Contact
France
Contact us
Replay

La réponse du Lean AI aux “7 wastes” des projets d’Intelligence Artificielle

News and insights
#Artificial intelligence

Artefact propose une adaptation des méthodologies Lean Manufacturing pour remédier au 7 sources de gaspillage traditionnellement rencontrées dans les projets d’Intelligence Artificielle.

La réponse du Lean IA se structure en deux axes :

 

  • L’optimisation de la chaîne de production via le développement de data products
  • Un emphase forte sur l’adoption et la distribution des data products

 

Si ces guidelines ont vocation à éviter les écueils et à optimiser la transformation par la réduction des pertes et l’adoption du produit final, elles ne sont pas figées et ont vocation à être adaptées aux contraintes et caractéristiques de chaque organisation.

Les résultats recherchés sont l’optimisation du time-to-market, la livraison continue, la fluidification de la collaboration et l’accélération des prises de décisions au service de la valeur.

 

L’optimisation de la chaîne de production via le développement de data products

 

La standardisation : une contrainte culturelle, source des principales avancées technologiques

 

Dans son ouvrage The Design of everyday things, Don Norman observe que les avancées technologiques proviennent des technologies en elles mêmes ou de la standardisation. Il fait le parallèle avec l’histoire de l’automobile ; les premières voitures étaient difficiles à opérer, exigeant de la force et des compétences spécifiques. Certaines difficultés furent traitées grâce à la standardisation : l’invention du moteur, du starter et de l’embrayage par exemple.

La standardisation peut être assimilée à une contrainte culturelle. Une fois la phase d’apprentissage terminée, le jeune conducteur est confiant dans sa capacité à conduire n’importe quelle voiture partout dans le monde. La standardisation permet ainsi des avancées technologiques et fonctionnelles majeures.

Les data products : des légos intelligents

 

Au coeur du Lean AI, la culture de la capitalisation et de la standardisation. Le Lean AI s’attache à construire des briques technologiques ouvertes sur l’écosystème, appelées data products, sur lesquelles l’entreprise puisse se reposer pour construire une stratégie IA cohérente et pérenne.

 

L’objectif est de mettre à disposition des équipes data une bibliothèque de briques technologiques standards, pour que les projets aux mêmes caractéristiques techniques soient traités via la même approche et s’intègre de manière cohérente au reste de l’écosystème.

Pour être réutilisable, l’IA doit être “packagée”, pensée comme une structure en légos, composée de plusieurs briques qui par combinatoire recomposent un ensemble plus complexe. Le modèle d’Intelligence Artificielle repose sur un socle de dénominateurs communs, des data products génériques, indispensables au bon fonctionnement de l’IA mais non spécifique à la problématique traitée, et sur des data products “spécialisés” faisant la spécificité du produit IA en question.

Uber s’est lancé dans la construction de ses dénominateurs communs en créant une plateforme de datascience appelée Michelangelo dont l’objectif est d’adresser les problèmes de production en standardisant les workflows et les outils pour l’ensemble des équipes data. La plateforme permet de facilement construire et opérer des systèmes de machine learning à l’échelle, en mettant à la disposition des datascientists des morceaux de code pré-packagés et la documentation associée pour favoriser le partage et la diffusion des connaissances.

Si l’on prend l’exemple d’un retailer, les référentiels clients ou magasins sont des dénominateurs communs, des data products génériques qui peuvent être consommés

par plusieurs data products spécialisés comme des algorithmes de recommandation produit ou des algorithmes de prédiction de l’écoulement des stocks.

La philosophie technique permettant la la mise en pratique de ces data products sont les microservices (détaillés en partie 2).

Cette approche a de multiples bénéfices :

  • Elle  favorise la montée en compétence des équipes en standardisant les approches et en capitalisant sur les compétences internes
  • Elle réduit les défauts et augmente la qualité du produit final en érigeant des standards de développement supportés par des contrôles qualité
  • Améliore le time-to-market des projets grâce à la centralisation des connaissances et la forte capitalisation sur les expériences passées

 

Elle permet aux équipes de se concentrer sur l’essentiel : les 20% spécifiques qui vont permettre de décupler la valeur générée par le produit final.

