OPERATIONNALISATION DE MODELES D’INTELLIGENCE ARTIFICIELLE

Auteurs :

Claude Falguière

Architecte experte

Contactez

1 minutes

Artificial Intelligence Banque

Pour la filiale spécialiste des technologies de l’information d’un groupe international banque-assurance, Sentelis a réalisé l’opérationnalisation de modèles de ‘machine learning’ produits par le ‘Lab Data Science’. Une concrétisation des investissements d'innovation par les données. Au final une amélioration de la connaissance client à dessein marketing & vente (identification client à partir de son parcours, détection d’opportunités commerciales, score d'octroi de crédit immobilier).

L’enjeu : mettre en production des premiers modèles d’IA

Dans le cadre de sa nouvelle plateforme ‘Big Data’ à destination de toutes ses entités géographiques, ont été identifiés des premiers cas d’usage, issus du ‘Lab Data Science’, à basculer en production. Pour réussir cette transposition du ‘Lab’ vers la production, la filiale IT de ce grand groupe bancaire a fait confiance à Sentelis.

La solution : un renforcement itératif du code sans altérer le modèle

Issus du ‘Lab Data Science’, les modèles produits par les ‘data scientists’ ne sont pas déployables tels quels en production. Un travail de renforcement et d’optimisation est nécessaire pour en permettre l’exécution, en garantir la fiabilité, la performance et la traçabilité à l’exécution. Pour réussir cette opérationnalisation des modèles bruts, Sentelis a conçu et appliqué une méthode itérative et industrielle permettant d’obtenir le niveau nécessaire et suffisant d’industrialisation et d’exploitabilité attendu par la production informatique. Le tout sans altérer le cœur du modèle validé en amont par les métiers.

La méthode :

En collaboration avec les équipes ‘IT’, l’intervention de Sentelis a porté sur :

  • Le cadrage du niveau d’industrialisation versus le niveau de service attendu
  • La définition de la méthodologie d’industrialisation (compréhension de la logique d’organisation du code source, détection des incompatibilités Lab/Production, définition des actions de renforcement et de portage)
  • La 'variabilisation' des modèles partagés entre différentes géographies et l’isolation de leurs couloirs d’exécution sur l’ensemble du cycle de vie (jeux de données d’entrainement, apprentissage…)
  • Le nettoyage du code brut des éléments non utiles à l’exécution
  • La restructuration de l’organisation générale du code, sa simplification et la réorchestration des traitements
  • L’optimisation de l’utilisation des ressources machines (parallélisation des traitements)
  • L’ajout de traces, comptes-rendus et statistiques d’exécution
  • Le packaging du modèle exécutable à destination des équipes de production