Modéliser un système de machine learning s'appuyant sur des modèles statistiques et du big data

1. Competensis®
Christine Dessus
chdessus@competensis.com
+336 31 09 73 54
www.competensis.com
COMPETENSIS® est une marque déposée. Ce document n’est pas libre de droit et ne doit pas être utilisé sans le consentement écrit de son ou ses auteurs.

2. Définir intelligence &
intelligence artificielle
Competensis®

3. Définir intelligence & intelligence
artificielle
• Principaux modes principaux d’intelligence humaine
✓Créativité
✓Emotionnelle, relationnelle
✓Praxique
✓Analytique ➔ Ce mode d’intelligence est automatisé dans
le cadre d’activités de choix, prédiction, décision et
manipulation de données
COMPETENSIS est une marque déposée3

4. Définir intelligence & intelligence
artificielle
• L’intelligence artificielle sélectionne l’option optimale (la
meilleure) dans un ensemble d’options prédéfinies à partir
d’éléments en entrée.
• Sont mises en œuvre des capacités d’apprentissage (machine
learning) :
✓On définit les options possibles et on collecte des exemples d’éléments en
entrées (inputs)
✓La machine est capable de réaliser des prédictions : pour toute donnée en
entrée, elle est capable de choisir une réponse (output)
• Ce type d’intelligence artificielle s’appuie à la fois sur les
données disponibles et un modèle d’apprentissage et de
décision/règles pour apprendre et faire des prédictions « les
plus justes possible ».
COMPETENSIS est une marque déposée4

5. Définir intelligence & intelligence
artificielle
• Ce moteur, cette « machine apprenante » (machine learning) est un
LOGICIEL qui transforme, analyse des données entrées input en
résultats output.
• Ce qui change
✓L’apprentissage
✓La prise de décision
✓Le volume et le type de données manipulées.
• De nombreux métiers de l’entreprise sont intéressés :
✓RH recrutement, avec en plus des analyses videos d’entretiens
virtuels
✓Commerce
✓Maintenance, manufacturing, supply chain
✓DSI, détection de pannes & diagnostics, autres sujets
COMPETENSIS est une marque déposée5

6. Difficultés de mise en
œuvre et proposition du
consultant
Competensis®

7. Les difficultés majeures
lors du développement
des technologies
apprenantes :
incompréhension et
communication
• De nouveaux acteurs interviennent en plus des
informaticiens : data analysts, statisticiens
• Les acteurs métiers du projet ne comprennent pas
nécessairement la mise en œuvre de ces technologies dans
leur contexte métier.
• Le discours des acteurs du projet est souvent très technique
ou analytique (algorithmes).Ces acteurs ne disposent pas
toujours d’une méthode simple pour obtenir un consensus
éclairé des acteurs métiers.
• Les acteurs métier ont du mal à se projeter dans l’usage
quotidien de ce type de technologie pour réaliser leurs
activités quotidiennes.
• Certains acteurs métiers peuvent exprimer de la défiance
vis-à-vis d’un résultat, d’une prédiction, proposition de
décision. Se pose réellement la question de la validation de
ces résultats.
7 COMPETENSIS est une marque déposée

8. Objectif de ce
support
• Simplifier la communication métier/informatique
en proposant un pattern de modélisation et de
présentation de l’usage attendu de l'IA
• Favoriser l’alignement IA / métier et répondre aux
questions simples ( en apparence) des acteurs
métier :
✓Quelles activités métier nouvelles, quelles activités
transformées ? Pourquoi ? Quels gains ?
✓Que souhaite-t-on mettre en œuvre ?
• Expérimenter ce pattern de modélisation dans un
contexte fonctionnel.
8 COMPETENSIS est une marque déposée

9. Sources
documentaires
▪ https://pubs.opengroup.org/architecture/archimate3-doc/
▪ www.springer.com Intelligent DecisionTechnologies 2019
Proceedings of the 11th KES InternationalConference on
Intelligent DecisionTechnologies (KES-IDT 2019),Volume 2
▪ https://www.salesforce.com/fr/products/einstein/overview/
▪ https://fr.mathworks.com/
9 COMPETENSIS est une marque déposée

10. Intelligence Artificielle,
Principes & Réalité
Competensis®

11. Données, Data
Un peu d’histoire
• La donnée a toujours été au cœur de
nos pratiques informatiques
✓ Ordinateur : dispositif électronique de
stockage, tri et traitement des données
✓ Système d’information
✓ Système informatique, avec l’idée encore
de la donnée électronique, de son
stockage et traitement
11 COMPETENSIS est une marque déposée

12. l'IA, sous toutes ses formes !
• Machine learning, apprentissage
automatique, assisté ou non
• Deep learning, apprentissage en profondeur
• Traitement automatique du langage naturel
• Analyse prédictive
• But :
✓Assister l’humain
✓Anticiper des besoins
✓Se charger des tâches banales ou oubliées
✓Rappeler à l’humain, les tâches importantes
(trier)
COMPETENSIS est une marque déposée12
Pourquoi utiliser l’IA dans le
cadre d’un CRM et de gestion
de la relation client?
Répondre de façon instantanée aux
clients et leur apporter une
expérience intelligente et cohérente
à chaque interaction avec
l’entreprise.

