Comment préparer les données de votre entreprise pour l’IA

Qu’est-ce que la maturité des données?

On parle de maturité des données quand les données de votre entreprise sont suffisamment organisées et accessibles pour soutenir vos objectifs d’affaires. Pour évaluer la préparation de votre entreprise, répondez à des questions comme:

• de quelles données disposez-vous? 
• où sont-elles stockées?
• sont-elles complètes et uniformes?
• vos systèmes peuvent-ils y accéder et les utiliser?
• les membres de votre personnel suivent-ils des processus uniformes lorsqu’ils saisissent des données? 

Bien des entreprises éprouvent des difficultés parce que leurs données se sont accumulées au fil du temps dans de multiples systèmes logiciels, feuilles de calcul et bases de données. Certains renseignements peuvent être incomplets, ou encore être en double ou stockés sur des supports incompatibles.

«Avoir beaucoup de données ne signifie pas avoir les bonnes données, dit Garry Ma. Parfois il suffit qu’il manque un seul élément pour que l’utilité des données pour une application d’IA en particulier soit considérablement réduite.»

Par exemple, une entreprise de logistique peut suivre l’emplacement des véhicules ou des envois, mais si les données sur le temps sont manquantes ou non uniformes, l’information ne sera pas très utile pour optimiser les itinéraires ou effectuer une analyse prédictive.

Les quatre piliers sur lesquels reposent des données prêtes pour l’IA

Même si chaque entreprise est différente, la préparation des données pour l’IA se fait généralement dans quatre domaines clés.

1. Inventaire des données

La première étape consiste à comprendre les données qui existent à l’échelle de votre organisation.

Selon la taille de votre entreprise, vos renseignements peuvent être répartis dans des logiciels, des feuilles de calcul et des systèmes infonuagique. Certaines données peuvent être saisies manuellement par des membres du personnel ou provenir de registres automatisés des systèmes.

Avant de tenter de mettre en œuvre l’IA dans votre entreprise, déterminez:

• où résident les données pertinentes;
• comment elles circulent dans votre organisation;
• quelle est l’interaction entre divers ensembles de données;
• quels renseignements sont pertinents pour le problème que vous tentez de résoudre, 

«L’objectif d’affaires est toujours le point de départ, dit Garry Ma. Vous devez avant tout bien comprendre le problème que vous voulez solutionner.»

2. Qualité des données

Tout le monde a déjà entendu l’expression «à données inexactes, résultats erronés», elle date d’avant l’arrivée de l’IA, mais elle est encore pertinente. Des données incomplètes, non uniformes ou mal structurées peuvent réduire l’exactitude ou la fiabilité.

La saisie de données non uniforme est un problème courant. Par exemple, des membres du personnel peuvent saisir des renseignements dans des formats différents ou utiliser des champs de texte de format libre plutôt que des menus déroulants, ce qui rend la normalisation ou l’analyse des données plus compliquée par la suite.

«Sans lignes directrices en matière de gouvernance ou processus opérationnels, on peut prédire sans trop se tromper que les données devront être nettoyées», dit Garry Ma.

Les outils d’IA peuvent aider à repérer automatiquement les tendances, les incohérences ou les problèmes de qualité dans les données. Cela veut dire que le processus d’amélioration de la qualité des données et l’adoption de l’IA peuvent souvent se faire en parallèle, plutôt que l’un après l’autre.

3. Accès aux données et intégration de celles-ci

Les systèmes d’IA ont souvent besoin d’extraire de l’information de sources multiples. Cela devient compliqué lorsque les systèmes ne peuvent pas communiquer entre eux.

De plus, bien des organisations comptent encore sur un logiciel plus ancien qui n’a pas été conçu pour les applications d’IA modernes ou le partage de données. Les données peuvent appartenir à l’entreprise, mais être malgré tout difficiles à extraire ou utiliser.

Le problème d’accessibilité n’est pas toujours causé par des fournisseurs externes, dit Garry Ma. «Parfois les entreprises enferment leurs données de façon non intentionnelle. Les données sont là, mais les formats sont anciens ou ne sont pas en phase avec d’autres ensembles de données. Ou encore, il est difficile d’extraire les données de façon simple et pratique sans changer les systèmes.»

Si c’est le cas, vous pourriez devoir suivre une des étapes ci-dessous, ou toutes celles-ci:

• relier vos systèmes au moyen d’intégrations ou d’API (interfaces de programmation d’application), qui permettent à différents systèmes logiciels d’échanger des données;
• centraliser les données dans un environnement partagé, comme un entrepôt de données ou un lac de données;
• moderniser certaines portions de votre infrastructure technologique (les logiciels, les systèmes et l’infrastructure que vous utilisez pour exécuter les opérations de votre entreprise).

