Introduction.
Il n’est pas évident d’intégrer de la data science (science des données) dans les sociétés qui ne développent pas un business principalement basé sur l’intelligence artificielle (IA), et pour lesquelles celle-ci n’est pas au cœur du métier. On les appelle également « AI second business ». Malgré une réelle motivation d’exploiter l’IA, de nombreux projets en data science dans ces entreprises échouent. C’est tout aussi frustrant pour les responsables d’entreprises que démotivant pour les data scientists dont les projets finissent au placard.
De plus, on commence de plus en plus à entendre parler de l’hiver de l’IA (AI winter), car dans les industries où des algorithmes d’apprentissage artificiel donnaient le plus d’espoir (par exemple avec les voitures autonomes ou la radiologie), l’IA n’a pas réussi à faire ces preuves.
Je suis extrêmement heureuse de voir ces échecs de l’IA exposés et compris par la société, parce qu’ils permettent d’en tirer d’excellentes leçons. Pour moi, l’hiver de l’IA c’est la fin de la hype autour de l’IA de manière générale, mais aussi la fin des confusions entre l’IA de la science-fiction et l’IA rationnelle et opérationnelle du quotidien. Pour préciser ma pensée, il s’agirait plutôt de l’hiver de « la hype autour de l’IA ». Après cet hiver, nous pourrons enfin vivre le printemps de l’IA, où notre vision de l’IA renaîtra et sera plus claire, plus rationnelle. Cela nous permettra de faire de la data science, non parce que ce serait « à la mode » , mais plutôt parce qu’il s’agit d’une véritable solution à nos problématiques.
Pour célébrer ce printemps de l’IA, je vous invite à consulter cette série d’articles ayant pour objectif de déterminer les raisons des échecs de l’intégration de la data science dans les « AI second business », et d’étudier comment éviter les erreurs les plus courantes.
Tout au long de cette série, je vous propose de découvrir les axiomes qui vous présenteront le contexte et vous orientereront vers les bonnes actions pour mener à bien les opportunités de data science.
Pourquoi crafter la data science sur mesure?
Dans la plupart de cas, notre style vestimentaire est « casual » : simple, décontracté mais un minimum élégant. Rien de mieux qu’un jean et un t-shirt !
Mais pour certaines occasions, vous avez peut-être déjà eu besoin d’un costume.
Si vous avez une silhouette, un corps « standard » (ce qui est plutôt rare), alors vous avez de la chance car un costume avec une coupe elle aussi standard d’un magasin de prêt-à-porter vous siéra parfaitement.
Mais dans une grande majorité de cas, ce même costume vous décevra : la coupe sera trop longue, trop courte, trop serrée, trop large… Un costume mal taillé est tout sauf élégant, donc soit vous laissez tomber l’idée d’acheter un costume, soit celui-ci passera la majeure partie de sa vie dans le placard.
L’autre possibilité, c’est le costume sur mesure. Cela demande évidemment un investissement beaucoup plus important, mais si vous devez porter un beau costume, vous êtes sûr de le rentabiliser. Même avec une silhouette qui ne serait pas forcément « standard », grâce à un costume parfaitement taillé, vous vous sentirez confiant et certain de faire une bonne impression !
Modeler la data science, c’est comme créer un costume sur mesure.
La data science, tout comme un costume, est souvent perçue comme quelque chose de chic qui serait plutôt réservée à un nombre réduit d’occasions. Comme avec les costumes, on retrouve la situation où une entreprise n’a pas besoin de faire de la data science, et son business s’en porte très bien ! On retrouve également le cas où une entreprise essaie de satisfaire un besoin de data science avec des solutions standardisées de « prêt-à-porter » qui ne prennent pas en compte les nombreuses spécificités de son domaine. Utiliser occasionnellement ces solutions « clé en main » peut être un choix opportun. Mais si la société a pour objectif d’enrichir ses produits avec de la data science, de créer de la valeur ajoutée grâce à l’IA au quotidien, elle aura besoin de faire de la data science « sur mesure ».
Et comme avec un costume, on se rend compte que faire de la data science sur mesure a un surcoût non-négligeable. Mais il y a une bonne nouvelle : malgré ce coût, c’est accessible à tous ! Vous n’êtes pas obligé d’avoir plusieurs équipes de data scientists et les ressources des GAFAM pour apporter une vraie valeur ajoutée à vos produits grâce à la data science.
Dans le prochain article, nous verrons ce que l’on peut faire avant de se lancer dans la data science afin de ne pas regretter de nos décisions par la suite et d’être sûr de les rentabiliser.
