Pas observabilité, pas d'agents : la clé pour fournir des données à l'IA (webinaire)

Bonjour à tous et bienvenue au programme de webinaires du TDWI. Je m’appelle Andrew Miller et je serai votre modérateur. Au programme d’aujourd’hui, nous allons aborder le thème « Pas observabilité, pas d’agents : la clé pour fournir des données à l’IA ».

Nos sponsors du jour sont Actian et Databricks. Au programme des interventions d'aujourd'hui, nous écouterons tout d'abord Evan Levy, de TDWI, puis, après son intervention, nous serons rejoints par Emma McGrattan, d'Actian, et Raja Parimal, de Databricks, pour des présentations et une table ronde. Avant de céder la parole à nos intervenants, permettez-moi de passer en revue quelques notions de base.

Le webinaire d'aujourd'hui durera environ une heure, et à la fin de leurs présentations, nos intervenants animeront une séance de questions-réponses. Ainsi, si à tout moment pendant ces présentations vous souhaitez poser une question, il vous suffit d'utiliser la rubrique « Poser une question » qui s'affiche à l'écran pour saisir votre question. Si vous rencontrez des difficultés techniques pendant le webinaire, vous pouvez cliquer sur la rubrique « FAQ technique » pour bénéficier d'une assistance technique.

Et si vous souhaitez obtenir une copie de la présentation d'aujourd'hui, vous pouvez vous rendre dans la fenêtre « Ressources » pour télécharger le fichier PDF. Enfin, nous enregistrons l'événement d'aujourd'hui et nous vous enverrons par e-mail un lien vers une version archivée afin que vous puissiez revoir la présentation plus tard si vous le souhaitez, ou la partager avec un collègue si vous le souhaitez. Encore une fois, nous allons aujourd'hui aborder le thème « Pas observabilité, pas d'agents : la clé pour fournir des données à l'IA ».

Et notre premier intervenant est Evan Levy. Il est chercheur au TDWI et associé chez Integral Data LLC. Evan est consultant en gestion spécialisé dans la stratégie des données d'entreprise, gestion des données, l'analyse de gestion des données et l'intégration de systèmes.

Il conseille ses clients sur les stratégies à adopter pour relever les défis commerciaux en tirant parti de leurs données et de leurs ressources technologiques existantes, associées à des méthodes et pratiques novatrices et créatives. Fort de plus de 25 ans d’expérience dans le conseil auprès de ses clients, Evan anime des formations et des ateliers proposant une approche pratique et concrète pour relever ces défis et garantir la réussite des systèmes informatiques et de l’entreprise. Sur ce, je vous invite à accueillir Evan, et je vous cède la parole dès à présent.

Merci, Andrew. Je suis ravi d'être ici. Je suis d'ailleurs très impatient de participer à la discussion que nous allons avoir aujourd'hui.

Il faudrait avoir vécu isolé de la planète pendant quelques mois, voire quelques années, pour ignorer non seulement l’importance de faire progresser l’IA, mais aussi l’ensemble des enjeux et des défis auxquels nous nous efforçons de répondre ; en effet, dans de nombreux cas, la puissance de l’IA dépend entièrement de la qualité des données à partir desquelles elle peut apprendre, analyser et agir. C’est pourquoi nous allons aborder quelques sujets ou concepts différents au cours de notre conversation d’aujourd’hui avant de passer à la table ronde. Le premier, bien sûr, concerne la notion observabilité des données observabilité de sémantique.

Pour ceux d'entre vous qui découvrent ce domaine – bien sûr, vous n'êtes sans doute pas novices en matière d'IA, mais vous vous interrogez peut-être sur ce que recouvrent exactement observabilité des données observabilité de sémantique. Nous allons passer en revue quelques éléments que les études du TDWI ont mis en évidence grâce à ses enquêtes. Et pour ceux d’entre vous qui ne le savent pas, le TDWI mène en effet un nombre important d’enquêtes tout au long de l’année afin de rester au fait des tendances, des centres d’intérêt et des idées de nos membres.

Nous aborderons certains de ces défis lors de notre table ronde, puis nous verrons, bien sûr, comment Actian et Databricks peuvent aider à surmonter et à relever certains de ces défis. Sur ce, permettez-moi de vous présenter un schéma très simple. Lorsque l'on évoque la notion observabilité des données, c'est évidemment la qualité des données qui vient immédiatement à l'esprit, mais cela va bien au-delà.

Si l'on examine un environnement type, on constate qu'il existe toute une série de systèmes sources, qu'il s'agisse d'environnements sur site, de contenus de données tiers, d'études par abonnement ou syndiquées, ou encore d'applications basées sur le cloud. Et inévitablement, l'obtention de ces données nécessite un travail considérable. Vous disposez donc inévitablement, dès le départ, d'une partie de votre Chaîne d'approvisionnement de données.

Comment procède-je pour collecter, rassembler ou recevoir ces données ? Je passe ensuite à leur intégration dans mes référentiels principaux ou plateformes d’analyse plateformes mes systèmes requête de reporting. Il existe donc toute une série de services et de fonctions indispensables pour pouvoir transformer, nettoyer et manipuler ces données avant qu’elles ne puissent être intégrées dans cet environnement.

Le concept observabilité à mesure que les données circulent dans la Chaîne d'approvisionnement, à pouvoir les mesurer et les surveiller, un peu à la manière d’un audit ou d’une inspection, dans le but de détecter et d’identifier les problèmes ou les erreurs qui surviennent. Il peut s’agir de données inattendues, de valeurs imprévues, ou encore de problèmes de transformation ou de nettoyage des données. L’objectif est de les repérer dès que possible, plutôt que d’attendre que quelqu’un génère un rapport pour se rendre compte que des données manquent.

Ensuite, bien sûr, je veux que ces données soient préparées et exploitables par les outils d’analyse et l’environnement d’IA, car c’est une chose de consulter un rapport pour rechercher un événement particulier. Si mon enregistrement est de mauvaise qualité, ce rapport va poser problème. Le défi avec l’IA, c’est qu’elle étudie des dizaines de milliers, des centaines de milliers, voire des centaines de millions d’événements et de détails, et si nous avons commis une erreur, elle pourrait très bien présenter ce que l’on appelle souvent des « hallucinations » ou des informations inexactes, ce qui l’amènerait à tirer des conclusions erronées.

Or, pour que tous ces éléments fonctionnent ensemble, il y a aussi cet aspect de gouvernance des données, qui inclut notamment un catalogue de données, la traçabilité et d’autres détails permettant de savoir d’où proviennent les données. Ainsi, lorsque nous évoquons la notion observabilité des données, ce sur quoi nous mettons réellement l’accent, c’est la capacité à suivre et à tracer les données tout au long de Chaîne d'approvisionnement à disposer des informations nécessaires pour identifier toutes les étapes et/ou modifications qui pourraient se produire ou qui se sont effectivement produites. Et tout le principe de la sémantique réside dans la manière dont nous nommons ces éléments ou ces attributs de données à mesure qu’ils circulent dans le système, car dans certains cas, ils peuvent en effet changer de nom en raison de calculs portant sur des éléments tels que le chiffre d’affaires et les coûts, ou permettant de déterminer la rentabilité.

