Principaux enseignements de Better Debt : Masterclass sur l'IA et Machine Learning
Nous savons tous que l’IA est le mot à la mode des 12 derniers mois. Mais comment pouvez-vous identifier de réelles opportunités d’appliquer cette technologie à votre organisation ? Notre Masterclass sur l’IA et Machine Learning a abordé cette question, et bien plus encore :
- Comment devez-vous différencier AI, Machine Learning et la science des données ?
- Quels sont les cas d’utilisation réels et les exemples de chacun, et comment cela varie-t-il en fonction de l’état de maturité des données de votre entreprise ?
- Comment pouvez-vous aligner ce type d’innovation avec les objectifs organisationnels ?
- Quelles sont les autres applications pratiques de AI et Machine Learning dans des équipes telles que la finance, la conformité ou le marketing ?
Découvrez ce que les experts du secteur Duhita Khadepau (Gestionnaire Senior, Données d’Entreprise - Cuscal), Jo Mikleus (Directrice Non-Exécutive Stratégie AI - Success2Significance) et Mike Zhou (Directeur des Données - InDebted) ont dit lorsqu’ils se sont assis avec l’animateur de Better Debt, Josh Foreman (PDG et Fondateur - InDebted).
1. La différence entre AI et Machine Learning
Bien qu’ils soient utilisés de manière interchangeable, AI et Machine Learning ne sont pas synonymes. Comme l’explique Duhita :
Lorsque nous parlons d’AI, c’est artificiel, ce n’est pas naturel. L’intelligence réplique l’intelligence humaine, donc des choses comme les voitures autonomes ou les chatbots. Vous pourriez avoir l’impression qu’un véritable humain fait certaines de ces choses, mais c’est en réalité l’AI qui fonctionne en arrière-plan.
Maintenant, si vous regardez Machine Learning, vous avez une machine qui apprend - mais que sont ces machines ? Que sont-elles en train d’apprendre ? Ce sont essentiellement un ensemble de règles, d’algorithmes, créés par des humains, et les machines apprennent uniquement à partir des données fournies. Donc, vous lui donnez 3 mois de données pour s’entraîner, puis elle utilise cela pour prédire des résultats.
En examinant les définitions de chacun, vous pouvez commencer à découvrir comment leurs applications diffèrent. Par exemple, AI peut être utilisée pour des tâches nécessitant une intelligence humaine, comme le traitement des demandes des clients. D’autre part, Machine Learning analyse des ensembles de données spécifiques. Par exemple, si vous vouliez qu’un modèle de Machine Learning prédit quels segments de clients sont plus susceptibles de répondre à un SMS plutôt qu’à un e-mail, vous alimenteriez des données récentes qu’il utiliserait pour générer des recommandations.
AI est adaptée aux tâches qui nécessitent de répliquer l’intelligence humaine… Machine Learning est plus approprié pour les tâches impliquant des classificateurs et des données numériques. — Duhita Khadepau
2. Comprendre où vous en êtes dans votre parcours de maturité des données
Maintenant que nous avons aligné les définitions, commençons à examiner comment vous pouvez trouver des opportunités pour AI et Machine Learning dans votre stratégie organisationnelle. Pour ce faire, vous devez comprendre où vous en êtes dans votre parcours de maturité des données.
Utiliser une forme d’AI ou de Machine Learning nécessite des données. Pas n’importe quelles données, mais des données de bonne qualité. Cela signifie se rapprocher de vos données pour comprendre :
- Comment les données sont-elles collectées ? Que collectez-vous exactement ?
- Y a-t-il des biais dans les données ? Quelles mesures sont prises pour les atténuer ?
- Quels sont vos processus standardisés pour la gestion des données ? Toutes les équipes analysent-elles les données de la même manière en utilisant les mêmes outils ?
Une fois que vous avez une bonne idée des données disponibles, vous pouvez commencer à envisager quels problèmes doivent être résolus et comment vous pouvez utiliser ces données pour les résoudre. Duhita dit qu’il n’est pas toujours nécessaire de plonger directement dans les modèles de Machine Learning :
Une chose que je dis toujours à l’équipe, c’est que la réponse est souvent extrêmement simple, et nous n’avons pas besoin de compliquer les modèles de Machine Learning. Essayez d’écrire un SQL. Essayez d’écrire des instructions conditionnelles. Je pense qu’à mesure que les combinaisons commencent à augmenter, ou que vous ne pouvez pas coder toutes ces combinaisons, c’est là que vous commencez à penser - puis-je appliquer Machine Learning ?
