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 challenge n’est pas tant de faire mieux, grâce à l’ordinateur et au machine learning, que ce que des statisticiens parviennent à réaliser, mais de pouvoir industrialiser cette approche.
Pourquoi parle-t-on aujourd'hui de data science, d'intelligence artificielle, d'automatisation ? Les systèmes analytiques actuels ne suffisent-ils pas ?
Le challenge, en fait, n’est pas tant de faire mieux, grâce à l’ordinateur et au machine learning, que ce que des statisticiens parviennent à réaliser, mais de pouvoir industrialiser cette approche, de façon à traiter davantage de données, plus souvent, s’attaquer à des problèmes plus complexes... Jusqu’à, in fine, automatiser un certain nombre de traitements.
Cette progression des techniques analytiques depuis la BI façon rétroviseur jusqu’à l’automatisation et l’intelligence artificielle est résumé par le cabinet d’analyse 451 Research dans le graphe ci-dessous.
Le paysage de l'analytique selon le cabinet 451 Research
De la modélisation “avancée” à l’automatisation de processus opérationnels, les techniques d’intelligence artificielle peuvent aider l’entreprise à s’adapter aux changements, à la croissance du nombre de sujets à traiter et à l’accélération des interactions. Dans le retail, par exemple, les acteurs doivent tout à la fois assurer un renouvellement plus fréquent de leurs gammes, optimiser la mise en rayon, être capable d’échanger avec les clients et de vendre sur tout un éventail de canaux (magasin, site Web, applications mobiles, drive, etc.), multiplier les promotions pertinentes, individualiser les communications par courriel... Impossible de faire l’ensemble de ces tâches, de façon correcte, à un rythme élevé, sans s’appuyer sur des outils se nourrissant de données et de modèles analytiques.
De la même manière, l’introduction d’outils d’analyse et d’applications automatisant certains traitements dans le secteur public permet aux agents concernés de se libérer du temps pour traiter de façon plus approfondie certains dossiers, recevoir le public, etc. En filigrane, on entend bien aussi les risques de ne pas se préoccuper réellement de cet actif. Des collaborateurs débordés, démotivés car ils n’ont pas le temps de faire leur travail correctement. Des processus opérationnels qui coûtent de l’argent, sans qu’on sache très bien comment les améliorer. Des clients qui restent une masse anonyme, alors que les concurrents leur proposent une expérience personnalisée...
On a longtemps glosé sur le vilain terme d’ubérisation. Toujours est-il que dans la réalité, c’est bien la donnée et une façon intelligente de l’utiliser qui ont permis à des acteurs comme Uber, Netflix, Google ou Amazon de s’imposer. Au détriment d’acteurs pourtant bien implantés, qui ont tardé à saisir l’importance des changements induits par le numérique.
Cet article est extrait du Livre blanc "DataOps" 🗝
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.