Garder le contrôle grâce à un cadre de gouvernance de l’IA et des données

19 février 2021

Garder le contrôle grâce à un cadre de gouvernance de l’IA et des données

Résumé
9 minutes de lecture

Il s’agit du troisième article d’une série en cinq parties qui examine l’adoption réussie de l’intelligence artificielle (IA) d’entreprise. Ce blogue traite des pratiques exemplaires en matière de gouvernance des données et de l’IA, ainsi que des fondements à mettre en place pour cette gouvernance afin de réussir la mise en œuvre de l’IA.

Associé, Cybersécurité - Québec

Il s’agit du troisième article d’une série en cinq parties qui examine l’adoption réussie de l’intelligence artificielle (IA) d’entreprise. Ce blogue traite des pratiques exemplaires en matière de gouvernance des données et de l’IA, ainsi que des fondements à mettre en place pour cette gouvernance afin de réussir la mise en œuvre de l’IA. Les autres articles de la série traitent de la stratégie en matière d’IA, des bases menant à la réussite de l’IA, de l’éthique de l’IA et du cadre de services de MNP. Si vous avez manqué les blogues précédents, commencez par Bâtir sa stratégie d’intelligence artificielle : une introduction.

En plus d’avoir une bonne stratégie en matière d’IA et de créer des fondements solides, un autre secret permet de réussir l’expansion de l’IA d’entreprise : posséder un cadre clair de gouvernance de l’IA et des données. L’IA et l’apprentissage automatique fonctionnent grâce aux données. Si vous ne gérez pas correctement vos ensembles de données sur le plan de la conformité, de l’intégrité, de la qualité, du contexte et de la connexion à d’autres ensembles de données, ou si vos données sont cloisonnées et classifiées de façon incohérente, vous ne pouvez pas faire évoluer votre IA. Nous avons vu des clients, pourtant très avancés dans leur cheminement en matière d’IA, souffrir d’une utilisation hors de contrôle, d’un mauvais rendement des applications d’IA et d’une structure organisationnelle dépourvue de soutien, car ils n’avaient pas mis en place une stratégie et des politiques de gouvernance adéquates dès le début.

Selon Gartner, d’ici 2022, seulement 20 % des observations analytiques permettront d’obtenir des résultats opérationnels.[1] D’après MIT Sloan, ce faible pourcentage d’observations menant à des résultats est causé par le fait que "la plupart des entreprises n’utilisent pas un cadre de pratiques exemplaires établies, fonctionnant plutôt sur la base d’un jeu de stratégies pour la plupart improvisées et non testées." [2]

Ou, comme l’indique le compte-rendu de Dataversity sur l’état de la gouvernance des données et l’automatisation en 2020 (The 2020 State of Data Governance and Automation) : "De nombreuses entreprises ont entamé leur parcours en matière de gouvernance des données pour les gérer de façon intelligente, mais elles n’ont pas automatisé leurs opérations relatives aux données pour créer des pratiques durables et reproductibles. Sans un pipeline de données d’entreprise fidèle, de haute qualité et à jour en temps réel, il peut être difficile de découvrir les renseignements qui permettent de prendre les meilleures décisions d’affaires." [3]

Prashanth Southekal, auteur d’analyses commerciales, professeur et directeur du Data for Business Performance Institute, a déclaré que selon son expérience, "la plupart des entreprises disposent de beaucoup de ressources, de la technologie nécessaire et de personnes très intelligentes, et elles ont des tonnes et des tonnes de données. Mais [le succès] n’est pas une question de collecte de données, c’est une question de gestion des données et de prévoyance." [4]

L’IA et la gouvernance des données mènent à la réussite

Toutes les données ne sont pas créées de la même façon, vous devez donc les traiter en conséquence. La hiérarchie des données d’une entreprise doit être bien définie et soutenue. Certaines données, jugées essentielles, reçoivent un traitement de "données très importantes" et sont stockées dans des systèmes de grande qualité facilement accessibles. D’autres données sont conservées de la façon la moins coûteuse possible afin de minimiser les frais. Certaines données fonctionnelles se situent quelque part entre les deux.

Il est crucial de savoir exactement qui est responsable de gérer ces données et d’avoir une définition des données commune à l’ensemble de l’entreprise. Les humains ne doivent jamais se trouver dans une situation où ils ne comprennent pas ce que fait l’IA ou quelles données entrent dans la solution d’IA. Un bon cadre de gouvernance garantit la fiabilité de la solution d’IA, et l’entreprise garde toujours le contrôle de cette solution.

Mettre en œuvre un cadre de gouvernance de l’IA et des données

Un cadre de gouvernance de l’IA et des données assure l’efficacité et la transparence de la mise en œuvre de l’IA et fait partie d’une stratégie de données solide. Il s’agit d’un processus continu qui commence avant le début d’un projet d’IA, qui se poursuit tout au long des diverses étapes du projet et qui se poursuit lorsque l’IA évolue. MNP utilise une approche en cinq étapes en matière de gouvernance de l’IA.

Étape un : détermination des possibilités et des risques et établissement de leur portée

La première étape consiste à déterminer les domaines dans lesquels il serait profitable d’utiliser une technologie intelligente et à établir les attentes quant à ce qu’elle doit accomplir. Essentiellement, c’est le moment où une entreprise établit la portée de son projet, détermine tous les avantages et les risques et s’assure que les intérêts l’emportent sur les inconvénients.

