Facteurs de succès d'un projet IA

Les déterminants de succès d'un projet data science, en réalité, ne situent que rarement au niveau du modèle et de ses performances prédictives. Le destin de la plupart des projets est déjà défini bien en amont, dès la phase de cadrage, lorsqu'il s'agit de concevoir la solution dans son ensemble (les utilisateurs, les algorithmes, les interfaces, les bases de données, etc.). Cette phase demande évidemment une compréhension technique - parfois même très pointue - des algorithmes de ML ou autres, mais elle demande surtout de bien comprendre le besoin de l'utilisateur et la valeur qui peut lui être apportée.

Il faut ensuite traduire ce besoin métier en problématique technique ; mais, la plupart du temps, celle-ci peut être traitée avec des approches très simples (moteur de règles, régression, regex, etc.) - et c'est même souhaitable pour un premier/nouveau projet, dans une approche Lean, quitte à améliorer les modèles progressivement en intégrant les retours des utilisateurs. Souvent on sera surpris que les retours se situent ailleurs que sur la performance des algorithmes !

Il y a évidemment des projets qui, par nature, nécessitent de la R&D intensive ou dont les performances predictives sont immédiatement corrélées au business (et parfois même au cœur du business model), mais ce n'est pas le propre de la plupart des projets de data science. Que les formations, universitaires ou autres, soient focalisées essentiellement sur les modèles, ce n'est pas très aberrant - même si un peu de sensibilisation aux différents aspects (données, MVP, etc.) ne serait pas de trop -, mais que les data scientists, même après plusieurs années d'expérience, croient que leur le nœud du problème est de savoir si XGBoost est meilleur que Random Forest, etc... c'est assez surprenant !

Un autre déterminant, plus important peut-être, mais sous-estimé quasi-systématiquement, est l'acculturation des managers. Elle conditionne pourtant tout le destin de la transformation par la donnée de l'entreprise. On rencontre souvent deux attitudes types et opposées, en particulier dans les organisations qui sont à l'aube de leur transformation : "l'intelligence artificielle n'est pas pour moi" et "l'intelligence artificielle est la solution magique qui va résoudre tous mes problèmes tout de suite".

Il y a évidemment tout un spectre de nuances entre ces deux extrêmes, mais il y a un minimum irréductible de culture data que les managers doivent tous avoir : quelles sont les opportunités de l'IA et comment celle-ci aide à créer de la valeur ? Les différents défis que posent les projets data, la sélection et la priorisation des cas d'usage, le cycle d'un projet data science, etc.

Acculturer les managers aux différents enjeux de l'IA est probablement le meilleur investissement que puisse faire une entreprise.