Ωmega

Aujourd’hui, dans les projets Data, une tendance actuelle reste l’expérimentation. Avoir la capacité d’explorer des cas d’usage et d’établir la valeur business de ces derniers est devenu un enjeu majeur car les projets de transformations globaux nécessitent très vite d’importants moyens humains. La discipline qu’est l’intelligence artificielle n’échappe pas à cette vérité contemporaine. En effet, cette science présente des possibilités infinies mais réaliser un projet de Machine Learning de bout en bout, de la détection du cas d’usage à l’industrialisation et la maintenance du modèle en production, est un processus exigeant.

Plan d’Accélération Data – Ωmega

Data Science

Pour répondre à ces besoins de flexibilité dans l’exploration du potentiel de leurs cas d’usage, onepoint accompagne les entreprises et institutions en travaillant avec des Data Scientists et Product Owners spécialisés dans les projets de Machine Learning.

Le partenariat avec onepoint à travers le Plan d’Accélération Data (PAD), Data Ωmega est typiquement un investissement sur quelques semaines permettant d’intervenir sur différent aspects spécifiques d’un projet d’intelligence artificielle.

Pour commencer, onepoint peut participer à l’étude et la formalisation des différents modèles pertinents pour chaque cas d’usage identifié par la société. Ensuite, les équipes onepoint développeront plusieurs POCs (Proof of Concept) pour évaluer et identifier les modèles étant les plus performant expérimentalement.

Data Lab

Ce faisant, un travail d’analyse pourrait également avoir lieu pour identifier les structures de données et les pipelines nécessaires à l’alimentation du modèle en continu. Toutefois, le PAD Ωmega est dédié aux cas d’usage expérimentaux et d’exploration pure.

Ainsi les analyses des prérequis pour la mise en production et l’industrialisation nécessitent d’autres compétences davantage référencées et visibles dans le PAD IA Factory. Les deux PADs pouvant tout à fait fonctionner de concert notamment si le potentiel de cas d’usages et de modèles est établi avec le PAD Ωmega et que l’entreprise / l’institution souhaite par la suite industrialiser et peut-être construire un Data Lab pour héberger ces modèles et de futures via le PAD IA Factory.

Nos références

 

Définition et développement de modèles sur de multiples cas d’usage pour un groupe de protection sociale

Contexte et besoin

- Dans l’optique de rationaliser les cas d’usage existant, et d’en détecter des nouveaux, notre client opta pour un partenariat avec onepoint afin de devenir acteur de sa volonté de séparer le BtoB et le BtoC. L’idée étant de recenser les cas d’usage d’intelligence artificielle propres à chacun, d’estimer les charges de travail inhérentes à chacun et enfin d’équilibrer les investissements en intelligence artificielle entre les modèles BtoB et BtoC.
- Certains cas d’usage identifiés étaient notamment des recommandations de traitements de mails reçus, d’appétence client concernant des appels ou encore de la prévention de résiliation. L’objectif de fond étant toujours de permettre aux équipes de notre client de mieux connaître leur portefeuille à ce jour et mieux prédire celui de demain.

Solution

- L’étude débuta par une partie de cadrage s’alimentant sur des recherches de documentation, des entretiens avec les équipes et des explorations afin de bien cerner les enjeux business du périmètre et les données à disposition pour les modèles. Ceci permit de maîtriser les cas d’usage existant et d’en identifier d’autres.
- Après une phase de priorisation et d’équilibrage pour ne pas surreprésenter les usages BtoB et BtoC l’un par rapport à l’autre, les équipes développèrent des modèles répondant aux cas d’usage.

Résultat

La démarche itérative au contact des métiers a permis une excellente agilité et la définition d’objectifs intermédiaires SMART. Les objectifs ont ainsi pu être pleinement atteint : les cas d’usage furent réorganisés, priorisés puis développés avec des modèles servant des résultats cohérents.

 
 

Modèles de Machine Learning permettant d’évaluer l’appétence des clients à ses produits pour un acteur de la banque

Contexte et besoin

Pour suivre sa logique de développement, notre client ambitionne de mieux connaître ses clients afin de leur proposer les services dont ils ont besoin. Le panel des produits de la société étant large, cette problématique de pertinence des produits proposés aux clients se pose depuis longtemps mais serait en passe d’être enfin répondue grâce à l’intelligence artificielle.

Solution

- Durant cet accompagnement auprès des équipes notre client, onepoint commença par explorer et restructurer les bases de données personnelles, d’équipement et de transactions client. Ceci permit alors de cadrer les besoins métiers et de les traduire en 17 modèles prédictifs. Ces modèles furent ensuite développés et interprétés itérativement.
- Les résultats des modèles permirent alors de mettre en lumière certains leviers activables rapidement en agence et de révéler une segmentation des clients quant à la probabilité d’appétence pour chaque produit bancaire.
- Enfin, diverses études socio-démographiques et économiques furent réalisées pour conforter les résultats des modèles.

Résultat

Onepoint pu, au fil de cet engagement, livrer des prédictions d’appétences pour l’ensemble des clients par produit bancaire, passer le code aux équipes de notre client dans des conditions permettant leur compréhension et maintenance, présenter les résultats à différentes instances de direction et mettre en évidence certains axes d’amélioration dans la gestion des bases de données chez notre client pour faciliter leurs besoins en intelligence artificielle.

 
 

Modèle de prédiction des ventes pour un leader du secteur de l’édition

Contexte et besoin

- Pendant la période de l’accompagnement de onepoint chez notre client, les équipes dédiées ont pu travailler sur le cas de l’optimisation du volume des réimpressions lorsqu’un livre connaît un meilleur démarrage commercial qu’anticipé.
- Ce cas présente des implications logistiques et métier importantes comme le fait de pouvoir proposer le nombre adéquat de copies en évitant les surstocks et les ruptures mais aussi le fait de pouvoir réduire les réimpressions coûteuses en général.

Solution

L’investissement de onepoint commença par une phase d’analyse visant à s’approprier les Data à disposition et à les préparer. La définition claire des objectifs, des métriques d’évaluation permis de sélectionner les algorithmes les plus adaptés pour répondre au cas d’usage. Dans le même temps, mais aussi au fur et à mesure du développement, les différentes sources de complexité ont pu être identifiées, notamment la dépendance temporelle forte, l’explicité des prédictions et les évaluations des performances réelles du client, et mitigées dans la mesure du possible.

Résultat

- Le modèle livré offre une aide à la décision pour mieux calibrer les décisions de réimpressions. Les données utilisées pour l’entraînement du modèle le plus pertinent sont celles des ventes de notre client allant de 2015 à 2020, permettant ainsi une capacité de généralisation satisfaisante du modèle.
- Les équipes de notre client étant satisfaites du modèle ont engagé le chantier d’industrialisation de celui-ci.

 

En savoir plus

Contacts