Alors, à quel moment ces éléments et ces détails sont-ils disponibles, connus et compris ? Et encore une fois, dans de nombreux cas, il s’agit d’un ensemble interdépendant. L’un ne va pas sans l’autre, et l’autre ne va pas sans le premier.

Mais l’idée d’« observabilité , encore une fois, ne observabilité pas au chargement des données ou à l’ingénierie des données. Il existe un malentendu selon lequel l’observabilité ne concernerait que cet aspect, alors qu’elle s’étend en réalité depuis le point d’origine ou de création jusqu’à la consommation et l’utilisation des données, afin que nous puissions évaluer les réussites et/ou identifier les défis. Si je vous donne la définition formelle de ce qu’est observabilité des données, il s’agit évidemment de la capacité à comprendre, à surveiller et à dépanner l’état et la qualité des données à travers le système de données d’une organisation.

Encore une fois, la qualité des données est évidemment un élément essentiel, mais ce n'est pas le seul. Il s'agit avant tout de s'assurer que l'on dispose bien des données dont on a besoin et qu'elles sont adaptées à l'usage prévu.

Et permet-il support poste et aux tâches à accomplir ? Il s'agit donc d'actualité. À quel point le contenu est-il récent ?

En ce qui concerne les volumes, le niveau de détail est-il suffisant ? On a tendance à croire qu'on peut utiliser l'IA pour tout comprendre. Le problème, quand on ne dispose pas d'un historique ou de détails suffisants, c'est qu'on ne peut pas analyser la situation ni en avoir une compréhension approfondie, ni être en mesure d'aborder des aspects tels que les prévisions et certains aspects mathématiques qui nécessitent vraiment beaucoup de détails.

Évidemment, la distribution. Le principe est assez simple : les données que je reçois se situent-elles dans une fourchette et un ensemble de valeurs attendus, ou s'agit-il de quelque chose qui sort des sentiers battus et auquel je ne m'attendais pas ? Le schéma correspond évidemment à la manière dont il a été conçu et à la façon dont les éléments s'articulent entre eux.

Ensuite, en ce qui concerne la filiation, comme nous l'avons vu, d'où proviennent ces données ? Qui y a eu accès, et comment ont-elles pu évoluer ? Donc, encore une fois, la question n'est pas seulement de savoir si les données reflètent bien ce qui s'est passé.

Est-ce exact, compréhensible ? Est-ce que je sais en quoi consistent les formats, les détails et les représentations ? Permettez-moi donc de passer très rapidement en revue quelques éléments de données mis en évidence par les recherches du TWRI, ainsi que les questions que nous posons. Il s'agit de Préparation à l'IA » de cette année… ou plutôt, excusez-moi, de 2025.

Mon organisation dispose de systèmes permettant de garantir que les données sont facilement accessibles et peuvent être intégrées à partir de sources diverses, y compris des ensembles de données internes et externes destinés à des applications d'analyse et d'IA. Et ce que je tiens à rappeler à tout le monde, c'est qu'une grande partie de l'IA et des analyses qui y sont associées ne se limite pas toujours à des contenus sur site ou internes. Il est parfois nécessaire de les fusionner ou de les combiner avec des contenus provenant de tiers et/ou externes.

Mais dans ce cas précis, nous avons interrogé tout le monde pour savoir s'ils étaient d'accord ou non avec cette affirmation. Et si ce n'était pas le cas, quelles étaient les nuances ? Comme vous pouvez le constater, 15,33 % sont totalement en désaccord.

Ils n'ont pas encore mis tout en place. 15 % de plus ne sont pas d'accord. Les personnes neutres, quant à elles, ne sont ni d'accord ni en désaccord.

En gros, ça représente plus de la moitié. Et ce que je voudrais que vous reteniez de ces chiffres, c'est qu'aucune organisation n'est « pure ». Soit elle est en désaccord, soit elle n'est pas en accord.

En réalité, ce que l'on constate souvent au sein des entreprises et des grandes organisations, c'est que cela signifie que plus de 50 % des personnes ne se sentent pas à l'aise ou ont eu des difficultés à trouver les données. Il ne s'agit donc pas d'opposer une organisation à une autre, mais bien de la disparité des besoins et/ou des situations au sein même d'une très grande organisation. Passons au point suivant.

Mon organisation dispose d'une base de données fiable pour l'analyse. 16 % ne sont pas du tout d'accord, 13 % ne sont pas d'accord et 24 % sont neutres. Et voilà qu'une fois de plus, un peu plus de la moitié des personnes interrogées ne disposent pas nécessairement d'une base fiable pour toutes les analyses et les données dont elles ont réellement besoin.

Encore une fois, ce n'est pas que ce soit mal ou néfaste. Je pense que cela reflète davantage la maturation de notre environnement. Cela fait de nombreuses années que nous parlons de l'importance de la qualité des données, de observabilité, de la précision et de la correction.

Mais je pense que l'IA met davantage cette question au premier plan, simplement en raison de son importance cruciale. Et lorsque l'on doit traiter potentiellement des dizaines, voire des centaines de millions d'enregistrements et les attributs qui y sont associés, il est essentiel de mettre en place un système permettant de détecter et d'inspecter ces données de manière automatisée, car on ne peut pas y affecter du personnel. Il y a tout simplement trop de données.

Passons maintenant au dernier point. Mon organisation maîtrise les données. Les utilisateurs métier ainsi que les analystes métier sont capables d'exploiter les données pour en tirer des informations utiles.

Et lorsque nous évoquons la notion de « culture des données », nous parlons de la capacité à utiliser les données dans les échanges professionnels, ainsi que de la prise de conscience et de la compréhension de la signification réelle des concepts, des caractéristiques, des détails ou des termes que nous employons. Ainsi, concernant cette question spécifique de l’enquête, nous avons constaté qu’environ 70 % des personnes interrogées étaient « totalement en désaccord », et 16 % « en désaccord ». Cela représente donc un tiers d’emblée.

Et puis, 20 % supplémentaires, soit près de 28 %, ont répondu « ni l'un ni l'autre ». Si l'on examine ces chiffres, on constate que 40 % des collaborateurs de l'entreprise maîtrisent les données, mais qu'une grande partie n'en est pas capable. Il s'agit donc clairement d'un domaine qui va nécessiter un certain niveau d'investissement, même avec l'IA.

