skip content
Loading indicator

Language switcher

Institut sur les données

Des données aux perspectives : mettre à profit la valeur de l’analytique

Pour tirer pleinement parti de l’intelligence artificielle (IA) et de l’apprentissage machine, il faut essentiellement transformer les mentalités et les processus de l’organisation, indépendamment du fait qu’il s’agisse d’une organisation traditionnelle ou d’une entreprise de l’ère numérique.

from Data To Insights Hero Banner

Les entreprises croulent sous les données et, pourtant, nombre d’entre elles ont du mal à extraire des perspectives de cette masse d’information pour créer de la valeur. Dans un contexte où la révolution amenée par l’IA et l’apprentissage machine s’intensifie, les investisseurs à long terme doivent s’assurer que les sociétés dans lesquelles ils effectuent des placements saisissent les occasions offertes par cette mine de données en incessante prolifération.

Judy Wade

Judy Wade

directrice générale et chef du bureau d’Investissements RPC à San Francisco.

Kelly Shen

Kelly Shen

est directrice générale principale et chef des données et de la technologie à Investissements RPC.

Frederic Laluyaux

Frederic Laluyaux

un entrepreneur de longue date dans le secteur de la technologie, est chef de la direction d’Aera Technology.

Katie Doyle

Katie Doyle

préside le comité de l’innovation et du développement durable du conseil d’administration d’Ahold Delhaize, un détaillant de l’alimentation, et a été chef de la direction de Swanson Health Products.

Igor Taber

Igor Taber

est vice-président principal, Développement des affaires et stratégie, de la société DataRobot.

Ali Ghodsi

Ali Ghodsi

est cofondateur et chef de la direction de Databricks, une plateforme de données, d’IA et d’analytique.

Melinda White

Melinda White

est chef de la direction d’un fournisseur d’infrastructure sans fil 5G, Transit Wireless, une entreprise faisant partie du portefeuille d’Investissements RPC.

A récemment animé une table ronde à laquelle ont pris part six dirigeants qui se consacrent à la mise au point ou à l’adoption de solutions complexes centrées sur les données et l’analytique. Il est clairement ressorti des échanges que même s’il est important d’utiliser la bonne technologie et la bonne approche, la variable primordiale est une culture tournée vers l’analytique numérique. Voici des points de vue exprimés par les participants à cette table ronde.

Capter la valeur des données

Les discussions portant sur le dégagement de perspectives au moyen de l’analytique avancée tournent habituellement autour des caractéristiques des données, désignées par les quatre V : le volume (la quantité de données générées), la vélocité (la vitesse des données entrantes), la variété (les différents types et diverses sources de données) et la véracité (la qualité et l’exactitude des données).

Le dernier V est particulièrement important. Sans cet élément, les entreprises sont incapables de tirer parti de l’« analytique X », c’est-à-dire la capacité d’exécuter une analytique de pointe en utilisant un éventail étendu de données de n’importe quel type et de n’importe quel format, peu importe où elles résident. Comme les entreprises combinent des ensembles de données de plus en plus disparates plutôt que de créer des lacs de données pour en extraire des perspectives, elles créent généralement des éventails de données complexes, dont très peu de points de vue sont extraits.

capturing Value Fr

Selon Ali Ghodsi, le problème est plus grave maintenant qu’il y a 20 ans, car les données des organisations résidaient à cette époque dans la base de données d’un seul fournisseur. Aujourd’hui, cette information est disséminée dans de nombreuses applications, et les tentatives faites pour les rassembler causent de graves problèmes de qualité.

L’IA et l’apprentissage machine étant en voie d’adoption par le plus grand nombre, la véracité est redéfinie par la validation et l’explicabilité, ou l’interprétabilité. Les systèmes d’IA étaient perçus dans le passé comme des boîtes noires. Les chefs d’entreprise avaient en général une compréhension limitée des intrants et de la manière dont les extrants étaient obtenus. Pour que les utilisateurs comprennent l’IA, y croient et la gèrent, il est crucial de valider les données sous-jacentes et d’assurer la transparence du modèle.

capturing Value From Data
capturing Value From Data Mob

« L’ingrédient secret d’une bonne IA, ce sont les données proprement dites », observe Ali Ghodsi, « et l’ajout du moindre ensemble de données peut rehausser l’exactitude des résultats », à la condition toutefois que les données soient comparables. Des incohérences subtiles, par exemple des formats de date différents, peuvent ruiner une analyse et saper la capacité d’obtenir des recommandations d’affaires exécutables.

Il est essentiel d’être très clair quant à l’objectif visé pour éliminer la complexité. « En ce qui nous concerne, il s’agit de comprendre très clairement les résultats, ce que les clients visent à accomplir », explique Melinda White, dont la société fournit des réseaux de communication et des produits informationnels intelligents à quelques-uns des plus importants réseaux de transport public nord-américains, dont le métro de New York. « Tôt dans le processus, nous avons constaté que le produit mis au point n’est pas tout; notre capacité d’intégrer les données existantes compte pour beaucoup. »

Pour que l’automatisation des perspectives tirées des données soit menée à bien, il faut aussi que la définition des paramètres soit cohérente. « Pour déployer l’intelligence artificielle avec succès, on doit comprendre ce que les données signifient et comment en faire un ensemble de points de vue exécutables », explique Frédéric Laluyaux. L’entrepreneur souligne, par exemple, que l’application d’approches différentes à des sources de données pour repérer des statistiques à temps et en totalité (OTIF, pour on time and in full) – une mesure logistique courante – peut miner la validité des résultats générés par l’apprentissage machine.

