Déplacer les projets d’apprentissage automatique de l’expérimentation à la mise en œuvre

Au cours des derniers mois, il semble que l’IA agente monopolise l’attention de l’entreprise. Les entreprises sont enthousiastes à l’idée de l’utiliser pour automatiser les tâches, orchestrer les flux de travail et interagir avec les systèmes et les clients. Mais l’apprentissage automatique (ML), l’aîné négligé de l’IA agente, mérite l’attention pour son rôle crucial dans la mise en œuvre de flux de travail d’IA agente au-delà des règles statiques.

Dans de nombreux cas d’utilisation d’entreprise, le ML peut fournir les prédictions, les classifications, les recommandations et les scores de risque qui aident les agents d’IA à décider de l’action à entreprendre ensuite. Par exemple, si vous utilisez un agent d’IA pour répondre aux requêtes des clients, le ML peut informer l’agent des signes indiquant qu’un client risque de résilier son abonnement, déclenchant ainsi des flux de messagerie pertinents.

Cependant, de nombreuses organisations ont du mal à mettre en œuvre des projets de ML qui sont considérés comme de base, et ce retard les empêche de réussir avec l’IA agente. Les chiffres varient, avec des taux d’échec pour les projets de ML allant jusqu’à 85% selon certaines références de l’industrie.

De nombreuses équipes ne savent pas par où commencer pour mettre en œuvre l’apprentissage automatique, comment concevoir une expérience de ML de manière à ce qu’elle soit déployable à grande échelle, ou comment obtenir l’investissement des parties prenantes dans le projet. Dans cet article, je partagerai quelques conseils pour assurer le succès maximum des projets de ML.

Pourquoi tant de projets de ML échouent-ils à se lancer ?

Il y a deux principales raisons pour les faibles taux de réussite des projets de ML : soit le cas d’utilisation n’est pas considéré avec la bonne perspective, soit les parties prenantes ne sont pas à bord et elles torpilles l’idée.

Ces raisons vont généralement de pair. L’apprentissage automatique nécessite une gestion soigneuse pour obtenir de bons résultats. Dans le même temps, de nombreuses personnes dans le monde des affaires sont des sceptiques qui craignent le changement, se méfient de l’apprentissage automatique ou veulent généralement faire échouer votre projet.

Si vous ne configurez pas votre pilote de manière rigoureuse, vous n’obtiendrez pas de soutien dans votre organisation. Le succès du ML nécessite de se concentrer sur les détails spécifiques.

Le diable est dans les détails

Les modèles de ML sont conçus pour résoudre des problèmes spécifiques et répétitifs qui sont étroitement définis, comme prédire l’abandon des clients, détecter la fraude ou prévoir la demande. Il n’est pas conçu pour comprendre le contexte large ou effectuer plusieurs tâches, mais de nombreux projets de ML ont des ambitions grandioses et des objectifs vastes comme « améliorer ce département ».

Cela rend essentiel de configurer des cas de test expérimentaux pertinents qui convertissent les sceptiques en champions. Un pilote réussi vous donne les conclusions d’analyse de données dont vous avez besoin pour guider l’IA agente et la prise de décision commerciale, ainsi que pour prouver la valeur commerciale.

Pour la plupart des organisations, le principal obstacle est de trouver le bon cas d’utilisation. Un concept d’expérience viable doit être à la fois spécifique et pertinent pour vos objectifs commerciaux. Par exemple, examiner les transactions pour identifier les fraudes possibles, ou décider quand planifier la maintenance pour différents types de machines.

Voici quatre questions à poser pour surmonter la lutte et trouver le bon cas d’utilisation qui aide à faire progresser l’adoption du ML.

Quels sont les enjeux ?

La première préoccupation est de savoir combien d’espace vous avez pour faire des erreurs, car votre tolérance à l’égard de l’échec est au moins aussi importante que les performances du modèle. Les différents cas d’utilisation ont des conséquences différentes lorsque le modèle se trompe, ce qui affecte leur adéquation pour la mise en œuvre.

Lorsque le coût des erreurs est plus faible, vous avez plus de place pour expérimenter avec la logique du modèle. Par exemple, un modèle recommandant des offres de marketing pour différents publics peut avoir un degré d’exactitude plus faible qu’un modèle guidant les soins de suivi médical.