Ainsi, lorsque les gens demandent d’où proviennent ces données, cela leur semble être un concept singulier ou intéressant issu de l’IA. Inévitablement, ils vont dire : « Mais d’où viennent ces données ? Comment en arrive-t-on à cette conclusion ou à cette idée ? » Et vous voulez être en mesure de répondre à cette question.

Je ne veux donc pas donner l'impression que nous n'avons pas accompli grand-chose. C'est évident que nous en avons accompli beaucoup. Mais là où résident ces défis, notamment avec l'IA, c'est que celle-ci a tendance à avoir un appétit plus vaste et plus profond pour le contenu.

Et ce que nous avons constaté chez bon nombre de nos membres, c’est qu’ils n’utilisent pas seulement les données dont ils disposaient déjà pour leurs analyses, tableau de bord leurs rapports, mais qu’ils enrichissent également leurs données en y ajoutant de nouveaux contenus qu’ils n’auraient peut-être pas utilisés auparavant en raison de l’orientation et des objectifs spécifiques de l’environnement d’IA. Permettez-moi donc de résumer ou de conclure cette brève présentation sur observabilité la sémantique. En réalité, si l’on examine les défis liés aux données dans l’environnement d’IA, il apparaît clairement que la qualité des données et leur dégradation constituent des enjeux majeurs ; or, beaucoup de gens oublient qu’à mesure que les données vieillissent, un problème implicite se pose : elles ne sont plus nécessairement précises pour l’usage auquel elles sont destinées.

Je ne veux pas connaître les tendances de ma clientèle d'il y a huit mois si je dois régler un problème de tarification dès maintenant. La « fraîcheur » des données fait donc partie intégrante de cette notion de qualité et de dégradation. C'est tout le principe de gouvernance des données gouvernance des contrôles d'accès.

Qui est autorisé à consulter ces données ? Qui est autorisé à modifier et à mettre à jour leur contenu ? Mais aussi : quelles sont les règles associées à ces données ?

Est-ce que quelqu'un a le droit de consulter ces informations ? A-t-il le droit d'accéder à certaines informations spécifiques concernant des clients ou des produits, ou existe-t-il des politiques qui contredisent ou s'opposent à cela ? En ce qui concerne la connaissance et l'accessibilité des données, savons-nous seulement quelles données sont disponibles ?

L’un des principaux obstacles que nous rencontrons, en effet, outre la maîtrise et la précision ou la qualité, est le suivant : les développeurs et les utilisateurs de l’IA ont-ils conscience de l’ensemble des ressources de données qui existent ? Et si vous vous souvenez de cette illustration que je vous ai brièvement montrée au début, il y a toute cette gouvernance des données gouvernance du spectre temporel : s’agit-il de s’assurer que les gens connaissent les données brutes dont nous disposons, le contenu nettoyé et rationalisé que nous avons intégré à nos plateformes analytiques, et les données qui sont effectivement utilisées par les outils d’analyse ? cohérence sémantique : vous verrez ici mon petit schéma illustrant la notion de revenu, de gain, de rendement et de bénéfice.

Les gens connaissent-ils la terminologie qu'ils devraient employer, ou utilisent-ils d'autres termes ou des synonymes sans s'en rendre compte ? Car il arrive parfois que ces termes aient en réalité un sens différent. Ils utilisent des termes qu'ils considèrent comme des synonymes ou qui, selon eux, ont la même signification, mais qui, en réalité, renvoient à des concepts totalement différents.

Les notions de marge et de bénéfice peuvent prêter à confusion si vous ne les avez pas clairement définies au sein de votre entreprise, par exemple. Et enfin, un point que nous avons déjà abordé : l’importance de la maîtrise des données. Il s’agit de donner à chacun la capacité de comprendre et de saisir les sujets et les enjeux dont vous parlez, sans que cela ressemble à une succession d’analogies, d’abréviations ou de termes dont ils n’ont jamais entendu parler.

Il apparaît donc clairement que le défi de l'IA réside essentiellement dans le passage à un niveau supérieur en matière de connaissance des données et simplicité d'utilisation. Sur ce, merci de votre attention pour cette brève introduction, et je cède à nouveau la parole à Andrew. Parfait.

Merci beaucoup, Evan. C'était une excellente présentation, et j'ai maintenant le plaisir de vous présenter notre première intervenante d'aujourd'hui, Emma McGrattan, d'Actian. En tant que directrice technique chez Actian, Emma dirige la stratégie technologique et l'innovation, contribuant ainsi à la mission d'Actian qui consiste à simplifier gestion des données.

Forte de près de 30 ans d'expérience chez Actian, elle est une figure de proue reconnue du secteur des bases de données, réputée pour son expertise en architecture de données et en transformation vers le cloud. Sur ce, je vous invite à accueillir Emma, à qui je cède maintenant la parole. Parfait.

Merci, Andrew. Je vais donc commencer par un peu de pessimisme, d’accord ? Le genre de choses qui nous empêchent de dormir la nuit.

Ces sujets continuent donc de m'intéresser, car l'IA n'est pas une nouveauté, n'est-ce pas ? Elle existe depuis toujours. Mon tout premier emploi aux États-Unis était au Laboratoire d'intelligence artificielle du MIT, en 1987.

Cela fait donc déjà un certain temps que je m’intéresse à l’IA, mais on constate que les entreprises continuent à rencontrer des difficultés dans ce domaine. Voici quelques statistiques qui donnent à réfléchir. Si l’on regarde la première, elle indique que 95 % des initiatives en matière d’IA générale n’engendrent aucun retour sur investissement, n’est-ce pas ?

Et ce chiffre provient d'une étude du MIT. Comment faire pour faire partie des 5 % qui génèrent un retour sur investissement ? Car des investissements colossaux sont actuellement réalisés, et nous devons démontrer ce retour sur investissement.

La statistique suivante indique que moins de 10 % des organisations ont réussi à déployer à grande échelle l'IA agentique. Par « déploiement à grande échelle », nous entendons la présence de plusieurs agents IA l'organisation. Comment faire pour faire partie de ces 10 % qui parviennent à déployer avec succès l'IA à l'échelle de leur organisation ?

Cette statistique provient de McKinsey, tandis que la troisième, ici, vient de Gartner : elle indique que 40 % des programmes d’IA « agentique » devraient être abandonnés d’ici la fin de l’année prochaine, c’est-à-dire d’ici fin 2027. Il s’agit donc d’un ensemble de statistiques assez alarmantes, et d’après mon expérience, lorsque nous présentons ces chiffres aux entreprises, celles-ci reconnaissent généralement qu’il s’agit là d’un scénario probable pour elles si elles ne mettent pas en place correctement leurs bases en matière d’IA et de données. Examinons donc certains des défis auxquels les entreprises sont confrontées en matière de données.

