Intelligence Artificielle & Data Science
L’IA est désormais partout : dans les foyers, par l’avènement des agents conversationnels intelligents, dans les villes, mais surtout dans tous les processus des entreprises.
L’IA est désormais partout : dans les foyers, par l’avènement des agents conversationnels intelligents, dans les villes, mais surtout dans tous les processus des entreprises.
Xavier Brucker
Partner (Paris) | Polytechnique MIT
« L’IA est un ensemble de méthodologies particulièrement adaptées au monde de l’industrie. Investir dans l’IA permet d’enrichir les compétences internes et de générer un avantage compétitif fort. »
Xavier Brucker
Polytechnique MIT
Diplômé de l’Ecole Polytechnique (X 1996), de Telecom ParisTech (2001) et du Massachusetts Institute of Technology (MIT 2002), Xavier conjugue plusieurs expériences internationales auprès d’industriels et de start-ups. Après un début de carrière en conseil en stratégie, il a dirigé un grand programme de défense chez Safran puis a été directeur de la division e-commerce et paiements de EquensWorldline. Xavier a ensuite passé plusieurs années en Californie, au cœur des start-ups de Los Angeles et de la Silicon Valley. A son retour en France, Xavier a intégré une start-up Fintech, qu’il a accompagnée dans sa croissance. Aujourd’hui, au sein de Mews Partners, il développe les offres liées à la data science et à l’intelligence artificielle, qui sont devenues un véritable enjeu stratégique pour l’industrie et les services. En outre, il anime la rubrique « Usine 4.0 : le passage à l’échelle », au sein des Blogs des Experts de l’Usine Nouvelle.
L’approche Intelligence Articificielle (IA) et Data Science est particulièrement pertinente dans le contexte industriel.
L’IA va surveiller, prédire, et optimiser des KPIs prédéfinis et proposer des solutions en temps réel. La complexité liée à un grand nombre de paramètres est facilement gérable par un modèle de machine learning. En revanche, l’homme garde nécessairement sa valeur ajoutée pour interpréter le contexte et les exceptions, et ainsi prendre les bonnes décisions avec l’aide de la machine.
Un projet d’IA consiste donc à bien poser le sujet et les KPIs que l’on souhaite optimiser et à anticiper l’interaction de ces méthodologies dans le processus global ainsi qu’avec les hommes qui l’animent.
des données de production ne sont pas utilisées
des données d'entreprise ne sont pas utilisées
zettabytes de données dans le monde d'ici 2020
Dans les organisations, l’Intelligence Artificielle va d’abord chercher à améliorer l’efficacité opérationnelle. Concrètement, les approches IA les plus efficaces s’appuient sur l’analyse de KPIs liés aux processus étudiés, et cherchent à les prédire et les optimiser sur la base d’un grand nombre de paramètres. Les produits, services, processus et les gestions de cycle de vie peuvent progressivement s’automatiser sous le contrôle d’opérateurs humains. L’entreprise elle-même se transforme alors, en s’appuyant désormais sur des fonctionnalités prédictives et prescriptives, en capitalisant sur les événements passés. Des robots, des cobots, le traitement du langage naturel et d’images, mais aussi des RPA – robotic process automation – font partie des méthodes maîtrisées et déployées.
Il est essentiel de commencer par une vision métier et business du problème sur lequel on travaille. Quels sont les KPIs ? Quels sont les paramètres qui peuvent influencer ces KPIs ? Quels types de résultats seraient utiles ?
La phase de « Data Science » proprement dite consiste à récupérer les données, les nettoyer si besoin, et les injecter dans différents modèles pour trouver les meilleures performances.
Enfin, la dernière phase est critique : il s’agit de l’insertion du modèle dans le processus industriel, en prenant en compte la plus-value de l’encadrement humain, les performances et la fiabilité des algorithmes.
L’IA est particulièrement adaptée aux sujets industriels.
Ces sujets vous intéressent ?