Prêt pour l’IA, même sans grand projet: comment les entreprises créent un socle de données solide

Avec l’IA, les problèmes liés aux données sont non seulement visibles plus rapidement, mais aussi plus lourds de conséquences. Mais comment les entreprises peuvent-elles créer un socle de données solide sans négliger les affaires courantes? Ou encore, être en mesure de se lancer directement dans un projet d’envergure? Tim Giger, Principal Data & AI Consultant chez Swisscom, donne des conseils pratiques à ce sujet.

Pourquoi l’IA ne peut pas monter en puissance sans un socle de données solide

L’intelligence artificielle a besoin d’une base fiable: des données nettoyées, des connaissances accessibles, des responsabilités claires et une compréhension commune des informations pouvant être utilisées et de leur finalité. C’est pourquoi la qualité des données n’est pas une tâche secondaire. Tim Giger, Principal Data & AI Consultant chez Swisscom, résume l’essentiel en ces mots: «Sans une qualité de données durable, un investissement dans l’IA se transforme rapidement en travail de correction et, dans le pire des cas, en risque pour la sécurité, la conformité et la confiance.»

«Sans une qualité de données durable, un investissement dans l’IA se transforme rapidement en travail de correction et, dans le pire des cas, en risque pour la sécurité, la conformité et la confiance.»

Tim Giger, Principal Data & AI Consultant, Swisscom

Comment les entreprises améliorent-elles la qualité des données de manière pragmatique?

La qualité des données peut être améliorée de manière pragmatique, même sans grand projet. Le tout est de trouver la juste mesure, aussi bien pour les PME que pour les grandes entreprises. Lorsque l’on ne fait rien, les problèmes s’accumulent et créent un effet domino: les erreurs de données et la charge de travail liée aux corrections vont crescendo. Et à la fin, l’acceptation ne se fait pas et le personnel n’utilise pas les outils d’IA mis à disposition. En revanche, en cherchant à tout nettoyer d’un coup, on surcharge les activités opérationnelles.

Selon Tim Giger, les entreprises prospères choisissent un juste milieu pragmatique: elles commencent par un cas d’usage concret et les données pertinentes. «Le levier pratique pour améliorer la qualité des données repose dans la mise en œuvre d’une bonne gestion des données. La gouvernance des données fournit le cadre nécessaire à cette fin», explique Tim Giger.

Comment les entreprises mettent-elles concrètement en œuvre ce juste milieu pragmatique?

Du point de vue de Tim Giger, les quatre étapes suivantes sont essentielles. Elles montrent comment les entreprises peuvent faire de la gestion des données un levier opérationnel de la gouvernance des données, afin d’améliorer la qualité des données et d’aborder les grands enjeux de gouvernance autour de l’IA.

1. Adoptez une approche transversale de la qualité des données.
2. Commencez avec un cas d’usage, et non avec un outil.
3. Ne nettoyez pas toutes les données, mais seulement celles qui sont importantes.
4. Répondez aux questions centrales de gouvernance avant le déploiement.

1. Adoptez une approche transversale de la qualité des données

La qualité des données ne dépend pas uniquement des services IT ou Compliance. Ces deux divisions s’occupent des conditions-cadres, de la mise en œuvre technique et de la sécurité. Mais ce sont les services spécialisés qui déterminent si les données sont pertinentes, complètes et utilisables dans le bon contexte. Ils connaissent les processus, les situations des clients et les exigences de qualité. C’est donc à eux que revient la responsabilité de leurs données. «La qualité des données commence là où quelqu’un saisit des informations dans le système, et non au niveau du service informatique», explique Tim Giger.

