Maximiser les avantages des données et de l'IA

Dayle Hall :  

Bonjour et bienvenue dans notre dernier podcast pour Automating the Enterprise. Je suis votre hôte, Dayle Hall, CMO chez SnapLogic. Ce podcast est conçu pour donner aux organisations les idées et les meilleures pratiques sur la façon d'intégrer, d'automatiser et de transformer l'entreprise.

Notre invité d'aujourd'hui est un leader reconnu dans le domaine des données et de l'analyse. En fait, il a été reconnu en 2021 comme l'un des cinq plus grands leaders de l'analyse en Australie. Sa mission et son dévouement ont toujours été de contribuer à façonner l'avenir de l'Australie grâce à une utilisation responsable des données et de l'analyse. Nous souhaitons la bienvenue à Alex Antic, directeur général du Dr. Alex Antic Group. Alex, bienvenue dans le podcast.

Alex Antic :

Merci, Dayle. C'est un plaisir absolu de parler avec vous aujourd'hui.

Dayle Hall :

Oui, c'est vrai. Avant de commencer, Alex, je pense que ce qui serait intéressant pour nos lecteurs, parce que je ne suis pas sûr que les gens soient pleinement conscients de ce que vous faites là-bas et du groupe, alors pourquoi ne pas commencer par un peu de contexte sur votre organisation, ce que vous faites, où vous travaillez, et comment vous en êtes venu à orienter votre carrière dans ce domaine.

Alex Antic :  

Bien sûr. Ce que je fais, c'est que je dirige une entreprise de conseil et de formation centrée sur la science des données et l'IA. Je travaille avec des organisations des secteurs public et privé, ainsi qu'avec des universités. Pour moi, c'est un grand plaisir de pouvoir travailler dans tous les secteurs dans lesquels j'ai travaillé par le passé et de tirer parti de cette expérience pour aider les organisations à aligner l'utilisation des données et de l'analyse sur les résultats stratégiques et à créer de l'impact et du changement.

Le travail de conseil peut être très différent d'un projet à l'autre, et j'apprécie la variabilité des clients avec lesquels je travaille. Un jour, je peux siéger à un conseil consultatif et m'entretenir avec la direction de l'entreprise, et le lendemain, je peux travailler avec des personnes qui font du codage de bas niveau et qui essaient de me faire comprendre pourquoi un projet particulier ne prend pas la direction qu'il devrait prendre sur la base de la technologie qu'ils utilisent ou des problèmes qu'ils rencontrent.

Et en ce qui concerne les universitaires, ayant été universitaire auparavant, je pense que la véritable clé de la survie de l'université à long terme est l'intégration avec l'industrie, les secteurs public et privé dans leur ensemble, afin de s'assurer que les deux parties peuvent travailler ensemble. J'ai parfois vu cela échouer. J'ai vu les différentes incitations des deux côtés rendre cela très difficile. C'est donc un réel plaisir de pouvoir essayer de faire la différence avec les groupes avec lesquels je travaille, et j'aime beaucoup cela.

Dayle Hall :

Et avez-vous - en termes de formation, d'études, de début de carrière - toujours été intéressé par les données et l'analyse, ou avez-vous vu une opportunité ? De toute évidence, il y a une forte composante technologique dans ce domaine, comment avez-vous commencé à travailler dans ce domaine ?

Alex Antic :

C'était il y a très longtemps. Et j'aimerais pouvoir dire que j'ai eu une intuition magique. En fait, depuis mon plus jeune âge, je m'intéresse vraiment aux mathématiques et à leur capacité à essayer de donner un sens au monde par la pensée logique en utilisant diverses techniques quantitatives et en résolvant des problèmes. Au moment où les ordinateurs se généralisaient et devenaient la norme dans notre vie quotidienne, j'ai pensé qu'étudier à la fois les mathématiques et l'informatique à l'université serait à la fois avantageux et amusant. Je ne voyais pas exactement à quel point cela deviendrait avantageux compte tenu de la situation actuelle en matière de science des données et d'intelligence artificielle. C'est donc ce qui m'a poussé à passer des mathématiques et de l'informatique aux mathématiques pures et aux mathématiques appliquées, puis à la science des données.

La transition vers la science des données telle que nous la connaissons aujourd'hui m'a semblé tout à fait naturelle, étant donné qu'elle s'appuyait sur toute la formation que j'avais déjà reçue en mathématiques, en statistiques et en codage. Au fil du temps, j'ai développé une véritable passion pour le partage de ces connaissances avec les autres. Et cela les a vraiment aidés à faire la différence en utilisant leurs données et leurs analyses, qui deviennent de plus en plus accessibles aux gens de nos jours.

Dayle Hall :

Oui, c'est vrai. Comme vous, j'ai l'impression que je suis entré dans ce secteur il y a très longtemps. Mais j'ai vraiment l'impression, si je regarde en arrière et que je pense à ce que nous commençons à parler de big data et à ce que nous avons maintenant autour de l'analyse prédictive et de l'industrie de l'entreposage de données cloud et ainsi de suite, qu'il est tout simplement étonnant de voir à quel point les données sont devenues un élément central de presque tout. Et ce qui m'intéresse vraiment, comme vous l'avez mentionné plus tôt, ce sont les organisations dans lesquelles vous travaillez, c'est-à-dire l'éducation, le secteur public, le secteur privé. Les gens ont des processus de réflexion similaires sur la manière d'utiliser l'analyse des données. Il est évident que les défis sont différents, je le comprends. Mais est-ce qu'ils regardent les choses en se disant : "D'accord, nous voulons en faire plus avec nos données, mais nous ne savons pas par où commencer" ? Les défis sont-ils similaires ? Ou sont-ils très différents dans ces trois secteurs différents que sont l'éducation, le secteur public et le secteur privé ?

Alex Antic :

Excellente question. Je pense, en résumé, qu'il y a beaucoup de points communs. Il y a beaucoup des mêmes défis auxquels les gens sont confrontés, c'est-à-dire essayer de comprendre, nous sommes assis sur cette grande pile de données et nous avons quelques résultats stratégiques spécifiques que nous visons, comment passer de l'ingestion et du stockage de ces données à leur analyse pour ensuite obtenir des résultats qui nous aident à prendre de meilleures décisions. Certains pensent que cela facilitera la prise de décision. Je ne pense pas que ce soit nécessairement le cas. Je pense que l'utilisation d'un paradigme axé sur les données aide vraiment à prendre de meilleures décisions, en supposant que l'on ait tout fait de la meilleure façon possible.

