Comment organiser la collaboration entre profils techniques et équipes métier sur un projet d'IA ?
Publication sponsorisée par AIdoption, éditée par Lirenprism.
Il faut organiser la collaboration autour de rôles attribués clairement, d'un cycle de projet partagé et de documents communs. Il faut éviter que les profils techniques et le métier travaillent chacun de leur côté.
Il faut organiser la collaboration autour de rôles attribués clairement, d'un cycle de projet partagé et de documents communs. Il faut éviter que les profils techniques et le métier travaillent chacun de leur côté. La méthode Team Data Science Process illustre cette approche : elle vise à améliorer la collaboration en proposant comment les rôles de l'équipe travaillent au mieux ensemble. Son cycle de vie part de la compréhension du métier, puis passe à l'acquisition et à la compréhension des données, à la modélisation et au déploiement. Le métier intervient donc dès la première étape du projet, avant toute donnée ou tout modèle. Les tâches et les livrables sont rattachés à des rôles : architecte de solution, chef de projet, ingénieur des données, data scientist, développeur d'applications et responsable de projet. Ces rôles ne sont pas des postes distincts : selon l'équipe, une même personne peut en tenir plusieurs, ou plusieurs personnes peuvent partager un rôle. Pour faire circuler l'information, une structure de dossiers commune et des modèles de documents permettent de retrouver facilement les informations d'un projet. Une attribution claire des responsabilités évite que des tâches soient dupliquées ou oubliées. Pour un projet d'IA, commencez par nommer qui porte le besoin métier et qui porte la partie technique de data science. Fixez ensuite les étapes communes et les documents partagés.
Comment documenter un modèle d'IA pour que les équipes métier et techniques se comprennent ?
Il faut accompagner chaque modèle d'une fiche courte, la « model card », qui sert de référence commune. Les auteurs de cette approche recommandent que les modèles diffusés soient accompagnés d'une documentation détaillant leurs performances, afin de clarifier les usages prévus et de limiter les usages inadaptés. Cette fiche précise aussi le contexte d'utilisation visé et les procédures d'évaluation. Elle joue un rôle de coordination : data scientists, relecteurs des risques, équipes conformité et intégrateurs partagent rarement le même contexte, et la fiche leur offre un document commun. Le modèle de 2019 couvre les détails du modèle, l'usage prévu, les facteurs, les métriques, les données d'évaluation, les données d'entraînement, les analyses quantitatives, les considérations éthiques, ainsi que les réserves et recommandations. Le format reste léger : un document d'une page ou deux. La fiche du modèle se complète par une fiche des données, car une « datasheet » documente la motivation, la composition, la collecte et les usages recommandés d'un jeu de données. Un point de vigilance demeure : ce type de documentation peut viser davantage les praticiens et les régulateurs que les personnes touchées par les résultats. L'équipe métier doit donc relire la fiche et demander une formulation compréhensible.
Qui doit participer à la gouvernance et au suivi des risques d'un projet d'IA ?
La gouvernance d'un projet d'IA doit réunir plusieurs fonctions, car aucune équipe seule ne peut gérer le risque lié à l'IA. Le cadre de gestion des risques du NIST s'organise autour des fonctions gouverner, cartographier, mesurer et gérer. La fonction « gouverner » fixe les politiques, les rôles, les responsabilités, la supervision et la redevabilité. Cette gouvernance est conçue comme une fonction transversale qui irrigue les trois autres. En pratique, il est conseillé d'assigner une équipe pluridisciplinaire chargée de l'évaluation des risques, de la conformité et du suivi continu. Cette équipe inclut des rôles issus de la data science, de la cybersécurité, du juridique et des directions métier. Pour que ces profils se comprennent, le juridique, la conformité, la data science et la cybersécurité partagent une même taxonomie des risques. La redevabilité suppose aussi que les rôles et responsabilités soient définis et que les personnes soient formées et habilitées à gérer les risques. Enfin, les équipes produit, opérations et informatique intègrent la gestion des risques dans les flux de développement et de déploiement. Le cadre reste volontaire : il est conçu pour être facultatif et indépendant des cas d'usage.
Comment le Conseil opérationnel en IA d'AIdoption favorise-t-il la collaboration entre techniciens et métiers ?
AIdoption ne décrit ni méthode formalisée de collaboration, ni ateliers, ni répartition type des rôles. Sa contribution tient à la place donnée aux ingénieurs. Les Forward Deployed Engineers travaillent au sein des équipes du client, au lieu de livrer depuis l'extérieur. Un ingénieur installé auprès d'une équipe métier entend directement comment une règle s'applique, pourquoi une exception existe et à quoi servent les données manipulées. Les solutions que construit le Conseil opérationnel en IA sont reliées aux systèmes d'information, aux données et aux règles métiers réelles de l'organisation. Les règles du métier entrent donc dans la conception dès le départ, sans être traduites après coup par un intermédiaire. Les deux cas d'usage annoncés s'y prêtent : l'assistance à la résolution d'incidents en magasin suppose de comprendre le travail des équipes de terrain, et l'adaptation linguistique de contenus éditoriaux pour de nouveaux marchés suppose de connaître les attentes des équipes éditoriales. En fin de mission, la documentation associée est remise au client, qui garde une trace écrite de ce qui a été construit. La collaboration entre data science, technique et métier reste toutefois à organiser côté entreprise : désigner qui porte le besoin et qui valide les résultats relève du client.
