AI factories : démocratiser l’usage de l’IA et des analytics

Alors que près de 9 entreprises sur 10 jugent que l’IA est une priorité stratégique, moins de la moitié des projets d’analytics avancée atteignent la production. Il y a donc urgence à industrialiser les méthodes et les process, et cela en dépit de trois freins majeurs qu’une récente étude du Capgemini Research Institute a clairement mis en évidence : un manque critique de compétences data confirmées sur le marché ; un déficit de conduite du changement pour favoriser l’acceptation et l’adoption des solutions fondées sur l’IA ; l’absence de modèles de gouvernance solide permettant de consolider les initiatives locales et de passer à l’échelle.

Un enjeu organisationnel à adresser 

Ces freins ne sont pas technologiques, mais organisationnels et humains. L’enjeu est donc d’établir un modèle opératoire : cadre unifié et partagé qui permet de tirer le meilleur parti des compétences IT et data disponibles, de démocratiser l’usage de l’IA et de l’analytics auprès des métiers, et finalement d’avoir des outils dont décideurs et collaborateurs ont bien confiance dans leurs insights.  

La solution est ce que nous appelons une AI Factory, c’est-à-dire un dispositif mutualisé à l’échelle de l’entreprise, transverse à plusieurs organisations, permettant à la fois de catalyser et de canaliser les initiatives des différentes branches métiers. La mission de l’AI factory est d’instaurer une culture, des concepts, des méthodes, des pratiques collaboratives et un outillage commun afin de favoriser l’éclosion des projets et de maximiser leurs chances de réussite à grande échelle.

Une AI factory repose sur trois piliers classiques : les personnes, les processus, les outils. En ce qui concerne les personnes, l’objectif est de répartir au mieux les rôles, les responsabilités et les compétences (data scientists, data analysts, data engineers, développeurs professionnels et occasionnels…) pour éviter les doublons et les interférences, aplanir la collaboration entre IT et métiers, harmoniser les approches et offrir à chacun des perspectives individuelles.  

Les processus qui irriguent cette organisation doivent permettre de diffuser l’expérience méthodologique et l’expertise technique, de faire remonter les connaissances et les besoins du terrain et de définir les étapes clés de l’industrialisation des projets. Par exemple, il est important d’établir quand et comment un citizen developper doit solliciter les équipes spécialisées pour transformer en solution d’entreprise une idée qu’il aura d’abord explorée avec des capacités exploratoires tel que l’AutoML.  

Enfin, concernant l’outillage, l’AI factory doit mettre en place un socle technologique intégré de production à l’échelle, depuis les pipelines de préparation de la donnée jusqu’au déploiement d’applications embarquant des modèles de machine learning. Ces outils doivent aussi contribuer à accroître la productivité des projets à travers l’industrialisation des méthodes DataOps et MLOps, ainsi que la réutilisation des développements et modules matures. 

Selon la maturité de l’entreprise et ses usages, l’AI factory s’appuie sur différents modèles de gouvernance : centralisée (les projets sont réalisés de bout en bout par une seule équipe dédiée pour toute l’organisation), décentralisée (une structure de ce type est créée dans chaque entité métier) ou « hub & spoke » (les équipes locales sont appuyées par un pôle transversal d’expertise et de coordination). Lorsqu’il est possible, ce dernier modèle se révèle optimal car il permet de concilier expertise et mutualisation, d’une part, et capacité d’initiative et connaissance métier, d’autre part.

Plus qu’une plateforme technologique, une structure pour répondre aux défis collectifs

Une AI factory repose sur trois piliers classiques : les personnes, les processus, les outils. En ce qui concerne les personnes, l’objectif est de répartir au mieux les rôles, les responsabilités et les compétences (data scientists, data analysts, data engineers, développeurs professionnels et occasionnels…) pour éviter les doublons et les interférences, aplanir la collaboration entre IT et métiers, harmoniser les approches et offrir à chacun des perspectives individuelles.  

Les processus qui irriguent cette organisation doivent permettre de diffuser l’expérience méthodologique et l’expertise technique, de faire remonter les connaissances et les besoins du terrain et de définir les étapes clés de l’industrialisation des projets. Par exemple, il est important d’établir quand et comment un citizen developper doit solliciter les équipes spécialisées pour transformer en solution d’entreprise une idée qu’il aura d’abord explorée avec des capacités exploratoires tel que l’AutoML.  

Enfin, concernant l’outillage, l’AI factory doit mettre en place un socle technologique intégré de production à l’échelle, depuis les pipelines de préparation de la donnée jusqu’au déploiement d’applications embarquant des modèles de machine learning. Ces outils doivent aussi contribuer à accroître la productivité des projets à travers l’industrialisation des méthodes DataOps et MLOps, ainsi que la réutilisation des développements et modules matures. 

Selon la maturité de l’entreprise et ses usages, l’AI factory s’appuie sur différents modèles de gouvernance : centralisée (les projets sont réalisés de bout en bout par une seule équipe dédiée pour toute l’organisation), décentralisée (une structure de ce type est créée dans chaque entité métier) ou « hub & spoke » (les équipes locales sont appuyées par un pôle transversal d’expertise et de coordination). Lorsqu’il est possible, ce dernier modèle se révèle optimal car il permet de concilier expertise et mutualisation, d’une part, et capacité d’initiative et connaissance métier, d’autre part.

Quels avantages pour les parties prenantes et pour quels résultats business ?

Le déploiement d’une AI factory établit un modèle de production associant IT et métiers, permettant de créer de la valeur à la fois rapidement (les cas d’usage aboutissent plus vite), à moindre coût (mutualisation des efforts et capacités) et durablement (les modèles sont maintenus pour rester pertinents et performants). La plateforme IT sous-jacente est activée en mettant à disposition des données de qualité, des capacités exploratoires efficientes, et des capacités de déploiement en continu pour le passage à l’échelle. 

En structurant la pratique de l’IA et en instaurant un langage commun, l’AI factory contribue à créer une culture inspirant confiance dans la stratégie et des résultats intelligibles. Par ailleurs, les gains de productivité permettent aux data scientists de se libérer de tâches à faible valeur ajoutée et d’aborder des sujets fondamentaux qu’il leur fallait souvent reléguer au second plan, comme l’éthique, l’explicabilité des résultats, la gestion des données sensibles ou la maintenance des algorithmes. 

Ce modèle d’AI Factory a d’ores et déjà fait ses preuves dans de nombreuses entreprises. Il a ainsi permis à un grand constructeur automobile européen de mettre plus de 100 modèles d’IA en production en seulement cinq mois, ou à un acteur majeur du secteur aéronautique de multiplier en trois ans ses cadences de production par plus de six ! Dans les deux cas, la clé a été de ne pas vouloir forcer la mise en place d’un modèle théorique, mais de chercher à tirer parti de façon pragmatique des forces et des expériences existantes, avec une approche itérative et collaborative de l’innovation.