Je pense donc qu'il y a beaucoup de défis communs et beaucoup d'écueils et d'erreurs que les gens font en cours de route. Oui, nous pouvons discuter de certains d'entre eux. Mais il s'agit surtout de comprendre comment aligner fondamentalement ce que je fais en matière d'analyse de données sur les objectifs stratégiques de mon organisation. Lorsque cela ne fonctionne pas, je pense que c'est là que les gens peuvent rencontrer des problèmes, lorsqu'ils s'en détournent. Ils sont trop pris par le battage médiatique et la technologie en tant que telle, au lieu de la considérer comme un moyen de parvenir à une fin.

Dayle Hall :

Et combien d'organisations avec lesquelles vous travaillez travaillent autour de différents types de projets ? Viennent-ils vous voir parce qu'ils ont l'impression de pouvoir faire plus ? Ou ont-elles des cas d'utilisation spécifiques ou des problèmes qu'elles essaient de résoudre ? J'ai posé cette question parce qu'au cours de cette série de podcasts, nous avons reçu un certain nombre de personnes, et la chose que j'entends le plus souvent, c'est que le succès de l'utilisation de l'IA pour extraire des données et prendre de meilleures décisions est généralement plus grand lorsque l'on commence par essayer de résoudre ce cas d'utilisation, ce problème commercial ou ce défi. Cela correspond-il à ce que vous entendez ? Et conseillez-vous aux organisations d'y réfléchir dès le départ ?

Alex Antic :  

À 100 %, la réussite dans ce domaine dépend vraiment de la compréhension du problème de l'entreprise, puis de la question de savoir si les données et/ou l'analyse font partie de la solution, ou si la politique et les gens sont quelque chose de différent. Souvent, tout est mélangé, si bien que j'ai parfois l'impression de faire de la politique des données plutôt que de la science des données. Je suis donc tout à fait d'accord avec cette affirmation.

Si quelqu'un vient me voir, un client vient me voir et me dit, voici mes données, que pouvez-vous m'en dire ? C'est à ce moment-là que je me tourne vers lui et que je lui dis qu'il faut en parler, qu'il s'agit plutôt d'une démarche éducative et qu'il faut essayer de l'aider à comprendre ce qu'est la science des données et l'IA, et ce qu'elle n'est pas. Et parlons de vos problèmes d'entreprise. Ne me parlez pas de solutions et de données. Je veux juste savoir quels sont vos problèmes, puis nous pourrons nous pencher sur la question de savoir si les données et la technologie dont vous disposez vous aident réellement à les résoudre, ou si nous devons repenser ce que vous faites, car je suis très agnostique à l'égard de la technologie que j'utilise. Il s'agit de développer des solutions sur mesure pour le client, en fonction de ce à quoi il peut avoir accès ou de ce qu'il souhaite potentiellement acheter, puis de s'associer à d'autres organisations pour offrir la meilleure valeur possible. Tout cela est motivé par des problèmes commerciaux. Il ne faut jamais penser aux données et à la technologie séparément ou de manière isolée. On ne peut pas les considérer de manière isolée.

Dayle Hall :

L'un de ces secteurs est-il plus avancé que l'autre ? On pourrait penser que les entreprises technologiques ou les personnes que vous conseillez sont parfois plus en avance parce qu'elles sont plus habituées à utiliser de nouveaux logiciels et à mettre en place des processus différents. Mais pensez-vous que l'éducation est également en avance au sein du gouvernement parce que, potentiellement, ils ont - ou ils voudraient - y consacrer plus de fonds ? Certains d'entre eux sont-ils plus avancés que d'autres en termes d'utilisation de ce type de données et d'analyses ?

Alex Antic :

Oui et non, cela dépend de ce que vous entendez par avance. S'ils utilisent des données et des analyses pour résoudre leurs problèmes spécifiques, je pense qu'ils sont en tête de peloton. Chacun sera confronté à des défis différents et sera motivé par des incitations différentes. Ainsi, pour le gouvernement, il s'agit avant tout d'une question d'intérêt social. Ils ont des cadres et des politiques stricts dans lesquels ils doivent travailler, ce qui peut rendre les choses un peu plus lentes et un peu plus difficiles. Mais c'est compréhensible étant donné qu'en tant que citoyens du gouvernement, nous avons des attentes élevées en termes de données que nous partagerons et de la manière dont elles seront utilisées. Il existe une réglementation et une législation strictes en la matière. Et même des choses simples, relativement simples, comme le fait que différentes agences et différents départements partagent vos informations pour vous fournir des services et de la valeur, peuvent s'avérer très difficiles.

Dans le secteur privé, si l'on pense au Big Bang, aux grandes entreprises technologiques, Facebook, Apple, etc., d'un point de vue technique, elles sont probablement en avance sur tout le monde étant donné les grandes quantités de données auxquelles elles ont accès. Elles peuvent donc faire des choses comme l'apprentissage profond à grande échelle, alors que pour de nombreuses organisations, l'apprentissage profond n'est pas vraiment au premier plan de ce qu'elles font. Elles n'ont pas assez de données ou n'en ont pas vraiment besoin parfois. Ce sont vraiment les solutions simples qui peuvent apporter une grande valeur. Il s'agit vraiment d'automatiser et d'améliorer les processus, d'accroître l'efficacité. Je pense que c'est là que beaucoup d'organisations se trouvent en ce moment, en essayant de bien faire les choses, d'avoir les bonnes bases, d'avoir les droits de gouvernance des données, d'avoir les bonnes personnes dans les bons rôles. C'est là que je me retrouve à les aider, bien plus qu'à venir développer une solution purement technique à grande échelle, ce que j'aime beaucoup faire, mais je pense que de nombreux clients avec lesquels je travaille ont moins besoin de cela qu'ils n'ont besoin de mettre en place les bonnes bases et de les aider à comprendre comment on peut réussir dans ce domaine.

Dayle Hall :

C'est vrai. Passons maintenant aux organisations avec lesquelles vous travaillez et à la manière dont vous les conseillez. À quoi ressemble un programme ou un projet de science des données réussi et durable au sein d'une organisation ? Et comment conseillez-vous ces, je dirais, entités parce qu'il y a des entreprises ou des établissements d'enseignement supérieur ou des gouvernements, où leur conseillez-vous de commencer ? À quoi ressemblent leurs organisations ?

