Article de minubo que nous publions avec son aimable autorisation (traduction de l’article par l’ASSOCIATION DE COMMERCE.swiss).
Tout le monde parle de l’IA, mais que faut-il réellement pour mettre en place avec succès des cas d’utilisation de l’IA au sein d’une entreprise ? L’un des fondements essentiels réside dans des données prêtes pour l’IA (« AI-ready »). Nous vous expliquons ce que cela signifie dans cet article.
Une nouvelle checklist IA (disponible uniquement en allemand) explique comment les entreprises peuvent structurer et préparer leurs données afin que les modèles de langage génératif (LLM) tels que ChatGPT ou Gemini fournissent des résultats fiables et pertinents. À l’aide d’un exemple concret et d’un plan clair en trois étapes proposé par cette checklist IA, vous pouvez vérifier si vos données sont prêtes pour l’IA et identifier les éventuelles lacunes. La checklist IA se divise en trois étapes avec des sous-points :
Étape 1 : Rassembler les données | Une vue d’ensemble
Dans un premier temps, les données pertinentes pour le cas d’analyse ou d’automatisation concerné doivent être réunies à partir de différents systèmes tels que l’ERP, la boutique en ligne, le PIM, le CRM et divers outils marketing. Il ne s’agit pas d’exhaustivité globale, mais d’une sélection ciblée et d’une consolidation des données pertinentes. Ce n’est qu’ainsi que l’IA peut identifier les corrélations importantes et fournir des analyses fiables. La règle est la suivante : aussi peu de données que possible (afin d’augmenter la précision et la rapidité de sélection de l’IA), mais autant que nécessaire (pour pouvoir réellement répondre aux questions posées).
Étape 2 : Structurer les données | Créer une base de travail propre
L’IA a besoin d’une base de données cohérente et clairement structurée. Cela implique essentiellement le travail de base qui a toujours été essentiel pour pouvoir travailler de manière axée sur les données : garantir la qualité des données, harmoniser les formats, assurer des relations correctes et précalculer les indicateurs clés – idéalement dans le cadre d’un modèle de données bien conçu, clairement défini en termes de logique, de systématique et de terminologie. Ceux qui ont déjà participé à des projets de données ou les ont mis en œuvre le savent : le diable se cache tant dans les détails que dans la quantité même des données à traiter – et surtout dans la cohérence nécessaire pour parvenir à une modélisation efficace.
Étape 3 : Rendre les données interprétables | Guider l’IA
Last but not, il faut rendre les données interprétables – pour cela, l’IA a besoin d’instructions qui vont au-delà des données elles-mêmes. Ce que nous voulons garantir ici, c’est :
La lisibilité : l’IA doit comprendre les données d’entrée
Un tableau compréhensible pour un humain dans un contexte professionnel concret ne l’est pas forcément pour une IA. La signification de noms de colonnes comme cst_nm ou ord_dt peut parfois être déduite par une IA – mais qu’en est-il d’abréviations moins explicites ? Et surtout : voulons-nous vraiment nous fier à ce genre de devinettes de l’IA ? Mieux vaut fournir des instructions claires afin que vos données soient lisibles sans ambiguïté pour l’IA. Des noms de colonnes clairs ou des tableaux de traduction, une description du contenu des colonnes, des informations sur les formats et les unités, des instructions pour relier les différents tableaux, ainsi que des définitions de termes génériques ou non universellement définis tels que le chiffre d’affaires, les frais ou les coûts marketing. Toutes ces informations se trouvent dans les métadonnées que vous associez à votre base de données.
CONCLUSION : COMMENT RENDRE VOTRE IA CAPABLE DE PRENDRE DES DÉCISIONS
En réunissant tous ces éléments, on arrive à une conclusion claire : ce n’est que lorsque vos données sont consolidées et correctement structurées, et lorsqu’elles sont enrichies d’informations explicatives garantissant leur lisibilité, leur capacité d’analyse et leur évaluation, que l’IA devient durablement capable de prendre des décisions.
Lien vers la checklist IA (disponible uniquement en allemand)