Processus intelligents
Le 18/04/2019
Selon une étude menée par la MIT Technology Review en partenariat avec Google, 60 % des entreprises ont d’ores et déjà défini une stratégie autour du Machine Learning (apprentissage machine), avec comme principal objectif l’espoir de tirer plus d’enseignements des données qu’elles recueillent. IDC estime que les dépenses relatives au Machine Learning et à l’Intelligence Artificielle passeront de 12 à 57,6 milliards de dollars entre 2017 et 2021. Aucune entreprise ne peut donc se permettre de rater cette vague de fond.
Un des cas d’usage emblématiques du Machine Learning réside dans la voiture intelligente. Chez Tesla, elle peut analyser les dangers de la route et freiner en cas d’urgence. Et cela n’est que la première étape vers des véhicules totalement autonomes, animés par une infrastructure de Machine Learning capable d’analyser le comportement de millions de voitures , et ainsi de perfectionner continuellement la qualité de conduite. Une industrialisation à large échelle de cette technologie.
Industrialiser les processus intelligents en entreprise
SAP industrialise les processus intelligents en déployant, à grande échelle, l’intelligence machine dans le contexte de chaque client. Schématiquement, les données (transactionnelles ou classiques, structurées ou non) alimentent une solution analytique épaulée par du Machine Learning. L’intégration d’une dose d’intelligence permet d’améliorer l’automatisation des processus et d’anticiper les évènements futurs à travers une expérience utilisateur renouvelée.
Pour mettre en place cette approche, SAP s’appuie sur trois composants clés de son offre : la Suite Intelligente, les Technologies Intelligentes et la Plateforme Digitale.L’ensemble est développé sur la SAP Cloud Platform (SCP), déployable chez tous les fournisseurs de Cloud.
Là où les acteurs de la Data Science se bornent en général à créer des modèles de Machine Learning, SAP va plus loin en intégrant ces modèles dans l’ensemble de la suite logicielle, et en gérant également la performance et la pertinence de ces modèles, une fois mis en production. L’éditeur gère ainsi le cycle de vie des modèles d’apprentissage machine, afin de les adapter et de les ré-entrainer. Le tout, en masquant bien évidemment la complexité inhérente à la Data Science, lors de l’incorporation de ces modèles dans les applications métiers, et dans le respect des réglementations comme le RGPD.
L’objectif ? Automatiser les tâches répétitives sujettes aux erreurs humaines et augmenter l’humain avec des informations anticipatives pour améliorer et accélérer les prises de décision, réagir plus rapidement aux évènements en exploitant les technologies de Machine Learning pour identifier ce qui nous était inconnu, et enfin pour permettre grâce à l’innovation, d’embrasser des opportunités qui étaient technologiquement impossibles jusqu’ici.
Automatiser, réagir, réinventer
Détaillons ces trois grands objectifs à travers des exemples pratiques :
1/ Automatiser
Le but est ici de répondre aux besoins d’accélération et d’automatisation des processus existants. Faire plus vite, plus automatisé et plus intelligemment. L’intelligence peut passer par la remontée d’informations prédictives qui aideront l’utilisateur. Par exemple, un score qui permet d’indiquer pour chaque client la probabilité de réaliser une vente. Ou encore la mise à disposition d’un agent conversationnel qui aidera l’utilisateur à maitriser l’interface d’un logiciel.
Le processus intelligent peut aussi se faire plus discret. Imaginons le cas d’un salarié partant en voyage d’affaires : les ressources humaines sont alors prévenues, le transport et l’hébergement sont pris en compte et ces éléments automatiquement ajoutés à la note de frais du collaborateur.
2/ Réagir
Automatiser est une chose, mais comment réagir face à un imprévu ? Imaginons un croisement de données effectué ponctuellement par l’utilisateur. Par exemple un taux de retour produit. Le graphe fait apparaitre un point de rupture, lié à une brusque montée des retours. L’intelligence machine sera capable d’expliquer les raisons de ce changement. En détectant, par exemple, des retours émanant de clients mécontents de la qualité de fabrication. Ce qui tendrait, alors, à mettre en lumière un problème passager de production. Cette analytique intelligente à la demande est apportée par les technologies de SAP Analytics Cloud Smart Assist.