13. L'IA est déjà mise en œuvre
• Utiliser les données collectées historiques pour les appliquer au
contexte présent et établir des prévisions
✓Google suggère des termes pour compléter des recherches
✓Fils d’actualités Facebook ou suggestions de produits par Amazon, selon nos
préférences constatées (nombre de clicks, zones de clicks, analyse d’images et
de la durée d’observation, lecture…)
✓Automatisation « intelligente »
✓Voitures sans chauffeurs
✓Automates AGV
• l'IA est accessible aujourd’hui pour les entreprises :
✓Technologie éprouvée, coûts de mise en œuvre abordables,
✓des spécialistes sur le marché,
✓Big data et capacité de stockage de grandes quantités d’information, des
modèles de données plus intelligents
✓IoT (objets connectés) déployés à grande échelle
✓Déploiement des infrastructure sur le cloud (pas ou peu de limites)
13 COMPETENSIS est une marque déposée

14. Modéliser la mise en œuvre et
l’usage d’une solution
d’intelligence Artificielle avec
Archimate®
Competensis®

15. Archimate® Modéliser selon un modèle en couches
• Réaliser un modèle d’IA en couches
et faisant apparaître les couches
métier, applicative et technologique
COMPETENSIS est une marque déposée15
Motivation du
projet métier & SI

16. Décryptage de la couche de motivation
• L’entreprise définit un but à atteindre goal.
Elle effectue des mesures d’indicateurs/KPI
assessment permettant de démontrer
l’atteinte (ou non) des résultats espérés
outcome.
• Exemple :
✓GOAL / BUT : Réduire la maintenance corrective,
d’urgence. Les interventions correctives ne doivent pas
dépasser 20% du nombre total d’interventions de
maintenance. Les interventions d’urgence ne doivent pas
dépasser 1% des interventions correctives.
✓ASSEMENT/INDICATEURSSUIVIS : nb d’interventions
de maintenance. % d’interventions d’urgence, %
d’interventions correctives, % d’interventions
programmées.
✓OUTCOME : Réduction des coûts de maintenance.
Réduction, voir suppression des interventions correctives,
réduire le délais de diagnostic et fiabiliser la prise de
décision. Au final, améliorer la relation avec les clients.
COMPETENSISest une marque déposée16

17. Décryptage de la couche métier
• Archimate® permet de réaliser des ontologies : un
client est soit un consommateur particulier, soit un
professionnel distributeur ou un prospect
• Un nouveau service métier appuyé par la mise en
œuvre de technologies d’IA est proposé aux clients.
COMPETENSISest une marque déposée17

18. Lien entre la couche métier et la couche de motivation
• L’élément structurant de la couche métier est
le nouveau [Business Service] à destination
des clients. C’est donc ce service qui :
• Influence la réalisation des buts de l’entreprise
[Goal]
• Réalise les objectifs et assure les gains de
l’entreprise [Outcome]
• Le suivi de ce service est assuré par des
indicateurs (KPI) qui permettent de contrôler
son efficience.Ces KPI sont représentés par
des [Assessment]
• Le suivi des [Assessments] permet de
contrôler l’attente des buts et des objectifs de
l’entreprise [Goal].
COMPETENSISest une marque déposée18

19. Décryptage de la couche métier
• Le service métier [IA Business Service]est réalisé par
un ensemble d’activités automatisées.
• Ces activités sont décrites par des processus
[Business process]. Elles sont réalisées par un
ensemble d’acteurs [Business Actor]
• Exemple :
✓IA Business Service : Autodiagnostic d’une panne
✓Business Function : Maintenance
✓Business Actor : Acteur de l’équipe de maintenance
✓Business process : processus ou activité en lien avec la
maintenance, processus automatisé avec une IA
✓BusinessObject : l'IA consiste à collecter des données, les
analyser et réaliser des déductions selon des algorithmes
d’apprentissage. l'IA s’appuie donc sur les données
collectées. Dans notre exemple : les interventions de
maintenance
COMPETENSISest une marque déposée
• En parallèle des processus business/métier, des
processus de préparation et suivi de la technology de
« machine learning » seront mis en œuvre. Leur
modélisation obéira aux même règles. Le [Business
Actor] sera alors un « Data scientist » ou un
« informaticien ».
19

20. Décryptage de la couche fonctionnelle
• La couche fonctionnelle est modélisée par des
[Application Service].
• Ce niveau d’abstraction est totalement neutre d’un
point de vue applicatif ou technologique. Ce niveau
représente des attentes/exigences vis-à-vis de la
solution applicative.
• Dans le cas de l'IA, il est important d’indiquer les
données manipulées [Data Object], au travers de
relation READ, WRITE ou READ/WRITE.
• Exemple :
✓IA Application Service : diagnostic d’une panne et décision
automatisée de lancer une intervention de maintenance.
✓Data Object : les données d’interventions, des défauts
constatés, symptômes et proposition d ’intervention :
réparation avec intervention humaine, réparation sans
intervention humaine (mise à jour logiciel), remplacement
de la machine
COMPETENSISest une marque déposée20

