Projets

7 projets de machine learning pilotés par les DSI

Luke Friang, DSI de Zulili, a créé des algorithmes pour personnaliser les offres. (Crédit Photo : Zulili)

Banque, immobilier, mutuelle, distribution, plusieurs secteurs s'intéressent de près à l'IA et en particulier au machine learning. CIO.com a recensé sept cas d'usage avec un retour des DSI.

PublicitéIl y a encore deux ans, les cabinets de conseils comme Gartner ou IDC expliquaient aux DSI de commencer par de petits projets en évoquant l'IA ou le machine learning. Aujourd'hui, près de 60% des DSI ont déployé de l'IA et gère plus de 4 projets d'apprentissage automatique, peut-on lire dans une étude de Gartner. Ces initiatives devraient monter à 35 en 2022. Nos confrères de CIO.com sont restés à la période actuelle en demandant à des DSI leurs retours d'expérience dans le domaine du machine learning.

1-De l'expérience client à l'expérience collaborateur

Au sein de la mutuelle Guardian, le DSI Dean Del Vecchio teste l'intelligence artificielle et le machine learning pour améliorer l'expérience client et la productivité des salariés. Pour y parvenir, un PoC sur l'expérience client a été réalisé sur Amelia, un assistant virtuel développé par IPsoft, pour aider à automatiser les processus d'onboarding (acquisition de client) et des questions sur les prestations. Cela permet de décharger les spécialistes de l'expérience client pour se focaliser sur des problèmes plus complexes. En intégrant les spécificités métiers de Guardian, Amelia est capable de répondre à des questions comme « qu'est ce qu'une maladie grave implique ? »

En interne, la société regarde comment Watson d'IBM peut l'aider à comprendre comment les clients interagissent avec les métiers. Dans ce cadre, la solution d'IBM priorise des millions de mails reçus chaque jour. L'analyse se déroule en quelques minutes, dégageant ainsi du temps aux salariés.

2-Une IA sur mesure

Que ferais Zulily, e-commerçant spécialisé dans l'habillement, sans le machine learning ? La société s'appuie sur des dizaines de signaux, comme l'historique des achats, le temps passé à parcourir les sélections, les gestes sur l'application mobile ou le comportement sur les médias sociaux, pour déterminer quand pousser des offres aux clients, explique Luke Friang, DSI de l'enseigne. « Au fur et à mesure que nous apprenons à connaître le client, nous sommes plus à son écoute », constate-t-il.

En complément des algorithmes personnalisés, l'e-commerçant s'appuie sur une multitude de technologies open source, comme Hadoop, TensorFlow et H20, pour compléter ses piles de machine learning. Les projets d'IA tirent parti des architectures cloud. « Les efforts de personnalisation de Zulily reposent par exemple sur une association entre AWS et GCP, dans laquelle GCP propose des recommandations, qui guident les clients sur notre plateforme hébergée sur AWS. Cette combinaison entretient une saine compétition entre les fournisseurs de cloud et profitera au DSI sur le long terme, prédit Luke Friang.

3-L'immobilier donne de la voix

PublicitéLe spécialiste dans le conseil en immobilier d'entreprise, JLL (Jones Lang LaSalle), a travaillé avec Google en juin dernier sur JiLL, un chatbot qui permet aux salariés d'organiser des réunions, de trouver des collègues, de consulter les horaires des trains ou remplir des requêtes de service avec la voix ou du texte. Par exemple, l'assistant virtuel, JiLL peut traiter des demandes telles que « Hey JiLL, organise moi une réunion dans la semaine avec mon équipe » ou « Hey JiLL, trouve-moi un bureau disponible au 3ème étage cet après-midi », explique Vinay Goel, directeur des produits digitaux chez JLL.

Le chatbot, JiLL intègre un ensemble de données de la société sur les bâtiments, les interactions des utilisateurs et les réservations des espaces physiques, traités dans GCP, ainsi que dans les conteneurs Kubernetes. « Avec le temps, nous nous attendons que JiLL devienne une plateforme essentielle pour proposer des centaines de fonctionnalités et améliorer la productivité quotidienne », analyse le dirigeant.

4-Le machine learning pour un juste prix

La chaîne de magasins Wawa prévoit d'utiliser le machine learning pour modifier dynamiquement les prix en fonction de facteurs concurrentiels. Cette approche doit aider Wawa à personnaliser les offres des clients inscrits au programme de fidélisation, constate le DSI John Collier. « Nous voulons combiner les données et les algorithmes non pas juste pour fixer des prix, mais établir des règles », admet le dirigeant. Pour lui, l'astuce consiste à trouver un équilibre entre amélioration de l'expérience client et le coût de cette expérience.