Alex Antic :

Oui, c'est un bon point. Je pense que l'une des premières choses que j'aimerais qu'ils comprennent, c'est ce qu'est la science des données. Je pense qu'il y a beaucoup de désinformation et de malentendus. D'après mon expérience, beaucoup de ces cadres supérieurs n'ont pas nécessairement les connaissances en matière de données que j'aimerais voir chez de nombreux leaders en matière de données dans la suite. Je pense qu'il s'agit encore d'un domaine émergent.

Au départ, j'ai essayé d'inculquer la notion de science des données comme étant la science du changement. Et il y a deux éléments clés. Il y a la partie scientifique, qui est cette notion d'exploration et d'incertitude. Et puis il y a le changement, il s'agit vraiment d'un changement transformationnel dans une organisation. Cela peut donc être très difficile pour de nombreuses organisations parce qu'elles se concentrent sur le fait qu'il s'agit simplement d'une question de technologie. Il suffit d'acheter un logiciel, de faire appel à des spécialistes des données et soudain, la magie opère.

Ils se rendent vite compte que ce n'est pas si simple, surtout lorsqu'il s'agit d'un projet de changement transformationnel à long terme au sein de l'organisation, et qu'il s'agit de changer de cap pour être véritablement axé sur les données. Ainsi, pour s'assurer que la prise de décision s'appuie sur des données et des analyses fondées sur des preuves, il faut vraiment s'engager dans une initiative stratégique à long terme, je suppose, autour du changement transformationnel. Et c'est une autre chose que beaucoup ont du mal à comprendre : ce n'est pas nécessairement une chose rapide, ce n'est pas une solution rapide, cela peut être un investissement à long terme.

L'un des obstacles - ou plutôt les deux obstacles, que j'appelle les deux R - auxquels se heurtent les entreprises est l'aversion pour le risque. Elles ont tellement peur d'essayer de nouvelles choses et de faire face à l'incertitude qu'elles n'investissent pas vraiment dans l'innovation au sens propre du terme. Et l'autre, l'autre R, est la résistance au changement. Les entreprises sont tellement figées dans leurs vieilles habitudes que, là encore, c'est la peur qui les retient. Elles ne savent pas vraiment comment aller au-delà, comment changer les perceptions sur l'utilisation des données et créer la bonne culture dans leur organisation.

C'est pourquoi, lorsqu'il s'agit de les conseiller, j'essaie de me concentrer sur ce que j'appelle les trois "T". Il s'agit de la confiance, de la technologie et de la discussion. La confiance concerne les personnes et la culture. Il s'agit d'abord et avant tout d'avoir le bon leadership, par exemple au niveau du responsable des données ou quelque chose de similaire. Je pense que dans la plupart des organisations avec lesquelles j'ai travaillé, lorsque j'ai vu les choses aller très bien ou très mal, c'était à cause du soutien ou du manque de soutien de la direction, et cela peut être un véritable facteur de rupture. Je pense vraiment que c'est du haut vers le bas. Si l'on agit à partir de la base, c'est un énorme voyage qui nous attend. J'ai vu cela échouer tellement de fois, et je l'ai moi-même vécu dans le passé. C'est pourquoi je pense que le soutien des hauts responsables est absolument essentiel à la réussite générale. Et cela passe en partie par une culture appropriée, dont nous parlerons en détail plus tard.

Et cela dépend aussi de leur connaissance des données, de leur compréhension de ce que sont les données, de la façon de poser des questions à leur personnel, de leur compréhension, au moins au niveau conceptuel, de la façon d'exploiter la technologie existante, au moins à un niveau élevé, pour atteindre les objectifs stratégiques. En ce qui concerne l'aspect humain, il s'agit en grande partie d'équipes interdisciplinaires, et non pas seulement de l'équipe traditionnelle de techniciens geeks qui font leur propre travail dans un coin. Ils doivent vraiment être intégrés dans l'ensemble de l'entreprise et être conscients de la manière dont ce qu'ils font contribuera à la réussite stratégique.

Dayle Hall :

C'est très intéressant. Et j'aime l'idée que cela doit venir de quelqu'un de plus haut placé dans l'organisation qui va surmonter les résistances au changement et l'aversion pour le risque, ce qui, je pense, est, en général, tout type de changement de ce genre, vous avez besoin d'un champion. Nous en avons parlé. Lorsque nous essayons de conclure des affaires, il s'agit de savoir qui est le champion dans votre organisation. C'est très similaire.

Cela pose-t-il également un problème culturel ? Je crois fermement que la culture d'une organisation émane des dirigeants. Elle se diffuse ensuite vers le bas, les gens s'en imprègnent et s'en imprègnent à leur tour. Mais l'importance de l'aspect culturel de l'organisation, et pas seulement du dirigeant, est un facteur déterminant de la réussite future. Même une fois que vous avez conseillé quelqu'un, il faut un peu plus de temps et ce n'est pas une solution miracle, vous n'obtiendrez pas immédiatement d'excellents résultats, mais comment la culture joue-t-elle un rôle à cet égard ?

Alex Antic :  

Je rappellerai la citation de Peter Drucker, souvent citée, selon laquelle la culture mange la stratégie au petit déjeuner. Je pense que cette citation s'applique parfaitement au domaine des données et de l'analyse.

Dayle Hall :

Mon PDG l'utilise probablement une fois par mois. Il va donc adorer cet épisode du podcast.

Alex Antic :

Cela fait plaisir à entendre, car j'ai trop souvent vu des organisations se concentrer sur leur stratégie. Une stratégie est absolument primordiale, en particulier une stratégie de données. Et je leur demande toujours si elles ont une stratégie pour soutenir leur stratégie d'entreprise afin d'avoir une relation symbiotique et d'être vraiment entrelacées. Je ne parle même pas assez souvent de la culture. Il est très rare que l'on en parle. Parfois, quelqu'un vient me voir et me dit : "Nous savons que nous avons une mauvaise culture des données, pouvez-vous nous aider à y remédier ? C'est une excellente conversation. Ils ont compris qu'il y avait un énorme goulot d'étranglement et une énorme opportunité de changer les choses.