Tout le personnel peut contribuer à une meilleure qualité des données. Cela passe par une culture de la donnée (Data Awareness) et de la maîtrise des données (Data Literacy): le personnel doit comprendre à quoi servent les données et pourquoi les informations saisies peuvent avoir leur importance ultérieurement. Tim Giger donne l’exemple suivant: «Lorsque le service client conclut un ticket par ‹problème résolu›, il fournit des connaissances qui ne seront plus tard que peu exploitables pour un chatbot d’assistance. Cependant, lorsque le personnel comprend que l’entraînement des modèles d’IA se base précisément sur ces documentations, il se met à décrire plus précisément la résolution des problèmes et le contexte.»

2. Commencez avec un cas d’usage, et non avec un outil

De nombreuses entreprises commencent par chercher l’outil adéquat, que ce soit Copilot, ChatGPT Enterprise, Swiss AI Assistant ou un autre assistant IA. De telles solutions sont utiles pour la productivité individuelle, par exemple pour l’écriture, le brainstorming, la conception ou la programmation. Tim Giger apporte toutefois une nuance: «L’accès sécurisé aux assistants IA est une base importante et de plus en plus incontournable, comparable à l’introduction d’Office 365. Il ne s’agit néanmoins pas encore d’un cas d’usage stratégique de l’IA. La simple affirmation ‹Nous déployons Copilot› ou ‹Nous utilisons ChatGPT› ne décrit pas quel problème concret doit être résolu.»

Tim Giger continue: «La question centrale n’est donc pas de savoir où nous pouvons utiliser l’IA, mais plutôt quel problème commercial nous voulons résoudre et de quel socle de données nous avons besoin pour cela.» Le cas d’usage détermine le besoin en données, les risques, les exigences de qualité et les responsabilités. L’important n’est donc pas de savoir si l’IA est utilisée, mais plutôt si le socle et la qualité des données, ainsi que les processus et les responsabilités, sont bien préparés.

3. Ne nettoyez pas toutes les données, mais seulement celles qui sont importantes

Dès que vous avez identifié le cas d’usage, vous devez vous poser la question suivante: quelles données sont nécessaires à cet effet? Les projets d’IA en particulier nécessitent de bien cadrer le périmètre dès le départ. Au lieu de nettoyer toutes les données de leur organisation, les entreprises doivent utiliser le cas d’usage comme filtre. Un exemple: pour mettre en place un chatbot marketing, il est nécessaire de vérifier et de nettoyer les bases de données marketing, les documents et les sources d’informations. Cela permet de créer un point de référence visible qui montre quel niveau d’organisation du stockage et de qualité des données sera attendu à l’avenir.

La première étape vers la gouvernance des données est donc toujours un état des lieux: Quelles sont les données pertinentes dont dispose l’entreprise? Dans quels systèmes sources se trouvent-elles? Quelles entités sont incluses (clientèle, produits, contrats ou requêtes d’assistance)? Et quel système est le plus performant dans chaque cas? «La question du système d’enregistrement est centrale. Lorsque les données clients sont gérées simultanément dans le CRM et l’ERP, il faut savoir clairement quel système est déterminant pour quelle information», ajoute Tim Giger.

4. Répondez aux questions centrales de gouvernance avant le déploiement

Une fois que le cas d’application et les données pertinentes ont été définis, les entreprises doivent clarifier les questions les plus importantes dans le contexte de la gouvernance des données et de l’IA. En effet, même un bon socle de données ne suffit pas: les responsabilités, les risques et les exigences réglementaires doivent être définis avant le déploiement. Dans les secteurs réglementés, des exigences supplémentaires sont aussi à prendre en compte, par exemple concernant la protection des données, des prescriptions spécifiques au secteur ou des obligations réglementaires. Mais les questions centrales restent les mêmes pour toutes les entreprises:

• Quelles sont les exigences légales et réglementaires applicables?
• Dans quelle catégorie de risque le système d’IA est-il classé?
• Que se passe-t-il en cas de réponse erronée?
• Quels dommages cela pourrait-il causer, en particulier dans le cas d’applications orientées clientèle?
• Comment la qualité est-elle mesurée et à partir de quand un chatbot, un assistant IA ou un modèle est-il «suffisamment bon»?

