Contact
France
Contact us
Replay

Les “7 wastes” des projets d’Intelligence Artificielle

News and insights
#Artificial intelligence

Artefact s’est inspiré des 7 wastes du lean manufacturing et les a adaptés au domaine de l’Intelligence Artificielle. Cette étude repose sur la réalisation de plus de 30 projets d’Intelligence Artificielle sur les trois dernières années.

Pour chaque “waste” identifié – Extra Processing, Dépense d’énergie, Inventaire, Sur-production, Attente, Défauts, Talents – les causes sont explicitées et éclairées grâce à des exemples concrets.

EXTRA PROCESSING : sur-délivrer par rapport aux attentes clients



L’IA pour la beauté du geste


Faire de l’IA pour faire de l’IA. Les équipes techniques s’attèlent à construire une solution technique efficace et innovante – car faisant appel aux dernières nouveautés technologiques – mais complexe. Les considérations business sont reléguées au second plan au profit du challenge technologique ; les spécifications techniques prennent le pas sur les spécifications métiers pas assez précises ; les fonctionnalités coeur génératrices de valeur ne sont pas identifiées. L’extra-processing aboutit souvent à la mise en place d’usines à gaz, de “boîtes noires”, complexes à maintenir pour les équipes techniques et à comprendre et adopter pour les équipes métiers.


“Réinventer la roue”


Beaucoup de temps est consacré à la construction d’une IA personnalisée, au petit détail qui parfait la réalisation mais n’est pas attendu par le client. Le coeur du projet est délaissé au profit de l’accoutumance aux petits problèmes et petits défauts.

Exemples :

Un acteur de l’assurance souhaite créer un algorithme de prédiction du churn. Les algorithmes traditionnels, présents sur étagère, permettent de répondre au cahier des charges. Cependant, pour le challenge, l’équipe data souhaite concevoir une solution deep learning personnalisée. L’algorithme conçu est une “boîte noire”, beaucoup plus long à produire et complexe à évangéliser.

Un acteur des PGC* souhaite mettre en place un algorithme d’attribution pour dé-siloter le pilotage des ventes média. Plutôt que de capitaliser sur des modèles d’attribution classique (last touch, linéaire, first touch etc.), le client souhaite mettre en place un modèle d’attribution data-driven, complexe d’appropriation pour les métiers.

DEPENSE D’ENERGIE : des efforts humains ou machine qui n’apporte pas de valeur incrémentale



Le manque d’intégration


Sur le plan technique, manque d’un écosystème IA articulé avec le SI legacy et les outils en place. Les différentes briques nécessaires à la construction du produit IA ne sont pas intégrées,  générant des frictions dans le processus de développement.

Sur le plan humain, les compétences ne sont pas centralisées, la communication manque de fluidité entre les différentes parties prenantes. L’éparpillement des acteurs engendre perte de temps et quiproquo.

Exemple :

Un acteur du retail  souhaite mettre en place un algorithme de recommandation client. La donnée nécessaire à la réalisation du projet (CRM, transactionnelle, navigationnelle…) est éparpillée dans plusieurs bases sans accès centralisé. Un chronophage travail de centralisation et de réconciliation des sources est nécessaire avant de lancer le projet.

Pour bénéficier d’une puissance de calcul accrue, l’équipe data décide d’entraîner l’algorithme sur le cloud, et d’industrialiser le modèle côté on premise. Les écosystèmes techniques ne sont pas intégrés, ajoutant de nombreuses tâches au backlog  et engendrant des efforts superflus côté développement.


INVENTAIRE : la création d’intelligence pas assez autonome


La culture du spécifique versus standardisé


Les modèles sont conçus via une chaîne de production très spécifique, répondant à un besoin particulier. Aucune capitalisation sur ce qui a été construit n’est possible. On recrée à partir de 0 à chaque nouveau besoin, ce qui ralentit la réalisation et mise en production de nouveaux modèles.


La dette IA


L’Intelligence construite n’est pas assez autonome, la maintenance est trop complexe. On a sur-produit de l’intelligence de manière non intelligente, tous les choix fait par le passé se révèlent être des fardeaux techniques. Les ressources sont mobilisées sur de la “vieille maintenance” plutôt que sur de la “nouvelle intelligence”.

Exemples :

Un acteur des cosmétiques souhaite créer une solution de NLP pour faire de l’analyse sémantique sur les réseaux sociaux. Plutôt que d’utiliser une brique standard et d’y apposer une brique spécialisée pour l’analyse des réseaux, la solution n’est pas pensée pour servir d’autres cas d’usages. 3 mois plus tard, une autre équipe souhaite utiliser du NLP pour un autre type d’analyse, elle est forcée de repartir de 0.