Je crois vraiment, grâce à mes expériences en tant qu'employé et consultant, que la culture peut faire ou défaire le succès dans ce domaine, non seulement dans la façon dont vous investissez et essayez de conduire des résultats stratégiques grâce à la science des données et à l'analyse en général, mais aussi en termes d'attraction et de rétention des bonnes personnes, ce qui devient difficile, je le constate dans de nombreuses organisations dans tous les secteurs grâce à COVID et après COVID à bien des égards. Et je pense que la culture est vraiment ce qui fera que votre personnel soutiendra ce que vous essayez de faire et comment vous essayez d'apporter de la valeur à vos clients, à vos consommateurs, aux citoyens, quel que soit le cas.

Il vaut vraiment la peine d'investir dans une bonne culture centrée sur les données, qui aide les gens à comprendre comment utiliser les données pour rendre leur travail plus facile, plus amusant et, en fin de compte, plus bénéfique pour l'entreprise, l'entité de l'organisation. Et je pense qu'une fois de plus, ces deux points d'échec, l'aversion au risque et la résistance au changement, peuvent vraiment faire reculer l'organisation parce qu'elle ne réalise pas à quel point cet élément culturel est important. Mais encore une fois, comme vous l'imaginez, c'est l'un des éléments les plus difficiles à changer. C'est un véritable défi.

Dayle Hall :

Oui, je peux l'imaginer. Et comme je l'ai dit, je pense que c'est... Je suis sûr que vous voyez les deux côtés, je suis sûr que vous voyez une culture très forte qui peut la soutenir. Et je suis sûr que vous voyez l'autre côté, comme, ooh, cela pourrait être un problème. Si vous voyez une organisation où vous avez le sentiment qu'il y aura une résistance au changement, ou que la culture n'est peut-être pas prête pour cela, que leur conseillez-vous en général ? Quelles sont les choses que vous pensez qu'elle pourrait faire pour s'y préparer ou pour être un peu plus ouverte ?

Alex Antic :

Oui. En ce qui concerne la culture des données en particulier ?

Dayle Hall :

Oui, c'est vrai.

Alex Antic :  

Je pense que pour commencer, comme nous l'avons mentionné il y a un instant, il s'agit vraiment d'avoir des dirigeants qui soutiennent et incarnent cette notion de culture axée sur les données. Il faut donc avoir ce soutien ou essayer de modifier leur perception, ce qui peut s'avérer difficile. Dans ce cas, s'il y a une certaine résistance, il faut leur donner une formation sur les données, les aider à comprendre ce que sont vraiment les données, l'analyse et l'IA, ce que cela signifie dans leur domaine spécifique, ce que font certains de leurs pairs, quels sont les risques qu'ils n'investissent pas vraiment dans ces domaines.

Parce que souvent, la question que je pose est la suivante : à quoi ressemblent les meilleures pratiques dans ce domaine, que font mes concurrents, mes pairs, mes collaborateurs, comment puis-je le faire d'une manière qui convienne vraiment à mon entreprise plutôt que de simplement copier quelqu'un et d'investir à l'aveuglette ? Je pense que des questions de ce type signifient souvent - pour moi - qu'ils ont réfléchi à la question. Et qu'ils posent des questions vraiment intelligentes en termes de, nous voulons changer, comment pouvons-nous réellement le faire ?

Au-delà de cela, j'essaie de discuter avec eux, d'avoir une culture qui est fondamentalement construite sur ces notions d'innovation et d'expérimentation, la partie scientifique dont nous avons parlé plus tôt, l'exploration, donner au personnel la liberté, les outils, l'accès aux personnes dont ils ont besoin pour essayer d'explorer et d'innover, fondamentalement, d'explorer de nouvelles solutions potentielles auxquelles je n'aurais jamais pensé en intégrant leurs objectifs commerciaux avec la technologie émergente et actuelle qui peut exister. Ainsi, ils pourraient travailler avec le traitement du langage naturel d'une manière à laquelle ils n'ont jamais pensé. Ils ont peut-être réalisé qu'ils disposaient de toutes ces notes manuscrites ou informations textuelles qu'ils n'avaient jamais vraiment explorées parce que les humains ne peuvent pas vraiment le faire. Il n'est pas en mesure de tout traiter dans un délai raisonnable.

Nous étudions la vision par ordinateur pour résoudre d'autres problèmes que je n'avais jamais envisagés. En fin de compte, cela revient à ce que nous avons entendu à maintes reprises au cours de la création d'une start-up, qui a échoué il y a des années, à savoir cette notion d'échec rapide, d'échec bon marché, mais aussi d'essayer et d'apprendre énormément de choses grâce à cela. Je pense qu'il y a beaucoup de vérité là-dedans. Il s'agit de donner à votre personnel la possibilité d'essayer des choses. Et si cela ne fonctionne pas, c'est bien, mais il ne faut pas le qualifier d'échec. C'est à ce moment-là que les gens deviennent un peu plus réticents à l'innovation, qu'ils se retiennent, qu'ils ne posent pas autant de questions, et c'est mauvais. Ils doivent remettre en question le statu quo et se demander pourquoi rien n'a été fait.

Ensuite, c'est une question de collaboration. Les gens doivent collaborer. Comme je l'ai dit précédemment, il ne faut pas que les scientifiques des données et les informaticiens soient isolés de l'entreprise. Ils doivent être intégrés dans les activités de l'entreprise. Il faut donc être en mesure de favoriser de solides relations de travail entre les différents groupes. Je pense que la collaboration et la diversité sont tellement essentielles dans ce domaine, en particulier lorsque nous parlerons plus tard de l'IA responsable et éthique, que les gens n'ont pas vraiment réalisé à quel point il est important d'avoir une diversité et une inclusion au sens complet du terme.

Il y a aussi cette notion de partage des données, mais aussi de partage des informations, de ce qui a échoué, de ce qui a fonctionné, des enseignements tirés. Vous voulez que ces informations soient partagées au-delà d'une seule équipe de base. Je pense que ces éléments sont au cœur de la création d'une culture appropriée.