3. Adopter une culture d’innovation
Comment innover dans des environnements hautement réglementés ? Jo explique que cela commence par un ajustement de l’état d’esprit :
Mettre le risque et l’innovation dans deux catégories différentes est une vieille façon de penser. J’ai constaté que les rassembler est plus productif et progressif.
Il s’agit d’un changement culturel interne qui rend tout le monde à l’aise avec l’utilisation de AI et Machine Learning. Pourquoi est-ce si important ? Avec la technologie évoluant à une vitesse fulgurante, préparer votre organisation à un succès à long terme signifie adopter une culture d’innovation.
Emmenez toute votre organisation dans ce voyage. Cela signifie soutenir les équipes pour trouver des moyens d’utiliser AI dans leurs tâches quotidiennes - du marketing à la finance. Josh explique comment InDebted adopte une culture axée sur AI et surveille l’adoption à l’échelle de l’entreprise :
Un de nos objectifs d’entreprise est de construire une culture axée sur AI. Nous surveillons l’ensemble de l’entreprise, pas seulement l’équipe des données ou l’équipe d’ingénierie - que vous vous attendez totalement à utiliser cette technologie. Nous suivons l’utilisation d’outils comme ChatGPT dans toute l’entreprise, car nous voulons que les gens voient ce qui est possible.
4. Réduire les risques pour répondre aux exigences réglementaires
Répondre aux exigences réglementaires est toujours en tête de liste pour les organisations de services financiers. En tant que membre du conseil d’administration de la RegTech Association mondiale, Jo a expliqué comment ils sont à l’avant-garde de l’innovation :
Les régulateurs se concentrent beaucoup sur AI. Ils savent que la technologie va être omniprésente, et ils travaillent activement à la mise en œuvre de AI eux-mêmes. Notre rapport de référence de l’industrie nous a montré que 80 % des régulateurs mondiaux ont mis en œuvre des solutions innovantes.
Pour s’aligner sur les priorités réglementaires, démontrez que vous minimisez les dommages et garantissez des résultats positifs. Cela signifie réfléchir soigneusement à la manière dont vous mettez en œuvre AI et Machine Learning et emmener le régulateur dans le voyage. Par exemple, lors de l’exploration des données, prenez le temps de comprendre comment les données sont collectées et ce qui est spécifiquement alimenté dans les modèles de Machine Learning :
Les régulateurs savent que l’AI générative peut bénéficier directement et indirectement aux consommateurs. Les préoccupations portent sur les données, ils veulent s’assurer qu’il y a un processus de modélisation transparent avec des entrées solides et sans biais. - Jo Mikleus
5. Explorer les applications pratiques de AI et Machine Learning
Les cas d’utilisation de AI et Machine Learning sont infinis. Pour tirer le meilleur parti de la technologie et de toute nouvelle initiative, Mike recommande de commencer par votre ratio coût-bénéfice :
Le ratio coût-bénéfice est différent pour chaque organisation, ce qui dépend de quelques éléments. Il vaut la peine d’explorer les données internes qui sont propres à votre produit ou service, car elles sont uniques à votre organisation.
En parallèle, obtenez une compréhension approfondie des processus que vous essayez d’améliorer. Comment cela est-il actuellement réalisé et par qui ? Comment l’amélioration de ce processus ou de cette fonction bénéficierait-elle à vos clients ? Une fois que vous avez cette base, vous pouvez alors vous concentrer sur les données qui seront les plus efficaces pour résoudre votre problème.
Lors de l’exploration des avantages pour les clients, envisagez également comment la confiance sera intégrée dans votre AI et Machine Learning. Intégrer des principes éthiques dans votre gestion des données est un bon point de départ, et garantir la transparence tout au long de vos initiatives orientées vers le client. Jo souligne l’explicabilité comme un optimiseur :
Un des principes fondamentaux de la confiance est la transparence. La bonne chose avec AI et Machine Learning est que vous pouvez intégrer l’explicabilité comme partie de la solution.
AI et Machine Learning : L’art du possible
En fin de compte, tirer le meilleur parti de AI et Machine Learning pour votre organisation consiste à maîtriser l’art du possible. Comme l’explique notre panel, utiliser cette technologie pour résoudre chaque problème n’est pas l’objectif. Pour obtenir les meilleurs résultats, examinez de près les objectifs et les points de douleur de votre organisation pour déterminer exactement où AI et Machine Learning pourraient offrir une meilleure solution. C’est ainsi que vous donnerez vie au ‘possible’.
Rejoignez notre prochain événement