LG 226
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
48 <strong>LG</strong><br />
SEPTEMBRE 2019<br />
ICT<br />
Fujitsu, vers une<br />
exploitation efficace<br />
de vos données<br />
L’Intelligence Artificielle étant un sujet important dans<br />
tous les comités de direction, se pose la question de<br />
l’exploitation efficace de la donnée au sein de l’entreprise.<br />
Les marchés évoluent rapidement, les départements métiers et<br />
informatiques sont sous pression, mais l’adaptation des outils<br />
et l’adoption des nouveaux usages prend du temps, surtout si<br />
la gestion de la donnée a été laissée de côté au profit d’autres<br />
investissements. Décryptage avec Yannick Bruck, Head of AI,<br />
Analytics & IoT chez Fujitsu Luxembourg.<br />
Vous nous aviez rencontrés précédemment<br />
pour nous parler de l’Intelligence Artificielle<br />
en entreprise. Pourquoi aborder le<br />
sujet de la donnée maintenant?<br />
Nous avons pu constater auprès de nos<br />
clients que discuter de la valeur ajoutée de<br />
solutions d’Intelligence Artificielle a éveillé<br />
les consciences sur l’intérêt stratégique et la<br />
valeur de la donnée.<br />
Les clients, les employés, et en somme<br />
tous les utilisateurs finaux ont compris que<br />
l’on pouvait maintenant obtenir, et même<br />
exiger, des services personnalisés, des prix<br />
et des offres adaptés, des contrats non pas<br />
régis par des dates arbitraires mais par des<br />
événements, etc. Tout ce qui nous paraît<br />
relever du sens commun est maintenant<br />
objectivement quantifiable et calculable.<br />
Les entreprises sont donc confrontées à un<br />
challenge: la donnée est passée d’un statut de<br />
commodité (utilisée par des applications), à<br />
un statut stratégique et une valorisation<br />
opérationnelle élevée. La difficulté réside<br />
alors dans le niveau de gestion initial,<br />
ainsi que dans la capacité à s’adapter et<br />
évoluer. Un chiffre est éloquent: selon une<br />
étude MIT-Sloan, 81% des entreprises ne<br />
comprennent pas quelles données seront<br />
nécessaires pour leurs applications en<br />
Intelligence Artificielle et assimilées.<br />
Pouvez-vous expliciter ce que vous<br />
entendez par «gestion de la donnée»?<br />
La donnée peut être structurée et explicite,<br />
telle une base de données applicative, ou<br />
moins structurée et diffuse, au sein d’emails<br />
ou de documents échangés. L’élément<br />
fondamental est de découvrir la donnée<br />
où elle se trouve, et de pouvoir la capturer.<br />
Que cela soit par des connecteurs, des<br />
web services, des outils issus de l’IA pour<br />
extraire des informations de documents, ou<br />
même de l’IoT pour récupérer des données<br />
environnementales ou de localisation, de<br />
nombreuses solutions existent et sont à<br />
sélectionner au cas par cas.<br />
“Aborder<br />
les données sous<br />
une approche<br />
plus moderne,<br />
agile et flexible,<br />
tout en gardant<br />
les bonnes pratiques<br />
de gouvernance”<br />
Le deuxième élément consiste à la cataloguer<br />
et identifier son intérêt d’un point de vue<br />
fonctionnel. Transformer cette valeur brute<br />
en une information compréhensible pour<br />
les utilisateurs et savoir où la trouver. Cette<br />
étape est fondamentale afin de disposer d’un<br />
inventaire des données disponibles et de savoir<br />
quelles analyses sont possibles. Il est aussi<br />
important d’expliciter la signification métier<br />
de la donnée: la température est-elle exprimée<br />
en degrés Celsius ou Fahrenheit? La valeur<br />
est-elle dans la norme? Doit-on la corriger<br />
avant utilisation? Cela reste fondamental pour<br />
prendre des décisions pertinentes.<br />
Un troisième élément consiste à définir<br />
comment stocker la donnée. Doit-on la<br />
copier dans un datawarehouse ou peuton<br />
y accéder directement? Doit-elle être<br />
modifiée et transformée? Sans oublier de<br />
valider la qualité de la donnée, c’est-à-dire<br />
un ensemble d’éléments fondamentaux<br />
(format, encodage, réalité: code postal réel,<br />
orthographe des villes,..) et business (une<br />
valeur non cohérente ne peut être exploitée<br />
en l’état).<br />
La donnée est alors techniquement<br />
disponible et prête à être utilisée pour<br />
générer des rapports ou effectuer des<br />
analyses. Encore faut-il s’assurer qu’elle soit<br />
sécurisée et que les utilisateurs souhaitant y<br />
accéder en aient bien les droits.<br />
Nous pouvons alors aborder le dernier<br />
élément, à savoir l’exploitation de la donnée en<br />
tant que telle. Rapports, analyses statistiques<br />
ou modèles de Machine Learning, les besoins