La situation décrite par Frédéric Laluyaux n’est pas rare. Judy Wade mentionne qu’après la fusion de deux grands supermarchés qui avaient regroupé leurs données, l’analytique avait semblé erronée. Son équipe a mis beaucoup de temps à comprendre qu’un ensemble de données servait au suivi quotidien des stocks et qu’un autre ensemble de données exécutait le suivi hebdomadaire.

Pérenniser les décisions en matière de données

La mise à profit de logiciels libres peut aider les organisations à éviter d’être piégées dans des solutions exclusives qui, avec le temps, peuvent devenir des technologies d’ancienne génération encombrantes.

« Une fois qu’un [fournisseur de solutions] a vos données en sa possession, vous êtes pieds et poings liés », note Ali Ghodsi. « L’exclusivité de ses solutions lui procure un avantage concurrentiel. » En ayant recours à des solutions ouvertes et à l’infonuagique, les entreprises peuvent pérenniser leurs capacités informationnelles en préservant leur capacité de migrer vers de nouvelles plateformes d’IA. Les participants à la table ronde ont convenu que la mise en place, dès le départ, d’un socle solide pour l’analytique des données était essentielle.

Les entreprises de l’ère numérique telles que Uber, Facebook et Airbnb ont délibérément choisi de faire en sorte que leurs données soient paramétrées pour l’apprentissage machine et les recommandations exécutables, ce qui leur confère un atout considérable.

« Ces entreprises bâtissent leurs activités autour de cet atout », commente Frédéric Laluyaux. « Il se peut que les organisations qui effectuent maintenant de bons choix réalisent des gains de temps et disposent d’une plus grande latitude au cours des cinq ou dix prochaines années. »

Quant à celles qui s’abstiennent d’agir, elles s’exposent à perdre du temps et de l’argent en tentant de se doter d’une capacité d’analytique des données en périphérie. De l’avis d’Igor Taber, ce qui échappe à bien des gens au sujet de l’IA, c’est que « la plupart des modèles conçus par des spécialistes de la science des données ne parviennent jamais à l’étape de la production, en partie parce que ces spécialistes sont contraints d’assembler des outils disparates. Pour exploiter véritablement le potentiel de l’IA, il faut disposer d’un seul et unique système d’enregistrement afin de construire, de déployer et de gérer l’IA. »

Démocratisation c. centralisation des données

Il existe une tension naturelle entre la nécessité de centraliser la gouvernance de la confidentialité et de la compatibilité des données et, simultanément, celle de mettre les outils de l’analytique à la disposition des personnes qui dirigent des entreprises individuelles ou des fonctions. Ainsi, l’entreprise d’Igor Taber privilégie la démocratisation de la science des données et de l’IA en élargissant le bassin de personnes qui peuvent générer, gérer et utiliser des perspectives.

Or, une trop grande démocratie peut mener à l’anarchie. À l’époque où Katie Doyle dirigeait une entreprise internationale de mieux-être, « tout le monde pouvait bricoler », se remémore-t-elle, « c’était dans l’air du temps. On pouvait s’amuser à amalgamer différents ensembles de données, lancer une promotion et voir ce qui allait se passer ».

Cependant, la saisie des leçons tirées de ces expériences n’était pas centralisée. Katie a remédié à cette lacune en instaurant un contrôle central des politiques de saisie et de gouvernance des données, puis en décentralisant l’accès aux outils analytiques pour permettre des utilisations novatrices.

data Democracy Versus Centralization
data Democracy Versus Centralization Mob

Pas de résultats sans transformation culturelle

En fin de compte, les principaux obstacles à l’extraction de valeur des investissements dans l’IA et l’apprentissage machine ne sont pas techniques, mais culturels.

Les mentalités et les processus doivent être transformés radicalement, mais de nombreuses grandes entreprises sont passées par plusieurs vagues de réingénierie organisationnelle – impartition, optimisation des processus, migration vers le nuage – et éprouvent maintenant ce que Frédéric Laluyaux appelle la « lassitude liée à la transformation ».

« Ces entreprises se démènent pour que cette nouvelle capacité numérique soit au centre de leurs activités et réorganisent leurs effectifs et leurs processus en fonction d’elle », dit-il.

Il est primordial que les dirigeants soient fidèles à leur message, c’est-à-dire qu’ils plaident constamment en faveur de la transformation même lorsqu’ils se coltinent les aspects pratiques de la numérisation de leurs activités. « C’est difficile », reconnaît Kelly Shen. « En plus d’avoir à accomplir une foule de tâches journalières, il faut tenter d’aider les collègues à penser différemment, à imaginer des modes de travail différents et à introduire l’automatisation. »

transformation Fatigue Fr

« Ainsi, tout est écrit noir sur blanc », explique-t-elle. « Nous avons communiqué nos intentions, nous nous y sommes tenus et nous les avons fait connaître à tous nos collaborateurs. » Dans une organisation traditionnelle, l’adoption intégrale de l’analytique nécessite que les systèmes de croyances soient transformés en profondeur. « De nombreuses personnes voudront quand même se fier à leur intuition ou à leur expérience plutôt qu’aux points de vue et à la vision tirés de l’analytique », note Melinda White. Un changement culturel de fond s’impose pour que ce simple obstacle puisse être surmonté.