En général, on peut les classer en deux catégories, n'est-ce pas ? La première concerne les défis métier : on entend souvent les utilisateur métier utilisateur cela prend trop de temps d'accéder aux données dont ils ont besoin. Et même lorsqu'ils y parviennent, ils ne savent pas comment les interpréter.

Pour en revenir à ce dont parlait Evan tout à l'heure concernant la maîtrise des données, les gens ne savent pas s'ils peuvent s'y fier, n'est-ce pas ? D'où proviennent-elles ? Quelle est leur traçabilité ?

D'où proviennent ces données ? Du point de vue opérationnel, ces défis persistent donc. Et puis, même si cela me surprend, nous continuons à être confrontés à des problèmes très fondamentaux liés aux données et à la qualité de celles-ci.

Les données peuvent donc être incomplètes. Elles peuvent être incohérentes. Des données obsolètes, n'est-ce pas ?

Peut-être que certains de nos flux de données sont défaillants et ne mettent pas à jour les données à la fréquence requise par l'entreprise. Peut-être sommes-nous confrontés à des données en double et ne savons-nous pas à quelle version nous fier. Nous devons continuer à composer avec des silos de données au sein de l'organisation, et ce sera le cas à l'avenir.

Selon Gartner, une entreprise type dispose de plus de 400 sources de données qu’elle doit exploiter. Cela reste donc un défi, n’est-ce pas ? Il suffit de déterminer où se trouvent les données dont on a besoin pour répondre aux questions de l’entreprise.

La conformité et gouvernance un enjeu majeur, et il faut y remédier ; or, la seule façon de relever les défis liés aux données est de mettre gouvernance place gouvernance capable de répondre à toutes les exigences imposées par des législations telles que le RGPD, la loi HIPAA ou la loi européenne sur l’IA. Chez Actian, nous aimons envisager la mise en œuvre gouvernance la conception ». Il ne s’agit donc pas d’un élément ajouté a posteriori à la fin d’un pipeline de données, mais bien d’une gouvernance intégrée dès la conception, et nous souhaitons le faire de manière à fournir des garde-fous permettant aux équipes chargées des données d’innover dans ce domaine.

Il s’agit donc de la faire fonctionner en arrière-plan, sans qu’elle ne vienne entraver le travail. Enfin, nous nous penchons sur le fait que de nombreuses organisations continuent de se heurter à des problèmes tels que la maîtrise des données et de l’IA, ainsi que la mise en place d’une culture de la responsabilité et l’étude de mesures incitatives permettant de développer la maîtrise des données à l’échelle de l’organisation. Car il s’agit d’un changement culturel et organisationnel qui doit s’opérer avec l’introduction de ce nouveau paradigme de l’IA au sein de l’entreprise. C’est pourquoi, chez Actian, nous parlons de « gouvernance conception ».

Nous sommes fermement convaincus qu’il faut anticiper certains des défis auxquels nous sommes confrontés ici. Anticiper la qualité des données, anticiper gouvernance des données, et intégrer ces aspects dès la création des données. Et j’aime illustrer cela par une anecdote.

Quand je me suis installé aux États-Unis pour la première fois, je me suis installé en Californie. Je me suis rendu au DMV pour obtenir mon permis de conduire. Le DMV m'a demandé mon poids ; en Irlande, on utilise les kilogrammes, mais je savais qu'aux États-Unis, on utilise les livres pour mesurer le poids, alors j'ai indiqué mon poids en livres.

Puis on m’a demandé ma taille, et j’ai supposé que l’équivalent des mètres et des centimètres serait les pouces. Du coup, en remplissant mon dossier, j’ai indiqué que je mesurais 63 pouces, mais j’ai reçu un permis sur lequel était inscrit « six pieds trois pouces ». Du coup, si la personne qui me regardait par-dessus le comptoir avait prêté un tant soit peu attention à moi — je voyais à peine par-dessus le comptoir —, elle aurait su que je ne mesurais pas six pieds trois pouces.

Mais ils ne l'ont pas fait. Ils n'ont donc pas résolu ce problème de données dès que possible. Nous considérons donc cela comme un coût de prévention de 1 $.

S'ils avaient simplement corrigé ça à ce moment-là, ça aurait été très simple. Ils m'ont ensuite délivré un permis indiquant que je mesurais six pieds trois, et j'ai trouvé ça hilarant. Un pied de plus que ma taille réelle.

Du coup, je n'ai rien fait. Si j'avais passé un après-midi à la préfecture, j'aurais pu faire réémettre mon permis avec la bonne taille, ce qui aurait représenté un coût de correction de 10 dollars. Je ne l'ai pas fait.

À la place, je suis parti un week-end à Las Vegas, et je me suis fait arrêter pour excès de vitesse en plein milieu du désert. Et quand j’ai été arrêté et que le policier a regardé mon permis et m’a dit que je n’étais manifestement pas la personne figurant sur le permis, et compte tenu de la différence de taille entre nous, cela a pris des proportions plus importantes. Du coup, au lieu de pouvoir m’en sortir avec quelques mots gentils pour éviter une contravention, je me suis retrouvé au tribunal et j’ai dû engager un avocat pour régler les complications liées à mes problèmes de permis.

Pour moi, cela représentait donc un coût d'échec de 100 dollars, voire plus de 100 dollars. Nous sommes donc convaincus que si vous rencontrez des difficultés liées aux données, il faut les résoudre dès le départ. Plus tôt elles sont résolues, mieux c'est pour tout le monde.

Et comme je l'ai dit, en matière de gouvernance, il faut l'intégrer dès le départ. Il faut envisager gouvernance la conception. Pensez aux contrats de données et aux produits de données, et mettez gouvernance cette gouvernance dès la création gouvernance vos données.

Ça facilite grandement la vie, et plus on règle ces problèmes tôt, mieux c'est pour tout le monde, évidemment. Evan nous a parlé de observabilité des données. observabilité pas une démarche ponctuelle.

observabilité donc un processus continu. Nous surveillons donc en permanence la situation. Les données sont-elles actualisées ?

Atteignons-nous nos objectifs en matière d'actualité pour les flux de données que nous devons traiter ? La qualité, l'exhaustivité et l'actualité : tous ces aspects sont-ils pris en compte ici ? Le volume est un aspect intéressant.

Nous avons connu cette panne de CrowdStrike qui a mis hors service de nombreux services Internet dont nous dépendons tous au quotidien, et lorsque nous avons cherché à déterminer la cause première de cette panne, nous avons constaté qu’un fichier de données avait été déposé sur le serveur, dont la taille était deux fois supérieure à la normale, et que le système n’était pas conçu pour gérer un fichier de cette taille, ce qui a entraîné la panne. Ainsi, repérer les pics, repérer les volumes de données qui sont infimes alors qu’ils devraient en réalité être bien plus importants, peut nous donner une indication qu’il y a un problème quelque part le long du pipeline de données. Les schémas évoluent constamment.

