B4 : Valoriser les actifs numériques
En exploitant et valorisant les données dans des services numériques ; cartographiant les actifs
numériques de l’organisation ; anticipant et gérant les changements des organisations ; mettant en
œuvre une veille économique et technologique ; proposant des évolutions technologiques et
métiers pour l’organisation et la communauté.
Niveau actuel : Avancé
Niveau visé : ?
Connaître les impacts et les apports du Machine Learning et de l’intelligence
artificielle sur le système d’information de l’entreprise
Etre capable d’intégrer tous les processus de développement logiciel et de gestion
du cycle de vie des données dans des projets complexes
Mots-clés : intégration, DLM, DMP, gouvernance des données, visualisation,
machine learning, IA
Lors de ce semestre, nous avons participé à un voyage apprenant à Belgrade, en Serbie. Nous avons assisté à la conférence DSC où plusieurs acteurs majeurs ont présenté des problématiques ou des solutions autour de l’IA, du ML et plus généralement autour des données. Les entreprises utilisent de plus en plus ces outils pour augmenter leur performance. Cela reste encore réservé aux grandes organisations ayant les moyens d’investir sur ces sujets, mais il n’y a aucun doute qu’il s’agit d’une évolution qui tend à se généraliser. L’utilisation de l’IA et du ML dans les organisations permet d’augmenter la pertinence et les résultats du reporting et de l’analyse de données, mais pas seulement.
L’IA et le ML peuvent aider les entreprises à automatiser et à optimiser leurs opérations. Par exemple, ils peuvent être utilisés pour prévoir les besoins en stock, optimiser les routes de livraison, prédire les pannes et les maintenance, et bien plus encore. Cela peut aider les entreprises à réduire leurs coûts, à améliorer l’efficacité et à fournir un meilleur service à leurs clients. Ou encore, l’IA peut être utilisée pour analyser le comportement des utilisateurs, ce qui peut aider les entreprises à comprendre leurs clients et à améliorer leurs produits et services. Par exemple, elle peut être utilisée pour identifier les tendances d’achat, les comportements de navigation et les préférences des clients, ce qui peut aider les entreprises à personnaliser leurs offres et à améliorer l’expérience client.
l’IA et le ML peuvent offrir de nombreuses opportunités pour les entreprises de s’améliorer et de se développer. Cependant, il est important de noter que leur mise en œuvre peut nécessiter des investissements significatifs en termes de ressources et de compétences.
J’ai réalisé une LI sur les data mesh inspiré par une conférence suivi à Belgrade. Le data mesh est fondé sur quatre principes principaux :
- La propriété des données est basée sur le domaine : chaque domaine a ses propres ingénieurs et propriétaires de produit pour gérer les données et leur disponibilité pour d’autres équipes.
- Chaque équipe de domaine possède ses propres pipelines de données : les équipes de domaine sont responsables de la gestion de leurs propres données et de la transformation de celles-ci.
- L’interopérabilité et la standardisation des communications : le data mesh s’appuie sur une couche d’interopérabilité universelle qui applique la même syntaxe et les mêmes normes de données.
- La sécurité et la confidentialité : les données sont sécurisées et protégées, et les politiques de gouvernance des données sont strictement appliquées.
La gouvernance des données joue un rôle clé dans un « data mesh ». Premièrement, elle maintient l’autonomie et l’indépendance des divers domaines, car ces derniers sont mieux équipés pour prendre des décisions concernant la gestion de leurs données et leur évolution. Cela garantit également un haut niveau de responsabilité, puisque chaque équipe est chargée de suivre un produit de données du début à la fin, de la production à la consommation. Le résultat est une production de données de haute qualité qui peut être réalisée de manière évolutive et résiliente par des équipes qui sont profondément familiarisées avec leur domaine et qui sont responsables de la livraison de bout en bout.
Roald à aussi pu réaliser un AR sur les algorithmes en machine learning. Dans le domaine de la machine learning, les algorithmes sont utilisés pour analyser les données, apprendre à partir de ces données et faire des prédictions ou des décisions basées sur ces apprentissages. Par exemple, les moteurs de recommandation utilisent des algorithmes de machine learning pour parcourir de grandes quantités de données afin de prédire la probabilité qu’un client achète un article ou apprécie un contenu, puis font des suggestions personnalisées à l’utilisateur. Mais il existe d’autres types d’algorithmes tel que :
Apprentissage non supervisé : Ces algorithmes sont formés sur des données non étiquetées et cherchent à découvrir des structures ou des tendances dans les données.
Apprentissage par renforcement : Ces algorithmes apprennent à prendre des décisions en fonction de récompenses et de punitions. Ils cherchent à maximiser une récompense globale tout au long du temps. Un exemple est l’algorithme d’apprentissage par renforcement des réseaux de neurones artificiels
AR Joanna Python