Favoriser l’adoption en première ligne

L’adoption de l’IA et de l’apprentissage machine sera limitée sans l’adhésion des responsables des profits et pertes. Ces opérateurs influents détiennent une grande partie des pouvoirs de l’organisation et estiment en général qu’il est plus avisé d’affecter les ressources à des projets dont les feuilles de route sont substantielles.

driving Adoption On The Frontlines
driving Adoption On The Frontlines Mob

« Il faut leur faire comprendre l’utilité [de l’analytique] », souligne Katie Doyle. La production d’une série d’études de cas, à titre indicatif, et d’une feuille de route pour les mettre à exécution peut aider à dissiper l’impression que le changement est accablant et effrayant, poursuit-elle. Le fait de remporter quelques victoires précoces peut aussi contribuer à apaiser les dissensions. C’est pourquoi Igor Taber recommande de centrer les projets d’IA initiaux sur des applications dont l’incidence est facile à mesurer. « Il est logique de privilégier les utilisations génératrices d’une valeur optimale et peu complexes, renchérit Frédéric Laluyaux, mais l’important, dans un premier temps, est d’affecter les ressources aux utilisations qui génèrent une valeur quantifiable précise. »

Pour promouvoir l’adoption de l’IA à l’échelle de l’organisation, il faut aussi dialoguer. « Prenez le temps de parler tous les jours avec les personnes dont les décisions seront touchées par l’application que vous mettez en oeuvre, conseille Frédéric, parce qu’il est plus important de convaincre ces décideurs que le conseil d’administration ou le chef de la direction bien que l’adhésion des dirigeants soit cruciale pour la création d’un programme rassembleur. Katie Doyle note que chez Ahold Delhaize, deux des candidats les plus en vue à la succession du chef de la direction ont été chargés du projet d’analytique des données de l’entreprise. « Ils doivent jouer un rôle actif dans la formulation de recommandations concernant la manière dont nous bâtirons et utiliserons ce projet et les niveaux d’investissement ciblés. De plus, ils doivent présenter les recommandations au conseil d’administration. »

« Le rythme du changement ne sera jamais aussi lent qu’aujourd’hui »

La révolution amenée par l’IA en est à ses balbutiements, mais un sous-ensemble de secteurs d’activité et d’entreprises gagne rapidement en maturité. La désastreuse pandémie de COVID-19 a un bon côté en ce sens que de nombreuses personnes auparavant sceptiques sont maintenant convaincues de l’utilité de l’analytique numérique – non seulement pour prévoir les répercussions de la crise sanitaire, mais aussi pour cerner l’évolution du comportement des consommateurs. Résultat : l’IA et l’apprentissage machine sont en progression. « Le rythme du changement ne sera jamais aussi lent qu’aujourd’hui », soutient Katie Doyle.

« Dans le commerce de détail, on voit clairement quels sont les gagnants et les perdants », poursuit-elle, faisant valoir que certains grands gagnants, qui avaient investi dans l’acquisition de capacités d’analytique et de commerce en ligne, se démarquent aujourd’hui sur fond de faillites généralisées. « Dans six mois, lorsqu’on verra sans l’ombre d’un doute quels sont les vainqueurs et les vaincus, tout le monde aura la foi, et l’accélération du changement sera exponentielle. » Les entreprises nées à l’ère numérique ont une longueur d’avance en matière de données et d’analytique, mais les organisations traditionnelles possèdent, elles aussi, des atouts concurrentiels : d’énormes banques de données recueillies pendant des dizaines d’années, de solides relations avec leurs clients et un savoir-faire sectoriel. Le statut de pionnier comporte son lot de risques et d’avantages, mais comme le dit Igor Taber, en matière d’IA, les avantages pèsent plus lourd que dans certains autres virages technologiques.

pace Of Change
pace Of Change Mob

Selon Frédéric Laluyaux, l’accélération qui laissera les traînards loin derrière est en marche. « Le mécanisme est à l’oeuvre », affirme-t-il. « Étant au coeur de la tourmente, nous ne sentons pas le vent. » Frédéric cite une réflexion d’un professeur de l’Université Harvard, selon laquelle les dirigeants qui étaient atteints du syndrome FOMO (la peur de rater quelque chose) manifestent maintenant le syndrome COMO (la certitude de rater quelque chose). « Ils savent qu’ils rateront quelque chose s’ils ne font rien », dit-il. « Ils ignorent cependant ce qu’est ce quelque chose. [Mais] s’ils restent passifs, ils ne survivront pas et, cela, ils le savent. »

Ai Image 864811702 1920px

Plus rapide, plus agile, plus puissante : les cinq tendances de l’IA à

Depuis plus de 60 ans, l’intelligence artificielle (IA) connaît des progrès rapides, mais elle est largement intervenue « dans les

Ethan Covey Forbes 9205 1920w

« Remettez en question vos convictions » : investir en période de turbulences

Au cours des dernières années, Ed Cass a pu constater par lui-même l’incidence des problèmes de main-d’œuvre, des tensions

Istock 1350052215 1920w

Qui remportera la course mondiale à l’IA?

