LG 226

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