 

Une emphase forte sur le dernier kilomètre

 

La méthodologie Lean IA met l’emphase sur le dernier kilomètre de la chaîne de production : un data product est abouti uniquement s’il est distribué et consommé largement par les utilisateurs finaux.

 

La distribution des data products

 

Le travail des équipes data ne s’arrête pas à la construction du modèle mais à l’observation d’un incrément ou décrément sur le KPI que l’on cherche à optimiser. Cela passe par mise à disposition de l’algorithme à l’ensemble des utilisateurs finaux.

Si l’on prend l’exemple de Google, une fois un nouveau modèle conçu, la firme de Mountain View le package sous forme de produit pour que les utilisateurs de leur suite Google Cloud Platform puissent  consommer le modèle avec le moins de friction possible. Cela passe par la mise en place des APIs Machine Learning (ML) créées pour développer l’usage des produits de ML de Google. L’objectif des data products est de bénéficier à une audience bien plus large que celle pour lequel le produit a été initialement conçu.

Un modèle de Machine learning permettant de prédire la vitesse d’écoulement des stocks pour un EAN (European Article Number) donné, peut être utilisé largement chez un retailer si il alimente par API (data product générique ou standard) un dashboard mis à disposition de l’ensemble de l’entreprise.

Ce dashboard peut être utilisé par les directeurs de magasins pour suivre l’écoulement de leurs stocks, par l’équipe marketing pour cibler ses campagnes sur les produits qui s’écoulent plus lentement, par l’équipe promotion pour définir sa stratégie promotionnelle, par l’équipe supply pour optimiser la chaîne d’approvisionnement etc.

L’IA Analytics

 

Une fois le data products diffusé largement aux différents acteurs de l’entreprise, il est nécessaire d’en mesurer l’adoption et d’en piloter la performance.

Artefact préconise la mise en place d’un outil d’IA Analytics, à la main du Product Owner, pour favoriser l’amélioration continue du modèle.

Exemple de KPIs d’IA Analytics :

  • Des KPIs d’usage (ex. nombre d’acteurs qui consomment le modèle)
  • Des KPIs techniques (ex. Performance du modèle (% d’erreur), nombre de défaillances sur la chaîne de production)
  • Des KPIs business (ex. économies générées, incrément de chiffre d’affaires)

 

L’IA Product Owner ethnographe

 

Pour de l’analyse plus qualitative, les sessions d’immersion avec les équipes métiers sont préférées à l’envoi de sondages utilisateurs. L’IA product Owner agit à la manière d’un ethnographe, et observe comment l’outil créé est utilisé dans son environnement de travail.  

Cette méthodologie s’inspire des bonnes pratiques observées pour le développement de produits digitaux. Pierre Fournier, Head of Product chez ManoMano nous partage sa méthodologie de feedback loop : les products owners organisent des “vendredis popcorn” au cours desquels ils visionnent des enregistrements vidéos de parcours utilisateurs sur leur site web. Le premier vendredi du mois est dédié au visionnage de 20 sessions sur le parcours de paiement, et le dernier du mois au visionnage de 20 sessions sur l’arrivée sur le site. Ces cérémonies rituelles permettent aux Product Owners de s’identifier aux utilisateurs et de percevoir les éventuelles difficultées ressenties en “immersion”, ce qui permet aux PO de prioriser de manière plus juste les ajustements produit.

L’IA Product Owner est sensibilisé à la criticité de l’accompagnement au changement et organise et anime un programme de “SAV de l’IA”  pour supporter les équipes dans la prise en main des résultats :

  • Organisation d’ateliers de prise en main des différents format de restitution
  • Organisation d’échange 1-to-1 pour aider à la compréhension du résultat

 

Téléchargez notre rapport sur l’AI Factory !