Te­ra­da­ta : pas­ser du pro­to­type à la mise en pro­duc­tion

PAS­SER DU PRO­TO­TYPE À LA MISE EN PRO­DUC­TION

L'Informaticien - - SOMMAIRE -

C’est cer­tai­ne­ment l’une des par­ties les plus com­pli­quées dans les pro­ces­sus in­for­ma­tiques : pas­ser d’un pro­to­type fonc­tion­nel à une mise en pro­duc­tion à plus ou moins grande échelle. Et c’est as­sez na­tu­rel­le­ment que plu­sieurs spé­cia­listes des bases de don­nées se sont spé­cia­li­sés sur ces as­pects. En l’oc­cur­rence, Te­ra­da­ta a dé­ve­lop­pé de­puis quelques an­nées son sa­voir­faire en ma­tière d’In­tel­li­gence ar­ti­fi­cielle via sa branche de conseils en ana­ly­tique. « Du pro­to­type à la pro­duc­tion, le gouffre est énorme : seuls 15 % des pro­jets ana­ly­tiques et de Ma­chine Lear­ning réus­sissent à pas­ser en pro

duc­tion ! » , constate Sté­phane Rion, Di­rec­tor Da­ta Science France chez Te­ra­da­ta. Un pro­jet IA n’est pas dif­fé­rent en soi d’un autre, et les chal­lenges sont les mêmes. Le manque de pla­ni­fi­ca­tion est en­core sou­vent ce qui fait gé­né­ra­le­ment dé­faut aux en­tre­prises. Mais ce n’est bien en­ten­du pas la seule rai­son ; le manque criant de com­pé­tences, en da­ta science no­tam­ment, est éga­le­ment à ajou­ter à la liste des prin­ci­paux élé­ments. Les pro­fils re­cher­chés sont donc na­tu­rel­le­ment en ma­thé­ma­tiques et en sta­tis­tiques au sens large, mais aus­si en dé­ve­lop­pe­ment pur sur des lan­gages comme Py­thon ou R.

« Un pro­to­type au sein de nos équipes, c’est au­tour de 6 à 8 se­maines de dé­ve­lop­pe­ment. Pour une mise en pro

duc­tion, il faut comp­ter 6 à 12 mois » , pour­suit en­core Sté­phane Rion. Par ailleurs, une étude montre que si l’IA est en­vi­sa­gée avec beau­coup d’op­ti­misme, 91 % des en­tre­prises s’at­tendent à des obs­tacles en termes d’adop­tion et de ROI, comme pour presque toutes les tech­no­lo­gies émer­gentes d’ailleurs.

Cas concret : dé­tec­tion de la fraude

Dans cer­tains cas, c’est la branche Think Big Ana­ly­tics de l’édi­teur qui tra­vaille de A à Z avec les clients. C’est le cas à la Danske Bank, qui a mis en place un mo­teur d’In­tel­li­gence ar­ti­fi­cielle uti­li­sant le Ma­chine Lear­ning pour ana­ly­ser des di­zaines de mil­liers de ca­rac­té­ris­tiques la­tentes, éva­luer des mil­lions de tran­sac­tions ban­caires en ligne, en temps réel, afin de four­nir des in­for­ma­tions ex­ploi­tables sur les ac­ti­vi­tés frau­du­leuses. Ce­la per­met de ré­duire sen­si­ble­ment le coût d’in­ves­ti­ga­tion des faux po­si­tifs, d’aug­men­ter l’ef­fi­ca­ci­té glo­bale et de réa­li­ser des éco­no­mies. Les cas de fraude sont très rares ; ils re­pré­sentent en­vi­ron un cas pour 100 000 tran­sac­tions. L’équipe a réus­si à ré­duire de 50 % les faux po­si­tifs des mo­dèles, grâce no­tam­ment à une so­lu­tion qua­si temps réel. « La plate- forme an­ti- fraude ba­sée sur l’IA que nous avons dé­ve­lop­pée en col­la­bo­ra­tion avec la Danske Bank éva­lue les tran­sac­tions en­trantes en moins de 300 mil­li­se­condes » , ex­plique Mads Ing­war, di­rec­teur des ser­vices clients de Think Big Ana­ly­tics. L’avan­tage des al­go­rithmes d’IA, en Ma­chine Lear­ning et/ ou Deep Lear­ning, est qu’ils peuvent être réuti­li­sés pour plu­sieurs ap­pli­ca­tions. Au moins, le sque­lette d’une so­lu­tion ana­ly­tique peut l’être à tra­vers plu­sieurs in­dus­tries pour ob­te­nir des ré­sul­tats ra­pi­de­ment. Ces so­lu­tions pré­pa­cka­gées per­mettent ef­fec­ti­ve­ment d’al­ler plus vite. Te­ra­da­ta en compte entre 30 et 40, et pro­pose aus­si cer­taines de ses so­lu­tions en Open Source, tout en contri­buant aus­si à l’amé­lio­ra­tion d’autres bi­blio­thèques ; l’édi­teur ne se cache pas d’uti­li­ser par­fois Ten­sorF­low de Google. « Nous met­tons d’ailleurs cer­tains de nos ou­tils en Open Source, comme notre ges­tion­naire de da­ta­lake Ky­lo » , rap­pelle Sté­phane Rion, qui rap­porte aus­si que ma­jo­ri­tai­re­ment, les pro­jets d’IA ac­tuels sont plu­tôt sur de la don­née struc­tu­rée.

Newspapers in French

Newspapers from France

© PressReader. All rights reserved.