L’intelligence artificielle (IA) a le potentiel de révolutionner le fonctionnement de l’économie mondiale et le nombre d’entreprises

{:en} From data to insights: unlocking the value of analytics | FEBRUARY 2021 Enterprises are drowning in data, yet many of them struggle to extract insights from that data to deliver value. As the artificial intelligence (AI) and machine-learning revolution intensifies, long-term investors must ensure the companies they back are seizing the opportunities locked away in those ever-proliferating troves of data. Judy Wade Managing Director and Head of CPP Investments’ San Francisco office. Kelly Shen is Senior Managing Director and Chief Technology & Data Officer at CPP Investments. Frederic Laluyaux a long-time tech entrepreneur, is CEO of Aera Technology. Katie Doyle chairs the innovation and sustainability committee on the board of grocery retailer Ahold Delhaize and is former CEO of Swanson Health Products. Igor Taber is SVP of Corporate Development and Strategy at DataRobot. Ali Ghodsi is co-founder and CEO of Databricks, a data, AI, and analytics platform. Melinda White is CEO of 5G wireless infrastructure provider, Transit Wireless, a company in CPP Investments’ portfolio. Judy Wade recently led a panel discussion with six executives developing or adopting complex data and analytics solutions. The conversation made clear that, while the right technology and approach matters, the most important variable is a culture that embraces digital analytics. Here are select insights from the discussion. Capturing value from data Conversations about generating insights through advanced analytics usually revolve around four characteristics of data, the so-called four Vs: volume (the amount of data generated), velocity (the speed of incoming data), variety (differing types and sources of data) and veracity (data quality and accuracy). The last V is especially important. Without veracity, companies are unable to take advantage of ‘X Analytics’ – the ability to run sophisticated analytics on a broad swath of data of any type, in any format, no matter where it resides. As enterprises combine more and more disparate datasets, instead of creating data lakes that can be tapped for insights, they often produce complex data swamps from which insights seldom emerge. The problem is worse now than it was 20 years ago, when most of an organization’s data resided in a single vendor’s database, says Ghodsi. Today, that information is dispersed among numerous applications and attempts to collate it create major quality issues. As artificial intelligence and machine learning approach mainstream adoption, veracity is being redefined by validation and explainability, or interpretability. AI systems have historically been perceived as black boxes. Business leaders often had limited understanding of the inputs and how the outputs were derived. For users to understand, trust and manage AI, validating the underlying data and providing transparency into the model is critical. “The secret sauce to doing good AI is the data itself,” says Ghodsi, “and every little dataset that you add might improve your accuracy”— but only if it is made comparable. Subtle inconsistencies, such as different date formats, can ruin an analysis and the ability to get actionable business recommendations. Being very clear about the goal is key to cutting through the complexity. “For us, it’s understanding very clearly the outcomes, what the customer aims to achieve,” says White, whose firm provides communication networks and smart data products for some of North America’s largest transit systems, including the New York City subway. “One thing we learned early in the process is, it’s not just about what we develop as product, it’s about being able to integrate with existing data.” Successful automation of insights also requires consistent definition of metrics. “If you want to deploy artificial intelligence on top, you need to understand what the data means and how to transform it into a set of actionable insights,” says Laluyaux. He points out, for example, that different approaches to tracking on time and in full (OTIF) statistics — a common logistics measurement — across data sources can undermine the validity of machine-learning output. What Laluyaux describes is not uncommon. Wade recalls that when two major grocers merged operations and combined data, the analytics seemed wrong. It took the team a long time to figure out that one dataset tracked inventory daily and the other weekly. Future-proofing your data decisions Leveraging open-source software can help organizations avoid getting locked into proprietary solutions that over time may become cumbersome legacy technologies. “Once a [solution provider] has your data, they lock you in,” says Ghodsi. “It’s a moat for them.” By relying on open-source solutions and the cloud, companies can future-proof their data capabilities by preserving the ability to migrate to new AI platforms. Building a strong data analytics foundation from the start is essential, the panelists agree. "Shen recommande l’établissement d’un objectif commun auquel tous les membres du personnel de l’organisation peuvent se rallier." "La science des données ne devrait pas être un ajout ultérieur" – Ghodsi Digital-native companies such as Uber, Facebook and Airbnb were deliberate about ensuring their data was set up for machine-learning and actionable recommendations, which gives them a big advantage. “They built their businesses around that asset,” says Laluyaux. “If you make the right choices now, you might buy yourself more time and flexibility in the next five or ten years.” Companies that fail in this regard are apt to waste time and money trying to build a data-analytics capability on the side. What many people don’t realize about AI, Taber says, is that “most of the models built by data scientists never make it into production, in