Le monde de la science des données continue d'attirer des professionnels de tous horizons, apportant de nouvelles perspectives à un domaine de plus en plus complexe. Dans une conversation récente, Yoann Veny, Data Scientist chez Agilytic, a partagé son parcours unique de la sociologie à l'intelligence artificielle, offrant des perspectives précieuses sur les défis et opportunités actuels auxquels sont confrontées les organisations alors qu'elles naviguent dans la révolution de l'IA générative.

Un Parcours Inhabituel vers la Science des Données

L'histoire de Yoann commence avec ce qu'il appelle un parcours "atypique" pour un data scientist. Initialement, il a choisi de suivre des études de sociologie à l'université précisément pour éviter les mathématiques et les sciences, mais il a découvert une passion inattendue pour les statistiques au cours de ses études en sciences sociales. Cette révélation l'a conduit à compléter un master en statistiques pour les sciences sociales à la KU Leuven, jetant les bases de sa future carrière.

Quand j'ai eu des cours de statistiques, je ne sais pas pourquoi, mais il y a eu un déclic qui disait 'Ok, cela peut être utilisé pour faire ceci... ce genre de chose.' C'était vraiment une révélation.

Cette fondation interdisciplinaire s'est avérée inestimable tout au long de sa carrière. Après être passé du milieu académique à l'industrie, Yoann a passé une décennie chez un opérateur de télécommunications, où il a vécu de première main le pouvoir des insights basés sur les données. Un projet particulièrement mémorable impliquait la combinaison de données marketing et de réseau technique pour prédire l'attrition des clients – un parfait exemple de la manière dont les différents silos de données au sein des organisations peuvent être unifiés pour résoudre des problèmes commerciaux complexes.

L'Avantage du Conseil : Diversité et Rigueur Méthodologique

Après dix ans dans une grande entreprise, Yoann a rejoint Agilytic, embrassant le monde dynamique du conseil en science des données. La transition a mis en lumière des différences clés entre les rôles internes et de conseil, particulièrement autour de la diversité de l'expérience.

"Le principal changement qui m'intéresse beaucoup, car j'ai un esprit très curieux et suis toujours en mode d'apprentissage continu, c'est la diversité," explique Yoann. "Nous pouvons travailler dans le commerce de détail, la pharmacie, les institutions financières, le secteur public. Je trouve cela vraiment intéressant car c'est l'une des choses qui m'ont fait penser que travailler dans les données et les statistiques était intéressant – ce sont des problèmes qui se répètent d'un secteur à l'autre, avec des compétences qui peuvent être transposées à des problèmes parfois de natures très différentes."

Cette expérience transsectorielle a renforcé une vérité fondamentale sur la science des données : bien que les contextes d'affaires puissent varier de manière spectaculaire, les approches méthodologiques sous-jacentes restent remarquablement cohérentes. Que ce soit pour prédire l'attrition dans les télécommunications, la santé ou le commerce de détail, les fondations statistiques et les cadres analytiques transcendent les limites sectorielles.

Naviguer dans le Battage Médiatique de l'IA Générative : Au-Delà de la Requête de Chatbot

Peut-être nulle part la rigueur méthodologique n'est-elle plus cruciale que dans le paysage actuel de l'IA générative. Les organisations de tous secteurs approchent les consultants avec des demandes qui commencent souvent par "Je veux un chatbot", reflétant à la fois l'enthousiasme et la confusion entourant ces nouvelles technologies.

"Le véritable défi aujourd'hui est de guider les entreprises alors qu'elles définissent ce qu'elles veulent et pourraient faire avec l'IA générative," observe Yoann. "Les entreprises nous disent souvent 'Je veux un chatbot.' Techniquement, nous pouvons en construire un—aucun problème. Mais le plus grand défi est de s'asseoir avec ces parties prenantes et de prendre le temps de définir le problème concret qu'ils essaient de résoudre, et de déterminer si un chatbot est vraiment la meilleure solution."

Ce défi a fondamentalement changé l'approche d'Agilytic envers l'engagement client. Alors que les projets traditionnels de machine learning pouvaient souvent être planifiés en une ou deux sessions de travail, les initiatives d'IA générative nécessitent des phases de diagnostic plus approfondies durant cinq à dix jours. Ce processus de découverte prolongé aborde plusieurs questions critiques :

• Quel problème commercial spécifique doit être résolu ?

• L'IA générative est-elle réellement la solution appropriée ?

• Quels sont les infrastructures techniques et les exigences en matière de données ?

• Comment la solution passera-t-elle du proof-of-concept au déploiement à grande échelle dans l'entreprise ?

L'Impératif de la Qualité des Données : Pourquoi Les Projets GenAI Restent des Projets de Données

Malgré l'apparente simplicité de déploiement des outils modernes d'IA, Yoann souligne que les projets d'IA générative demeurent fondamentalement des projets de données. Cette perspective, ancrée dans une décennie d'expérience chez Agilytic, met au défi la fausse idée commune selon laquelle il s'agit principalement d'initiatives informatiques.

"Nous avons la conviction extrêmement forte que, malgré toutes les facilités que nous avons aujourd'hui pour déployer des solutions GenAI, et cela devient de plus en plus facile, ces projets ne sont pas des projets informatiques, comme beaucoup le croient," affirme-t-il. "Nous avons la conviction chez Agilytic que les modèles GenAI restent avant tout des projets de données."

Les implications sont significatives. Les organisations se précipitant pour mettre en œuvre des systèmes RAG (Génération Augmentée par Récupération) avec des bases de documents mal entretenues échoueront inévitablement. Les mêmes principes de qualité des données qui régissent le machine learning traditionnel – des informations propres, bien organisées et régulièrement mises à jour – s'appliquent avec la même vigueur aux systèmes d'IA générative.

