L'IA offre un potentiel significatif pour rationaliser et optimiser la gestion du backlog Produit, mais son adoption nécessitera de trouver un équilibre judicieux entre automatisation et validation humaine, tout en assurant la transparence et en atténuant les risques de biais.
L'arrivée de l'intelligence artificielle (IA) bouscule les pratiques Agile. Que signifie encore "être Agile" à l'ère de l'IA? Cette série d'articles dresse un panorama des changements culturels et méthodologiques à prévoir au sein des organisations.
Le paysage des outils data a profondément changé en l'espace de quelques années. Les entrepôts de données traditionnels et autres logiciels de BI (business intelligence) ont reculé, au profit de concepts et d'offres plus adaptées aux problématiques actuelles.
Pourquoi les outils de BI ne sont-ils plus adaptés aux besoins analytiques ?
Le numérique a complètement rebattu les cartes en matière de besoins analytiques. De fait, nous avons rapidement changé nos usages :
Parmi les approches nouvelles, la data science s'est vite imposée comme une discipline capable de s'appuyer sur la donnée pour créer des services ayant un impact fort.
Le machine learning, usage de l'ordinateur pour créer, entraîner et affiner des modèles algorithmiques, ouvre de nouvelles perspectives. Il permet notamment d'automatiser des processus, ou bien de détecter des anomalies dans un texte, dans des logs ou sur une chaîne de production, et pourquoi pas de déclencher une action si besoin...
On l'aura compris, il ne s'agit pas tant de faire mieux que les humains, il s'agit de faire davantage, plus vite.
Parce qu'il est bon de lire et relire les classiques, nous vous convions à vous replonger dans cette somme impressionnante sur le data management qu'est ce Data Management Body of Knowledge.
L'IA générative était (surprise !) la vedette du keynote de l'AWS Summit Paris, ce 3 avril au Palais des Congrès. C'est LE sujet qui tire le Cloud et la Data.