Des colonnes sont ajoutées, supprimées ou modifiées, et les types de données évoluent au fil du temps. Il faut donc s'assurer de bien comprendre ce phénomène et ses conséquences. Et puis, il y a la traçabilité.

Comprendre d’où proviennent les données et quelles transformations elles ont subies en cours de route. Nous sommes donc convaincus que observabilité des données observabilité essentielle à la réussite des déploiements d’IA, car il est fondamental de bien comprendre ses données et d’être averti rapidement en cas de problème les concernant. Et si nous voulons développer une IA à laquelle nous pouvons faire confiance, nous devons l’alimenter avec des données fiables.

Il est donc vraiment important de s'intéresser à la provenance des données. On peut considérer la provenance comme l'histoire de l'origine des données. D'où proviennent-elles ?

La traçabilité correspond en substance à l'historique des données. Que sont devenues ces données tout au long de leur cycle de vie ? D'où proviennent-elles ?

Quelles transformations ont-elles subi ? À quels canaux de traitement se sont-elles fiées ? En fin de compte, cela nous permet de savoir si nous pouvons nous fier aux données que nous traitons.

Ensuite, la fraîcheur des données : il faut veiller à ce que, lorsque nous prenons des décisions et que nous automatisons ces décisions, nous le fassions à partir des données les plus récentes. Enfin, pour ma part, nous avons beaucoup parlé de la manière dont nous devrions gérer l’infrastructure de données, en veillant à ce que nos bases soient solides. Mais selon moi, il y a trois éléments auxquels nous devons réfléchir pour réussir dans le domaine de l’IA.

Le premier, ce sont les personnes, et il s'agit de réfléchir à la mise en place d'une culture des données et au développement de la maîtrise des données. Et je vais encore une fois parler de mon expérience personnelle. J'ai grandi en Irlande, comme vous l'avez peut-être deviné à mon accent.

Et en Irlande, on parle tout le temps de la météo, ce qui est amusant parce qu’il pleut tout le temps. Mais chaque conversation commence généralement par la météo. Je pensais avoir une très bonne compréhension des données et de la météo, mais j’ai en fait appris l’année dernière que lorsqu’on dit qu’il y a 60 % de chances qu’il pleuve, j’avais toujours cru que c’était une façon pour le présentateur de la météo de rester prudent en disant : « Oh, il y a plus de chances qu’il pleuve que le contraire. »

« 60 % de probabilité de pluie. » En réalité, cela signifie qu’il y a 100 % de probabilité de pluie sur 60 % de la zone couverte par les prévisions. Ainsi, un passionné de données, un passionné de météo et moi-même avons complètement mal interprété la signification d’un terme technique. Il est donc essentiel de ne pas commettre ce genre d’erreurs dans le monde des affaires.

Donc, si on parle par exemple de « chiffre d'affaires », est-ce que l'équipe commerciale, l'équipe financière et les équipes d'ingénierie ont toutes la même définition de ce terme ? Il est important de clarifier cela dans le cadre d'un programme de culture des données. Nous devons également nous pencher sur les processus.

Mettreframeworks placeframeworks gouvernance . Veiller à ce que nous disposions de contrats de niveau de service (SLA) et à ce que nous respections les SLA que nous nous engageons à fournir à l'entreprise. Et enfin, la technologie.

Mettre en place plateformes de données plateformes favoriser réellement le succès de l'IA dans l'ensemble de l'entreprise. S'intéresser à l'automatisation, prendre en compte le fait que tout évolue désormais à la vitesse des machines, ce qui nous oblige à développer des solutions métadonnées. Pour moi, c'est donc une période incroyablement passionnante dans le domaine des données et de l'IA.

Et c'est, à mes yeux, une formidable opportunité de se pencher sur ces… Les statistiques que j'ai mentionnées tout à l'heure, les entreprises qui vont réussir à déployer l'IA, celles qui vont obtenir un retour sur les investissements qu'elles réalisent, celles qui vont développer à grande échelle leurs programmes d'IA autonome, et je vais voir ces entreprises se développer dans les années à venir. Voilà donc ce que j’avais à dire du point de vue d’Actian. Je te redonne donc la parole, Andrew.

Merci beaucoup, Emma.

C'était une présentation formidable. J'ai maintenant le plaisir de vous présenter notre prochain intervenant, Raja Parimal, de Databricks. Raja est directeur des alliances technologiques chez Databricks ; il est spécialisé dans gouvernance des données gouvernance informatique décisionnelle .

Avant de rejoindre Databricks, il a passé 10 ans dans le conseil en analyse de données, aidant les entreprises à gérer de grands volumes de données, avant de travailler chez Alation et Snowflake. Sur ce, je vous invite à accueillir Raja, et je lui cède la parole. Bonjour à tous.

Merci. Je trouve que cette conversation a été vraiment passionnante et qu’elle nous a aidés à comprendre comment gouvernance dans le monde des agents d’IA autonomes capables d’agir en votre nom. Mais je pense qu’il est utile de replacer les choses dans leur contexte : comment passer de la situation actuelle, où nous disposons d’une multitude de données dispersées un peu partout, au développement de ces expériences d’IA autonomes, et comment, tout au long de ce parcours, plateformes de données plateformes Databricks peuvent nous aider à faciliter ce gouvernance .

Commençons donc par expliquer pourquoi nous faisons cela. Il existe une multitude de cas d'utilisation de l'IA dans tous les secteurs d'activité qui vont bien au-delà des cas d'utilisation « horizontaux » des agents de codage que nous connaissons aujourd'hui. Très bientôt, les cas d'utilisation concrets présentés sur cette page, classés par secteur d'activité, seront pris en charge par des agents IA qui auront besoin d'un accès très étendu aux données sur l'ensemble de votre plateforme d'entreprise.

Bien sûr, cela signifie qu’il faudra toutefois surmonter des difficultés pour briser les cloisonnements qui empêchent les agents d’IA d’être déployés en production. Et la raison pour laquelle ces cloisonnements existent, c’est que même si nous disposons d’une seule infrastructure de données, celle-ci est en fin de compte divisée en plusieurs parties distinctes. Vous pouvez disposer d’une base de données transactionnelle, mais celle-ci transfère également des données vers votre entrepôt de données.

Il se peut également qu’il existe un data mart distinct au sein de vos informatique décisionnelle . Les équipes chargées de la science des données et de l’apprentissage automatique disposent peut-être de leur propre ensemble d’outils. À tous ces éléments s’ajoutent des couches d’orchestration et d’ETL qui assurent la cohésion de l’ensemble, ainsi que des applications SaaS qui contiennent certaines données au sein de leurs propres outils d’analyse ou data marts, et qui doivent également être synchronisées entre vos différents environnements.

