5 positions dont les entreprises ont besoin pour naviguer dans la transformation numérique

"Les 10 dernières années ont été consacrées à la construction d'un monde axé sur le mobile. Au cours des 10 prochaines années, nous passerons à un monde axé sur l'IA. » Sundar Pichai, PDG de Google, octobre 2016

L'intelligence artificielle (IA) est à un point de basculement, menant un tournant décisif vers l'intelligence numérique en découvrant des modèles inédits, en tirant de nouvelles inférences et en identifiant de nouvelles relations à partir de grandes quantités de données.

Ce passage de l'ère programmatique actuelle à la nouvelle ère de l'IA sera transformateur et perturbera les entreprises et des marchés entiers. Pour ce faire, les solutions d'intelligence artificielle/cognitive nécessiteront des ensembles de compétences et des descriptions de poste entièrement nouveaux. Les entreprises d'envergure doivent préparer ces nouveaux emplois et transformer leurs organisations pour cet avenir.

5 nouveaux emplois pour lesquels vous devez embaucher pour passer de l'ère programmatique à l'ère cognitive :

De : l'ère programmatique	À : IA/ère cognitive
Administrateur de base de données (DBA)	Conservateur de taxonomie (ou numérique)
Ingénieur Systèmes	Architecte cognitif
Analyste de données	DEADS : Data Engineer et Data Scientist
Administrateur de contenu	Traitement du langage naturel / Scientifique cognitif
Programmeur	Ingénieur en apprentissage automatique

 

En arrière-plan, chaque personne crée chaque jour un gigaoctet d'échappement numérique - Web/recherche, mobile, localisation, social, transaction, audio, vision, etc. Les services informatiques traditionnels sont submergés par le Big Data et mis au défi de suivre. Ceci, associé aux progrès des services cognitifs, crée une opportunité commerciale convaincante (et le risque associé) pour la création de valeur.

Nous opérons actuellement à l'ère de «l'informatique programmatique», où l'analyse de données implique la recherche heuristique de modèles dans des ensembles de données limités, puis l'exécution d'opérations sur le résultat. Les ordinateurs classiques ont du mal à travailler avec le Big Data car leur programmation nécessite des informations structurées (données organisées dans des tableurs, bases de données etc.), alors que 80% de l'information mondiale est cet échappement numérique non structuré.

À titre d'illustration, supposons que vous êtes un détaillant en ligne qui souhaite un programme informatique qui identifie les images d'une « botte ». Actuellement, il n'est pas possible de spécifier de manière algorithmique toutes les fonctionnalités qui permettront une identification correcte. Les images de bottes varient selon la marque, le type, le style, le sexe, la forme, la taille, la couleur, l'arrière-plan, l'éclairage et une myriade d'autres attributs. Il y a trop de variables pour écrire un ensemble de règles. Même si nous le pouvions, ce ne serait pas évolutif, car nous aurions besoin d'écrire un programme pour chaque type de démarrage et d'UPC que nous voulions identifier.

Entrez AI/Cognitive qui représente une nouvelle ère dans l'informatique.  La promesse de l'IA est de déplacer la complexité de la gestion des systèmes du programmeur vers le programme. Ces systèmes adoptent une approche différente - ils comprennent-raison-apprendre (URL).

Le traitement du langage naturel (NLP) par exemple est utilisé pour comprendre des informations non structurées. Les développeurs ne programment pas les systèmes cognitifs au sens conventionnel, mais plutôt un corpus d'informations est créé pour un ensemble de domaines spécifique. Ces systèmes sont construits par des paires de valeurs organisées. Par exemple, vous enseignez à un système cognitif que l'Argentine est un pays, que la Patagonie est une région, etc. Les systèmes cognitifs ont tendance à acquérir des connaissances, à établir des connexions neuronales et à s'améliorer grâce à l'apprentissage supervisé au fil du temps. À mesure que l'interaction de l'utilisateur augmente, l'expérience est acquise et les erreurs sont minimisées. Une valeur d'entreprise significative est créée via la formation de ce corpus d'informations IP spécifique à un domaine.

L'apprentissage en profondeur (une branche de l'apprentissage automatique) utilise un « réseau de neurones » qui reçoit une entrée, l'analyse, effectue une détermination et est informé si sa détermination est correcte. Si la sortie est erronée, les connexions entre les neurones sont ajustées de manière algorithmique, ce qui modifiera les prédictions futures. Au départ, le réseau se trompera plusieurs fois. Mais, au fur et à mesure que nous donnons des exemples, les connexions entre les neurones seront organisées afin que le réseau neuronal fasse des déterminations correctes dans la plupart des cas.

Un assistant cognitif de vente au détail est un exemple d'application cognitive/IA. L'objectif est de permettre à un consommateur de poser une requête en langage naturel telle que "Quelle botte dois-je acheter pour faire de la randonnée en Patagonie en juin ?". L'assistant numérique comprendrait/raisonnerait que le voyage a lieu pendant la saison hivernale des pluies et recommanderait en conséquence. . Ces systèmes : apprennent à grande échelle, comprennent avec sens, raisonnent avec un but et interagissent avec les humains de manière naturelle, dans le but d'améliorer expérience client.

