5 facteurs humains indispensables au développement d’une plateforme IA industrialisée
Temps de lecture : 5 minutes
Publié le 14 décembre 2020
La fascination pour les algorithmes et les potentiels de l’Intelligence artificielle, peuvent parfois nous faire oublier la dimension culturelle et humaine qui jouent un rôle central dans le développement de ces plateformes. Témoignage de Victor Ciriza Head Of Data Engineering, Sodexo, leader mondial dans les services aux entreprises et aux organisations.
« Le risque qu’un jour l’IA surpasse l’intelligence humaine est encore loin. Le vrai risque est que les humains prennent pour de l’intelligence ce qui n’en n’est pas ». Dans une tribune publiée sur French Web, Benoît Raphaël, co-fondateur de Trendsboard et du média robot Flint, nous remet les pieds sur terre. L’IA, bien qu’elle porte “l’intelligence” dans son nom ne fera rien sans les hommes et les femmes qui la manipulent.
Si la capacité de calculs des services est un facteur clé de succès, il est loin d’être le seul. Car avouons-le, seule, la machine ne peut rien. Ce qui compte réellement ? Les intentions mises derrière les algorithmes créés pour servir les personnes, et la culture des hommes et des femmes qui accompagnent au quotidien ce code.
En 2019, Sodexo, qui adresse chaque jour 100 millions de consommateurs, a développé une plateforme d’intelligence artificielle avec Microsoft. Un cas pratique mettant en exergue l’importance du facteur humain au milieu des data pour créer des projets gagnants. Victor Ciriza Head Of Data Engineering chez Sodexo, nous rapporte les clés de succès de son projet.
Lire aussi Tout savoir sur l’IA
1. Les IA doivent s’orienter vers le bénéfice de l’utilisateur final
C’est une des règles de base : axer tout développement au bénéfice de l’utilisateur final. Et lorsque l’on est une entreprise comme Sodexo dont le modèle d’activité réside dans le bien-être et les relations interpersonnelles, cela est d’autant plus vrai. L’entreprise cherche donc toujours à fluidifier et simplifier la vie de ses utilisateurs comme dans le cas des gestionnaires de site. « Nous avons mis en place un système permettant de prévoir la fréquentation de sites. Cela nous permet d’optimiser les ressources nécessaires sur place en nous appuyant sur des données de fréquentations passées, la saisonnalité, les vacances scolaires… Ce développement permet un gain de temps considérable pour le gestionnaire de site. Auparavant, il devait analyser ces données au jour le jour, à la main, en scrutant les informations : jour de la semaine, présence de grèves… Un travail qui frôle l’impossible », nous rapporte Victor Ciriza. « Avec ce temps gagné, le gestionnaire de site peut ainsi se recentrer sur des tâches à plus forte valeur ajoutée en déléguant en quelque sorte les tâches les plus fastidieuses à l’IA »
Lire aussi Intelligence artificielle : ce qu’il faut savoir avant de se lancer
2. La standardisation des algorithmes appelle surtout une nouvelle culture du travail
Pour profiter au mieux du génie humain, il est nécessaire d’industrialiser ses approches d’intelligence artificielle au maximum. Si hier encore, les projets d’IA étaient principalement développés dans une logique de “Proof Of Concept” (POC), leur échelle change : ils sont désormais “industrialisables” pour fluidifier au maximum les projets.
Mais comment ? Pour le directeur de l’ingénierie des données chez Sodexo, en matière de plateforme d’IA « tout le monde fait la même chose ». Que cela soit du côté de Facebook, Uber, ou encore Netflix « tous développent une façon très standardisée de mettre en place ces algorithmes ». Une industrialisation qui est un vecteur clé de succès. Mais il n’est pas le seul. Car la clé de la réussite réside également dans la culture qui en découle. Comme le rapporte Victor Ciriza « nous avons surtout constaté que les modes de travail étaient également standardisés. La mise en place de Machine Learning Opérationnel ne se faisait pas avec un coup de baguette magique en intégrant un élément à la plateforme. Toute une nouvelle façon de travailler découle de cette industrialisation ». En industrialisant son approche, l’entreprise permet ainsi à ses collaboratrices et collaborateurs de suivre un processus clair, cadré. Une culture qui bénéficie à tous. Pour exemple concret, lors d’un projet, les personnes sont invitées à consulter un catalogue d’APIs (interfaces de programmation) existantes avant d’envisager d’en développer des nouvelles. Un gain de temps précieux qui permet aux collaborateurs de se concentrer sur la création de nouvelles sources de valeur.
