Obtenir de la valeur pour les affaires à partir de l'IA : cartographier la solution pour l'entreprise.

Dans ce cas, il est probable que plusieurs modèles et composants doivent être combinés pour parvenir à une solution utile pour l'utilisateur. Pris isolément, le problème (et les attentes du client) peut ne pas correspondre parfaitement au format " données entrantes/inférence sortante " de l'IA traditionnelle ou au format " prompt/réponse " de l'IA générique. Par conséquent, la compréhension du problème d'affaires est ici essentielle, décomposant l'écart (qui est actuellement une boîte noire mystérieuse) en quelque chose qui peut être compris et mis en œuvre.

Il n'y a pas de solution unique pour cela, et chaque cas est différent, mais une approche utile pour les projets d'IA en général pourrait être la suivante :

1. Comprendre et documenter la fonctionnalité de l'outil ou du système souhaité et de toute interface utilisateur.
2. Documenter les données disponibles.
3. Décomposer en éléments qui peuvent être résolus par des modèles d'IA (AA, traitement du langage naturel, vision par ordinateur ou IA générative).
4. Pour les lacunes restantes, est-il possible de combiner plusieurs approches pour les combler ?
5. Est-il possible de créer des règles qui permettraient d'y remédier avec succès ?
6. Si une lacune subsiste, peut-elle être comblée par un humain qui effectuerait une tâche dans le cadre de la solution, éventuellement assisté par les options du système d'IA ? Pour combler une telle lacune, l'idéal serait de pouvoir apprendre/codifier les comportements de l'être humain intégré dans le système (une approche similaire peut être utilisée pour renforcer un modèle peu performant).

Tout au long du processus de cartographie de la logique d'affaires, nous devons être conscients de la valeur qu'apportent les différents éléments, ainsi que de l'argent et du temps dont nous disposons. Il est généralement utile de créer une carte de valeur : quelles sont les tâches qui ont de la valeur pour l'entreprise et qui sont difficiles à automatiser par rapport à celles qui prennent du temps et qui pourraient être facilement automatisées à l'aide d'approches IA.

En reprenant l'exemple d'une solution IA pour automatiser le marketing, après avoir sélectionné des cas d'utilisation utiles, nous avons identifié qu'un modèle pourrait être construit pour prédire le désabonnement des clients. Cela s'inscrit résolument dans l'IA traditionnelle (AA), mais la même approche pourrait être appliquée si la technologie se trouvait être de l'IA générative. Si l'on fait abstraction des détails de la construction d'un tel modèle, il semble qu'il fonctionne bien, en ce sens qu'il peut prédire avec succès si un client est susceptible de se désabonner (même l'évaluation des performances d'un modèle dépend de l'application commerciale, et cela devrait être convenu à l'avance avec les parties prenantes concernées). En supposant que les considérations d'ingénierie ont été abordées avec succès, comme l'intégration du modèle aux données et à l'infrastructure existante (l'effort requis ne doit jamais être sous-estimé dans un projet), nous devons encore nous assurer qu'un tel modèle apporte réellement une valeur ajoutée à l'entreprise.

Pour revenir au thème de notre article précédent, nous voulons également nous assurer que nous ne travaillons pas dans le vide. Par conséquent, pour que le résultat final ait l'impact souhaité et anticipé, plutôt que d'être perçu comme une solution à la recherche d'un problème, il est nécessaire de continuer à travailler avec les parties prenantes principales et les utilisateurs globaux pour s'assurer que cela se produise réellement. En l'occurrence, après avoir travaillé avec les parties prenantes concernées, la manière d'apporter de la valeur à l'entreprise pourrait consister à mettre les résultats du modèle à la disposition des spécialistes du marketing au sein de la société afin qu'ils puissent cibler spécifiquement les individus susceptibles de se désabonner.

Pour les utilisateurs qui interagissent avec les résultats des modèles AA, il est essentiel de s'assurer qu'ils leur sont utiles. Par exemple, il est probable qu'ils soient intégrés dans une sorte d'interface utilisateur marketing, mais alors quelle serait la présentation utile des données ? Les probabilités comprises entre 0,0 et 1,0 ont peu de chances d'avoir un sens et d'être utiles en elles-mêmes, mais pourquoi ne pas présenter les valeurs élevées/moyennes/faibles, ou même les N ou N % les plus susceptibles de changer de fournisseur. Comme vous pouvez le constater, des décisions doivent être prises tout au long du processus, en étroite collaboration avec les parties prenantes concernées, pour que le projet aboutisse à un résultat utile.

En présentant les résultats du modèle aux spécialistes du marketing d'une manière qui leur soit utile, nous pourrions démontrer la valeur du modèle et obtenir l'adhésion de l'utilisateur (ce qui pourrait ensuite conduire à une automatisation plus poussée ou à l'intégration du modèle dans une solution globale). Cela illustre parfaitement le double Avantages d'une collaboration étroite avec les utilisateurs et les parties prenantes principales, non seulement pour valider la valeur de la solution, mais aussi pour servir de point de contrôle pouvant conduire à une augmentation de la portée du projet ou à un investissement plus important.

En prenant l'exemple d'un service marketing souhaitant intégrer l'IA pour automatiser ses processus, nous avons exploré comment un modèle d'IA - en l'occurrence de AA - peut être envisagé pour être incorporé dans les processus commerciaux existants. Plus précisément, pour qu'il soit utile et utilisable par les utilisateurs finaux et, en fin de compte, pour qu'il puisse apporter de la valeur aux affaires. Dans le prochain et dernier article, nous nous pencherons sur certains aspects pratiques de la transformation de notre projet d'IA d'une conception en une solution opérationnelle.