Dayle Hall :

Oui, c'est vrai. Vous avez mentionné quelque chose d'intéressant à propos de la collaboration. Je ne veux pas m'étendre sur la pandémie et son impact sur la vie de chacun. Je pense que tout le monde est fatigué de parler de l'impact sur la vie de chacun. C'était un événement majeur, et je pense que nous sommes encore en train de le vivre. Je pense que la vie est très différente. Mais lorsque vous parlez de ce type de projets et que vous vous assurez que l'équipe informatique et l'équipe de science des données collaborent avec le reste de l'organisation, les unités d'affaires, l'équipe E et ainsi de suite, l'équipe de direction, comment avez-vous vu ce travail progresser ou dévier pendant la pandémie ? Et y a-t-il une opportunité pour nous - est-ce que cela a rendu les choses plus difficiles pour nous, ou est-ce que cela a ouvert de nouvelles opportunités ? Je pense en effet que la collaboration est essentielle. Et je pense que la collaboration est plus difficile lorsqu'on n'est pas assis à côté de quelqu'un au bureau. Qu'avez-vous constaté dans votre entreprise et autour d'elle ?

Alex Antic :

J'ai vu les deux côtés. J'ai vu certaines personnes lutter contre le fait de ne pas avoir autant de temps en face à face. Je pense que les cadres supérieurs continuent de penser que s'ils ne vous voient pas travailler, ils ont des doutes sur les efforts que vous déployez en tant que membre du personnel. Mais je pense que les résultats parlent d'eux-mêmes dans la plupart des organisations. De nombreuses personnes avec lesquelles j'ai travaillé ont réalisé qu'il y a tellement d'outils disponibles et de capacités de collaboration virtuelle, en ligne, qui ne devraient pas vous freiner, qui ne devraient pas faire ou défaire votre entreprise. Il s'agit en fait de savoir comment soutenir votre personnel et lui inspirer confiance pour qu'il fasse son travail, tout en lui donnant la structure de soutien dont il a besoin. Et cela peut varier d'une personne à l'autre, les introvertis et les extravertis ont un paradigme différent en termes de méthodes de travail.

Il s'agit donc de soutenir les différents besoins des individus, d'aider chaque groupe, si l'on veut les séparer en deux groupes distincts, à sentir qu'ils sont appréciés et que leurs besoins sont satisfaits. Et je pense qu'il y a tellement de choses que l'on peut faire aujourd'hui par le biais de plateformes virtuelles pour promouvoir cela. C'est moins un problème aujourd'hui. À la suite du COVID, je pense que de nombreuses organisations adoptent désormais ce mode de travail à temps partiel. Et il se peut que ce soit le mode de travail ultime. Mais je pense qu'il s'agit de pouvoir aider les deux groupes différents à travailler de la manière qui leur convient le mieux. C'est vraiment le cœur de la question. Et cela peut varier d'une organisation à l'autre. Il suffit d'être en phase avec ce dont votre personnel a besoin pour donner le meilleur de lui-même et de le soutenir, je ne pense pas que ce soit beaucoup plus compliqué que cela.

Dayle Hall :

Oui, c'est vrai. Étant donné la grande variété d'organisations avec lesquelles vous travaillez, avez-vous constaté que la possibilité d'utiliser des données et des analyses a aidé les gens à être plus productifs ? Est-ce que cela a aidé les employés à mieux réussir ou à être plus satisfaits parce qu'ils ont accès à des données qui leur permettent de mieux réussir ? Parce que j'ai parlé à... J'ai l'impression d'être constamment en train de recruter. Parce qu'il y a tellement d'opportunités, je pense que la guerre des talents s'est intensifiée pendant le COVID, qui donnait l'impression que les gens ne voulaient pas bouger. Je pense que les gens veulent bouger. Et je me demande si le fait d'avoir la possibilité d'utiliser ce type de données pour aider les gens à mieux réussir contribue à les retenir ? Les gens vont-ils changer d'emploi parce qu'ils disposent de meilleures données et de modèles d'IA, parce qu'ils savent qu'ils peuvent mieux réussir ?

Alex Antic :

C'est une question fantastique, Dayle. Je pense que pour commencer, ce qui est important pour moi, c'est d'amener les gens, tout votre personnel, même ceux qui ne travaillent pas directement dans les données et l'analyse chaque jour, à s'intéresser aux données que vous détenez en tant qu'organisation, en tant qu'entité, et à la façon dont elles peuvent être utilisées pour avoir un impact et provoquer des changements pour vous. Je pense qu'il est essentiel que les gens comprennent ce que les données et l'analyse peuvent faire, ce qu'elles sont capables de faire et comment elles peuvent jouer un rôle, grand ou petit, en fonction de leur rôle et de leurs responsabilités spécifiques.

Il s'agit notamment de leur donner la liberté et la responsabilité d'aider à transformer les données en informations exploitables et de leur faire voir que ce qu'ils font est intégré dans les résultats stratégiques plus larges. Je pense que c'est absolument vital. Il s'agit en partie de démocratiser les données au sein de votre organisation, de les mettre entre les mains de chacun jusqu'à un certain point, selon ses besoins, et de l'aider à commencer à réfléchir à la manière dont il peut mieux utiliser les données pour l'aider dans son propre rôle et dans l'organisation de manière plus directe.

Et vous avez raison, il est très difficile d'attirer et de retenir le personnel clé, en particulier dans le domaine de la technologie. Je pense que c'est de plus en plus difficile. Il y a une guerre des talents. En outre, étant donné que certaines organisations ont du mal à se doter d'une culture appropriée, comme nous l'avons dit précédemment, et de divers autres éléments, il peut être difficile d'attirer les bonnes personnes au départ. Mais une fois qu'on les a attirés, comment les garder à long terme, quel que soit le long terme de nos jours. Je n'en sais rien. Quand j'ai commencé ma carrière, c'était des années. Aujourd'hui, cela se mesure en mois. Je n'en suis plus sûr.

Dayle Hall :

Bien sûr, je suis d'accord avec cela.

Alex Antic :

Vous comprenez. Je pense que cela tient en partie au fait que le responsable principal des données, pas nécessairement le CTO, disons, le responsable moyen des données, qui, je pense, est en fait au cœur de beaucoup de ces organisations, est la cheville ouvrière parce que c'est lui qui traduit les problèmes commerciaux en solutions techniques. En fin de compte, ils essaient de traverser les deux côtés, le monde des affaires et le monde technique. Je pense que c'est l'un des rôles qui peut être le plus difficile à remplir avec succès. Mais si vous y parvenez, je pense que ces personnes peuvent vraiment faire une énorme différence.

