Embauché il y a 2 ans pour digitaliser les process, Alexandre Aubry raconte tous les changements que cela a induit : transformation de l'organisation, de l'infrastructure matérielle et réseau, ouverture et décommissionnement progressif de l'ERP Cobol...
Nous avons assisté à la conférence client de l'entreprise Orange à Agile en Seine. Cet article vous propose de découvrir comment l'IA Gen devient déjà un atout incontournable chez certains clients.
Un bon mix d'indicateurs - des KPI classiques ainsi que des KPI personnalisés - devrait vous aider, à condition de respecter un principe essentiel : faites simple !
La phase d'exécution ne consiste pas seulement à maintenir vos produits d'IA, mais à les faire évoluer pour assurer un cercle vertueux.
<Comment obtenir des retours sur investissement de vos projets d'intelligence artificielle.
Cet article est le troisième et dernier d'une série consacrée à l'application du product management à l'intelligence artificielle. Après avoir exploré les phases cruciales de "Discovery" et de "Build", nous allons maintenant nous concentrer sur la phase "Run" et son importance pour la réussite et la pérennité de vos produits d'IA.
La phase "Run" permet de maintenir la pertinence des modèles d'IA face à l'évolution des données et des besoins des utilisateurs. Elle permet d'optimiser la boucle de retour pour améliorer continuellement le produit et de créer un cercle vertueux d'innovation et de création de valeur.
Les produits d'IA, aussi sophistiqués soient-ils, ne sont pas immunisés contre la dérive. En effet, ils s'appuient sur des données qui, par nature, évoluent au fil du temps. Les habitudes des clients changent, le marché se transforme, et le monde qui nous entoure est en constante mutation. Sans une gestion adéquate du MLOps lors de la phase de Run, ces évolutions peuvent entraîner une dérive des modèles, les rendant obsolètes et inefficaces.
La phase Run, qui vise à ne pas laisser “vivre seul” votre produit, permet de contrer cette dérive en mettant en place un suivi constant des performances du modèle et en ajustant les paramètres si nécessaire. Des outils de monitoring et d'alerte permettent de détecter les signaux faibles de dérive et d'intervenir rapidement, voir pro activement, pour maintenir la pertinence du modèle.
L'exemple du Covid-19 illustre parfaitement ce phénomène. La pandémie a bouleversé les habitudes de consommation, rendant obsolètes de nombreux modèles d'IA qui n'avaient pas anticipé ces changements. Les entreprises qui ont su s'adapter grâce à une gestion efficace du "Run" ont pu maintenir la performance de leurs produits et même saisir de nouvelles opportunités.
L'un des plus grands atouts des produits d'IA est leur capacité à apprendre et à s'améliorer grâce à une boucle de retour. Cette boucle permet d'intégrer les nouvelles données et les retours des utilisateurs pour affiner le modèle et le rendre plus performant.
La phase de Run joue un rôle essentiel dans l'optimisation de cette boucle de retour. Il est important de rappeler qu'un produit d'IA n'est pas simplement un modèle, mais un système complet qui inclut la gestion des données, l'infrastructure et les interfaces utilisateur. Si la qualité des données est essentielle au lancement du produit, elle l'est tout autant, voire plus, lors de la phase de Run.
Il est essentiel durant cette phase de prioriser le développement de fonctionnalités qui améliorent l’accès et la qualité des données. Cela peut inclure des outils de monitoring, des systèmes de test automatisés, l’ouverture de nouveaux flux prometteurs, voir même des fontionnalités permettant aux utilisateurs de fournir des retours sur la pertinence des résultats.
En maximisant la boucle de retour, vous permettez à votre produit d'IA d'apprendre et de s'adapter en permanence, ce qui est essentiel pour maintenir ses performances et sa valeur ajoutée sur le long terme.
Le succès d'un produit d'IA repose sur sa capacité à évoluer et à s'adapter aux besoins des utilisateurs. La première étape de la discovery est d’être focalisé sur les utilisateurs. Cette phase de run permet d’enclencher un cercle vertueux d'amélioration continue en relancant cette phase de Discovery, puis de Build…
Inclure dans la phase de run du temps consacré à l'analyse des données et des comportements utilisateurs permet d'identifier de nouvelles opportunités pour nourrir la Discovery et explorer de nouveaux cas d'usage. La phase de "Build" permet ensuite de développer et d'intégrer ces nouvelles fonctionnalités, avant de les déployer en production et de les monitorer dans la phase "Run". L’objectif est de faire prendre vie à votre produit.
Un des exemple les plus emblématique est celui de Facebook. Le réseau social a su évoluer au fil des années, passant d'une simple plateforme de mise en relation à un écosystème complet de produits et de services. Cette capacité d'adaptation et d'innovation a été la clé de son succès au fil des ans.
La phase "Run" est bien plus qu'une simple maintenance, c'est le moteur de l'évolution et de la pérennité de vos produits d'IA. En luttant contre la dérive des modèles, en optimisant la boucle de retour et en créant un cercle vertueux d'amélioration continue, vous assurez la pertinence et la performance de vos produits sur le long terme.
Si la synergie entre les phases de "Discovery", "Build" et "Run", permet la mise en place d'une organisation efficiente et un environnement technologique solide, la réussite complète de ces projets ne peut se faire sans une transformation culturelle profonde. Former les collaborateurs, les accompagner dans le changement et créer une culture d'apprentissage continu autour de l'IA sont des éléments essentiels pour garantir l'adoption et la pérennité de vos futurs produits !
Nous avons assisté à la conférence client de l'entreprise Orange à Agile en Seine. Cet article vous propose de découvrir comment l'IA Gen devient déjà un atout incontournable chez certains clients.
Matrice Impact vs Effort, Méthode MoSCoW, Scorings RICE & ICE vous aideront à évaluer et prioriser vos projets de data science, pour maximiser les chances d'un résultat satisfaisant - et aligné avec les objectifs stratégiques de l'entreprise.
Nos constatations empiriques sur les bénéfices de l'IA générative sont désormais appuyées par une étude : Google a interrogé plus de 2500 entreprises sur leur usage de la GenAI et le ROI est bien présent !
Les IA génératives d’images sont formidables pour accélérer le processus créatif. D’ici à s’en servir en production, il y a un pas. Cette version 3 de l’IA de Google permet de l’envisager sérieusement.
