Note : Ce contenu a été créé avant que Fabernovel ne fasse partie du groupe EY, le 5 juillet 2022.
Suivez simplement les étapes, et consultez l'antisèche pour des conseils et exemples supplémentaires !
Et si vous souhaitez imprimer le canevas pour le remplir, vous pouvez utiliser cette version.
Antisèche
Définition du projet
Problème à résoudre
- Quel est le cas d’usage business précis que vous envisagez ?
- Encore mieux formulé : quel est le cas d’usage business précis que vous envisagez, pour lequel vous pensez que l’IA est la seule solution ?
Métrique de succès
- Ex : taux de transactions refusées dans le cadre d’un problème de détection de fraudes
Ambition du projet
ROI visé
- Quel ordre de grandeur de réduction de coûts ? De génération de nouveaux revenus ? De gains de temps permis à vos équipes ?
Prochaines étapes (IT)
- Que comptez-vous faire avec les résultats de votre modèle d’IA ?
- Ex : que deviennent les mesures de l’opinion de vos clients sur les réseaux sociaux ? Agrégation et analyse dans un tableau de bord de la satisfaction client ? Liaison avec des actions planifiées dans votre CRM ?
Impact sur vos collaborateurs
- Qui verra son workflow modifié ? Dans quelle mesure ? Le projet remplace-t-il des tâches existantes ou en crée-t-il de nouvelles ?
Périmètre du problème
Types de tâches
On en considère généralement 4 :
- classification (ranger des points de données dans les bonnes catégories),
- régression (prédire la valeur des prochains points de données étant donné les précédentes occurrences),
- détection d’anomalie (identifier les points de données sortant d’une fourchette normale de valeurs),
- et clustering (segmenter des points de données dans quelques groupes)
Types des approches d’IA
- Parcourez notre article "L’IA pour les nuls" pour comprendre les catégories (ex : reinforcement learning ; computer vision_)_
Types de données
- Ex : vidéo, texte
- Une distinction importante oppose les données structurées (ex : une base de données bien formatée avec ses lignes et ses colonnes) aux données non structurées (ex : vidéos)
Contraintes
- Ex : quelle est votre capacité de stockage ? La prédiction doit-elle être rapide ?
4V nécessaires pour les données
Quels sont vos besoins en termes de :
- Volume ?
- Variété ?
- Vélocité ?
- Véracité ?
Ressources (internes / externes)
Sources des données
- Ex : exploiter votre DMP ou des données publiques en open data
Outils / solutions
- De l'exploitation d'outils sur étagère (ex : Google Cloud Vision API) à l'intégration de solutions commandées sur mesure
Frameworks / langages
- Ex : TensorFlow, Caffe2
Infra
- Ex : sur vos propres serveurs et/ou des instances AWS
Equipe
- Quels rôles avez-vous besoin de définir, et combien de personnes par rôle ainsi défini ? Est-ce une équipe recrutée en interne ou à l'extérieur ?
Description du projet
Description du processus d’apprentissage
- Comment / quand / où l’apprentissage se déroule l’apprentissage de votre modèle ?
Description du processus d’inférence
- Comment / quand / où utilisez-vous les résultats dérivés de votre modèle ?
Description du processus d’amélioration
- Comment comptez-vous améliorer votre modèle après son déploiement - en particulier à travers les données d’usage ?