Un acteur de l’IOT souhaite piloter l’usage de ses objets connectés. La donnée en entrée est erratique et de très mauvaise qualité.  Il externalise la mise en place d’une chaîne de production très spécifique, permettant de traiter la donnée en temps réel et d’anticiper au maximum les problèmes de qualité. Les équipes internes sont dans l’incapacité de reprendre et maintenir cette solution trop spécifique et complexe.

SUR-PRODUCTION: l’IA arrive trop tôt par rapport à la maturité de l’entreprise, ou de manière non structurée, non réfléchie


La culture du POC non industrialisable

Le manque d’une stratégie globale et de synergies entre les différents acteurs de l’organisation, fait naître de nombreuses initiatives disparates (POCs) en dehors des principales poches de valeur de l’entreprise.
Ces diverses initiatives arrivent souvent en anticipation des attentes clients, et plusieurs répondent parfois à une seule et même problématique.

Exemples :

Une entreprise du secteur des PCG décide de lancer un laboratoire autour de l’Intelligence Artificielle. La première activité du lab est l’organisation d’ateliers d’idéation pour identifier des cas d’usages éligibles à une entrée en lab. Les cas d’usages choisis, axés promotion et marketing sont très topline, éludant d’autres poches de valeur comme l’optimisation de la supply chain, la réduction de la consommation énergétique, la réduction des coûts en magasin etc.


ATTENTE : temps inoccupé, dans l’attente d’une livraison ou d’une décision managériale



Le manque de sponsoring C-level


L’Intelligence Artificielle n’est pas considérée comme un levier stratégique par les dirigeants de l’entreprise. Le temps passé par le management à convaincre que l’Intelligence Artificielle peut créer un avantage concurrentiel, laisse peu de temps pour l’action.
Le faible sponsoring des dirigeants entraîne un manque de mobilisation de la part de l’ensemble des équipes, déséquilibrant les processus en place. Ceux-ci sont peu qualitatifs (problèmes de qualité, présence de défauts, de bugs techniques) et peu fluides avec un temps conséquent perdu entre deux étapes successives.

Exemples :

Un acteur du voyage souhaite développer une application à la voix sur Google Home et Alexa. Trois mois sont consacrés à l’identification et à la mobilisation de ressources techniques pour rejoindre l’équipe coeur. Le post mortem à trois mois témoigne d’un besoin fort de montée en compétence des équipes.  L’entreprise décide de faire appel à des ressources externes, qui sont mises en attente un mois le temps d’ouvrir les accès aux bases de données et à l’environnement technique. Une fois le projet prêt à être lancé, il est mis en pause pendant plusieurs semaines dans l’attente de la signature d’un NDA par le CEO.


DÉFAUTS : le produit IA ne répond pas aux besoins (dévie des attentes du client final)


Un focus sur la vitesse d’exécution versus la qualité et la cohérence

  • Mauvaise compréhension du besoin métiers, spécifications pas assez précises
  • Processus non standardisés, mauvaise détection des bugs lors de la phase de production
  • Fonctionnalités défectueuses car machines et outils non maintenus
    Récompense des équipes sur la quantité et la rapidité d’exécution versus la qualité

 

Exemples :

Une entreprise du secteur des télécoms souhaite remplacer son dispositif de diagnostic des problèmes réseau – aujourd’hui construit sur la base d’un arbre de décision déterministe – par un algorithme de Machine Learning. Le résultat obtenu n’apporte pas de valeur incrémentale versus le système en place ; plutôt que de laisser l’algorithme définir la solution la plus pertinente pour résoudre le problème, l’équipe data force l’IA à suivre une logique humaine, reproduisant en l’améliorant à la marge le dispositif existant.


TALENTS  : échec à capitaliser sur les compétences et les connaissances internes



Manque d’une culture inclusive, qui positionne l’humain au coeur


Pour réussir sa transformation IA, l’entreprise doit s’attacher à diffuser une culture qui reconnaît les forces et la contribution de chacun des salariés, qui mobilise, et fait de la transformation IA une transformation inclusive. Aujourd’hui, trop peu de temps et de ressources sont consacrés à la montée en compétence, à la formation et au développement des salariés. Le transfert de connaissance au sein de l’entreprise, pourtant clé, est souvent difficile à mettre en place.

Exemples :

3 ans après le lancement d’un grand plan de transformation IA, une entreprise du secteur bancaire consulte ses employés pour en dresser le bilan intermédiaire sur le plan humain. 3 principaux axes remontent de la consultation :

  • Résolution de problèmes réalisée en chambre par les experts,  ignorant la contribution des autres membres de l’équipes
  • Des idées d’amélioration imposées par le management ou par les experts au reste de l’équipe plutôt que conçues avec elles
  • Des produits conçus « au rabais » par manque de compétences, de connaissances ou par manque de mobilisation des équipes prises par le run ou pas assez « incentivées » sur la livraison du projet.

 

ContacteZ NOS EXPERTS