9 questions pour assurer le succès de vos projets d'intelligence artificielle

1. Quel est l’objectif du projet?

Bien définir l’objectif d’un projet avant de l’entreprendre est une phase cruciale pour en assurer le bon déroulement. Cette première étape est l’occasion de s’asseoir avec le client et de discuter de ses attentes. En fonction de ce que le client souhaite prédire et selon la nature des données disponibles, l’équipe de projet peut alors juger de la faisabilité du projet et sélectionner minutieusement le type d’apprentissage idéal (p. ex. supervisé, non supervisé, semi-supervisé). Notre équipe qualifiée saura trouver l’approche optimale qui convient à vos besoins.

2. Avez-vous assez de données?

Le nerf de la guerre dans un projet d’IA est l’accessibilité et la disponibilité des données permettant d’entraîner les modèles prédictifs. L’accessibilité des données est un élément clé qui doit être bien évalué, car cela peut influencer le volume de données disponibles. Autrement dit, pour certains modèles d’apprentissage (p. ex. les réseaux de neurones profonds ou les réseaux multicouches), il est nécessaire d’avoir une grande quantité de données pour espérer obtenir des modèles offrant de bonnes prédictions.

La quantité de données disponibles est un élément essentiel qui dictera l’approche pour l’entraînement (apprentissage machine classique ou apprentissage profond). Un volume de données trop faible peut engendrer des biais dans l’apprentissage et générer des modèles peu robustes, donc incapables de prédire adéquatement à partir de nouvelles observations. Cependant, si le volume de données est faible, il est possible de contourner cette contrainte. L’augmentation des données est une méthode permettant d’accroître artificiellement la taille du jeu de données. Peu coûteuse et simple à implanter, cette approche permet d’améliorer la performance des modèles.

3. Les données disponibles sont-elles de bonne qualité?

Il ne suffit pas d’avoir un jeu volumineux de données pour parvenir à générer des modèles robustes. Les prédictions des modèles seront aussi bonnes qu’est le jeu de données. La qualité des données doit être validée en partenariat avec le client et l’équipe de projet. De fait, les faiblesses dans les données seront ciblées et des mesures pour pallier certaines lacunes pourront être implémentées (ingénierie des données, imputation de valeurs manquantes, enrichissement de données, etc.).

4. Avez-vous une bonne compréhension de vos données?

Disposer d’un « profil » des données permet de les maîtriser et aide entre autres à les comprendre afin de prendre les bonnes décisions sur le plan de l’ingénierie des données. Diverses techniques et méthodes existent pour y parvenir, comme la visualisation des données et l’analyse de corrélation, pour en nommer quelques-unes.

5. Votre modèle est-il vraiment bon?

Une fois l’entraînement des modèles terminé, il est impératif de procéder à leur évaluation. En d’autres mots, le modèle a-t-il correctement appris à prédire? Un modèle peut présenter une bonne performance lors de l’entraînement, mais comment se comportera-t-il avec un nouveau jeu de données? Une approche fort efficace pour valider la performance et la précision d’un modèle est de le tester dans un contexte réel. À cet instant, il devient très facile d’évaluer la validité des prédictions.

Il est possible que certains enjeux puissent être observés, tels que le surapprentissage et le sous-apprentissage, qui constituent des problèmes non négligeables qui doivent être examinés. Une fois ces enjeux détectés, il existe des techniques pour « booster » la performance du modèle, comme la validation croisée, les méthodes de régularisation et l’augmentation des données d’entraînement.

6. Comment peut-on maintenir le modèle au fil du temps?

Entraîner, tester et déployer en production un modèle d’IA constituent des étapes nécessaires pour garder le modèle à jour, mais cela ne suffit pas. En effet, avec l’accumulation des données et de possibles changements d’affaires, le modèle devra évoluer au fil du temps afin de rester « vivant » à travers l’organisation. Pour cela, il est important de préserver sa robustesse et sa pérennité en le réentraînant et en apportant les ajustements nécessaires. Pour y arriver, une stratégie de maintenance doit être définie et mise en place.

7. Disposez-vous d’une bonne plateforme de science de données?

Il existe une multitude de plateformes offrant des services d’analyse avancée de données. Il est primordial de bien choisir la plateforme qui répond le mieux aux besoins du projet. Certaines plateformes sont davantage spécialisées pour des domaines précis tandis que d’autres ont une vocation généraliste. Bien choisir sa plateforme permettra d’avoir sous la main les meilleurs outils adaptés pour les particularités du projet, et ce, à un coût juste. En effet, l’utilisation de plateformes non adaptées peut engendrer une mauvaise gestion du temps; par conséquent, les coûts d’utilisation ne seront pas optimaux. Le choix définitif de la plateforme sera déterminé à la suite d’une entrevue portant sur les besoins et les attentes du client, à court comme à long terme.

8. Une équipe multidisciplinaire est-elle en place pour assurer le succès du projet?

Bien sélectionner les experts qui feront partie de l’équipe est aussi une étape importante pour assurer le succès d’un projet d’IA. C’est bien connu, travailler au sein d’une équipe multidisciplinaire apporte son lot d’avantages. Il est possible de profiter de l’expertise de tout un et chacun. Il n’est pas rare qu’il faille détenir certaines connaissances plus pointues dans un domaine particulier pour bien saisir ce qui doit être fait, et ce, de manière adéquate. Ainsi, l’apport d’experts en science des données, d’ingénieurs, de géomaticiens ou de géologues peut s’avérer fort utile et donner une vue à 360 degrés du projet!

9. Le client a-t-il la pleine maîtrise de la solution d’IA?

Chez BBA, nous portons une grande attention à impliquer nos clients en continu dans le cycle de vie des projets. L’engagement du client dans l’avancement d’un projet procure de nombreux avantages. Tout d’abord, en étant au fait des progrès, des embûches ou des réussites que l’équipe de projet peut rencontrer, le client peut participer activement à l’élaboration de solutions innovantes pour mener le projet à terme. De fait, le client est constamment encouragé à contribuer aux pistes de solution. De plus, tout au long du projet, l’équipe peut offrir du soutien au client pour dissiper tout doute. Au bout du compte, le client devient entièrement maître de son produit. Ainsi, il est en mesure de profiter pleinement des avantages de la solution, et même de l’améliorer au fil du temps.