décisions éclairées et atteindre ses objectifs business.
Une exploration en conditions de production : le “Hello World” au coeur du delivery
Notre idée est de partir directement vers ce que l’on appel souvent un MVP, c’est-à-dire de développer une solution proche des conditions de production qui apporte déjà un service. Nous estimons que pour dérisquer des projets data et IA il est plus pragmatique d’avoir une approche hands-on que R&D. Grâce à cela on se pose les questions de mise en production dès le départ (sécurité / autorisation, coûts, performance des infrastructures à l’échelle) ce qui permet de valider la faisabilité technique. Un autre avantage de cette approche est d’avoir une solution “industrialisable” dès l’exploration, donc de raccourcir le cycle de développement et donc des livraisons sans interruption.
L’exploration s’inscrit alors dans le workflow de développement et réduit les doublons de travail (réécrire du code de notebooks par exemple). En fluidifiant et en standardisant la partie exploratoire on peut également la standardiser et donc améliorer la qualité et la vélocité. Voici quelques éléments qui procède de cette démarche :
-
développer dans des scripts dès le début de l’exploration (”No Notebooks”)
-
tester les solutions sur des infrastructures proche de la production (pas de test en local mais sur des sandbox ou des environnement de développement)
-
l’utilisation de templates
-
l’adoption de bonnes pratiques (lintage, tests, etc.)
Un alignement de l’organisation
L’organisation doit parfois évoluer pour porter des projets nouveaux. Il est notamment important que les outils technologiques puissent apporter une gestion de qualité de données toujours plus volumineuses et diversifiées. L’enjeu de l’accessibilité des données est crucial pour déployer des solutions innovantes fortement consommatrices de data.
Mais cette évolution technologique doit également s’accompagner d’une évolution des équipes sur le plan des expertises, des méthodes de travail et de gouvernance. Les rôles se redessinent pour qu’une grande partie des développements soient réalisés par les métiers au sein de chaque domaine. Ce travail est soutenu par des équipes dédiées à la mise en place d’outils intuitifs (la data plateforme) et de règles et bonnes pratiques (la gouvernance)
Pour porter ces projets, Isskar bénéficie de l’expérience d’Obéa qui a développé de nombreux outils permettant d’assurer des transitions réussies vers une modernisation organisationnelle qui accompagne l’évolution technologique.
Conclusion
Nous sommes convaincus du fait que les projets ia et data doivent être traités comme des produits logiciels tout en tenant compte de leurs particularités : une exploration nécessaire et donc un risque associé, un besoin de compétences pointues dans des domaines complexes, un passage à l’échelle particulièrement clef !
C’est pourquoi la méthode de gestion du risque sur ces projets est fondamentale. L’organisation du delivery est ainsi un outil clef pour organiser la levée des dépendances et des incertitudes le plus tôt possible. L’automatisation, les tests et l’évaluation sont quant à eux essentiels pour raccourcir les cycles d’apprentissage et accélérer les projets.
Les nouvelles technologies comme la data et l’IA impliquent un accompagnement d’acculturation important pour s’assurer de l’implication des décideurs et de l’utilisation sur le long terme des produits data et IA.
