Priorisation : le point pivot entre démonstration de faisabilité et production

Nos clients nous disent souvent qu’ils sont enthousiasmés par ce qu’ils pourraient faire avec la data et l’IA, mais qu’ils ne savent pas trop comment s’y prendre. Ou que les équipes techniques sont « à fond », mais qu’elles ne parviennent pas à convaincre les pouvoirs en place de se lancer. Ce n’est pas parce qu’ils ne savent pas quoi faire : ils pourraient énumérer un certain nombre d’initiatives ou de cas d’usage qui bénéficieraient d’informations tirées de leurs données ou auxquels ils pourraient appliquer l’IA. Mais de nombreuses organisations semblent souffrir de paralysie institutionnelle. 

Lors du Snowflake Summit cet été, un dirigeant d’une grande entreprise du secteur de l’industrie a fait ce commentaire : « Si seulement nous savions ce que nous savions. » En d’autres termes, imaginez toutes les choses que nous pourrions faire si nous pouvions tirer des informations de toutes les données que nous avons recueillies, de tout ce que nous savons sur nos clients ou nos produits. 

Cependant, le défi est de savoir par où commencer. La réponse se trouve dans l’avant-projet : ce que vous faites avant même de lancer l’outil. Imaginez construire une maison sans plans. Mais avant même que l’architecte ne mette le crayon sur papier, il existe une liste de souhaits de fonctionnalités pour cette maison de rêve. Comment envisagez-vous votre vie dans cette maison ? « Eh bien, nous aimerions profiter de la vue magnifique. Pour maximiser la vue, nous aimerions de grandes fenêtres ou un porche enveloppant. Nous voudrions également assurer l’aspect fonctionnel de la maison avec de nombreux rangements, alors n’oubliez pas l’espace de rangement. » Pour avoir récemment suivi ce processus, je le sais bien. Ma liste de souhaits était longue. 

Puis vient le plus difficile. Vous avez un budget et probablement un ensemble de règles à suivre, comme le code de la construction ou les ordonnances de quartier. Les contraintes nécessitent de faire des choix difficiles et de donner la priorité à certaines fonctionnalités plutôt qu’à d’autres. Idéalement, vous pouvez commencer avec des bases solides et des fonctionnalités clés et permettre que d’autres puissent être ajoutées plus tard. Et peut-être devrez-vous apprendre à faire certaines choses vous-même pour que vos fonctionnalités souhaitées deviennent des projets de bricolage. Mais certains de ces projets ne verront probablement pas le jour.

Vous vous reconnaissez ? Peut-être avez-vous construit une maison. Ou peut-être avez-vous élaboré une stratégie data et IA et commencé à l’utiliser. Vous avez évangélisé les opportunités et testé un certain nombre de pilotes, mais maintenant il est temps de déterminer ce qui fait la différence.

Selon un article récent de la Harvard Business Review, 80 % des projets d’IA ne sont jamais mis en production. Ce chiffre a été utilisé pour illustrer un échec. Cependant, un examen plus approfondi révèle que certains de ces 80 % ont été mis à l’écart intentionnellement. La première étape pour passer de l’expérimentation à l’implémentation consiste à choisir les projets ou les produits qui doivent avancer. Comme un CDO me l’a décrit il y a des années, l’objectif de la priorisation est de s’assurer que la vue en vaut la peine.

Les idées viennent de tous les secteurs de l’entreprise, et c’est une bonne chose. La diversité des idées doit être encouragée. Les sandboxes et les hackathons d’IA encouragent l’expérimentation. Mais en fin de compte, ces idées doivent être mises à l'épreuve. Un cadre de priorisation rigoureux et transparent permet de s’assurer que les projets et produits proposés correspondent aux objectifs de l’entreprise et qu’il est réaliste pour l’équipe de les créer. 

La vue. Dans la matrice ci-dessus, l’axe des ordonnées montre un alignement avec les objectifs stratégiques de l’entreprise, en gros. C’est là que vous estimerez le potentiel de « vue ». 

• L’initiative est-elle alignée sur les objectifs de l’entreprise ? La priorité doit être donnée aux projets ou aux produits qui ont un lien direct avec des objectifs commerciaux spécifiques. Y a-t-il un sponsor commercial pour l'initiative ? Les produits de données n’apporteront de valeur que s’ils favorisent l’action, c’est-à-dire si les utilisateurs finaux les adoptent. Cela nécessite une collaboration entre les équipes commerciales et data, et une formation des deux côtés sur ce qui est requis et ce qui est possible. 

