Data Intelligence : le concept de l’avenir -2

inventiv_it ERP Big data Data intelligence BI

– Article mis à jour le 3 février 2022 –

Data-Intelligence : une méta mission

La data-intelligence, on l’a vu (voir première partie), englobe la business-intelligence. Elle prend un pas de recul par rapport au simple processus d’aide à la décision (captation de données-stockage-traitement-analyse-mise en forme et restitution). La data-intelligence commence par apporter du sens à la data elle-même. Ce pas de recul, cette « meta-mission » devient essentiel.

Les questions-clés

Qui, en regardant les innovations qui se produisent sur son marché n’a pas envie de se lancer dans un projet d’Intelligence artificielle ?

Mais qui, au même moment, ne se demande pas s’il peut vraiment faire confiance à ces technologies ? S’il n’y aura pas des questions éthiques ? Si l’on ne se fera pas déborder par la machine ?

Quand les objets connectés et les algorithmes vont prendre le relais et  orienter voire automatiser des prises de décisions qui resteront donc, juridiquement, prises par l’entreprise, comment répondre aux questions de responsabilité ?

Par exemple, suite à un accident de travail, comment établir la chaîne de responsabilité si dans l’enchaînement des décisions qui ont mené à l’accident, différents algorithmes de deep learning sont intervenus ? Comment rendre cela lisible pour des assureurs et des tribunaux ?

Tracer les décisions

Comment tracer les décisions qui seront prise par le système ? Comment tracer les responsabilités associées à chaque fois (de quel département de l’entreprise dépend telle ou telle étape dans le processus de décision) ? Voilà autant de questions-clés pour la data-intelligence.

Pour y répondre, on conçoit bien qu’il ne peut s’agir de laisser faire des spécialistes techniques dans leur coin. Des savants de la data-science qui reviendront avec un superbe système qui saura tout faire tout seul, une sorte de « HAL9000 », l’ordinateur de l’Odyssée de l’espace ( HAL pour Heurisitcally programmes ALgorithmic), doté d’une infaillibilité comparable à celle du pape : c’est-à-dire qu’elle relève du dogme.

Aucune entreprise ne peut se reposer sur des « HAL ».

Et pour cela, la bonne approche est triple :

  1. Se concentrer sur la donnée : d’où vient-elle ? comment la compléter ? l’enrichir ? quelle durée de vie lui accorder ? comment la rendre transparente (clients, salariés,…) ?
  2. Savoir ce que l’on cherche : quel type de processus le machine Learning va-t-il engager ensuite ? « prendra-t-il » de fait des décisions ?
  3.  Quelles conséquences auront la mise en cohérence des data et du machine-learning ? Souvent, dans cette dernière partie, ce qui compte c’est surtout la donnée que l’on n’utilise pas. Celle qui se noie dans le désordre des données mal structurées, celle qui a été collectée mais dont aucun algorithme ne perçoit l’intérêt, celle qui se laisse « lisser ».
    Ne risque-t-elle pas d’être précisément la donnée de type « signal faible » qu’un cerveau humain aurait, lui, vraiment repéré et que le système laissera passer, parce que perçue comme « inutile » ?

 

Prendre en charge très tôt


C’est à ce type de questions que se trouve confrontée la data-intelligence.
Il va devenir très important qu’elles soient prises en charge très tôt. Que des professionnels sérieux  pilotent cette data intelligence.

Il en va non seulement de la réussite des projets, mais surtout de la pérennité des systèmes « d’intelligence artificielle » que l’on mettra en œuvre dans les entreprises. Des solutions pour lesquelles les choix termes d’outils et de lignes de code ne représentent que 30%. Et la réflexion de data intelligence 70%.

Besoin d'être accompagné sur un projet de data intelligence ?

Si nous en discutions ensemble ?

Share This

Copy Link to Clipboard

Copy