Contact
France
Contact us
Replay

Lancer des AI Factory pour accélérer et créer massivement de la valeur

News and insights
#Artificial intelligence

Pourquoi mettre en place une AI Factory ?

 

Qu’est ce qu’une AI Factory ?

 

Une AI Factory est une structure  en charge de créer de la valeur via la réalisation de cas d’usage d’Intelligence Artificielle. Une AI Factory regroupe :

  • des compétences pluridisciplinaires : des profils à la fois business (product owner, business owner..) et techniques (data scientist, data engineer, data architects..) qui oeuvrent ensemble à la réalisation d’un ou plusieurs cas d’usage IA.
  • des méthodologies : Design Thinking, Agile, qui permettent de passer rapidement de la phase d’idée à la phase de concept, de la phase de concept à la phase de prototypage, de la phase de prototypage à la phase de mise en production et de la mise en production au déploiement à l’échelle.
  • des technologies : qui permettent de réaliser des solutions techniques performantes et scalables.

Les grands enjeux


Les initiatives autour de l’Intelligence Artificielle sont souvent dispersées dans les organisations, la plupart restent à l’état de POC, ne délivrant in fine aucune valeur.

Ces différents POCs sont rarement cadrées par une stratégie globale, et de nombreux gisements de valeur restent inexploités.


L’AI Factory porte 2 grands enjeux :

  • Créer massivement de la valeur, en priorisant de manière fine et intelligente les cas d’usage, en accélérant leur industrialisation et leur passage à l’échelle
  • Favoriser la transmission de savoir et la montée en compétences des talents de l’entreprise

 

Les 5 convictions d’Artefact pour la mise en place d’une AI Factory

 

#1 : Choisir les bons cas d’usages  


Être équilibré dans les différents business domains et dans les différents gisements de valeurs.

Aller chercher des victoires rapides sur des ‘greenfields’ (potentiel de valeur jusqu’alors non exploité), à la fois pour garantir une vraie valeur incrémentale et pour faciliter l’implémentation

Etre pragmatique, privilégier le facile à la fois sur le plan technique et sur le plan organisationnel (choisir les cas d’usage avec le moins de frictions avec les métiers).

 

#2 S’organiser en feature teams

 

Mettre en place des teams agiles, chacune en charge d’une grande problématique business, pilotée par un KPI. Exemple pour un retailer : une team agile performance magasin, une team agile performance supply chain..

Découper ces teams agiles en features teams, chacune en charge d’un sous problème. Exemple : l’agile team supply chain, peut être décomposée en une feature team prédiction des ventes, une feature team sur l’automatisation du travail en entrepôt…

 

#3 Décomposer la complexité

 

Segmenter le sous-problème de chacune des features teams en sous unités de base moins complexes.

Exemple : la feature team en charge de la prédiction des ventes, s’intéresse dans un premier temps à la prédiction des ventes des fruits et légumes et plus précisément à la prédiction des ventes de la tomate.

 

#4 Assurer la montée en compétence


Instaurer des rituels, pour favoriser la transmission des savoirs et la montée en compétences, par exemple :

  • Tech tex : organisation d’évènements hebdomadaires sous forme de retour d’expérience d’une équipe sur un point spécifique (un outil, une difficulté etc.)
  • Pair programming : mise en place de binômes au sein des features teams, qui travaillent ensemble sur le même code

Créer un ‘lab academy’, en charge de la mise en place et de l’animation d’un  programme de formation au sein du lab.

 

#5 Rendre scalable

 

Etre en capacité d’augmenter rapidement la capacité des équipes du lab en créant de nouvelles teams agiles ou en ajoutant des features teams au sein des différentes agile teams.

 

Téléchargez notre rapport sur l’AI Factory !