Le groupe pétrolier Total a présenté, lors de la dernière convention Ae-scm, think tank spécialisé en sourcing numérique, ses recommandations pour bien mener un projet d’intelligence artificielle.
Un tel projet a toujours au moins trois composantes : d’abord, des compétences en intelligence artificielle, pour la connaissance des algorithmes et des techniques associées. Ensuite, des compétences métiers, parce qu’il y a nécessairement, derrière tout projet d’IA, des objectifs métiers et des critères de succès. Enfin, des compétences IT, puisqu’il faut des infrastructures, pour pouvoir accéder aux données et les intégrer.
« L’IA n’est pas autoportante, le métier et l’IT sont incontournables », affirme David Campion, expert en Data Analytics et IA chez Total Exploration et Production, pour qui, sur la durée de vie d’un projet, la conception des modèles IA prend peu de temps (environ 10 %). La majorité du temps passé (60 %) l’est sur la préparation des données, leur collecte et l’injection des connaissances métiers, l’intégration des solutions à l’écosystème existant représentant environ 10 % du temps.
Faire appel à des partenaires suppose que ceux-ci soient capables d’intervenir sur l’ensemble de la chaîne de valeur. Comment choisir les projets qu’il faut privilégier ? Il importe, selon David Campion, de se concentrer sur les solutions visibles et quantifiables, qui apportent un gain de productivité, en permettant par exemple d’agir plus vite ou de réduire des incertitudes, et de privilégier les solutions ayant une incidence sur une grande partie des utilisateurs ou clients.
Ensuite, plusieurs types de partenaires peuvent intervenir : des start-up (par exemple pour fournir des solutions verticales), des algorithmes spécifiques, des partenaires académiques (pour fournir des compétences, des moyens de R&D ou une maîtrise de sujets complexes) ou encore des intégrateurs et des plateformes cloud orientées IA. « Une solution IA doit répondre à une question métier simple et il faut au plus tôt traduire le « langage Data Science » en langage métier et opérationnel, sans oublier de proposer une explication systématique aux résultats proposés par la solution d’IA », suggère David Campion, qui conseille également d’éviter les Proofs of Concept et autres prototypes techniques pour privilégier les démonstrations fonctionnelles.
D’autant qu’un projet IA a un ROI difficile à quantifier, notamment s’il génère des gains plus qualitatifs que financiers, et a un coût non négligeable : il faut, en moyenne, deux à trois semaines pour évaluer le potentiel de l’IA, trois mois pour entraîner les modèles, de plusieurs semaines à plusieurs mois pour l’intégration SI et, bien sûr, une implication des métiers qui peut aller de quelques heures par semaine à un temps plein pendant plusieurs mois.
| Les erreurs à éviter | |
| Erreurs | Pourquoi ? |
| Réinventer la roue | De nombreuses solutions sur étagère existent et la communauté Open Source est très active dans le domaine |
| Automatiser à outrance | La valeur dépend de l’humain |
| Privilégier une approche orientée technologie | On n’intègre pas une solution d’intelligence artificielle, de Machine Learning ou de Deep Learning, on n’utilise pas une nouvelle technologie, mais on répond à une question métier |
| Oublier de challenger les partenaires et leurs offres | Il faut savoir ce que l’on attend des partenaires : une plateforme technologique ? Une solution verticale ? Des ressources en Data Science ? Des compétences métiers ? |
| Source : Total. | |
Les principaux facteurs clés de succès
- Former les experts métiers aux techniques de l’IA (Machine Learning, Deep Learning, etc.).
- Intégrer les spécialistes IA/métiers/IT.
- Protéger son patrimoine, notamment les données qui servent à l’entraînement des modèles d’IA.
- Se focaliser sur les besoins utilisateurs.
- Penser à s’outiller : préparation des données, ETL, stockage, plateformes analytiques, visualisation de données…
- Identifier la valeur ajoutée des partenaires.
- Penser ROI, mais aussi TCO.
Source : Total.
Total s’associe à Google
Total et Google Cloud vont développer en partenariat des solutions d’Intelligence Artificielle (IA) appliquées à l’analyse des données du sous-sol en phase d’exploration et de production d’hydrocarbures. Cet accord porte sur le développement de programmes d’IA permettant l’interprétation d’images du sous-sol, notamment issues d’études sismiques, et l’automatisation de l’analyse de documents techniques (Natural Language Processing). Ces programmes permettront aux ingénieurs en géosciences de Total (géologues, géophysiciens, ingénieurs réservoir et géo-information) d’accélérer et d’améliorer la qualité de leurs travaux d’exploration et d’évaluation des gisements de pétrole et de gaz. Dans le cadre de ce partenariat, les experts en géosciences de Total travailleront aux côtés des experts en Machine Learning de Google Cloud, dans une même équipe projet basée dans le laboratoire de Google Cloud (Advanced Solutions Lab) en Californie.