Chacun de ces référentiels de données engendre une situation de « verrouillage ». Le verrouillage est toujours un problème, mais à l’ère de l’IA agentique, où les agents ont réellement besoin d’un accès étendu à l’ensemble de vos données, il crée également une difficulté supplémentaire pour rentabiliser vos données. De plus, chacun de ces environnements de données dispose de ses propres politiques de sécurité, souvent nécessaires, mais si celles-ci ne sont pas régies de manière homogène ou gérées à l'échelle de l'entreprise, il arrive fréquemment que des politiques contradictoires empêchent l'accès aux données.

Et cela a pour conséquence naturelle, lorsque l'on dispose d'un ensemble multiple d'outils avec des politiques différentes, que chaque outil tentera alors de disposer de son propre agent, qui pourra ou non fonctionner avec les autres agents. Et le véritable problème réside dans le fait que, sans un ensemble commun de sémantique d’entreprise, tous vos agents d’IA, répartis dans vos différents outils, aboutiront à des réponses et à des décisions différentes lorsque vous aurez besoin qu’ils effectuent leur travail proprement dit. C’est là que Databricks intervient avec son approche du « lakehouse » et des environnements basés sur le « lake ».

Nous avons examiné tous les aspects clés de votre pile d’IA agentique, et nous avons réalisé que pour que cela fonctionne réellement pour nos clients, nous devons nous assurer que toutes les données sont disponibles dans un format ouvert et accessibles par divers outils. Nous avons été les pionniers du format Delta Lake. Nous participons activement au projet Iceberg, notamment à la récente version Iceberg 3.0, et notre environnement basé sur un lac de données est lisible via une interface Postgres standard.

Tout cela est ensuite géré par notre métadonnées techniques, notre gouvernance technique qui chapeaute l'ensemble de nos différents cas d'utilisation, appelée Unity Catalog. Unity Catalog fournit un ensemble unique de contrôles d'accès pour tous vos différents types d'objets de données. Nous ne nous limitons pas aux simples tables traditionnelles.

Nous assurerons le contrôle d'accès et gouvernance données non structurées telles que les fichiers, les modèles d'IA, les serveurs MCP, voire les agents eux-mêmes. Ainsi, à mesure que votre parc de données s'étoffe, Databricks sera en mesure d'assurer une couverture complète et de fournir gouvernance technique pour l'ensemble de vos différentes ressources de données. Une fois que toutes vos données seront répertoriées dans Unity Catalog, vous pourrez alors tirer parti de nos gouvernance plus avancées et plus étendues.

Les deux points que je vais aborder ici sont gouvernance de l'IA, qui vous permet de comprendre ce que font vos modèles et quels modèles vous exécutez réellement. Utilisez-vous des modèles qui s'exécutent au sein de votre environnement de calcul Databricks ? Envoyez-vous des données vers une API et, par conséquent, vers Frontier Lab ?

Unity Catalog vous aidera à y voir plus clair parmi ces différents types d’engagements. Nous disposons également d’une sémantique métier, ce qui est particulièrement important aujourd’hui, car la semaine dernière, nous avons largement communiqué sur l’annonce de la disponibilité générale des métriques Unity Catalog. Il s’agit de notre couche sémantique métier qui permet à tous les outils, tant au sein de Databricks qu’en dehors, d’utiliser une même compréhension commune de la sémantique d’entreprise. Ainsi, tant nos collaborateurs que nos agents IA parlent tous le même langage lorsqu’ils effectuent des actions.

Enfin, nous pouvons établir une fédération avec d’autres sources de données afin de garantir que la même gouvernance des données s’applique à vos autres applications SaaS et à vos bases de données d’entreprise. Grâce à ce format de données gouverné, vous pouvez alors tirer parti de notre environnement d’analyse « lakehouse » traditionnel, ainsi que de nos capacités d’entreposage de données. Vous pouvez utiliser Lake Base, notre solution permettant aux applications transactionnelles de bénéficier de cette même séparation entre stockage et calcul que notre environnement « lakehouse » traditionnel.

Mais nous pouvons désormais disposer d’un environnement optimisé pour l’écriture qui permet à nos clients de développer des applications d’IA auxquelles accèdent des agents d’IA ou qui sont développées par ces agents eux-mêmes. Et vous pouvez exploiter l’ensemble de ces mêmes données grâce à nos fonctionnalités Lakehouse pour les ajuster et les transformer au fur et à mesure de leur traitement sur notre plateforme de calcul. Grâce à cette plateforme de données centrale, vous pouvez ensuite revenir à toutes vos applications clés nécessaires à la mise en place d’une pile d’IA agentique. Désormais, au lieu de disposer de multiples capacités d’IA différentes dans votre environnement, celles-ci sont toutes réunies au sein d’une plateforme commune.

D'accord.

Cela étant dit, je pense que je vais redonner la parole à Andrew. Merci beaucoup, Raja. C'était formidable, et il est maintenant temps de passer à notre table ronde ; je vais donc demander à Emma et Evan de nous rejoindre.

Et Evan, je te redonne la parole pour lancer la discussion, s’il te plaît. Bon, bien sûr, Raja et Emma, un grand merci pour cette excellente série de supports de présentation ; je pense que cela nous offre un bon point de départ pour la table ronde. Nous avons préparé quelques questions afin de recueillir les points de vue de chacun.

Pour ceux d'entre vous qui nous écoutent, nous allons laisser chaque intervenant répondre à chaque question, et nous procéderons simplement à un tour de table. Pour la première question, Emma, je vais donc commencer par vous. Selon vous, quels sont les enjeux liés aux données qui reviennent le plus souvent à l'esprit en matière d'IA et d'analyse de données ?

Vous avez abordé une multitude de sujets, mais si vous deviez en retenir quelques-uns, quels seraient ceux qui vous viennent immédiatement à l’esprit ? L’un des cas de figure où Actian est sollicité, c’est lorsque les équipes ont obtenu d’excellents résultats avec l’IA en laboratoire, n’est-ce pas ? Elles ont mis en place des projets pilotes qui fonctionnent plutôt bien.

Ils essaient de la déployer en production, et là, tout part en vrille, n’est-ce pas ? Les schémas changent, les définitions se contredisent, les autorisations font obstacle à l’extraction des données, et tout à coup, ils se retrouvent confrontés à toutes sortes de problèmes liés à l’IA. Donc, pour moi, quand je réfléchis à la question qui me vient immédiatement à l’esprit dans ces scénarios, c’est de savoir si la couche de données réellement prête, d’un point de vue opérationnel, pour l’IA.

