Projets

Cinq exemples réussis autour du machine learning

James Fairweather (Pitney Bowes) : « résoudre les problèmes avant que les pannes surviennent est essentiel pour limiter les interruptions de service. »

Alors que de plus en plus d'entreprises s'intéressent au machine learning (ML), CIO.com a choisi de revenir sur cinq exemples de projets réussis autour de cette technologie, qui appartient au domaine plus vaste de l'intelligence artificielle (IA).

PublicitéDans les entreprises, la percée de l'intelligence artificielle et du machine learning se confirme, avec des organisations qui exploitent de plus en plus ces technologies pour mieux anticiper les attentes des clients et renforcer les opérations métier. Selon IDC, les dépenses sur les systèmes d'IA devraient grimper à 97,9 milliards de dollars en 2023, près du triple des 37,5 milliards investis en 2019. Une étude réalisée par Capgemini Research auprès de 950 organisations et publiée en juin montre également que 87% des sondés avaient déployé des pilotes autour de l'IA ou mis en production des cas d'usage sur un périmètre restreint. CIO.com a recueilli cinq exemples d'entreprises qui ont déployé IA et ML avec des résultats probants à la clef.

Un assureur santé mise sur l'IA pour mieux soigner ses clients

L'assureur santé Anthem a déployé des solutions d'IA et de ML pour des situations qui vont de l'anticipation de la santé des patients à la réduction des litiges liés à ses services, selon Rajeev Ronanki, chief digital officer du groupe. En analysant des années de données de santé générées par les patients atteints de troubles chroniques, comme le diabète ou les problèmes cardiaques, et en les croisant avec celles de patients souffrant de troubles similaires, ou leurs « jumeaux numériques », Anthem peut anticiper la probabilité de succès d'un traitement.

L'IA aide aussi le groupe à surveiller le traitement des dossiers pour détecter de potentielles difficultés des clients avec leurs demandes de prestations et autres services. Si Anthem identifie une anomalie émergente, son équipe de service client va contacter un établissement de soin ou un patient pour obtenir une explication. Pour Rajeev Ronanki, une telle démarche proactive est essentielle pour prévenir des situations instables. Dans ce but, Anthem analyse des données historiques issues de millions d'appels lors desquels les clients se sont plaints des services de l'entreprise. L'IA génère des scores indiquant la probabilité qu'une plainte escalade. « Nous contactons les clients concernés pour expliquer nos décisions et leur donner des éléments de contexte », indique Rajeev Ronanki.

Le recrutement en 2018 d'Udi Manber, un ancien directeur de recherche chez Google, entant que directeur IA, montre combien l'IA est devenue essentielle pour Anthem. Sous la responsabilité d'Udi Manber, les capacités et les compétences en IA sont mises en place dans toutes les lignes d'activités du groupe, avec des applications développées par des équipes cross-fonctionnelles dans le but précis de simplifier l'expérience de santé, afin de la rendre davantage « personnalisée, efficace et proactive », souligne Rajeev Ronanki.

Un transporteur fiabilise le traitement de ses colis grâce au ML

PublicitéPitney Bowes, une société de transport et de courrier pour les entreprises centenaire, a fait un usage intensif des outils d'IA et de ML au cours des huit années passées, d'après les propos de son directeur de l'innovation James Fairweather à CIO.com. L'entreprise utilise actuellement un logiciel de ML pour prédire quand ses stations de préparation des courriers et colis, comprenant une tablette Android et une imprimante intégrée, risquent de tomber en panne. Si l'outil de Ml, qui communique directement avec les stations, détecte un dysfonctionnement potentiel, il planifie l'intervention d'un technicien de terrain pour aller réparer les machines. « Résoudre les problèmes avant que les machines ne tombent en panne est essentiel pour limiter au maximum les interruptions de service sur le transport de colis », insiste James Fairweather. Depuis que le logiciel de ML est devenu très bon pour anticiper les problèmes, Pitney Bowes planifie avec soin les interventions dans le logiciel gérant les services sur le terrain. « Cela permet une expérience client de qualité », souligne le directeur de l'innovation.

Alors que l'expérience des clients devient primordiale dans un monde où la livraison en une journée se généralise, Pitney Bowes utilise aussi des algorithmes de ML pour optimiser les volumes de retours, en surveillant la trajectoire des colis pour identifier des anomalies séquentielles dans le traitement. Par exemple, l'algorithme va pointer un colis qui devrait normalement être scanné toutes les quatre heures durant son trajet, mais rate le second créneau de scan. « Nous avons bâti un modèle de data science qui se base sur les valeurs normales pour ces activités, afin de prédire des anomalies de traitement », explique James Fairweather.

Jamie Head (Ocean Spray) : « avant de déployer le ML, nous avons travaillé sur le master data management pour améliorer la cohérence des données. »

Un producteur de jus de cranberry fluidifie ses opérations avec le ML

Avant qu'Ocean Spray ne s'embarque dans son voyage vers l'IA et le ML, le producteur de jus de cranberry, pamplemousse et autres fruits a dû nettoyer les années de données qu'il avait collectées. L'entreprise a exécuté une stratégie de gestion des données de référence afin d'améliorer la cohérence et la pertinence des informations générées par ses métiers et ses clients, comme l'a raconté Jamie Head, directeur du digital et des technologies d'Ocean Spray à CIO.com. Ocean Spray utilise le ML pour passer au peigne fin trois ans de données, afin de détecter des tendances associées à des hausses des ventes, ainsi que pour analyser les caractéristiques des promotions chez les concurrents et déceler d'éventuels facteurs saisonniers non pris en compte. L'équipe de Jamie Head travaille avec la startup de ML Visualfabriq pour l'aider à comprendre comment mieux produire de l'information exploitable à partir de ses actions commerciales passées, afin de « faire avancer l'entreprise », selon Jamie Head. Le département IT partage ensuite ces informations avec l'équipe commerciale pour les aider à segmenter plus finement le marché.