Bernhard Knetsch, Tim Giger et Matthias Mohler, experts Swisscom, expliquent en détail dans le livre blanc comment la gouvernance des données et de l’IA s’articulent et ce que cela signifie pour leur mise en œuvre.

Mise en œuvre de la qualité des données: différences entre PME et grandes entreprises

Les PME et les grandes entreprises partagent les mêmes questions fondamentales, mais la mise en œuvre est très différente dans les deux cas. Les PME peuvent souvent mettre en place la gouvernance de manière plus pragmatique: moins de responsables, vues d’ensemble simples, règles claires, contrôles manuels par échantillonnage et contrôles automatisés pour les champs de données particulièrement critiques.

En ce qui concerne les compétences, trois rôles clés ont fait leurs preuves dans la pratique, à savoir Business Sponsor, Data Owner et responsable informatique ou de la protection des données. Pour l’état des lieux, un simple fichier Excel suffit souvent. Il permet de recenser les objets de données importants, tels que les clients, produits ou contrats, et de les attribuer à leurs systèmes respectifs.

Les grandes entreprises ont souvent besoin de structures plus formalisées: catalogues de données, gestion des données de référence, outils de gestion de la qualité des données, dispositif de suivi, traçabilité des audits, environnements de contrôle, processus en cas d’incident ou accords de niveau de service. Dans ce contexte, la qualité des données et la gouvernance sont bien plus soutenues par la technologie. Là aussi, une règle d’or s’applique: la technologie ne remplace pas la responsabilité. La qualité des données ne s’améliore que lorsque l’organisation la considère comme un atout et l’ancre durablement dans les processus, les rôles et la culture.

Les effets d’une meilleure qualité des données dans l’entreprise

Les avantages d’une bonne qualité des données se manifestent souvent plus rapidement que les entreprises ne le pensent, non pas comme des résultats abstraits dans le domaine de la gouvernance, mais bien de manière concrète dans le quotidien professionnel:

Les corrections manuelles diminuent: le personnel passe moins de temps à corriger des données erronées dans des listes Excel, des systèmes ou des rapports. Les entreprises sous-estiment souvent cette charge de travail cachée, alors qu’elle est très chronophage au quotidien, diminue la fiabilité des décisions, et entrave la productivité et l’orientation sur les résultats.

Un autre effet est la réutilisabilité: un ensemble de données de haute qualité peut être utilisé pour plusieurs cas d’usage. La qualité des données est donc à la fois une tâche de base et une condition préalable à la mise à l’échelle. En traitant les données comme des actifs stratégiques, on crée une base sur laquelle plusieurs applications d’IA peuvent s’appuyer.

La confiance se construit par la répétition de résultats fiables et le personnel profite d’une application d’IA en laquelle il a confiance. En revanche, si celle-ci donne de mauvaises réponses dès le départ, l’outil sera considéré comme inutilisable, même si la technologie était pourtant performante. Une bonne qualité des données est donc décisive pour l’acceptation, en interne par le personnel comme en externe par la clientèle.

Apprenez-en plus dans le livre blanc: les experts Swisscom Bernhard Knetsch, Tim Giger et Matthias Mohler montrent comment les entreprises abordent la qualité des données de manière structurée avant l’utilisation de l’IA, tout en formulant des recommandations pratiques pour les PME et les grandes entreprises.

À propos de Tim Giger

Depuis plus de 12 ans, Tim Giger conçoit des solutions de données et d’IA en tant qu’ingénieur, architecte et chef de projet. Il gère des projets complexes dans différents secteurs et piles technologiques. En outre, il transmet régulièrement son expertise dans le domaine de l’ingénierie des données, de l’apprentissage machine et de l’IA en tant que conférencier et chargé de cours à la HSLU ainsi qu’à la HWZ.