• Plusieurs unités commerciales peuvent-elles en bénéficier ? De nombreuses équipes data mettent l’accent sur la réutilisation en tant qu’exigence de priorisation : la valeur augmente avec l’augmentation du nombre d’unités commerciales utilisant le modèle d’IA ou le produit de données. Par exemple, imaginez qu’un fabricant d’appareils électroniques veuille comprendre comment ses appareils sont utilisés et par qui. Un produit de données sur l’utilisation d’un produit pourrait fournir une vue à 360 degrés du client pour voir quels produits un client utilise et une vue à 360 degrés du produit pour voir quels clients utilisent un produit particulier. 

• Quel est le rendement attendu ? Cela commence par l’identification des indicateurs à mesurer, idéalement en termes de valeur commerciale, et de faire une estimation initiale. La priorisation nécessite une comparaison concrète entre initiatives concurrentes. 

L’effort. L'axe des abscisses reflète la complexité et la faisabilité d'une initiative spécifique visant à déterminer si elle est réalisable en termes de ressources et de risques. C’est là que vous estimerez l’effort requis.

• Les données sont-elles disponibles ? Le besoin le plus critique est celui de données pour entraîner le modèle. Les données internes sont-elles facilement disponibles et accessibles ? Le modèle nécessite-t-il une transformation ou un accès à des données non structurées ? Une formation adéquate nécessiterait-elle des données externes, telles que des données de partenaires ou d’autres données tierces, pour atténuer les risques de biais ou d’hallucination ? 

• Quelles compétences et quels outils sont nécessaires ? Voici où vous devez être réaliste pour savoir si vous avez les ressources nécessaires et ce qu'il faut pour y parvenir. Une initiative d’IA ne devrait pas ressembler à un film de science-fiction. 

• Y a-t-il des risques en jeu ou d'autres préoccupations ? Pour commencer, la Législation européenne sur l’IA adopte une approche de la réglementation basée sur les risques et classe les systèmes d’IA en quatre niveaux de risque différents : risque inacceptable, risque élevé, risque limité et risque minime. Un certain nombre d'outils peuvent aider à évaluer le niveau de risque et fournir des conseils sur les réglementations et exigences pertinentes. 

• Quel est le coût de création et de déploiement ? En fin de compte, il s’agit d’un business case qui nécessite une estimation des coûts de création, de déploiement et de maintenance du modèle d’IA dans le temps. Ces estimations devraient également inclure les technologies et l'acquisition de données ainsi que la formation requise. Il ne s’agit pas seulement de créer une application. 

Le résultat final est une matrice dans laquelle chaque produit ou projet potentiel peut être placé et évalué en termes de vue anticipée et d’effort requis.

La matrice deux par deux donne les catégories suivantes : 

• Investissements rapidement intéressants : vue magnifique, effort court et facile. Il s’agit d’initiatives qui cadrent parfaitement avec les objectifs stratégiques de l’entreprise et qui sont considérées comme moins complexes ou hautement réalisables. 

• Inutile : vue limitée, effort difficile. Il s’agit d’initiatives considérées comme plus difficiles et à faible potentiel, qui n’en valent pas nécessairement la peine. 

• Investissements à long terme : vue magnifique, mais effort long et rude. Ces initiatives devraient apporter une valeur significative, mais elles sont considérées comme plus complexes ou s'accompagnent d'une augmentation significative des risques ou des besoins en ressources. Celles-ci peuvent être décomposées en initiatives plus petites ou en produits de données composants qui peuvent ensuite être agrégés pour en tirer pleinement profit. 

• À creuser : vue limitée, mais effort relativement court et facile. On s’attend à ce que ces initiatives offrent une certaine valeur (sinon elles ne seraient pas proposées), mais elles sont moins stratégiques. Cependant, elles sont considérées comme relativement faciles. Ce sont des possibilités, mais seulement si le temps ou les ressources restants le permettent, d’où la priorité moindre.

Ce processus n’est pas optionnel. Le passage de la démonstration de faisabilité au produit/projet implique des choix difficiles. Un cadre formel d'établissement des priorités permet de s'assurer que les initiatives sont évaluées de façon égale et transparente, qu'elles soutiennent la stratégie commerciale, qu'elles sont réalisables pour l'organisation et que les besoins en ressources et les résultats escomptés sont alignés.

Pour en savoir plus sur la façon dont les clients Snowflake ont parcouru le parcours de l’IA, de l’évangélisation à l’expérimentation, en passant par l’opérationnalisation et la transformation, consultez le « Guide vers une IA efficace pour les responsables data ».