part because these specialists are forced to cobble together disparate tools. In order to truly unlock the potential of AI, you need a single system of record to build, deploy and manage your AI.” Data democracy versus centralization Natural tension exists between the need to centralize governance of data privacy and compatibility, and simultaneously make the analytics tools available to those running individual businesses or functions. Taber’s company, for example, focuses on democratizing data science and AI by expanding the pool of people who can create, manage, and consume insights. However, too much democracy can turn into anarchy. When Doyle ran a global wellness business, “the culture was that everyone could tinker,” she recalled. “You could play with different datasets, put out promotions and see what happened.” But the lessons from those experiments were not captured centrally. She addressed that by establishing central control over data capture and governance policies and then decentralizing the access to analytics tools to enable innovative uses. No impact without cultural transformation Ultimately, the biggest barriers to extracting value from AI and machine-learning investments are not technical but cultural. Mindsets and processes need to be fundamentally transformed, but many large enterprises have gone through several prior waves of organizational re-engineering — outsourcing, process optimization, migration to the cloud — and now suffer what Laluyaux calls “transformation fatigue.” “They struggle to put this new digital capability at the core of what they do and to reorganize their people and their processes around that capability,” he says. That makes it critical for leaders to stay on message, consistently making the case for transformation, even as they are working through the nitty gritty of digitizing operations. “It’s hard,” says Shen. “You have all the things that you have to do every day, and then you’re also trying to help people think differently, imagine working differently, introducing automation.” "Shen recommande l’établissement d’un objectif commun auquel tous les membres du personnel de l’organisation peuvent se rallier." "La science des données ne devrait pas être un ajout ultérieur" – Ghodsi “That way, we’ve put it out there in black and white,” she says. “We’ve said that we’re going to do this, we’ve committed to it, we’ve made it known to everyone who works with us.” In a legacy organization, that full embrace of analytics requires an enormous change to existing belief systems. “A lot of people will still want to rely on their own intuition or their own experience, rather than the insights and line of sight that you get from analytics,” says White. Overcoming that simple hurdle requires a huge cultural change. Driving adoption on the frontlines AI and machine learning will see limited uptake without buy-in from P&L leaders. These key operators hold much of the organizational power and often feel that their resources are better spent on initiatives with stronger track records. “You need to help them believe in [analytics],” says Doyle. Building a set of case examples, along with a road map for executing them, can help allay the sense of overwhelming and frightening change, she adds. Getting a few early victories on the board can also help quell dissent. For that reason, Taber recommends focusing initial AI projects on applications with easily measured impact. Laluyaux concurs, adding, “it’s rational to go to the highest-value, lowest-complexity uses, but the important thing is to start with use cases where you can clearly articulate the value generated.” Fostering organization-wide adoption also requires some one-on-one engagement. “Spend time talking to those whose decisions are going to be impacted on a daily basis by the application you’re implementing,” Laluyaux advises, because convincing them is more important than convincing the board or the CEO; although leadership buy-in is critical to establishing an agenda that everyone in the enterprise can rally around. At Ahold Delhaize, two of the top candidates for CEO succession have been put in charge of the company’s data-analytics project, says Doyle. “They have to be part of the recommendations of how we will build and use it and the levels of investment we make. And they have to present that to the board.” ‘Pace of change will never be as slow as it is today’ It’s still early days in the AI revolution, but a subset of industries and companies are rapidly maturing. One silver lining in the catastrophic COVID-19 pandemic is that many previous skeptics have been convinced of the value of digital analytics — not only in predicting the pandemic’s impact but in highlighting shifts in consumer behaviour. As a result, adoption of AI and machine learning is rising. “The pace of change will never be as slow as it is today,” says Doyle. “In retail, the haves and the have-nots are very clear right now,” she adds, pointing out that some major winners, which had invested in analytics and e-commerce capabilities, now stand out sharply against a backdrop of widespread bankruptcies. “When it’s clear six months from now who survives and who doesn’t, everyone is going to find religion and accelerate the pace exponentially.” Digital natives have an edge in data and analytics, but incumbents bring their own competitive advantages: massive stores of data collected over decades, customer relationships, and industry know-how. While being a first mover has both risks and benefits, Taber argues that in AI, the advantages are more pronounced than in some other technological transitions. “The better you are at working with your data, the more accurate your models are,” says Taber, “and that gap between the haves and have-nots is going to increase.” Laluyaux believes the acceleration that will leave latecomers far behind is already underway. “We’re in the middle of it,” he