Description de poste plus détaillée des nouveaux rôles pour lesquels vous devez embaucher :

• Conservateur de taxonomie (ou numérique):  Ce terme est tiré du domaine des sciences de la santé, des premiers utilisateurs de l'IA, où un taxonomiste identifie et classe les données. Ce poste applique le processus de curation de contenu d'un corpus d'informations spécifique à un domaine. Les données sont ingérées et le contenu est organisé sous la forme de paires question/réponse. Les tâches supplémentaires incluent la création d'indices, de graphiques de connaissances et la conservation continue basée sur l'interaction de l'utilisateur. Le processus implique souvent de trier de grandes quantités d'informations publiques et exclusives et de les présenter dans un format utile et significatif lié à un domaine spécifique. Le contenu organisé est souvent présenté au format numérique, comme dans un portail d'apprentissage.
• Architecte cognitif : Responsable de la conception, de la création, de la maintenance et de la communication de la feuille de route et de l'architecture globales de la solution cognitive. Cela inclut la stratégie Big Data (données structurées internes et non structurées externes) ; identifier les composants de données, sélectionner les moteurs d'analyse et toutes les interactions système et données. La pile comprend des services Big Data, Advanced Analytics et AI. L'IA comprend un large éventail de techniques allant de l'apprentissage automatique, de l'apprentissage en profondeur, des services cognitifs, du traitement du langage naturel et des services de reconnaissance vocale et visuelle. Les services cognitifs sont proposés par des éditeurs de logiciels de premier plan tels qu'IBM (Watson), Microsoft, Google (DeepMind), Amazon (Lex), Facebook (FAIR), Salesforce (Einstein), des start-ups et des instituts de recherche universitaires.
• DEADS (Data Engineer et Data Scientist : Responsable de la conception et de la mise en œuvre des processus pour les ensembles de données utilisés à des fins de modélisation, d'exploration de données et de mesure. Cela inclut les concepts de Big Data tels que Data Swamps. Lacs et réservoirs, chacun avec des degrés divers des 3 V du Big Data - Volume, Variété et Vitesse. Hadoop et Spark sont des frameworks populaires.
• Scientifique en traitement du langage naturel (ou cognitif) : Utilise des services NLP tels que la synthèse vocale pour extraire des données non structurées. Les sources de données sont souvent des données externes non structurées telles que les réseaux sociaux, l'audio, le Web, la météo, etc. Ces données doivent être converties dans un format structuré à des fins de création de rapports, d'analyses et d'informations. Les techniques comprennent : la modélisation prédictive pour l'analyse des sentiments, le regroupement pour l'analyse de documents et la détection d'anomalies. Un exemple est Twitter, où les Tweets sont convertis pour mesurer le sentiment ou la détection d'événements de la vie (aller à l'université).
• Ingénieur en apprentissage automatique : L'objectif de ML/DL est de développer un moteur prédictif pour un cas d'utilisation spécifique. Un algorithme reçoit des informations sur un domaine (par exemple, les films qu'une personne a regardés) et pondère l'entrée pour faire une prédiction (probabilité de regarder un film différent à l'avenir). En confiant la tâche d'optimisation (pondération) à l'algorithme, l'ordinateur apprend au fil du temps - la qualité prédictive s'améliore avec l'expérience. Deep Learning (sous-ensemble de ML) lui-même a plus de 15 approches telles que Random Forest, Bayesian Networks et Support Vector Machines. Les compétences requises incluent Python (langage ML populaire), probabilités/statistiques, Big Data et informatique distribuée.
• Les domaines supplémentaires de l'IA avec de nouvelles exigences professionnelles incluent: Agents d'expérience client (numérique) construisant des chatbots, UI/IX (expérience utilisateur), ingénieur en automatisation (robotique), automobile (véhicules autonomes), la santé ayant des exigences uniques.

De nombreux postes en ML/DL exigent des compétences avancées en mathématiques. Les emplois de conservateur, en revanche, expertise en la matière dans le domaine de valeur, qui ne nécessite pas nécessairement de diplômes supérieurs. Ginni Rometty, PDG d'IBM, a récemment présenté ces emplois « New Collar » dans une lettre ouverte au président élu Trump (https://www.ibm.com/blogs/policy/ibm-ceo-ginni-romettys-letter-us- président élu/). 

Dans les années à venir, Applied AI sera intégrée nativement dans la plupart des fonctions de l'entreprise. Considérez par exemple la gamme de processus qui seront intégrés à la fonction des ressources humaines (RH) comme suit :

• Le recrutement peut être amélioré grâce à un ciblage amélioré, une correspondance intelligente des emplois, un alignement des compétences et une évaluation partiellement automatisée ;
• Les données externes non structurées telles que la publication sur les réseaux sociaux peuvent être utilisées pour développer des profils de personnalité des candidats qui peuvent être plus efficacement adaptés aux exigences du poste ;
• L'habilitation de la main-d'œuvre peut être améliorée car un contenu mieux adapté à l'employé est recommandé ;
• La gestion de la main-d'œuvre peut être améliorée par une planification prédictive des besoins en personnel et des absences probables ;
• L'affectation de la main-d'œuvre peut devenir plus efficace.
• Le roulement des employés peut être réduit en prédisant que des employés précieux risquent de partir.

Au fil du temps, attendez-vous à ce que l'adoption de l'IA/cognitive se normalise. L'IA deviendra un élément standard de la boîte à outils, améliorant d'abord les processus existants, puis les réinventant dans le cadre d'un processus de transformation numérique plus large.

Alors par où commencer ? En fin de compte, c'est la stratégie plutôt que la technologie qui stimulera la création de valeur. Une évaluation stratégique est recommandée pour construire une vision globale, déterminer les opportunités et identifier les lacunes en matière de compétences. À partir de là, des opportunités de fruits à portée de main peuvent être incubées. Le chemin de transformation de l'incubation à l'intégration doit inclure des considérations de leadership, de culture et de changement organisationnel. Une question clé est : êtes-vous le perturbateur, ou voulez-vous être perturbé ? Les entreprises doivent accélérer le processus de transformation numérique cognitive et acquérir des compétences au rythme de la création de valeur commerciale (ou de la médiation des risques).

Comme toujours, je suis intéressé par vos réflexions ou vos questions…