Industrialisation de l’IA : projet ou produit ?
Si on parle « d’industrialisation » d’Intelligences Artificielles, ce terme recouvre des réalités bien différentes selon les acteurs et le niveau de maturité de leurs organisations. L'industrialisation est parfois perçue comme la dernière étape d'un projet d'IA, celle qui aboutit aux premières utilisations du service.
Or, l'objectif est de disposer d’une solution qui apportera de la valeur chaque jour, qui saura s’adapter aux différents changements (des besoins ou des données), tout en garantissant des performances stables et adaptées aux usages. Une vision projet de l'industrialisation n'est donc pas toujours la meilleure réponse, selon le niveau de régularité des usages et des données.
Projet ou produit ?
Un projet est d’abord caractérisé par un début et une fin. Et le moment où l’histoire du projet se termine est souvent celui où l’histoire du produit commence, lorsqu’il a ses premiers utilisateurs.
Adopter une approche produit est avant tout une question d’état d’esprit, tourné vers les utilisateurs et leur satisfaction durable.
Les pratiques et techniques désormais largement adoptées comme le DevOps ou l’automatisation du processus CI-CD peuvent être très utiles et même indispensables, mais ne constituent pas à elles seules une garantie d’atteinte de ces objectifs.
L’approche produit débute dès les phases d’idéation avec les utilisateurs et la définition de KPI qui permettront de rendre factuelle la création de valeur du produit, d'en mesurer la performance (métier) afin d'être suivis et pilotés dans la durée. La capacité de détecter et de réagir à d'éventuelles dérives est un aspect essentiel d'une IA industrialisée et maîtrisée. Un aspect qui n'a pas échappé au législateur puisque c'est aussi une exigence de la future réglementation sur l'IA s'agissant des cas d'usage "à risque".
Prenons l’exemple simple d’un chatbot. La pertinence des réponses apportées par l’application ne pourra vraiment être évaluée qu’après l'ouverture du service, confrontées aux questions d’utilisateurs réels et qui attendent des réponses pertinentes.
Par ailleurs, il est important de comprendre que la pertinence de ces réponses a plusieurs raisons d’évoluer dans le temps :
Cet exemple simple permet d’illustrer que l’enjeu n’est pas de sortir une application qui réponde correctement aux tests le jour de l’ouverture du service. L’approche produit est itérative et s’inscrit nécessairement dans un temps long.
Des équipes pluridisciplinaires stables
L’approche produit implique la mise en place d’équipes pluridisciplinaires stables. Pluridisciplinaires, car un produit d’IA nécessite de réunir des compétences diverses : métiers, IT, data scientists, architectes, Product Owner, et parfois juridiques. Ces compétences réunies autour du produit doivent apprendre à travailler ensemble, partager une même compréhension des finalités du produit et comprendre le langage du voisin.
Si vous avez besoin de mobiliser les compétences d’un médecin, d’un data scientist, d’un architecte et d’un juriste, vous constaterez que chacun arrive avec son jargon et une représentation parfois floue des métiers des autres. La collaboration s’organise, s’apprend et réclame donc une certaine stabilité dans les équipes, d’autant que cette collaboration ne s’arrêtera pas avec la première mise en production du produit.
Recommandé par LinkedIn
Exploiter une application, des données et des modèles
La gestion d’un produit d’IA en production doit prendre en compte 3 dimensions : l’application, les données et les modèles.
Il est utile de distinguer ces trois dimensions dans la mesure où elles sont associées à des KPI de natures différentes et peuvent évoluer de manière indépendante les unes des autres.
Ainsi, la supervision du produit en phase d’exploitation comporte évidemment un volet technique comme toute application digitale, mais aussi un volet fonctionnel qui doit intégrer le suivi des dérives des données et des résultats du modèle.
L’interprétation de ces dérives et leur diagnostic impliquent des connaissances métier.
Pour coller à ces évolutions, les cycles de déploiement doivent aussi pouvoir être désynchronisés ; on rencontre parfois les termes : DevOps, DataOps et MLOps.
L’industrialisation, la réalisation d’un produit d’IA, doit donc s’appuyer sur :