Traiter chaque projet d'IA comme une innovation

Voilà une perspective intéressante que développe Sandeep Uttamchandani pour TechCrunch : comme dans toute approche innovante, une des plus grandes difficultés rencontrées sur les projets d'intelligence artificielle (ou de science des données) consiste à savoir détecter… et abandonner les fausses bonnes idées au plus tôt.

La coïncidence malheureuse entre la pénurie de talents et la multiplication des opportunités à explorer rend le sujet d'autant plus critique : il ne peut être question de perdre du temps et dilapider des ressources précieuses sur des tentatives vouées à l'échec. Afin d'optimiser les engagements, il est donc indispensable d'introduire dans les principes méthodologiques les critères objectifs qui vont déterminer la poursuite ou l'arrêt des efforts et les jalons sur lesquels ils sont positionnés pour prise de décision.

Une fois le lancement du projet déclenché, sur la base d'une promesse de valeur pleine d'incertitudes (bien qu'elles soient rarement exprimées à ce stade, ce qui, incidemment, rend leur aveu plus délicat par la suite), il est possible d'identifier, sur la totalité de sa durée de vie, depuis sa conception jusqu'à son passage en production, 5 phases distinctes, propres au domaine de l'IA ou, à tout le moins, comportant des particularités notables, chacune se concluant alors par une évaluation et un arbitrage.

Lors de l'étape de cadrage et de définition du périmètre, tout d'abord, il s'agira d'éprouver la teneur des résultats espérés. Trop souvent, les experts se piquent de produire un algorithme extraordinaire… sans se préoccuper de savoir s'il sera vraiment utile pour l'entreprise. Dès les prémices, il est primordial de confirmer auprès des principaux intéressés la réalité du bénéfice attendu, tout en vérifiant avec les autres équipes techniques qu'il n'existe pas une alternative permettant de l'engranger à moindre coût.

Si ces filtres sont franchis, vient ensuite la deuxième épreuve, qui intervient à l'occasion de la préparation de la solution et, plus particulièrement, de la collecte des données nécessaires. Un projet d'intelligence artificielle n'a de signification qu'à la mesure de l'information qui l'alimente, dont il faut donc s'assurer qu'elle est disponible, immédiatement et durablement, que sa qualité est au niveau requis pour les objectifs visés et que sa portée est suffisamment étoffée pour un entraînement efficace.

Le troisième palier est le plus risqué. Consacré à l'élaboration du modèle, son indicateur d'achèvement est pourtant simple, puisqu'il se matérialise par la justesse des résultats produits. Hélas, outre que des aléas et des erreurs peuvent conduire à des conclusions trompeuses, qu'il faudra écarter à force de contrôles, à l'inverse, il peut être tentant de poursuivre sans fin l'atteinte d'une cible impossible. Une limite de temps d'expérimentation et de mise au point doit donc accompagner la définition du seuil de succès.

À ce stade, pour de nombreux secteurs sensibles, dont la banque et l'assurance font évidemment partie, et avant même que la réglementation ne l'impose, il convient d'ajouter une série de tests d'équité. Les algorithmes sont-ils exempts de biais ? Quels garde-fous sont en place pour se garder des déviations de cet ordre ? Le « raisonnement » appliqué est-il explicable ? L'ensemble de la chaîne de traitements respecte-t-il les exigences (y compris légales) de protection des données personnelles et de la vie privée ?

Enfin, si la réponse à ces interrogations est oui, il reste un dernier obstacle à franchir : l'aptitude au déploiement en production. Loin de se réduire à la compatibilité des environnements techniques (qui aura été anticipée au tout début), l'enjeu est de s'assurer que la solution est robuste, dans sa globalité et dans chacun de ses composants, qu'elle est optimisée sans être trop complexe… et qu'elle intègre des moyens de détection automatique de possibles dérives, assortis d'un plan opérationnel de ré-entraînement.

Comme l'enseigne l'innovation en général, l'instauration de moments formels dans le déroulement des projets au cours desquels leur viabilité est analysée, de manière relativement mécanique, est un excellent moyen pour leurs protagonistes de sortir la tête de l'eau et, le cas échéant, admettre plus facilement et plus précocement l'inévitabilité d'une déconvenue. Non seulement la productivité s'en ressentira-t-elle mais, en outre, les individus affectés seront plus enclins à adopter une attitude positive face à l'échec.