« Il est crucial de fluidifier les processus »
David Talaga,
directeur du marketing produit chez Dataiku
« L’opérationnalisation des activités représente un défi croissant pour les entreprises. Les données non préparées et la multitude d’outils complexes et isolés entravent les processus, créant des frictions et des difficultés d’automatisation. Les lenteurs de déploiement, l’absence de monitoring et de bouclage dans le processus MLOps aggravent les problèmes d’opérationnalisation.
Il est crucial de fluidifier les processus pour améliorer l’efficacité opérationnelle et garantir le succès à long terme. Sinon, ces problèmes initiaux se transforment rapidement en obstacles majeurs à mesure que l’opérationnalisation progresse, entraînant un effet boule de neige. »
______________________________________________________________________
« 20 % des clients sont matures sur MLOps »
Pierre Hoffer,
Senior Director EMEA Technical Sales HPC & AI chez Hewlett Packard Enterprise
« MLOps est un domaine assez récent, riche qui évolue de plus en plus vers une approche indépendante de la gestion du cycle de vie du ML. Il s’applique à l’ensemble du cycle de vie – collecte de données, création de modèles (cycle de développement logiciel, intégration continue/livraison continue), orchestration, déploiement, santé, diagnostics, gouvernance et mesures commerciales.
Seulement 20% des clients sont matures sur le MLOps et ont réussi le passage à l’échelle et l’industrialisation des modèles d’IA, ainsi que la gouvernance. Cela dit, beaucoup d’entre-eux sont nouveaux sur l’AI/ML (day 1 customers), expérimentent mais n’ont pas encore réellement de modèles en production, ni même n’ont conscience de ce qu’implique le processus de mise en production, c’est-à-dire ce qu’est le MLOps au sens propre du terme. Cependant, une petite minorité de nos clients exploite aujourd’hui la totalité du cycle MLOps. »
______________________________________________________________________
« Intégrer du machine learning aux produits ajoute une complexité très importante »
Florent Pietot,
cofondateur de Nibble.ai
« La RPA a apporté une première capacité d’automatisation aux entreprises et de nombreux métiers en ont profité. On voit aujourd’hui l’hyperautomatisation aller plus loin, car de nombreux outils participent à l’automatisation. Le BPM a permis l’exécution automatique de nombreux processus, et ce que l’on appelle aujourd’hui l’Intelligent Automation tend à dépasser la RPA.
L’Intelligent Automation vient apporter des processus intelligents, non seulement l’orchestration de tâches complexes mais aussi appeler l’IA dans les mécanismes de décision. On automatise à la fois les processus, mais aussi certaines prises de décision et aussi débrancher le processus vers un robot qui effectue une tâche et réinjecter un résultat dans le processus.
On distingue trois grands volets de cas d’usage à l’hyperautomation : d’une part l’automatisation autour de l’engagement client. Il s’agit notamment d’automatiser les offres proposées en direct aux clients ou via un agent en interaction avec les clients. Le second volet porte sur le service client afin d’automatiser un certain nombre de tâches et les publier en self-service, déclencher un process sur simple interaction via le Tchat. Le troisième niveau est opérationnel, comme par exemple l’octroi d’un crédit dans une banque ou accélérer la gestion de sinistre chez un assureur. »