C'est donc un cas que l'on retrouve sans cesse, où les gens ont du mal à mettre l'IA en production. Oui, tu parles en fait de tout déploiement en production, où j'ai réussi à faire fonctionner les choses… Oui… mais est-ce que je peux poser la question au public : est-ce qu'ils disposent utilisateur et de droits d'accès pour consulter les données, et respectons-nous les règles ?

D'accord. Parfait. Raja, as-tu quelque chose à ajouter ? Ou quel est ton point de vue sur les priorités, les enjeux les plus visibles auxquels tu es confronté ?

Oui. Je tiens vraiment à abonder dans le sens d’Emma, et je voudrais simplement ajouter que je pense qu’avec l’IA et l’analyse de données, on se heurte au même problème que celui que l’on rencontre même avec les environnements traditionnels d’entrepôts de données et de BI, à savoir une question de transparence. Lorsqu’un dirigeant ou un vice-président reçoit un chiffre, voire une décision prise par une IA autonome, il veut savoir : « Comment ce chiffre a-t-il été obtenu ? »

« Pourquoi est-ce juste ? Comment puis-je y croire ? » Et cela nous amène à tous les gouvernance traditionnels gouvernance des données auxquels nous sommes confrontés, mais à une échelle plus large, car nous avons affaire à l’IA qui agit à grande échelle. J’adore vos réponses, car ce que vous dites tous les deux, et je vais chipoter un peu – non pas pour remettre en question vos propos, mais parce que c’est fascinant –, c’est que vous mettez le doigt sur le fait que certaines organisations ont les compétences nécessaires pour mettre en place ce genre de choses.

Mais là où ils risquent d'avoir des difficultés, c'est de savoir quels sont les enjeux liés à cette mise à disposition. La transparence, la migration de la production et/ou déploiement -nous prêts à mettre cela à la disposition du grand public ? Il ne s'agit pas seulement de savoir si l'application est fonctionnellement disponible et si les données sont accessibles, mais aussi de prendre en compte tous les autres aspects qui vont de pair.

Donc, pour ceux d'entre vous qui nous écoutent, je sais que beaucoup de gens se posent la question suivante : « Avons-nous les data scientists les compétences data scientists les capacités dont nous avons besoin ? » Et ce que disent les experts, c'est que vous disposez probablement de tout cela, mais êtes-vous prêts à les déployer et à les mettre en œuvre, et avez-vous réfléchi à l'institutionnalisation de cette nouvelle technologie d'IA ? C'est donc très intéressant.

Merci à vous tous. Passons à la question suivante. Selon vous, quel est le plus grand malentendu concernant les données dans le domaine de l'IA et de l'IA agentique ?

Et cette fois-ci, Raja, on va te laisser commencer, et puis, une fois que tu auras fini… Ouais… Emma.

Mais allez-y. C'est une excellente question, car je pense qu'il y a beaucoup de malentendus dans le domaine de l'IA et de l'IA agentique. Je vais vous donner deux réponses qui sont liées, mais qui peuvent sembler contradictoires.

Je pense que les entreprises sous-estiment et surestiment à la fois l’utilisation de l’IA et de l’IA agentique. Je pense qu’elles peuvent se pencher sur des outils comme ChatGPT ou Claude, qui sont complètement déconnectés de leur contexte d’entreprise, et se contenter de leur poser une question, ce qui peut aboutir à une réponse erronée, à des « hallucinations » ou simplement à un résultat peu utile. Cependant, si vous prenez certaines de ces mêmes capacités d’IA, ces mêmes modèles de pointe, et que vous les intégrez à votre contexte d’entreprise, en les connectant à votre lac de données ou à votre entrepôt de données et en les orientant vers des données régulées, soudain, les mêmes types de questions que vous posez deviennent beaucoup plus pertinentes dès lors qu’elles s’appuient sur votre contexte d’entreprise et qu’elles intègrent votre compréhension de l’entreprise.

Donc, oui. Je pense que les entreprises, d’une part, n’exigent pas assez de leurs modèles d’IA et, d’autre part, en attendent trop sans disposer des outils nécessaires ni d’une bonne compréhension de ce que l’outil est capable de faire. Ce que vous mettez vraiment en évidence, et là encore, aidez-moi à compléter cette réflexion : ce n’est pas un problème fonctionnel, mais plutôt que les personnes qui formulent la demande ne sont pas vraiment conscientes des atouts et des limites de cette technologie en particulier.

Ils partent simplement du principe qu'avec un LLM comme Claude, « Bon, je vais juste connecter Claude à mon entrepôt de données. Maintenant, il peut répondre requête des questions en langage naturel ». Et ce que vous dites, c'est qu'il y a en réalité beaucoup plus de travail à fournir pour que cela fonctionne. Est-ce que je vous comprends bien sur ce point ?

Oui. C'est exact. L'IA n'en est pas encore au stade où l'on peut se contenter de la laisser faire pour qu'elle trouve toutes les solutions toute seule.

Il faut encore s’assurer qu’il pointe vers les bons jeux de données un cadre de gouvernance adapté gouvernance des règles de conformité ou des politiques bien définies pour garantir une utilisation correcte. Mais une fois que c’est en place, je pense sincèrement que nous pouvons vraiment laisser libre cours à notre imagination quant à ce que nous pouvons accomplir grâce à certains de ces outils. Ce que vous dites en réalité, c’est que non seulement l’ingénierie des données est nécessaire, mais que si gouvernance des données fait défaut, il faut gouvernance mettre en gouvernance les données risquent d’être utilisées à mauvais escient, mal interprétées ou mal traitées.

C'est tout à fait ça. Emma, s'il te plaît, quoi d'autre ? Que pourrais-je ajouter à ça ?

Vous avez plutôt bien cerné le problème, non ? Parce que sans sémantique ni gouvernance, l'IA est très sûre d'elle, mais elle se trompe avec une grande assurance, n'est-ce pas ? Ce que nous considérons donc comme un gros malentendu, c'est de croire que l'IA va comprendre le contexte métier, n'est-ce pas ?

Les gens pensent que le système d'IA peut, comme par magie, comprendre tout ça à leur place, alors qu'on a des collaborateurs qui travaillent dans le marketing et la finance et qui pourraient considérer les clients comme deux choses complètement différentes, n'est-ce pas ? Ce chiffre d'affaires qui peut être calculé de cinq ou six façons différentes, ces ensembles de données qui pourraient être complètement obsolètes tout en restant accessibles. L'IA ne peut pas comprendre tout ça, n'est-ce pas ?