Les responsables des données doivent donc être en mesure d'attirer les meilleurs talents et de les sélectionner. Ainsi, certains clients demandent : "Nous avons besoin de data scientists et de cadres supérieurs dans le domaine des données et de l'analyse, mais nous n'avons pas d'antécédents nous-mêmes. Nous n'avons jamais travaillé ni embauché ces personnes. Comment savoir qui chercher ? Beaucoup de gens ont l'air bien sur le papier, mais comme nous le savons, certains se vantent un peu trop. Alors, comment pouvons-nous réellement vérifier leur niveau de compétence ? Je pense qu'il est absolument essentiel d'avoir quelqu'un à ce niveau, capable d'apporter l'expertise dont vous avez besoin. Et j'aime toujours travailler avec les clients lorsqu'ils réalisent qu'ils n'ont pas les compétences nécessaires pour le faire, et qu'ils ont besoin d'aide pour cela. Je pense que c'est très important parce que lorsqu'ils n'y parviennent pas, les deux parties risquent de se déchirer.

Ce responsable principal des données doit vraiment, à mon avis, être crédible sur le plan technique. Si les membres du personnel gobent cette personne, ont-ils une certaine présence, ont-ils, je suppose, un bagage technique suffisant pour qu'ils se disent, je veux vraiment travailler avec cette personne, je pense que je peux apprendre d'elle, elle comprend mon monde et ce que je fais, elle a une expérience pratique, ils peuvent m'aider, ils peuvent aussi aider à vérifier le bien-fondé de ce que fait leur personnel à un niveau technique plus approfondi, ils peuvent leur fournir une orientation professionnelle, ils peuvent leur apporter un soutien technique et les aider à aligner ce qu'ils font sur la stratégie générale de l'organisation, de sorte que le personnel se sente valorisé.

Une chose très importante qu'ils font et qui échappe souvent aux dirigeants de très haut niveau ou aux personnes qui ne viennent pas de ce domaine, c'est qu'ils trouvent les bons problèmes à résoudre. Ils trouvent les bons problèmes à résoudre, pas n'importe lesquels, mais des problèmes qui ont des mérites, des résultats stratégiques, et qu'ils peuvent quantifier et montrer, regardez, vous avez investi dans cette capacité, voici comment nous avons développé de la valeur avec vous.

Pour ce faire, il faut notamment pouvoir travailler en étroite collaboration avec les chefs d'entreprise et les cadres supérieurs. Ils doivent être en mesure de comprendre le monde des affaires, quel que soit le domaine dans lequel ils travaillent. Et ils doivent comprendre comment transformer ces problèmes commerciaux viables en résultats techniques mesurables. Je pense que la clé de la réussite dans ce domaine réside dans cette couche intermédiaire qui permet d'être à cheval sur les deux côtés. Oui, je pense que c'est absolument primordial.

Dayle Hall :

Oui. Je pense que c'est un point très important, qui semble mineur, mais qui est très important, de trouver les bons problèmes à résoudre. Et cela nous ramène aux cas d'utilisation, etc. Mais je pense qu'il y a des organisations - je veux dire, si vous avez vu le dernier paysage MarTech, il y a 8 000 entreprises MarTech. La plupart d'entre elles disent probablement qu'elles font un certain niveau d'IA ou de données. Je pense que si vous allez utiliser une technologie ou un processus, ou si vous allez vraiment faire plus avec les données, trouver les bons problèmes commerciaux à résoudre est la bonne première étape.

Ensuite, il y a des gens comme vous et d'autres, puis il y a des logiciels et des technologies que vous pouvez utiliser pour en tirer le meilleur parti, mais commencez toujours par le cas d'utilisation de l'entreprise et assurez-vous - comme vous l'avez dit, qu'est-ce que cela résout pour votre organisation - il faut que ce soit la bonne chose à faire. Ensuite, si vous avez un leader derrière, quelqu'un qui comprend et qui peut inspirer les gens, vous obtiendrez plus de succès de vos initiatives.

Alex Antic :

Tout à fait. Et obtenir l'adhésion des cadres supérieurs, ce qui peut s'avérer difficile pour de nombreuses organisations qui ont besoin d'un financement continu pour passer d'une validation de concept à une solution de production à grande échelle. Donc, oui, sans aucun doute.

Dayle Hall :

Passons au dernier sujet, qui concerne l'IA responsable, l'éthique de l'IA, etc. J'ai l'impression qu'alors que nous parlons de l'IA depuis un certain temps, alors que nous parlons de l'utilisation des données, l'aspect éthique, je pense, commence à faire l'objet de plus de discussions pour les bonnes raisons. Je pense que les gens ne comprennent pas toujours ce que signifie l'éthique de l'IA et pourquoi elle est importante. Avant d'entrer dans les détails, si vous deviez décrire à quelqu'un le principe de l'IA responsable et de l'éthique de l'IA, comment décririez-vous cela à quelqu'un qui écoute ce podcast et qui pourrait se dire, oh, j'en ai entendu parler, mais qu'est-ce que ça veut dire ? Comment le décririez-vous ?

Alex Antic :  

Pour être honnête, je dirais que c'est très simple : il faut s'assurer que l'être humain est au centre de la solution. Si vous développez un système qui tire parti de la technologie, il s'agit de comprendre quel impact cela peut avoir sur l'utilisateur final. Il ne s'agit pas d'une personne qui prend une décision affectant un petit groupe de personnes, mais d'une solution qui pourrait affecter des milliers ou des millions de personnes. Comment s'assurer que cela se fait de manière éthique, équitable et juste ?

Ensuite, en fonction du domaine, je parlerai probablement des spécificités qui y sont liées. Mais en réalité, je pense qu'il s'agit d'une question d'équité ou de donner à chacun, je suppose, une position égale dans la manière dont une décision est prise et de s'assurer qu'il a le droit de remettre en question certaines de ces décisions. Ils bénéficient d'un certain niveau de transparence, de sorte qu'ils comprennent que la décision qui a été prise à mon sujet, par exemple, l'évaluation du crédit ou toute autre méthode souvent utilisée, a été prise sur la base des informations que vous avez stockées sur moi. Et pouvez-vous me prouver qu'il s'agit d'une décision juste et équitable et qu'elle n'a pas été obscurcie d'une manière ou d'une autre ? Je pense que c'est vraiment le cœur du problème.