says. “We’re in the eye of the storm, so we’re not feeling the wind.” He cites a Harvard professor’s observation that executives are moving from FOMO (fear of missing out) to COMO (certainty of missing out). “They have a certainty they will miss out if they don’t do something,” he says. “They just don’t know what that something is. [But] if they don’t do it, they won’t survive, and they know it.” Perturbations liées à la Technolog Plus rapide, plus agile, plus puissante : les cinq tendances de l’IA à Depuis plus de 60 ans, l’intelligence artificielle (IA) connaît des progrès rapides, mais elle est largement intervenue « dans les L'Article • janvier 31, 2024 Notre expertise « Remettez en question vos convictions » : investir en période de turbulences Au cours des dernières années, Ed Cass a pu constater par lui-même l’incidence des problèmes de main-d’œuvre, des tensions L'Article • janvier 31, 2024 Notre expertise Qui remportera la course mondiale à l’IA? L’intelligence artificielle (IA) a le potentiel de révolutionner le fonctionnement de l’économie mondiale et le nombre d’entreprises L'Article • janvier 31, 2024 {:}{:fr} Les entreprises croulent sous les données et, pourtant, nombre d’entre elles ont du mal à extraire des perspectives de cette masse d’information pour créer de la valeur. Dans un contexte où la révolution amenée par l’IA et l’apprentissage machine s’intensifie, les investisseurs à long terme doivent s’assurer que les sociétés dans lesquelles ils effectuent des placements saisissent les occasions offertes par cette mine de données en incessante prolifération. Judy Wade directrice générale et chef du bureau d’Investissements RPC à San Francisco. Kelly Shen est directrice générale principale et chef des données et de la technologie à Investissements RPC. Frederic Laluyaux un entrepreneur de longue date dans le secteur de la technologie, est chef de la direction d’Aera Technology. Katie Doyle préside le comité de l’innovation et du développement durable du conseil d’administration d’Ahold Delhaize, un détaillant de l’alimentation, et a été chef de la direction de Swanson Health Products. Igor Taber est vice-président principal, Développement des affaires et stratégie, de la société DataRobot. Ali Ghodsi est cofondateur et chef de la direction de Databricks, une plateforme de données, d’IA et d’analytique. Melinda White est chef de la direction d’un fournisseur d’infrastructure sans fil 5G, Transit Wireless, une entreprise faisant partie du portefeuille d’Investissements RPC. A récemment animé une table ronde à laquelle ont pris part six dirigeants qui se consacrent à la mise au point ou à l’adoption de solutions complexes centrées sur les données et l’analytique. Il est clairement ressorti des échanges que même s’il est important d’utiliser la bonne technologie et la bonne approche, la variable primordiale est une culture tournée vers l’analytique numérique. Voici des points de vue exprimés par les participants à cette table ronde. Capter la valeur des données Les discussions portant sur le dégagement de perspectives au moyen de l’analytique avancée tournent habituellement autour des caractéristiques des données, désignées par les quatre V : le volume (la quantité de données générées), la vélocité (la vitesse des données entrantes), la variété (les différents types et diverses sources de données) et la véracité (la qualité et l’exactitude des données). Le dernier V est particulièrement important. Sans cet élément, les entreprises sont incapables de tirer parti de l’« analytique X », c’est-à-dire la capacité d’exécuter une analytique de pointe en utilisant un éventail étendu de données de n’importe quel type et de n’importe quel format, peu importe où elles résident. Comme les entreprises combinent des ensembles de données de plus en plus disparates plutôt que de créer des lacs de données pour en extraire des perspectives, elles créent généralement des éventails de données complexes, dont très peu de points de vue sont extraits. Selon Ali Ghodsi, le problème est plus grave maintenant qu’il y a 20 ans, car les données des organisations résidaient à cette époque dans la base de données d’un seul fournisseur. Aujourd’hui, cette information est disséminée dans de nombreuses applications, et les tentatives faites pour les rassembler causent de graves problèmes de qualité. L’IA et l’apprentissage machine étant en voie d’adoption par le plus grand nombre, la véracité est redéfinie par la validation et l’explicabilité, ou l’interprétabilité. Les systèmes d’IA étaient perçus dans le passé comme des boîtes noires. Les chefs d’entreprise avaient en général une compréhension limitée des intrants et de la manière dont les extrants étaient obtenus. Pour que les utilisateurs comprennent l’IA, y croient et la gèrent, il est crucial de valider les données sous-jacentes et d’assurer la transparence du modèle. « L’ingrédient secret d’une bonne IA, ce sont les données proprement dites », observe Ali Ghodsi, « et l’ajout du moindre ensemble de données peut rehausser l’exactitude des résultats », à la condition toutefois que les données soient comparables. Des incohérences subtiles, par exemple des formats de date différents, peuvent ruiner une analyse et saper la capacité d’obtenir des recommandations d’affaires exécutables. Il est essentiel d’être très clair quant à l’objectif visé pour éliminer la complexité. « En ce qui nous concerne, il s’agit de comprendre très clairement les résultats, ce que les clients visent à accomplir », explique Melinda White, dont la société fournit des réseaux de communication et des produits informationnels intelligents à quelques-uns des plus importants réseaux de transport public nord-américains, dont le métro de New York. « Tôt dans le processus, nous avons constaté que le produit mis au point n’est pas tout; notre capacité d’intégrer les données existantes compte pour beaucoup. » Pour que l’automatisation