Article
Création de logiciels
24.7.2017
Perturbation continuum temporel
3 minutes
Temps d'un café
Les 6 étapes pour bâtir votre projet d'intelligence artificielle
Les 6 étapes pour bâtir votre projet d'intelligence artificielle
Tom Morisse
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

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 ?
No items found.
Pour aller plus loin :