Étape deux : détermination des sources de données et suppression des biais

Une fois la portée du projet établie et les objectifs établis, vous devez repérer les sources de données requises. À cette étape, une entreprise doit déployer tous les efforts possibles pour s’assurer que ses données sont exemptes de préjugés. Cela pourrait signifier la collecte de données provenant de diverses sources ou l’utilisation de techniques conformes aux normes de l’industrie pour traiter des données non équilibrées ou tendancieuses, comme le sous-échantillonnage et le suréchantillonnage. Outre l’élimination des biais au sein de la source de données, il est tout aussi important de veiller à ce qu’il n’y ait pas de parti pris lors de la collecte des données proprement dites. Enfin, s’il est finalement impossible de supprimer un biais des données, il est important de garder ce préjugé à l’esprit et d’en tenir compte au moment de faire des prévisions.

Étape trois : sécurité et confidentialité des données

La sécurité et la confidentialité des données sont essentielles pour assurer l’intégrité d’une solution d’IA et pouvoir se fier à ses prévisions. Cette étape tient compte des juridictions et de la législation (comme la loi des États-Unis sur l’assurance maladie [HIPAA], le Règlement général sur la protection des données [RGPD] et les lois régionales sur la protection des renseignements personnels). Tous les processus de stockage de données, de transfert de données et d’applications doivent être évalués quant à leur sécurité.

De plus, certaines procédures peuvent être mises en place, comme la sauvegarde périodique des données afin qu’elles ne soient pas perdues, ainsi que la réalisation d’examens périodiques pour s’assurer que les données sont conformes aux attentes.

En outre, il est important de protéger la vie privée des personnes dont les données sont recueillies ou de celles qui seront touchées par les résultats de la solution d’IA.

Étape quatre : prestation d’une solution

À l’étape de la prestation d’une solution, l’entreprise planifie et exécute la mise en œuvre de la solution d’IA. Cette étape comporte beaucoup d’exploration et d’expérimentation sur les données recueillies. L’objectif consiste à trouver la meilleure solution possible pour le projet. Il s’agit d’un processus itératif qui comporte de nombreux cycles de création d’une solution, de mise à l’essai de celle-ci, suivie par son amélioration, puis par une nouvelle mise à l’essai, et ainsi de suite.

À la fin de cette étape, le résultat idéal consiste en une solution d’IA à part entière qui répond à tous les objectifs et à toutes les attentes en fonction des mesures de réussite énoncés à l’étape de la détermination des possibilités.

Étape cinq : transparence de la solution

Cette étape fait référence à la mesure dans laquelle les personnes qui développent, possèdent et utilisent la solution d’IA comprennent comment elle fonctionne, ce qu’elle fait et ce qu’elle est censée faire. Ces personnes doivent être en mesure d’évaluer de façon critique toute solution d’IA et ne pas simplement avoir la certitude aveugle qu’elle donnera les résultats escomptés.

Aller au-delà du cadre

Notre cadre de gouvernance de l’IA en cinq étapes décrit les procédures essentielles pour s’assurer de contrôler la solution d’IA en voie de développement. Pour chaque étape, des questions importantes doivent obtenir des réponses, et un responsable doit être désigné. Par exemple, en ce qui concerne la prestation de solutions, les ingénieurs en IA sont chargés de poser les questions appropriées et d’y répondre. Nous avons créé une liste de vérification simple que les chefs de projet doivent appliquer à chaque étape tout en créant la stratégie de gouvernance de l’entreprise.

On ne peut pas élaborer une stratégie de données sans y intégrer la gouvernance. Les étapes ci-dessus ne sont qu’un aperçu rudimentaire pour vous aider à réfléchir à la façon dont votre entreprise gère ses données. La gouvernance de l’IA et des données est multidimensionnelle et, par conséquent, complexe à concevoir et à mettre en place.

Pour approfondir la création d’une stratégie relative aux données et jeter les bases de l’adoption de l’IA, envisagez de participer à notre atelier immersif de cinq jours sur l’IA. Cet atelier portera sur la façon d’évaluer et d’élaborer une stratégie d’IA adaptée à votre entreprise, ainsi que sur la façon de tirer le meilleur bénéfice de votre mise en œuvre et d’éviter les risques inutiles.

Pour en savoir plus sur la série d’ateliers de MNP sur l’IA.

Communiquez avec un conseiller de MNP pour discuter de votre stratégie en matière d’intelligence artificielle.

 

Références

  • Gartner, “Our Top Data and Analytics Predicts for 2019.”
  • MIT Sloan, “10 best practices for analytics success (including 3 you can’t ignore).”
  • Dataversity, “The 2020 State of Data Governance and Automation.”
  • MIT Sloan, “10 best practices for analytics success (including 3 you can’t ignore).”
  • Points de vue

    • Performance

      Services aux professionnels de MNP pour les avocats

      Apprenez comment MNP peut vous aider, vous et votre cabinet, peu importe à quelle étape vous vous trouvez.

    • Performance

      Portée du budget de 2021 pour les concessionnaires

      Voyez les répercussions des mesures annoncées dans le budget fédéral de 2021 sur les concessionnaires.

    • Performance

      19 août 2021

      Les états financiers masqués : La fraude financière et les états financiers – partie 1

      Voici un article portant sur la fraude financière des états financiers publié dans Le Monde juridique, écrit par Corey Bloom, associée et leader en juricomptabilité et Simon Gaudreau, consultant principal.