Auteur: Karl D’haveloose

Je trouve cela un peu gênant, surtout pour vous, mais pas vraiment moins pour moi. Chaque jour, de nouvelles entreprises affirment avoir recours à l'IA. Demain, il n'est d'ailleurs pas impossible que des gaufres de Liège pilotées par l'IA fassent leur apparition dans les rayons des magasins. Quant à savoir si on aura toujours l'eau à la bouche en les voyant, rien n'est moins sûr. Vous et moi sommes déjà en train de nous poser la même question, surtout à l'heure où l'on assiste à des ventes record du côté de Nvidia : quand l'IA sera-t-elle véritablement rentable ? Mais ça, c'est un autre débat...

Dans le cadre d'ABISS 2024, quelqu'un m'a posé quelques questions thématiques. Ceux qui ont eu l'occasion de participer à la première édition d'ABISS en 2016 doivent savoir qu'ABISS est l'acronyme d'Advanced Business Intelligence and Software Summit (qui est un poil plus difficile à retenir). Une de ces questions était de savoir si informatique décisionnelle, analyse de données et IA ne sont en fin de compte pas 3 concepts de base identiques, mais vus sous un autre angle, et si ce n'est pas le cas, quelles sont les différences fondamentales entre eux ? À toute personne travaillant dans une entreprise manufacturière et qui va devoir être à même de faire une distinction entre ces différents concepts, je recommande vivement de réserver sans plus attendre une place à ABISS 2024, qui se tiendra le 3 octobre (1.200 visiteurs maximum). Mais revenons-en à présent à ce qui nous préoccupe...

Dans une interview intitulée "AI and the productivity paradox", Rob Thomas, Senior Vice President Software chez IBM, défend par exemple la thèse selon laquelle, au cours de sa carrière de plus de 25 ans, l'intelligence artificielle a en réalité toujours existé, mais sous des formes et des noms différents. Les algorithmes, les grands modèles de langage, les supercalculateurs ultraperformants étaient en effet déjà monnaie courante, même des années avant qu'IBM ne présente fièrement son désormais célèbre supercalculateur baptisé Watson. Mais aujourd'hui, la vitesse à laquelle les changements s'opèrent et à laquelle les données sont interprétées quantitativement et qualitativement suit une courbe hyperbolique.

Kihara Kimachia, de Tech Republic, nous livre un autre point de vue, permettant également de remettre en contexte les différences qui existent entre l'IA, le Big Data et l'analyse de données. D'où les trois définitions qu'il nous propose ci-dessous...

1. Qu'est-ce que l'informatique décisionnelle ?

L'informatique décisionnelle est une vaste catégorie regroupant la gestion de l'information, l'analyse et l'établissement de rapports qui s'appuient sur des données structurées et non structurées. L'informatique décisionnelle peut également fournir aux entreprises des informations sur leurs marchés, sur l'adéquation de leurs produits et services par rapport à ces marchés et sur l'efficacité de leurs opérations en interne.

La boîte à outils de l'informatique décisionnelle est très diversifiée et peut comprendre les éléments suivants :

• L'établissement de rapports standards consiste à créer des rapports réguliers et de routine, tels que des bilans financiers, des résultats commerciaux et d'autres données statistiques essentielles, qui fournissent un aperçu continu des activités de l'entreprise.
• Les rapports d'analyses de données vont plus loin que les rapports standards en analysant des données dans le but de mettre en évidence des informations, des tendances et des modèles plus complexes.
• L'exploration de données consiste à explorer de vastes jeux de données afin de découvrir des modèles, des corrélations et des informations utiles, souvent à l'aide de méthodes statistiques et de l'apprentissage automatique.
• Les tableaux de bord sont des représentations visuelles et faciles à exploiter de statistiques et de points de données clés, qui permettent de suivre d'un simple coup d'œil les performances de l'entreprise.
• La gestion de la performance consiste à suivre et à gérer les performances de l'entreprise par rapport à ses objectifs.
• Les exemples de mise en œuvre de l'intelligence artificielle dans le domaine de l'informatique décisionnelle comprennent l'utilisation d'algorithmes d'apprentissage automatique et d'autres technologies basées sur l'IA visant à automatiser l'analyse de données.

Ensemble, l'orchestration et la mise en œuvre de toutes ces technologies constituent les activités d'informatique décisionnelle d'une entreprise.