Ocean Spray explore également l'usage du ML pour améliorer la qualité de ses productions de cranberries, en analysant les couleurs, la taille et d'autres variables, incluant les sols et les conditions climatiques chez ses partenaires agriculteurs situés notamment au Canada, dans le Massachusetts, le New Jersey, le Wisconsin et le Chili.

Un fabricant de machines gère ses ventes à l'aide d'un assistant virtuel

Les équipes de vente d'Honeywell utilisent un logiciel d'IA pour les aider à déterminer la priorité des rendez-vous et à convertir des leads en clients pour les systèmes avioniques, les engins de construction et les autres machines industrielles du groupe.

« Cet outil, un assistant virtuel conçu par Tact.ai, extrait de l'information des systèmes Microsoft 365 et Salesforce d'Honeywell », précise Patrick Hogan, vice-président chargé de l'excellence commerciale au sein du groupe industriel. Depuis leurs smartphones, les commerciaux peuvent échanger par la voix ou par texte avec l'assistant Tact.ai afin de vérifier s'ils sont en phase avec leurs objectifs de vente, et consulter des indicateurs pour savoir comment les clients ont réagi à leurs propositions commerciales. Quand un membre de l'équipe commerciale termine une réunion, l'Assistant leur demande quelle est la prochaine étape prévue. Il envoie également des notifications aux utilisateurs pour qu'ils jettent un oeil sur des opportunités risquant de ne bientôt plus être valables. « Cela vous aide à rester au top dans votre domaine », souligne Patrick Hogan. Celui-ci ajoute que l'outil en apprend davantage sur les pratiques et préférences de chaque vendeur à chaque usage.

L'assistant a eu un impact très positif sur les tunnels des ventes d'Honeywell, se traduisant par un nombre accru de rendez-vous en face à face, ainsi qu'une hausse des revenus par vendeur, des taux de conversion et de rendement. Cet impact est tel que Patrick Hogan incite activement les 9 500 commerciaux du groupe pour que davantage utilisent l'outil.

L'IA aide un distributeur de fournitures de bureau à personnaliser ses recommandations

Office Depot est en train d'investir dans le ML afin d'obtenir des informations sur les préférences de ses clients et d'améliorer ses recommandations produit, selon le CIO de l'entreprise Todd Hale. Cet effort sur l'analytique intervient au moment où le groupe pesant 11 milliards de dollars cherche à étendre ses activités de service aux entreprises, incluant sa filiale de services techniques CompuCom, tout en réduisant sa dépendance aux ventes de fournitures de bureau. Les ventes B2B représentent plus de 60% des revenus du groupe Office Depot. L'entreprise utilise des techniques d'IA et de ML avancées comme celles de la bibliothèque Open Source XGBoost ou les forêts d'arbres décisionnels afin de segmenter ses clients en personae et de prédire les probabilités d'attrition, la valeur vie client (customer lifetime value) et ses affinités produit. « Pour le e-commerce, nous utilisons les capacités de deep learning d'Analytics Zoo sur Apache Spark et BigDL, afin de fournir des recommandations produit en temps réel et personnalisées, ainsi que pour développer des modèles de ventes croisées et de montée en gamme », détaille Todd Hale. Dans l'idéal, cela aidera Office Depot à créer des « produits et services personnalisés », ajoute-t-il.

La pandémie, un nouveau défi pour l'IA

L'expérience de décideurs IT ayant mis en oeuvre avec succès IA et ML peut aider les entreprises qui envisagent de s'appuyer sur ces technologies. Il faut toutefois signaler qu'avec la pandémie de Covid-19, certaines de ces approches devront parfois être repensées. En effet, la crise sanitaire représente un nouveau défi pour l'IA, alors que beaucoup d'organisations qui dépendaient de données historiques pour mettre au point leurs algorithmes ont vu leurs modèles se fausser depuis mars.

« Ce phénomène de 'dérive des données' empêche les entreprises de s'appuyer sur leurs modèles existants », souligne Jerry Kurtz, vice-président exécutif chargé des données et insights chez Capgemini. Par exemple, les modèles utilisés par les compagnies aériennes pour prédire les intervalles de maintenance des avions vont probablement changer de façon significative, le nombre de vols ayant chuté au cours des derniers mois. Idem pour les commerçants qui ont connu un déclin de leurs ventes sur cette période. « Dans un certain nombre de cas, des données qui semblaient bien établies ont changé si rapidement que l'histoire n'a plus de valeur prédictive », indique Jerry Kurtz à CIO.com. « Les entreprises vont devoir revisiter leurs algorithmes, car elles n'ont jamais supposé que les variables changeraient. »

Article de Clint Boulton / CIO États-Unis (Adaptation et traduction par Aurélie Chandèze)