des perspectives tirées des données soit menée à bien, il faut aussi que la définition des paramètres soit cohérente. « Pour déployer l’intelligence artificielle avec succès, on doit comprendre ce que les données signifient et comment en faire un ensemble de points de vue exécutables », explique Frédéric Laluyaux. L’entrepreneur souligne, par exemple, que l’application d’approches différentes à des sources de données pour repérer des statistiques à temps et en totalité (OTIF, pour on time and in full) – une mesure logistique courante – peut miner la validité des résultats générés par l’apprentissage machine. La situation décrite par Frédéric Laluyaux n’est pas rare. Judy Wade mentionne qu’après la fusion de deux grands supermarchés qui avaient regroupé leurs données, l’analytique avait semblé erronée. Son équipe a mis beaucoup de temps à comprendre qu’un ensemble de données servait au suivi quotidien des stocks et qu’un autre ensemble de données exécutait le suivi hebdomadaire. Pérenniser les décisions en matière de données La mise à profit de logiciels libres peut aider les organisations à éviter d’être piégées dans des solutions exclusives qui, avec le temps, peuvent devenir des technologies d’ancienne génération encombrantes. « Une fois qu’un [fournisseur de solutions] a vos données en sa possession, vous êtes pieds et poings liés », note Ali Ghodsi. « L’exclusivité de ses solutions lui procure un avantage concurrentiel. » En ayant recours à des solutions ouvertes et à l’infonuagique, les entreprises peuvent pérenniser leurs capacités informationnelles en préservant leur capacité de migrer vers de nouvelles plateformes d’IA. Les participants à la table ronde ont convenu que la mise en place, dès le départ, d’un socle solide pour l’analytique des données était essentielle. "Shen recommande l’établissement d’un objectif commun auquel tous les membres du personnel de l’organisation peuvent se rallier." "La science des données ne devrait pas être un ajout ultérieur" – Ghodsi Les entreprises de l’ère numérique telles que Uber, Facebook et Airbnb ont délibérément choisi de faire en sorte que leurs données soient paramétrées pour l’apprentissage machine et les recommandations exécutables, ce qui leur confère un atout considérable. « Ces entreprises bâtissent leurs activités autour de cet atout », commente Frédéric Laluyaux. « Il se peut que les organisations qui effectuent maintenant de bons choix réalisent des gains de temps et disposent d’une plus grande latitude au cours des cinq ou dix prochaines années. » Quant à celles qui s’abstiennent d’agir, elles s’exposent à perdre du temps et de l’argent en tentant de se doter d’une capacité d’analytique des données en périphérie. De l’avis d’Igor Taber, ce qui échappe à bien des gens au sujet de l’IA, c’est que « la plupart des modèles conçus par des spécialistes de la science des données ne parviennent jamais à l’étape de la production, en partie parce que ces spécialistes sont contraints d’assembler des outils disparates. Pour exploiter véritablement le potentiel de l’IA, il faut disposer d’un seul et unique système d’enregistrement afin de construire, de déployer et de gérer l’IA. » Démocratisation c. centralisation des données Il existe une tension naturelle entre la nécessité de centraliser la gouvernance de la confidentialité et de la compatibilité des données et, simultanément, celle de mettre les outils de l’analytique à la disposition des personnes qui dirigent des entreprises individuelles ou des fonctions. Ainsi, l’entreprise d’Igor Taber privilégie la démocratisation de la science des données et de l’IA en élargissant le bassin de personnes qui peuvent générer, gérer et utiliser des perspectives. Or, une trop grande démocratie peut mener à l’anarchie. À l’époque où Katie Doyle dirigeait une entreprise internationale de mieux-être, « tout le monde pouvait bricoler », se remémore-t-elle, « c’était dans l’air du temps. On pouvait s’amuser à amalgamer différents ensembles de données, lancer une promotion et voir ce qui allait se passer ». Cependant, la saisie des leçons tirées de ces expériences n’était pas centralisée. Katie a remédié à cette lacune en instaurant un contrôle central des politiques de saisie et de gouvernance des données, puis en décentralisant l’accès aux outils analytiques pour permettre des utilisations novatrices. Pas de résultats sans transformation culturelle En fin de compte, les principaux obstacles à l’extraction de valeur des investissements dans l’IA et l’apprentissage machine ne sont pas techniques, mais culturels. Les mentalités et les processus doivent être transformés radicalement, mais de nombreuses grandes entreprises sont passées par plusieurs vagues de réingénierie organisationnelle – impartition, optimisation des processus, migration vers le nuage – et éprouvent maintenant ce que Frédéric Laluyaux appelle la « lassitude liée à la transformation ». « Ces entreprises se démènent pour que cette nouvelle capacité numérique soit au centre de leurs activités et réorganisent leurs effectifs et leurs processus en fonction d’elle », dit-il. Il est primordial que les dirigeants soient fidèles à leur message, c’est-à-dire qu’ils plaident constamment en faveur de la transformation même lorsqu’ils se coltinent les aspects pratiques de la numérisation de leurs activités. « C’est difficile », reconnaît Kelly Shen. « En plus d’avoir à accomplir une foule de tâches journalières, il faut tenter d’aider les collègues à penser différemment, à imaginer des modes de travail différents et à introduire l’automatisation. » "Shen recommande l’établissement d’un objectif commun auquel tous les membres du personnel de l’organisation peuvent se rallier." "La science des données ne devrait pas être un ajout ultérieur" – Ghodsi « Ainsi, tout est écrit noir sur blanc », explique-t-elle. « Nous avons communiqué nos intentions, nous nous y sommes tenus et nous les avons fait connaître