2. INTELLIGENCE ARTIFICIELLE

L'intelligence artificielle est quant à elle une technologie qui fait appel à la reconnaissance des modèles pour effectuer des tâches nécessitant une intelligence humaine à une échelle qui serait difficile, voire impossible, pour les humains. Dans le domaine de l'informatique décisionnelle, l'IA associe souvent des informations provenant d'experts humains, notamment des experts en la matière et des chercheurs, à des algorithmes d'apprentissage automatique dans le but d'identifier des modèles dans les données. C'est ainsi que l'IA peut commencer à tirer des conclusions sur la base de ces derniers.

L'IA repose en grande partie sur des algorithmes statistiques complexes développés par des scientifiques des données et permettant d'examiner des séries de données structurées ou non structurées. L'IA peut ainsi fournir des informations utiles dans le cadre de la prise de décision. Elle peut même être utilisée pour mener à bien des processus de manière autonome, sans intervention humaine.

Un exemple de mise en œuvre de l'IA est le secteur des cartes de crédit, où un système est formé pour examiner les modèles d'utilisation des cartes des consommateurs et identifier les comportements potentiellement frauduleux.

3. Et qu'est-ce que l'analyse de données ?

L'analyse de données peut être effectuée à partir de données structurées ou non structurées afin de faciliter la prise de décision au sein d'une entreprise. Elle utilise à la fois des requêtes classiques sous forme de rapports et des algorithmes d'IA plus complexes qui identifient des modèles uniques dans les données afin d'en tirer des informations utiles.

Différents types d'analyse de données sont largement utilisés dans les entreprises, du marketing aux opérations, en passant par la finance, le service à la clientèle, les technologies de l'information et les ressources humaines. L'analyse de données peut être de quatre types :

• Diagnostique : Ce type d'analyse de données examine les causes d'événements ou de résultats passés, aidant ainsi les utilisateurs à comprendre les facteurs ou les actions qui ont donné lieu à un résultat particulier (p. ex. une augmentation des ventes au cours du dernier trimestre).
• Descriptive : L'analyse de données descriptive consiste à résumer et à interpréter des données historiques afin de comprendre un événement ou un résultat (p. ex. : l'entreprise a-t-elle atteint ses indicateurs clés de performance ?).
• Prédictive : Ce type d'analyse de données fait appel à des méthodes statistiques et à des algorithmes d'apprentissage automatique dans le but de prédire des résultats futurs sur la base de données historiques. Les fabricants peuvent p. ex. utiliser des algorithmes prédictifs pour vérifier si les infrastructures présentent des anomalies.
• Prescriptive : L'analyse de données prescriptive va plus loin que la prédiction d'événements futurs et suggère des actions pouvant être entreprises pour influencer les résultats souhaités. Cela permet, par exemple, d'analyser le comportement passé d'acheteurs en ligne, de manière à pouvoir influencer ce comportement.

Quelles sont les différences entre l'informatique décisionnelle, l'IA et l'analyse de données ?

L'informatique décisionnelle, l'IA et l'analyse de données fournissent toutes des informations qui aident les entreprises à être plus performantes, à prédire l'avenir et à répondre aux besoins de leurs marchés. Il existe toutefois des différences fondamentales entre ces concepts en termes de champ d'application et de fonction.

L'informatique décisionnelle est un cadre général pour l'analyse de données et l'IA. L'analyse de données, quant à elle, peut être utilisée de manière indépendante si on le souhaite. Une équipe commerciale peut, par exemple, acheter un logiciel d'analyse de données pour mieux évaluer certains marchés.

De son côté, l'IA automatise les processus de raisonnement dans le but d'éliminer ou de réduire le travail humain. Un robot industriel doté d'une IA peut, par exemple, effectuer une opération sur une chaîne de montage qui était auparavant réalisée par un être humain.

Peut-on combiner l'informatique décisionnelle, l'IA et l'analyse de données ? Et si oui, dans quel ordre ?

L'analyse de données et l'IA peuvent être intégrées dans un cadre d'informatique décisionnelle plus large, mais ce n'est pas une obligation. L'avantage d'intégrer les outils d'analyse de données et l'IA dans une pile d'informatique décisionnelle est que vous disposez d'une infrastructure de bout en bout pour la gestion des données, la prise de décision et les opérations de votre entreprise.

Si vous optez pour cette solution, la première étape consistera à développer le cadre d'informatique décisionnelle qui intégrera à la fois l'analyse de données et l'IA. L'étape suivante consiste à alimenter ce cadre. Par exemple : où allez-vous utiliser l'analyse de données dans votre entreprise ? Où allez-vous automatiser avec l'aide de l'IA ? Et comment allez-vous faciliter le partage des données dans l'ensemble de votre entreprise ?