Lire aussi Qu’est ce qu’une API ?
3. La chaîne des talents doit être aussi fluide que celle des algorithmes
Troisième règle, intimement liée à la précédente : celle des métiers. Car si les données passent de façon fluide dans les algorithmes, le langage doit l’être tout autant entre les membres d’une équipe. Pour faciliter et accélérer le passage d’un point « A » d’expérimentation, à un point « Z » qui pourrait être le développement d’une API, l’équipe du datalab de Sodexo a très vite identifié un chaînon manquant. « Nous avons très vite constaté que nous avions besoin de profils intermédiaires capables de migrer les compétences de data science vers le data engineering. Un profil ayant une double culture pour pouvoir développer plus rapidement des projets de machine learning. Pour cela, nous avons donc très rapidement créé le poste de Machine Learning Engineer afin de fluidifier la conduite des projets » explique Victor Ciriza. Un lien essentiel pour la plateforme d’IA.
Lire aussi Comment se former aux métiers de l’intelligence artificielle ?
4. Les biais des algorithmes sont humains, la machine n’y est pour rien
Lors du développement de tels projets, l’expert des données insiste sur l’importance de la vigilance humaine pour ne pas créer des algorithmes biaisés. Une approche concrétisée au quotidien : « lorsque nous travaillons, nous faisons attention à ce que nos algorithmes soient réellement inclusifs, qu’ils ne pénalisent aucune population. Par exemple, dans le cas de la gestion des flux d’un restaurant inter-entreprises, si nous automatisons les horaires d’accès par zone, nous devons veiller, au moment du développement, à une juste répartition pour ne pas privilégier une zone plus qu’une autre. C’est à nous, en tant que spécialiste, de veiller à cette dimension inclusive ». Vous pouvez donc oublier l’idée de vous cacher derrière la machine pour ne pas avoir à assumer les failles d’un modèle. Victor Ciriza est catégorique : « les erreurs viennent des entraînements de l’IA effectués par les humains, jamais de l’IA ou des algorithmes eux-mêmes ».
Lire aussi Comment assurer l’équité des algorithmes ?
5. Aux humains de préparer les machines à prévoir l’imprévisible
Si les avantages et les performances impressionnantes des plateformes d’IA et du Machine Learning ne sont plus à démontrer, n’oublions pas que les machines ne sont pas magiciennes. Si un facteur déterminé en amont, fait face à un imprévu induit par un comportement humain… le système bloquera forcément. C’est ce que le Head Of Data Engineering de Sodexo nous explique de façon très concrète avec l’exemple du plateau repas : « en s’appuyant sur les services Microsoft, nous sommes aujourd’hui capables d’utiliser la reconnaissance visuelle pour identifier le contenu d’un plateau repas, et ainsi facturer directement le visiteur. En revanche, nous devons envisager des scenarii qui sont de l’ordre du facteur humain. Si des chefs cuisiniers changent le menu à la dernière minute, ou si une pénurie d’un produit « X » (ex : du camembert) induit son remplacement par un produit « Y » (ex : de l’emmental)… cela pourrait induire une erreur dans le calcul ». Encore en cours de déploiement, ce système devrait pourtant voir le jour prochainement, en résolvant ces facteurs aléatoires.
Pas de raison que le génie humain ne dompte pas l’imprévisible !
Lire aussi [PODCASTS] Tout savoir sur l’IA en 10 podcasts de 10 minutes
