Peux-tu donner un exemple concret de projet IA et quel a été ton rôle sur ce projet ?
Par exemple, j’ai travaillé sur un projet de prévision de flux de passagers dans des aéroports.
L’objectif était de prédire le nombre de passagers arrivant aux contrôles de sécurité à différents moments de la journée afin d’optimiser les ressources opérationnelles : nombre d’agents aux contrôles, ouverture de files supplémentaires, gestion des pics d’affluence. Pour cela, le système utilisait plusieurs types de données : horaires de vols, retards, historiques de fréquentation, saisonnalité ou encore événements particuliers.
Mon rôle consistait notamment à :
- concevoir les pipelines de données permettant de collecter et de structurer les informations issues des systèmes de gestion des vols ;
- développer et entraîner des modèles de machine learning capables d’estimer le nombre de passagers attendus sur des créneaux de 15 ou 30 minutes;
- construire les pipelines d’entraînement et de déploiement du modèle afin d’automatiser les mises à jour et les mises en production ;
- suivre les performances du modèle en production en comparant les prévisions avec les flux réels et en ajustant le modèle si nécessaire.
Comment mesure-t-on le succès d’un projet IA ?
Le succès d’un projet d’IA se mesure à plusieurs niveaux.
Le premier niveau, c’est la performance du modèle. On regarde les métriques comme la précision, le rappel, le F1-score ou, dans le cas d’un modèle de prévision, le niveau d’erreur. Ces indicateurs permettent de vérifier si le modèle produit des résultats fiables sur la tâche attendue qu’il s’agisse de classer une information, prévoir une situation future, détecter des anomalies ou recommander l’action la plus pertinente.
Le deuxième niveau, c’est l’impact métier réel. Un projet d’IA est réussi s’il améliore concrètement un processus : est-ce qu’il permet d’anticiper une situation, de réduire un temps de traitement, de fiabiliser une décision ou d’aider les équipes à traiter un volume plus important dans de bonnes conditions ? A ce stade, on ne mesure plus seulement la performance algorithmique mais surtout la valeur d’usage qu’il apporte.
Le troisième niveau concerne la robustesse du système en production. Un système d’IA doit rester fiable dans le temps, pouvoir être maintenu et ajusté et continuer à produire des résultats pertinents. Or ses performances peuvent évoluer : les données changent, de nouveaux cas métier apparaissent et les usages évoluent par rapport au cadre initial du projet. Cela suppose de mettre en place un suivi régulier des performances, comparer les prédictions aux résultats observés, détecter d’éventuelles dérives et réentraîner le modèle lorsque cela devient nécessaire.
Enfin, il y a l’adoption par les utilisateurs. Un bon modèle ne sert à rien s’il n’est pas compris, utilisé ou intégré dans les pratiques. Le succès se mesure donc aussi à la capacité des équipes à se l’approprier, à lui faire confiance et à l’utiliser réellement dans leur quotidien.
L’IA est-elle vraiment utile dans tous les projets ? Pourquoi ?
Non, l’IA n’est pas utile dans tous les projets et c’est justement un point important à rappeler. L’IA devient pertinente lorsque les approches classiques montrent leurs limites : par exemple lorsqu’il faut faire de la prédiction à partir de données historiques, détecter des signaux faibles ou des anomalies, classer automatiquement des contenus, ou encore exploiter des données non structurées comme du texte, des images ou de gros volumes d’informations difficiles à traiter manuellement.
D’après mon expérience, l’IA crée de la valeur lorsqu’il y a de la variabilité, de la volumétrie ou une part d’incertitude que des règles fixes ne permettent pas de gérer correctement. C’est souvent là que le machine learning ou les modèles plus avancés apportent un vrai complément.
En réalité, la question n’est pas de savoir s’il faut « mettre de l’IA » mais plutôt de se demander si l’IA est le bon niveau de réponse pour le problème posé. Un projet d’IA n’a de sens que s’il apporte un gain réel, mesurable et durable.