à tous nos collaborateurs. » Dans une organisation traditionnelle, l’adoption intégrale de l’analytique nécessite que les systèmes de croyances soient transformés en profondeur. « De nombreuses personnes voudront quand même se fier à leur intuition ou à leur expérience plutôt qu’aux points de vue et à la vision tirés de l’analytique », note Melinda White. Un changement culturel de fond s’impose pour que ce simple obstacle puisse être surmonté. Favoriser l’adoption en première ligne L’adoption de l’IA et de l’apprentissage machine sera limitée sans l’adhésion des responsables des profits et pertes. Ces opérateurs influents détiennent une grande partie des pouvoirs de l’organisation et estiment en général qu’il est plus avisé d’affecter les ressources à des projets dont les feuilles de route sont substantielles. « Il faut leur faire comprendre l’utilité [de l’analytique] », souligne Katie Doyle. La production d’une série d’études de cas, à titre indicatif, et d’une feuille de route pour les mettre à exécution peut aider à dissiper l’impression que le changement est accablant et effrayant, poursuit-elle. Le fait de remporter quelques victoires précoces peut aussi contribuer à apaiser les dissensions. C’est pourquoi Igor Taber recommande de centrer les projets d’IA initiaux sur des applications dont l’incidence est facile à mesurer. « Il est logique de privilégier les utilisations génératrices d’une valeur optimale et peu complexes, renchérit Frédéric Laluyaux, mais l’important, dans un premier temps, est d’affecter les ressources aux utilisations qui génèrent une valeur quantifiable précise. » Pour promouvoir l’adoption de l’IA à l’échelle de l’organisation, il faut aussi dialoguer. « Prenez le temps de parler tous les jours avec les personnes dont les décisions seront touchées par l’application que vous mettez en oeuvre, conseille Frédéric, parce qu’il est plus important de convaincre ces décideurs que le conseil d’administration ou le chef de la direction bien que l’adhésion des dirigeants soit cruciale pour la création d’un programme rassembleur. Katie Doyle note que chez Ahold Delhaize, deux des candidats les plus en vue à la succession du chef de la direction ont été chargés du projet d’analytique des données de l’entreprise. « Ils doivent jouer un rôle actif dans la formulation de recommandations concernant la manière dont nous bâtirons et utiliserons ce projet et les niveaux d’investissement ciblés. De plus, ils doivent présenter les recommandations au conseil d’administration. » « Le rythme du changement ne sera jamais aussi lent qu’aujourd’hui » La révolution amenée par l’IA en est à ses balbutiements, mais un sous-ensemble de secteurs d’activité et d’entreprises gagne rapidement en maturité. La désastreuse pandémie de COVID-19 a un bon côté en ce sens que de nombreuses personnes auparavant sceptiques sont maintenant convaincues de l’utilité de l’analytique numérique – non seulement pour prévoir les répercussions de la crise sanitaire, mais aussi pour cerner l’évolution du comportement des consommateurs. Résultat : l’IA et l’apprentissage machine sont en progression. « Le rythme du changement ne sera jamais aussi lent qu’aujourd’hui », soutient Katie Doyle. « Dans le commerce de détail, on voit clairement quels sont les gagnants et les perdants », poursuit-elle, faisant valoir que certains grands gagnants, qui avaient investi dans l’acquisition de capacités d’analytique et de commerce en ligne, se démarquent aujourd’hui sur fond de faillites généralisées. « Dans six mois, lorsqu’on verra sans l’ombre d’un doute quels sont les vainqueurs et les vaincus, tout le monde aura la foi, et l’accélération du changement sera exponentielle. » Les entreprises nées à l’ère numérique ont une longueur d’avance en matière de données et d’analytique, mais les organisations traditionnelles possèdent, elles aussi, des atouts concurrentiels : d’énormes banques de données recueillies pendant des dizaines d’années, de solides relations avec leurs clients et un savoir-faire sectoriel. Le statut de pionnier comporte son lot de risques et d’avantages, mais comme le dit Igor Taber, en matière d’IA, les avantages pèsent plus lourd que dans certains autres virages technologiques. Selon Frédéric Laluyaux, l’accélération qui laissera les traînards loin derrière est en marche. « Le mécanisme est à l’oeuvre », affirme-t-il. « Étant au coeur de la tourmente, nous ne sentons pas le vent. » Frédéric cite une réflexion d’un professeur de l’Université Harvard, selon laquelle les dirigeants qui étaient atteints du syndrome FOMO (la peur de rater quelque chose) manifestent maintenant le syndrome COMO (la certitude de rater quelque chose). « Ils savent qu’ils rateront quelque chose s’ils ne font rien », dit-il. « Ils ignorent cependant ce qu’est ce quelque chose. [Mais] s’ils restent passifs, ils ne survivront pas et, cela, ils le savent. » Perturbations liées à la Technolog Plus rapide, plus agile, plus puissante : les cinq tendances de l’IA à Depuis plus de 60 ans, l’intelligence artificielle (IA) connaît des progrès rapides, mais elle est largement intervenue « dans les L'Article • janvier 31, 2024 Notre expertise « Remettez en question vos convictions » : investir en période de turbulences Au cours des dernières années, Ed Cass a pu constater par lui-même l’incidence des problèmes de main-d’œuvre, des tensions L'Article • janvier 31, 2024 Notre expertise Qui remportera la course mondiale à l’IA? L’intelligence artificielle (IA) a le potentiel de révolutionner le fonctionnement de l’économie mondiale et le nombre d’entreprises L'Article • janvier 31, 2024 {:}
Privacy Preferences
When you visit our website, it may store information through your browser from specific services, usually in form of cookies. Here you can change your privacy preferences. Please note that blocking some types of cookies may impact your experience on our website and the services we offer.