Dayle Hall :

Oui, c'est vrai. Dans l'un des autres podcasts que j'ai réalisés, je me suis entretenu avec une organisation qui s'intéressait aux ressources humaines. Et c'était l'une des choses que, lorsqu'ils cherchaient une technologie à apporter aux ressources humaines, ils ne voulaient pas - tout en comprenant que l'IA peut aider, si le fournisseur qu'ils cherchaient ne pouvait pas expliquer comment l'algorithme, comment l'IA fonctionne, où sont les données, comment ils les utilisent, pas cette boîte noire de marketing ou c'est juste de la magie, s'ils ne pouvaient pas l'expliquer, ils ne travailleraient pas avec ce fournisseur parce que le danger de simplement faire confiance à une technologie pour faire la bonne chose et collecter des données de la bonne manière est tout simplement un trop grand risque dans tous les rôles, mais en particulier dans les ressources humaines. Comme vous l'avez dit, cela affecte l'individu.

Comment se prémunir contre cela ? Quels sont les éléments auxquels les organisations doivent penser lorsqu'elles envisagent ce type d'initiatives pour s'assurer, par exemple, que les données sont collectées de la bonne manière, qu'elles sont utilisées de la bonne manière ? Comment conseillez-vous vos clients ?

Alex Antic :  

C'est un excellent point. Et je pense que nous pourrions aborder de nombreux aspects différents de cette question, car elle est très importante. Et je suis tout à fait d'accord avec eux pour dire qu'il faut un certain niveau de transparence et de compréhension en ce qui concerne la manière dont les décisions sont prises.

Je pense qu'il est important que les groupes avec lesquels je travaille se demandent d'abord pourquoi ils collectent des données. De quelles données avez-vous besoin ? À quoi ces données vous serviront-elles dans l'immédiat ? Et quelles sont les procédures qui peuvent être mises en place à l'avenir ? Et en fait, si vous êtes à l'autre bout, que penseriez-vous de l'utilisation de ces données à ces fins ? Êtes-vous à l'aise avec cela ? Y a-t-il des problèmes potentiels ou des questions que vous vous posez ?

C'est pourquoi je dis à certains groupes avec lesquels je travaille qu'il ne faut pas collecter des données juste pour le plaisir, non seulement d'un point de vue éthique, mais aussi parce qu'il faut des données de qualité qui soient adaptées à l'objectif visé. On ne peut pas prendre n'importe quelle donnée et, tout d'un coup, la jeter dans une boîte noire et obtenir une solution. Je vois beaucoup d'idées fausses. Je pense donc qu'il est important de se concentrer sur la capture et le stockage sûrs et sécurisés de ces données, avec des lignes directrices éthiques claires et globales sur ce qui peut être capturé et sur les raisons pour lesquelles ces données sont capturées et utilisées. Par ailleurs, les lignes directrices et les cadres spécifiques peuvent dicter l'utilisation des données, mais en fonction du résultat recherché. Il peut s'agir de l'appariement et de la dépersonnalisation des données en vue de leur partage. Mais tout doit être fait dans les limites de la réglementation et de la législation et dans le respect de ce qui est juste.

Je pense donc qu'il est important que les organisations réfléchissent au pipeline de bout en bout et au cycle de vie des données pour savoir ce qu'elles collectent, comment elles les stockent, à quoi elles servent, quand les données sont supprimées, comment quelqu'un peut supprimer des données, quelles sont les métadonnées qui ont été collectées et stockées, quels sont les processus de gouvernance des données. Je pense qu'il s'agit là d'aspects importants, plutôt que de se contenter de collecter des données et d'obtenir un résultat sans se préoccuper de toutes les zones d'ombre. Je veux dire que lorsqu'il s'agit de l'utilisation éthique et responsable de l'IA, ces aspects deviennent absolument primordiaux pour obtenir des solutions responsables à la fin.

Dayle Hall :

C'est vrai. Et vous avez mentionné quelque chose tout à l'heure. Vous avez mentionné un mot qui est manifestement très à la mode aujourd'hui, et je veux parler de l'utilisation du concept d'IA responsable et d'IA éthique pour se protéger contre les préjugés. Et vous avez mentionné la diversité. Une fois que l'on est sûr de capturer les données de la bonne manière, j'aime ce que vous avez dit sur le fait de s'assurer que les gens comprennent pourquoi et comment ils capturent les données et comment elles seront utilisées. Mais ensuite, comment se prémunir contre les préjugés ? Et quel est le rôle de la diversité dans cette conversation sur les préjugés ?

Alex Antic :

Bien sûr. Et je vais parler un peu des règles que j'ai tendance à utiliser, à un niveau élevé, sur la façon de développer une IA responsable par rapport aux préjugés dans ce contexte également. Tout d'abord, je pense qu'il est important que l'organisation comprenne le contexte commercial dans lequel elle travaille et ce que les préjugés signifient pour elle. En général, les préjugés concernent des domaines qui peuvent se manifester et donner lieu à des résultats injustes. Mais souvent, de nombreuses organisations ne comprennent pas vraiment comment cela se produit. Cela fait-il partie des données utilisées pour former un modèle d'apprentissage automatique ? Cela fait-il partie des données qu'elles stockent par hasard ? S'agit-il des personnes chargées de l'analyse et de la prise de décision qui peuvent avoir - les humains sont biaisés, bien sûr. S'agit-il du fait qu'ils apportent leur propre parti pris en ce qui concerne les données qu'ils ont choisi de collecter et la manière dont ils les ont analysées ?

Au départ, il s'agit de comprendre comment les préjugés peuvent s'infiltrer. Comment les identifier ? Vous ne les éliminerez jamais, mais comment les identifier et essayer de travailler avec eux ? Ensuite, comment définir - créer une définition pour votre organisation en termes de degré de partialité de ces données et comment pouvons-nous réellement essayer de résoudre ce problème ? Avec quoi sommes-nous à l'aise ? Certaines personnes se tourneront vers moi et me diront que les humains sont biaisés. Si l'IA ne fait que refléter les préjugés humains, pourquoi s'en préoccuper ? 

Et je pense qu'il y a deux aspects vraiment importants que les gens doivent comprendre. Le premier est l'échelle. Les modèles, comme nous l'avons mentionné précédemment, peuvent avoir des implications considérables. Ils peuvent renforcer et perpétuer les préjugés d'une manière qu'aucun humain partial ne pourrait jamais faire en termes d'utilisation de cette technologie. Mais ils peuvent aussi nous permettre de nous cacher derrière nos obligations morales et de justifier des jugements immoraux. Ainsi, si le directeur d'une banque dit : "Écoutez, je comprends que le modèle que nous avons créé était très biaisé en faveur, disons, des femmes plutôt que des hommes, et des choses comme ça arrivent souvent, ou d'un groupe minoritaire, peu importe, écoutez, les données du modèle, ce n'est pas moi en tant que PDG ou directeur de l'organisation. Vous ne pouvez pas me blâmer. Je pense que c'est... évidemment, ce n'est pas ce qu'il peut faire. C'est pourquoi j'ai vu des gens essayer de contourner le problème.

