Intelligence d’affaires et intelligence artificielle démocratisées ou démocratisables

L’importance que prennent l’intelligence d’affaires et l’intelligence artificielle au sein des organisations n’est plus à refaire. Big data, machine learning et transformation numérique sont sur toutes les lèvres. Leur démocratisation est porteuse de quelques défis afin de favoriser leur implantation. Cet article abordera principalement deux d’entre eux : dans un premier temps la gestion des talents, et se concentrera davantage sur le manque de connaissances et de compréhension relative aux données.

La prémisse de cet article réside dans l’écart qui se fait de plus en plus creux entre les connaissances au sein des entreprises pour exploiter la pléthore de données et les stratégies qui en découlent. À cet effet, McKinsey dressait, en 2016, un portrait sur le manque à gagner en matière de talents analytiques futures dans le monde. Il est noté que d’ici 2018, il existerait un manque à gagner de 250 000 scientifiques des données aux États-Unis seulement. Dans le même ordre d’idée et toujours aux États-Unis, une demande de deux à quatre millions de « traducteurs de données » est attendue. Il est donc important de favoriser le développement de compétences analytiques au sein des organisations, mais également encourager le développement de la pensée stratégique des analystes afin d’utiliser le plein potentiel rendu possible par l’analyse de données. Le second défi, cette fois identifié par l’article Romantic and Rational Approaches to Artificial Intelligence, soulève la difficulté d’interprétation des modèles boîtes noires, souvent propre à l’intelligence artificielle, comme les réseaux neuronaux et l’apprentissage profond. Le manque de transparence à l’égard des modèles d’IA ralentit leur compréhension au sein des organisations.

Par exemple, pensons à l’application de modèles d’intelligence artificielle en médecine où l’algorithme est chargé de diagnostiquer un cancer à un patient donné. À l’issue du traitement algorithmique, le patient ne recevra qu’un diagnostic, soit positif ou négatif. En d’autres mots, le patient ne recevra que très peu de contexte sur le processus de prise de décision et ce qui a mené à son diagnostic. Ce dernier devra, d’une part, accepter les conséquences du diagnostic et de l’autre, accepter qu’il soit peu informé sur ce qui a mené à cette décision.

Le même parallèle relatif au manque de transparence et de compréhension peut être tiré quant à l’utilisation de données et d’intelligence artificielle dans un contexte corporatif.

Avant de plonger dans le vif du sujet relativement à l’intelligence artificielle, prenons un pas vers l’arrière, et abordons premièrement les capacités analytiques des entreprises. Un article datant de 2015 du MIT, soulève que les compétences analytiques au sein des entreprises sont en croissance. En effet, celles-ci investissent massivement dans des infrastructures technologiques solides ce qui leur permet d’amasser et d’analyser une plus grande quantité de données – il s’agit d’une nouvelle encourageante! Une deuxième bonne nouvelle : ces mêmes entreprises attirent de bons talents analytiques afin d’accroître leurs compétences et de prendre de meilleures décisions basées sur les données. Le seul hic? Les gestionnaires ne sont pas outillés pour comprendre les résultats générés par leurs équipes analytiques. Résultats : ils n’arrivaient pas à générer d’insights et de stratégies actionnables basées sur les données. À cet effet, une première question peut être posée :

Est-ce le rôle de l’analyste de pousser son analyse plus loin et d’inclure les perspectives d’affaires relatives à ses résultats ou est-ce le gestionnaire qui doit acquérir les connaissances pour comprendre les résultats analytiques?

L’article du MIT souligne l’existence d’une relation négative entre l’accroissement des talents analytiques au sein des entreprises et leur capacité à consommer l’information. Plus simplement, l’écart entre les analystes de données et la compréhension qu’ils apportent à leurs gestionnaires se creuse de plus en plus.

La table étant mise, comme vous pouvez l’imaginer, si nous migrons de l’intelligence d’affaire à l’intelligence artificielle, il est normal de s’attendre à ce que l’écart soit encore plus flagrant. Si les exécutifs ont des connaissances en statistiques, leurs savoirs en matière d’apprentissage machine, de réseaux de neurones et d’intelligence artificielle se fait beaucoup plus rare. Une seconde question peut donc se poser :

Est-ce important que les gestionnaires comprennent comment le modèle fonctionne ou est-ce que toute ce qui compte est que le modèle offre une bonne performance?

À cette question, les chercheurs du MIT croient qu’il est important de comprendre comment ces modèles fonctionnent. À cet effet, ils notent qu’une bonne compréhension des modèles de BI et d’IA donne une plus grande indépendance, une meilleure stabilité et même du plaisir à travailler avec la technologie. À l’inverse, ils croient que l’incompréhension nuit au développement d’innovations et créée des frustrations au sein des organisations.

À la lumière des éléments présentés précédemment, nous croyons que :

  1. Les analystes se doivent de démocratiser les connaissances en favorisant la compréhension de leurs modèles au sein de leur organisation. Ils doivent également ajouter une dimension d’affaires à leurs analyses afin d’en faire découler des recommandations stratégiques et tactiques.
  2. De leur côté, les gestionnaires doivent faire leur bout de chemin. Il est recommandé qu’ils aillent chercher les connaissances nécessaires pour mieux comprendre le travail de leurs employés. Après tout, l’intelligence artificielle est au cœur de la quatrième révolution industrielle, il est donc normal qu’ils cherchent à s’informer afin de devenir de meilleurs gestionnaires.
  3. Finalement, les deux parties doivent travailler de pairs, à leur rythme, afin de favoriser l’adoption tant de l’intelligence d’affaires et l’intelligence artificielle au sein de leur organisation. En tant que professionnels des données, que nous soyons analyste ou gestionnaire, il est de notre devoir de faciliter la compréhension de notre corps de métier au sein des différentes unités d’affaires.

De votre côté, que réalisez-vous au sein de votre organisation afin de faciliter la compréhension de votre travail ?

* Cet article est basé sur les travaux d’Ed Hess « In the AI Age, « Being Smart », will mean something completely different » et de Sam Ransbotham « Romantic and Rational Approaches to Artificial Intelligence »

Article par Jeremy Piché-Bisson

Laisser un commentaire

Votre adresse de courriel ne sera pas publiée. Les champs obligatoires sont indiqués avec *