Seul bémol dans ce projet de tarification dynamique, les technologies ont du mal à s'interfacer avec les systèmes legacy. Le DSI recommande donc d'entamer au préalable une modernisation de l'existant avant d'aller vers l'intelligence artificielle. Chose que Wawa a effectué dans le cadre d'un plan de transformation digitale, « nous avons investi massivement dans notre stratégie data », glisse John Collier.

5-Le temps réel en matière de crédit

Chez Experian, spécialiste de notation de crédit, la transformation digitale s'est traduite par la création d'un outil, qui s'appuie sur le machine learning : Ascend Analytics On Demand. Il s'agit d'une plateforme analytique en libre-service à destination des entreprises pour construire des modèles prédictifs sur la criticité des demandes de crédit de 220 millions de clients. « Les entreprises peuvent ainsi effectuer des analyses de données en quelques minutes , alors que cela prend actuellement plusieurs semaines », explique Alex Lintner, en charge du service d'information client chez Experian.

« Les clients veulent avoir la possibilité de voir d'énormes quantités de données en temps réel », observe Barry Libenson, DSI d'Experian Global qui a supervisé la plateforme basée sur Hadoop et d'autres outils analytiques. « Il est fini le temps où l'on pouvait prescrire des choses, ils les veulent en temps réel, quand et comme ils le souhaitent ». Sur le plan technique d'Ascend, Experian a adopté une approche hybride du cloud et a investi dans les outils open source, notamment des conteneurs et des outils API et des microservices. La société a également rationalisé sa façon de concevoir et de consommer les logiciels avec des applications et du code réutilisables par les collaborateurs et les clients partout dans le monde.

6-Lutter contre la fraude

Tout comme les sociétés de surveillance du crédit, les groupements de cartes bancaires sont dans la même démarche. Les outils de machine learning et d'IA peuvent être une aide pour rendre les services plus sûrs, déclare Ed McLaughlin, président de la technologie et des opérations chez Mastercard. La société se sert de différentes couches de ML et d'IA pour éliminer les fraudeurs. Au coeur de ce système se trouve une base de données in memory. Il a permis à Mastercard d'économiser environ un milliard de dollars de pertes dues aux fraudes depuis 2016, souligne le dirigeant. Le logiciel intègre plus de 200 attributs pour anticiper et prévenir la fraude. Le système combine à la fois des tokens, de la biométrie, du deep learning, et d'autres technologies. Mais pour arriver à créer ce système, il faut selon Ed McLaughlin « retirer le plus possible l'humain de la boucle », car c'est le maillon faible de la cybersécurité.

7-De meilleures performances pour la formule 1

L'écurie de formule 1 Mercedes-AMG Petronas se sert des capacités du machine learning pour visualiser les performances des voitures. Elle collecte de grandes quantités de données issues de différentes sources présentes sur le véhicule. « Cela peut aller jusqu'à 10 000 points de données par seconde lors de la prise de décision critique », assure Matt Harris, responsable IT du groupe. Mercedes-AMG Petronas est assisté par Tibco Software pour visualiser l'impact de certaines variables comme le temps, les pneus, la température, la quantité d'essence dans les voitures. Le logiciel donne accès à des analyses plus détaillées comme la performance et l'usure des pièces. En général, un pilote change de vitesse une centaine de fois par tour, Tibco collecte 1 000 points de données.

« En visualisant ces données, vous pouvez prolonger la durée de vie d'une boîte de vitesse ou plus important rendre plus difficile le changement de vitesse », remarque le responsable avant d'ajouter, « vous pouvez alors constater que si vous mettez la boîte de vitesse dans un mode particulier, vous gagnez environ 50 millisecondes par tour. Avec un écart de l'ordre de millième de seconde en qualification, les 50 millisecondes comptent ».

Sur le machine learning, Matt Harris et son équipe élaborent des algorithmes « pour réaliser des choses que les humains ne peuvent pas faire ou qui coûteraient très cher à faire ». Le responsable n'a aucun doute sur l'avantage concurrentiel de tels outils par rapport aux autres équipes.

Article écrit par Clint Boulton/CIO.com, adapté et traduit par Jacques Cheminat