Cela crée de nouveaux défis, car les organisations doivent maintenant considérer des sources de données non structurées qui n'ont peut-être jamais été soumises à une gouvernance rigoureuse des données. Les services juridiques, par exemple, qui gèrent des documents de politique doivent maintenant comprendre que leur travail alimente des processus automatisés nécessitant des standards cohérents de qualité et de maintenance.

Démocratiser l'Innovation en IA : Soutien Public pour la Transformation des Entreprises

Un développement encourageant est le soutien croissant du secteur public pour l'adoption de l'IA parmi les entreprises. Les régions wallonne et de Bruxelles offrent une assistance financière substantielle pour aider les organisations à surmonter les barrières initiales à la mise en œuvre de l'IA.

Des programmes comme "Start IA" soutiennent les phases de diagnostic et le développement de feuilles de route, tandis que des initiatives comme "Tremplin IA" en Wallonie peuvent financer jusqu'à 40 000 € de développement de proof-of-concept, avec un financement public de 70 %. Pour les entreprises basées à Bruxelles, Innoviris offre un soutien spécifique pour les projets d'IA générative.

"Souvent, les entreprises ignorent même que cela existe," note Yoann. "C'est souvent nous qui répandons la bonne nouvelle à certains prospects ou clients. Mais je pense que cela aide vraiment à surmonter cet obstacle de réduction du risque du POC, parce que parfois certaines entreprises peuvent être réticentes à propos de ce genre de POC intrinsèquement risqué."

Ces programmes reconnaissent une vérité fondamentale : le plus grand obstacle à l'adoption de l'IA n'est pas la capacité technique mais plutôt le risque financier et organisationnel de l'expérimentation initiale.

L'Avenir de l'IA d'Entreprise : Au-Delà de la Mise en Œuvre Technique

En regardant vers l'avenir, le succès des initiatives d'IA générative dépendra moins de la sophistication technique et davantage de la préparation organisationnelle. Cela englobe plusieurs dimensions :

• Adaptation Culturelle : Les équipes doivent comprendre comment leur travail contribue aux systèmes automatisés et ajuster leurs processus en conséquence.

• Planification de la Scalabilité : Les solutions qui fonctionnent pour cinq utilisateurs test doivent être architecturées pour gérer des centaines d'utilisateurs simultanés dans les environnements de production.

• Sélection des Cadres : Plutôt que de tout construire de zéro, les organisations bénéficient d'une évaluation méthodique des cadres open-source sur plusieurs dimensions – des capacités OCR aux exigences de maintenance.

L'équipe de Yoann a développé une matrice d'évaluation complète pour les cadres RAG, évaluant environ dix différentes options open-source selon divers critères. Cette approche garantit que les recommandations de solution s'alignent à la fois avec les exigences techniques et les capacités organisationnelles.

Perspectives Personnelles : L'IA dans la Vie Quotidienne

Au-delà des applications professionnelles, l'utilisation personnelle des technologies d'IA par Yoann offre des perspectives intéressantes sur les modèles d'adoption plus larges. Comme de nombreux professionnels, il utilise ChatGPT pour des requêtes quotidiennes, remarquant comment il est devenu particulièrement attractif pour les enfants en raison de son interface conversationnelle.

Plus de manière unique, son passe-temps musical a bénéficié d'outils de séparation audio alimentés par l'IA qui peuvent isoler les instruments individuels à partir d'enregistrements complets. "Partir d'une seule piste, la séparer entre différentes pistes – batterie, basse, voix – est assez incroyable," explique-t-il. "C'est agréable de pouvoir prendre une chanson, retirer les guitares de la chanson pour laisser la batterie, la basse et éventuellement les voix, et jouer de la guitare dessus pour rejoindre Metallica ou tout autre groupe musical."

Cette application personnelle illustre le potentiel de l'IA à enrichir les activités créatives, suggérant des implications plus larges sur la manière dont ces technologies pourraient s'intégrer à divers aspects de la vie quotidienne.

Conclusion : Méthodologie Plutôt que Hype

Alors que les organisations continuent de naviguer dans le paysage de l'IA générative, l'expérience de Yoann offre plusieurs leçons clés :

1. Prendre le temps pour un diagnostic correct : La complexité des implémentations GenAI nécessite une planification en amont plus approfondie que les projets ML traditionnels.

2. Souvenez-vous des fondamentaux des données : Malgré les avancées technologiques, la qualité des données reste le fondement des initiatives réussies en IA.

3. Tirez parti du soutien disponible : Les programmes de financement public peuvent réduire de manière significative le risque financier de l'expérimentation initiale en IA.

4. Concentrez-vous sur les problèmes commerciaux : La technologie doit servir des objectifs commerciaux clairement définis, pas les conduire.

5. Planifiez l'adoption : Le succès technique ne signifie rien sans l'adoption organisationnelle et la gestion du changement culturel.

La révolution de l'IA générative est réelle, mais son succès sera mesuré non pas par la sophistication des modèles sous-jacents, mais par la manière dont les organisations peuvent intégrer ces outils dans leurs opérations tout en maintenant la rigueur méthodologique qui a toujours défini les initiatives réussies de science des données.

Comme le montre le parcours de Yoann de la sociologie à l'IA, les praticiens les plus précieux apportent souvent des perspectives diversifiées et des approches systématiques aux défis complexes. À une époque de changement technologique rapide, cette combinaison de discipline méthodologique et de réflexion interfonctionnelle pourrait s'avérer être l'avantage concurrentiel le plus important de tous.