Nous ne pouvons donc pas éliminer complètement les préjugés, mais nous pouvons nous efforcer de les comprendre, de les identifier et de les réduire dans ces systèmes qui peuvent être mis à l'échelle. Il y a donc trois choses, je pense, qui peuvent être faites, au moins à un niveau élevé, ce que j'appelle les trois " D ". Pour moi, il s'agit de deux et de trois : les données, la découverte et la diversité. En ce qui concerne les données, il s'agit de les comprendre à la fois d'un point de vue technique et du point de vue du domaine. C'est en fait crucial pour comprendre comment les préjugés sont intégrés dans les données, et si les données que vous collectez sont justes et représentatives du groupe auquel vous vous efforcez d'apporter une solution et de la valeur. Il s'agit en fait de comprendre que les données elles-mêmes sont un gadget technologique, mais aussi le contexte commercial plus large, à savoir ce que les données et les informations que vous collectez font et signifient réellement. C'est, une fois de plus, là que la collaboration entre les techniciens et les commerciaux, qui sont des experts du domaine, doivent vraiment travailler ensemble pour comprendre.

Ensuite, le prochain D concerne vraiment la découverte. Je veux dire, comment l'équité et la partialité sont-elles définies ? Vous parlez à trois entreprises différentes, vous passez par des définitions différentes. Par exemple, l'équité est-elle définie sur la base des données d'entrée ou de sortie du modèle ? Comment déterminer si le modèle est équitable ? S'agit-il des données que vous avez introduites ou des données qui ressortent des solutions que vous avez créées ? Quand estimez-vous qu'il est suffisamment juste pour déployer un modèle ? Quelle mesure utilisez-vous ? Et en ce qui concerne la confidentialité des données, comment vous assurez-vous que les données que vous avez collectées sont stockées, je suppose, d'une manière qui préserve la vie privée ? Le modèle est-il explicable ? C'est une question qui revient souvent. Vous avez parlé tout à l'heure de la transparence du fonctionnement du modèle.

Mais la question se pose alors - elle devient beaucoup plus nuancée à mesure qu'elle devient explicable pour qui ? À un développeur ? À quelqu'un qui essaie de déboguer le modèle ? Au responsable de l'équipe ? Au PDG ? À un auditeur ? Au client ? Je veux dire qu'il y a différents niveaux d'explicabilité. Ce qui est explicable pour moi sera très différent de ce qui est explicable pour vous. Il y a donc toujours un compromis entre l'équité et la précision, en particulier avec les modèles d'apprentissage automatique qui doivent être jonglés et acceptés. Et c'est une nuance qui, je pense, échappe à certaines personnes de haut niveau. Cela peut être très difficile.

Pour moi, en fin de compte, il s'agit de systèmes d'IA qui nous aident à prendre de meilleures décisions. Mais c'est vraiment à nous de définir l'équité, la moralité, la protection de la vie privée, la transparence et l'explicabilité. Je pense que l'avenir réside dans la collaboration entre les humains et les machines pour faire avancer la société, plutôt que dans notre dépendance à l'égard des machines et de l'IA. Il s'agit vraiment de cette intégration et de ce travail dans la relation homme-machine, qui est, je pense, l'élément central.

Dayle Hall :

Oui, c'est vrai. J'ai le sentiment que nous pourrions parler encore longtemps. J'aimerais d'ailleurs, à l'avenir, faire un autre suivi, peut-être pour approfondir un peu plus les détails de cette question. Mais je pense que pour l'instant, vous m'avez donné tellement d'extraits. Ce que j'aime dans ces podcasts, Alex, c'est que je pense toujours aux gens qui les écoutent et qui se demandent ce qu'ils pourraient en retirer, ce qu'ils ont appris. Et je me sens plus intelligente en vous parlant. Je sais donc que [c'est un bon podcast], n'est-ce pas ?

Certaines des choses dont vous avez parlé, je pense, sont incroyablement précieuses. Assurez-vous de comprendre ce que vous capturez et pourquoi du point de vue des données, réfléchissez vraiment aux préjugés qui s'y trouvent et assurez-vous de travailler avec eux, afin qu'ils ne se perpétuent pas. Vous ne pouvez pas les supprimer, mais si vous les identifiez, il est plus facile de les gérer. J'aime le concept de trouver un bon leader, quelqu'un qui va enthousiasmer les gens, en particulier lorsque vous essayez de démocratiser les données. Si les gens sont derrière, ils obtiendront plus de valeur, mais ils se sentiront aussi beaucoup mieux sur la façon dont ils les utilisent pour attirer et retenir les gens. Je pense qu'à l'avenir, les gens voudront rester ou rejoindre des organisations parce qu'elles disposent d'un modèle de données très robuste.

J'apprécie que vous parliez de la collaboration entre les services informatiques, les scientifiques des données et le reste de l'organisation. Je pense que c'est essentiel. Et j'ai adoré votre concept de "politique des données". Je n'avais jamais entendu quelqu'un dire cela auparavant. Mais la politique des données est un concept nouveau. Il ne s'agit donc pas seulement de la découverte et de l'analyse des données, mais aussi de la politique qui les entoure.

Mais ma citation préférée, et s'il y a quelque chose que je retiendrai de ce podcast, et ce serait mon titre, c'est ce que vous avez dit à propos de l'IA et de l'éthique, à savoir qu'il faut s'assurer que l'humain est au centre de la solution. Je pense que c'est une excellente façon de penser à l'IA, à l'IA responsable, et aussi de penser à ce que nous allons faire des données à l'avenir.

C'était donc un podcast extraordinaire. Je vous remercie d'y avoir participé. Dr Alex Antic, merci beaucoup de nous avoir rejoints sur ce podcast.

Alex Antic :

Merci beaucoup, Dayle. C'est un plaisir absolu.

Dayle Hall :

C'est tout pour cet épisode d'Automating the Enterprise. Nous vous donnons rendez-vous au prochain épisode.