21. Décryptage de la couche applicative
• La couche applicative décrit les applications
chargées de réaliser les services fonctionnelles
• Exemple :
✓Application Component : la solution de Machine Learning
permettant d’automatiser le diagnostic et la prise de
décision quant à une intervention de maintenance (humaine
ou non)
✓Application Function : la solution de Machine Learning est
constituée de 2 fonctions majeures « runtime » et
« training ». Une fonction décrit le fonctionnement interne
attendu de la solution.
✓Data Object : les données d’interventions, des défauts
constatés, symptômes et proposition d ’intervention :
réparation avec intervention humaine, réparation sans
intervention humaine (mise à jour logiciel), remplacement
de la machine.
✓Les données [DataObjects] peuvent être modélisées en
lien avec [ApplicationService] ou [Application
Component]. Le sens de la flèche indique un accès en
lecture [Read] ou en écriture [Write] ou un accès en
lecture/écriture comme dans le cas présent.
COMPETENSISest une marque déposée21

22. Lien entre la couche métier et la couche applicative
• Le lien entre la couche métier et la couche
applicative est effectué par une relation
de « service » entre un élément métier et
un élément applicatif ou fonctionnel.
• Dans l’exemple ci contre, le lien Serve
entre le service applicatif AI Application
Service et le processus automatisé
Business Process [Automated with IA]
COMPETENSISest une marque déposée22

23. Décryptage de la couche technologique
• La couche technologique décrit l’infrastructure
technique de la solution mise en œuvre au travers de
System Software, Device, réseau (path) et Artifacts
(données physiques).
• Ainsi, une API ou un logiciel installé sur un serveur
sont des System Software
• Un élément de données physique ou une règle de
décision sont des Artifacts
COMPETENSISest une marque déposée23

24. Décryptage de la couche physique
• Archimate® permet de modéliser les éléments
physiques d’un atelier, entrepôt, laboratoire.
• L’élément Facility permet de modéliser le lieu
• L’élément Equipment permet de modéliser les
machines mais aussi les IoT
• Pour indiquer qu’une machine est équipée d’IoT
collectant des données ou mesurant l’état de la
machine, on utilise le lien [Aggregate]
COMPETENSISest une marque déposée24

25. Lien entre la couche physique et la couche technologique
• Les liens entre la couche Physique
[Equipment] et la coucheTechnologique
(logicielle) sont réalisées par les relations
de [Flow] ou d’écriture des données
[Access] collectées par les IoT et utilisées
par la « Machine Learning » pour poser un
diagnostic de panne et décider du type
d’intervention de maintenance à réaliser.
COMPETENSISest une marque déposée25

26. Et les données ?
• Il est toujours intéressant de représenter
les liens entre les couches de données
métier, applicatives et techniques ainsi
que physiques avec les Equipements de
type IoT.
• Les relations le plus souvent utilisées
entre couches de données sont [Serve] ou
[realize] (ici, realize)
COMPETENSISest une marque déposée26

27. Mise en œuvre sur un cas d’usage
d’amélioration de la relation client avec
un CRM intégrant des techniques de
Machine Learning (IA)
Competensis®

28. Attentes et exigences des parties-prenantes suite à la mise en
place d’un CRM intégrant l’intelligence artificielle
COMPETENSIS est une marque déposée28

29. Fonctions intelligentes du CRM
• Les fonctions intelligentes servent les fonctions classiques du CRM pour le rendre
plus performant.
COMPETENSIS est une marque déposée29

30. Des ventes plus intelligentes
COMPETENSIS est une marque déposée30
Exigences de la fonction
VENTES vis-à-vis de la
solution de CRM avancé
intégrant de l’intelligence
artificielle

31. Un service client plus intelligent
COMPETENSIS est une marque déposée31
Exigences du SERVICE CLIENT vis-à-vis de la
solution de CRM avancé intégrant de
l’intelligence artificielle

32. Un marketing plus intelligent
COMPETENSIS est une marque déposée32
Exigences du MARKETING vis-à-vis de la
solution de CRM avancé intégrant de
l’intelligence artificielle

33. Des applications plus intelligentes
Une sécurité des données et disponibilité accrue
COMPETENSIS est une marque déposée33
Enjeux de la DSI :
Savoir accompagner la
transformation
Maintenir la qualité de service
et la disponibilité accrue

34. Modéliser une solution de
développement
d’algorithmes
Competensis®

35. Intelligence Artificielle ou
Statistiques à grande échelle ?
• Ce que l’on nomme Intelligence Artificielle permet
de réaliser des statistiques, tris sur des volumes
de données extrêmement importants (big data).
• Des solutions éprouvées existent pour appuyer à
la mise en œuvre d’algorithme de tris.
✓Les fonctionnalités de machine learning (IA) ne sont
qu’un adon à des outils existant sur le marché depuis des
dizaines d’années
35 COMPETENSIS est une marque déposée

36. COMPETENSIS est une marque déposée 36

37. Christine Dessus
chdessus@competensis.com
+336 31 09 73 54
www.competensis.com
COMPETENSIS est une marque déposée37