Vous n’avez pas besoin de tout rebâtir à partir de zéro. Il pourrait être suffisant de commencer par améliorer l’accès aux données les plus importantes dont vous avez besoin pour un cas d’utilisation d’IA en particulier.

4. Gouvernance des données

La gouvernance des données est un aspect souvent négligé de la préparation des données pour l’IA.

La gouvernance des données implique notamment ceci:

• définir qui est responsable des données;
• établir des normes sur la façon dont les données sont saisies et tenues à jour;
• établir des règles entourant la confidentialité, la sécurité et la conformité potentielle;
• veiller à ce que les membres du personnel suivent des processus uniformes lorsqu’ils travaillent avec des données.

Selon Garry Ma, l’établissement d’une culture de gouvernance et d’une culture organisationnelle efficaces est souvent plus complexe que le nettoyage des données.

«Cela peut demander du travail, mais on peut généralement nettoyer les données, dit-il. Le plus difficile, c’est de changer la culture de l’entreprise, soit mettre en place une gouvernance et des procédures opérationnelles normalisées, puis de s’assurer qu’elles sont respectées par toutes et tous par la suite.»

Certaines organisations commencent à traiter les données comme un logiciel. Autrement dit, elles comprennent que les données nécessitent une ou un responsable, un contrôle de version, ainsi que de la documentation et une maintenance continue, et que ces étapes doivent être suivies au début.

Pourquoi certaines entreprises éprouvent des difficultés

Bien des entreprises ont des années de données fragmentées ou non uniformes qu’il est difficile d’utiliser de façon efficace.

Par exemple, vous pourriez demander à des membres du personnel de fournir des renseignements ou des rapports, puis découvrir qu’il faut des jours pour répondre à des questions simples sur l’entreprise parce que les données nécessaires sont stockées dans de multiples systèmes ou doivent être considérablement nettoyées manuellement.

«Tant qu’il n’y a pas un problème qui affecte l’entreprise, bien des entreprises ne priorisent pas la qualité des données», dit Garry Ma.

Cela peut être plus problématique à mesure qu’une entreprise pousse des initiatives d’IA plus loin qu’un simple petit projet pilote. Par exemple, les systèmes d’IA peuvent ne pas bien fonctionner si:

• les formats des données varient d’un service à l’autre;
• les membres du personnel ne saisissent pas les données de façon uniforme;
• certains champs essentiels sont manquants;
• les systèmes ne peuvent pas échanger des renseignements facilement;
• les processus de collecte de données sont mal définis. 

Dans certains cas, il pourrait être nécessaire de refondre des flux de travail ou des interfaces logicielles pour améliorer la façon dont ils saisissent les données à la source. Par exemple, l’utilisation de menus déroulants ou d’autres mécanismes normalisés de saisie peuvent améliorer l’uniformité.

Quand faire appel à une expertise externe

Certaines entreprises peuvent nettoyer et préparer leurs propres données, tandis que d’autres peuvent avoir besoin de faire appel à une expertise externe. Cela dépend des compétences du personnel et de son degré d’aisance dans la tâche à accomplir. Voici certains signes qui indiquent que vous pourriez avoir besoin d’une aide externe :

• vous devez attendre des jours ou des semaines pour obtenir des renseignements d’affaires;
• les projets d’IA ou d’analytique sont toujours au ralenti;
• les équipes ont de la difficulté à intégrer les systèmes;
• l’expertise à l’interne fait défaut en matière d’ingénierie de données ou de gouvernance des données;
• les capacités de gestion d’un projet d’envergure en matière de nettoyage ou de modernisation sont insuffisantes dans l’entreprise. 

Un partenaire externe peut vous aider à éviter les erreurs coûteuses si vous tentez de bâtir des systèmes d’IA plus avancés.

«Il y a de nombreux pièges et obstacles, dit Garry Ma. Si vous n’avez pas la culture ou les compétences, ou si vous voulez agir rapidement, vous devriez retenir les services d’une ou d’un spécialiste.»

En fin de compte, la préparation pour l’IA n’est pas seulement un exercice technique. Cela peut nécessiter des changements aux systèmes, aux flux de travail, à la gouvernance et à la culture organisationnelle. La bonne nouvelle, c’est que nous n’avez pas à résoudre tous les problèmes de données en même temps. Si vous avez des objectifs clairs, des attentes réalistes et des pratiques solides en matière de données, votre entreprise sera bien positionnée pour tirer parti de l’IA sur le long terme.

Prochaine étape

Adoptez l’intelligence artificielle, les outils numériques ou l’équipement intelligent et obtenez des services-conseils et du financement à taux préférentiel grâce au programme Levier d’innovation et focus sur la technologie (LIFT) de BDC.

Vous voulez en savoir plus sur la façon de préparer votre entreprise pour l’IA? Téléchargez notre guide gratuit intitulé Préparer votre entreprise pour l’IA.