Grâce à des techniques de traitement automatique du langage naturel (NLP, Natural Language Processing) il est aussi tout à fait possible de poser des questions comme « donne-moi les ventes en fonction de tel paramètre ». Le système livrera alors directement une réponse et le pourquoi des résultats présentés. Il est même possible d’aller encore plus loin, en s’appuyant sur le Machine Learning pour aider la direction à ajuster ses prévisions et plans d’exécution.
3/ Réinventer
Le Machine Learning permet de réaliser des cas d’usage auparavant inenvisageables. Imaginons un champ de palmiers à huile. Grâce à des drones, il est possible de prendre des photos et vidéos de l’ensemble du périmètre. Des experts vont évaluer sur une petite partie du champ différents indicateurs sur les arbres (tailles, couleur, maladie …). Tout cela va alimenter un modèle de Machine Learning, qui deviendra alors capable de comprendre ce qu’est un arbre, une feuille et leur état respectif. Cette phase d’apprentissage, qui mêle modélisation mathématique et expertise métier, peut alors être appliquée à l’ensemble du champ. Il est ainsi possible de déterminer pour chaque arbre sa probabilité de maladie, sa taille, son traitement optimal et s’assurer grâce la connexion à l’ERP qu’on dispose bien des stocks suffisants pour effectuer les traitements.
Ce scénario mettra en œuvre les solutions déjà citées, mais aussi des offres comme le Service Géospatial etSAP Connected Agriculture. Une interface utilisateur spécifique permettra au personnel de faire remonter des informations sur les arbres dont l’état a été mal évalué, participant ainsi à l’entrainement continu du système. Donc à son amélioration.
Simplifier avec le conversationnel, désiloter avec les API
Les entreprises ont encore du mal à tirer des enseignements de leurs données. Une analytique globale boostée à l’apprentissage machine peut les y aider… mais à condition de casser les silos. L’un des moyens en vogue pour relier différents services entre eux reste les API. C’est d’ailleurs la priorité choisie par SAP pour sa plate-forme, par essence ouverte.
Mais casser l’isolation des silos passe aussi par une forme d’alignement entre les différentes solutions métiers. Il faut en effet s’assurer qu’un objet métier (par exemple un contact client) ait bien la même représentation au sein de l’ERP ou du CRM. À cet effet, SAP propose un modèle de données unifié sur l’ensemble de la Suite Intelligente, ce qui donnera plus de cohérence aux informations.
L’utilisateur lui-même peut être un des facteurs limitant la bonne exploitation des données de l’entreprise, du fait de sa difficulté à maitriser les différentes applications du SI. Il faut donc s’assurer qu’il n’ait pas besoin de changer d’interface lorsqu’il utilisera les différents outils de la suite, afin de faciliter l’apprentissage et l’adoption de ces derniers. C’est pourquoi la suite Intelligente propose une expérience utilisateur unifiée.
Et l’expérience utilisateur pourra encore être améliorée par le conversationnel : via des requêtes exprimées en langage naturel, auxquelles le SI sera capable de répondre ; via des assistants permettant de faciliter la prise en main d’un logiciel, etc. Le Machine Learning, via le conversationnel et les assistants intelligents, peut aider à simplifier certains processus, et ainsi amplifier la productivité des collaborateurs.
Dans une entreprise intelligente, les processus sont plus automatisés, plus souples, plus intelligents et plus aisés à comprendre. Le conversationnel et les assistants intelligents permettent au système de comprendre nos intentions, là où nous devions auparavant apprendre à maitriser de complexes interfaces. En s’appuyant sur la data, le SI de l’entreprise intelligente permet de prendre de meilleures décisions, dans de meilleurs délais et même d’anticiper plus efficacement les évènements à venir.
SAP -
