4 ENTRETIENS
La revue de littérature est complétée par
une série d'entretiens qui a permis de relever quelques précieux
retours d'expérience. En effet, d'après plusieurs professionnels
du secteur, le domaine du Machine Learning en entreprise est récent et
les retours d'expérience sont rares (DOCUMATION, 2018).
La synthèse de ces retours d'expérience est
présentée dans deux chapitres : le premier, relatif aux questions
organisationnelles et le second, aux questions techniques.
4.1 Aspect projet
4.1.1 Quelle méthode de projet choisir ?
Les méthodes de gestion de projet classiques peuvent
s'appliquer à ce type de solution (Microsoft, 2018). Cependant,
d'après tous les experts, les méthodes agiles sont mieux
adaptées au développement de solutions basées sur le
Machine Learning. Le mode de travail itératif, qui est une des
particularités des méthodes agiles, convient parfaitement
à la modélisation d'un classificateur qui est rarement construit
d'un seul tenant.
La première itération sert
généralement à définir le MVP21 qui est
l'objectif minimum à atteindre en termes de qualité (Microsoft,
2018). Le nombre d'itérations dépend du contexte (Sinequa, 2018),
plus il est complexe et plus il y en aura.
L'agilité permet d'impliquer le métier tout au
long du projet, ce qui est important car son rôle est primordial dans la
construction d'un modèle.
Enfin, il est important de noter que dans ce domaine, nous
sommes toujours en phase exploratoire. Les entreprises expérimentent
souvent cette technologie à travers des projets pilotes (Antidot, 2018)
(Microsoft, 2018), là encore l'agilité est bien
adaptée.
4.1.2 Phase de cadrage
Il ne faut jamais se lancer dans un tel projet sans partir
d'un besoin ou d'un cas d'usage (Microsoft, 2018) (Sinequa, 2018). Il faut par
exemple se poser la question suivante : « est-ce qu'un être humain
pourrait s'en sortir avec les informations mises à disposition ? »,
si la réponse est négative, il faut oublier le ML (Microsoft,
2018).
Ensuite, il faut s'assurer d'avoir le prérequis
essentiel : les données ! S'il n'y a pas de données on ne peut
pas lancer de projet, elles doivent être en quantité suffisante
(Antidot, 2018) (Sinequa, 2018).
21 Minimum Viable Product
43
4.1.3 Quels sont les rôles et compétences
nécessaires ?
La taille de l'équipe projet sera bien sûr
fonction du problème à résoudre, mais elle ne doit pas
dépasser quatre à cinq membres, et chacun d'eux doit comprendre
au minimum ce qu'est la démarche du Machine Learning (Antidot, 2018)
(Bull-Atos, 2018),.
Concernant les compétences, l'équipe doit
être composée d'au moins un spécialiste Machine Learning et
d'un expert métier (Antidot, 2018). Tous les experts sont unanimes pour
dire que le représentant métier joue un rôle important, en
ce sens qu'il participe véritablement à la construction du
modèle, tout en orientant l'utilité de la solution. En
conséquence, le spécialiste technique devra être capable de
comprendre les enjeux métiers, pour accompagner le métier dans
son rôle (Microsoft, 2018).
Le profil technique type est celui du data scientistes
(Antidot, 2018), cependant il est aujourd'hui de plus en plus facile de monter
en compétence un profil développeur (Microsoft, 2018) (Bull-Atos,
2018), car deux compétences techniques sont relativement
nécessaires en fonction des outils et du problème à
résoudre. La première est la compréhension des
mécanismes statistiques propres à la distribution des variables
dans un jeu de données. La deuxième est la capacité
à programmer les paramètres via les langages de script de type
python ou R, voir des langages classiques pour les solutions
d'éditeur.
Il est important de noter que les derniers progrès sur
les plateformes cloud de Machine Learning permettent de construire un
modèle sans être spécialiste en développement
(Upfluence, 2018) (Sinequa, 2018). En revanche, il faut être capable de
comprendre le fonctionnement d'un modèle du point de vue des
données (Sinequa, 2018).
| 