Il est préférable de commencer par des cas d’utilisation à faible risque et à forte valeur qui concernent des domaines où les erreurs peuvent être facilement corrigées et les conséquences des erreurs sont limitées. À mesure que les risques commerciaux, réglementaires ou de réputation augmentent, la surveillance humaine doit également augmenter.

Avez-vous les bonnes données ?

Les données sont essentielles pour tout projet de ML efficace. Plus d’expériences échouent en raison de données insuffisantes que parce de modèles faibles, assurez-vous donc que vos données sont raffinées, pertinentes, bien étiquetées et collectées de manière cohérente. La collaboration entre l’équipe commerciale et l’équipe de données est essentielle ici.

Les données de production peuvent différer des données expérimentales, ce qui peut provoquer l’échec des modèles en production même s’ils ont fonctionné bien lors du pilote. Parfois, les données du monde réel sont trop bruyantes, retardées ou inaccessibles pour soutenir le modèle.

Les données et les signaux ne sont pas la même chose. Les signaux prédictifs sont essentiels pour résoudre un problème commercial, vos données doivent donc inclure des modèles historiques et des fonctionnalités pertinentes pour être capables de soutenir des prédictions fiables. Certains problèmes ne sont simplement pas prévisibles, donnez donc la priorité aux cas d’utilisation qui ont déjà des sources de données bien gérées, répétitives et accessibles.

Quels sont les indicateurs de succès ?

Vous aurez du mal à prouver le succès si vous n’êtes pas sûr de ce que le succès ressemble, définissez donc vos objectifs à l’avance. Vous voulez livrer un ROI commercial, et non seulement un modèle très précis, reliez donc les performances du modèle à l’impact commercial réel. Soyez clair sur vos objectifs commerciaux et identifiez les KPI qui démontrent la réussite réelle.

Assurez-vous que vous pouvez mesurer et confirmer la contribution apportée par votre intervention de ML. Par exemple, si vous testez un projet de ML pour réduire l’abandon, pouvez-vous prouver que la rétention accrue est due à la capacité de votre modèle à identifier les clients insatisfaits suffisamment longtemps avant qu’ils n’aient choisi de partir et non à d’autres facteurs, tels que les promotions générales, la demande saisonnière ou les changements de prix ?

Rappelez-vous que pour les parties prenantes de votre projet, la confiance et la sécurité sont souvent tout aussi importantes que les performances. Vous devrez être en mesure de démontrer l’explicabilité et la sécurité, ainsi que le ROI et d’autres types d’impact commercial.

Qu’est-ce qui se cache derrière les résultats que vous souhaitez ?

Les projets de ML réussissent le mieux lorsqu’ils sont intégrés dans les processus commerciaux quotidiens, ce qui signifie que vous devez comprendre pleinement ces processus. Cartographiez la manière dont les décisions sont prises dans votre organisation, en suivant qui prend la décision, quelles informations ils utilisent, quelles règles les guident et où les goulets d’étranglement se produisent.

Les goulets d’étranglement sont souvent les meilleurs endroits pour appliquer le ML. Recherchez les décisions qui sont prises fréquemment mais suivent des modèles ou des directives reconnaissables, puis réfléchissez à la manière dont les prédictions de ML s’intégreraient dans ce flux de travail. Votre modèle devrait faciliter ou automatiser une étape du processus plutôt que de fonctionner en isolation.

Il est préférable de solliciter l’aide des propriétaires de processus et des experts du domaine, car ils sont les plus susceptibles de savoir quelles décisions sont importantes, quand les exceptions se produisent et où la mise en œuvre aurait le plus d’impact. Ce sont également les personnes les plus susceptibles de devenir des champions de projet lorsque la direction envisage de prendre votre expérience en production.

Amené vos projets de ML à maturité

Construire le bon pilote est crucial pour permettre au ML de passer de l’expérimentation à la mise en œuvre. Trouver des cas d’utilisation spécifiques qui ont des indicateurs de succès clairs, des risques faibles, une solide fondation de données et un rôle clair dans les processus commerciaux plus larges peut vous aider à prouver le ROI, à obtenir le soutien des parties prenantes et à stimuler la réussite commerciale. En trouvant le bon pilote, vous pouvez débloquer le plein potentiel de votre projet de ML et le faire passer de l’expérimentation à la mise en œuvre.