Il est donc extrêmement important de bien cerner la sémantique et de mettre gouvernance une gouvernance . Ce n’est pas, comme je le disais, que l’IA va vous donner avec une grande assurance des réponses erronées aux questions que vous lui posez. Vous avez en fait abordé un aspect que vous aviez déjà évoqué dans votre présentation, à savoir le principe même de l’alphabétisation, et nous sommes… Oui…

Nous nous concentrons tellement sur le utilisateur et leur maîtrise des données. Parfois, on ne se demande pas : « Ma communauté de développeurs possède-t-elle le même niveau de maîtrise des données ? » Et vous avez mis le doigt non seulement sur la signification des termes, mais aussi sur les ensembles de données qu’il est raisonnable d’utiliser et ceux qui sont obsolètes, car je pourrais utiliser les mauvaises données. Et quelles mesures sont en place pour s’assurer que l’ensemble de mon public, pas seulement les utilisateurs, mais aussi les développeurs, soit non seulement compétent, mais connaisse également les gouvernance et ce genre de choses.

Constatez-vous qu’il y a une prise de conscience selon laquelle ce ne sont pas seulement les utilisateurs qui doivent se mettre à niveau sur ces questions, mais aussi les développeurs eux-mêmes ? Oui. Nous considérons cela comme une sorte de défi organisationnel, et nous recommandons d’ailleurs à chaque service de l’entreprise de recruter des spécialistes des données, n’est-ce pas ?

Nous croyons vraiment en gouvernance fédérée. Nous pensons qu’il faut faire appel à un expert métier dans chaque domaine de l’entreprise et lui confier la responsabilité de collaborer avec l’équipe informatique centrale pour élaborer vos gouvernance et les mettre en œuvre, et il en va de même pour les données, n’est-ce pas ? Recrutez des personnes animées par la curiosité pour les données.

Assurez-vous que, dans tous les secteurs de l’entreprise, vous disposiez de personnes qui comprennent l’importance de mettre en place gouvernance , de devenir des ambassadeurs de la culture des données au sein de cette organisation, et de veiller à ce que, lorsque nous envisageons de déployer cette gouvernance et… gouvernance , et quel est le troisième élément auquel je pense ici, Evan ? Culturel, comme les changements culturels liés aux données et à l’IA, afin que chaque service ou chaque domaine au sein de l’organisation soit pris en compte. Je pense que tu mets le doigt dessus… Et qu’on s’améliore encore par-dessus tout ça.

Oui. Oui. Je pense que tu mets le doigt sur un point extrêmement important, car dans bon nombre d’organisations avec lesquelles je travaille, il existe une sorte de code tacite concernant les styles ou les traits de personnalité : en gros, les spécialistes des données doivent connaître les données, mais ceux qui s’occupent des applications n’ont pas besoin de les connaître.

Et ce que vous dites, c’est que ça ne va pas marcher, et j’ai déjà vu ça, et je suis sûr que nous avons tous déjà été confrontés à ce cas de figure où un data scientist ou un développeur en IA cherche désespérément un type particulier d’élément ou de contenu, et va le chercher n’importe où sans savoir qu’en réalité, il récupère des données obsolètes, inutilisables ou tout simplement peu fiables – toute la question de la fiabilité est en jeu. Donc, pour ceux d’entre vous qui nous écoutent, il est clair qu’on ne peut pas se passer de connaissances en matière de données. C’est une nécessité à l’ère de l’IA.

Emma, merci pour ces précisions. Passons à la question suivante. Je te redonne la parole, Emma.

Quels sont les objectifs raisonnables que l'on devrait se fixer en matière de sémantique et de culture numérique ? Vous avez évoqué l'idée de sensibiliser toutes les organisations à cette question, mais si vous deviez choisir un objectif ou simplement un moyen de savoir si l'on va dans la bonne direction, quel serait-il selon vous ? Je veillerais donc à ce que, dans toute l'organisation, les gens comprennent trois points essentiels, n'est-ce pas ?

D'où proviennent ces données, n'est-ce pas ? Que signifient-elles réellement, et dans quels contextes il convient ou non de les utiliser, n'est-ce pas ? Et je pense que si nous diffusons ces connaissances à l'échelle de l'entreprise, si nous parvenons à mieux comprendre comment cette « magie » fonctionne réellement dans la pratique, cela sera extrêmement utile pour développer la culture des données au sein de l'entreprise.

Comme je l'ai dit, j'aime encourager les organisations à promouvoir et à stimuler la curiosité vis-à-vis des données. Si vous parvenez à repérer ces passionnés de données au sein des différents services de l’entreprise et à les encourager en leur offrant la formation et les outils dont ils ont besoin pour pouvoir interroger ces données et les comprendre véritablement, alors, lorsque vous aurez besoin de quelqu’un pour jouer le rôle de l’« humain dans la boucle » avec l’IA, vous disposerez d’une personne qualifiée, capable de détecter ce qui semble correct et ce qui ne l’est pas dans les données. Je pense que cela devient un rôle extrêmement important qui doit être pourvu.

Et je pense que pour y parvenir, en recrutant des personnes qui possèdent une expertise dans ce domaine spécifique, puis en développant ces compétences en matière de données chez ces personnes, Emma, je pense que cela peut constituer une voie très rapide vers la réussite. En fait, vous décrivez le recours à cette expertise non pas pour isoler ces personnes dans un silo, mais plutôt pour les positionner davantage comme des mentors pour tous les autres. L’idée, c’est que les développeurs connaissent les outils, leur signification et leur utilisation. Que je sois boulanger, développeur de logiciels ou plombier, il s’agit de connaître les outils dont on dispose, de savoir d’où proviennent les pièces et de savoir ce qu’elles peuvent faire.

Je ne cherche pas à simplifier à outrance. Ce dont vous parlez en réalité, c’est que nous devons considérer les données comme un ingrédient ou un élément de base de tout ce que nous construisons ; il s’agit donc de faire appel à l’expertise nécessaire pour encadrer et accompagner les personnes qui n’en ont pas forcément conscience. Il ne s’agit pas de les mettre à l’écart ni de créer une barrière.

C'est pour faire passer ce message. Je veux dire, est-ce que je t'ai bien compris ? Tu as tout à fait raison.

Ce week-end, j'expliquais ce que sont les données à un chauffeur Uber, en essayant de lui décrire mon métier, tu vois ? On a parlé des métadonnées, et je lui ai expliqué qu'il fallait les considérer comme l'étiquette apposée sur le conteneur de données que l'on utilise. C'est ça ?

Donc, les métadonnées te métadonnées la liste des ingrédients. C'est ça ? Ce qu'il y a dedans, c'est ça ?

La fraîcheur, n'est-ce pas ? Quelle est la date limite d'utilisation ? Si vous ne comprenez pas ce qui est indiqué sur l'étiquette, vous ne devriez peut-être pas l'utiliser.

N'est-ce pas ? Donc, si vous n'arrivez pas à y voir clair, il faut peut-être regarder au-delà de ça. Mais oui, je pense qu'il est extrêmement important que nous comprenions vraiment les données que nous utilisons, et que nous soyons conscients de leur actualité, n'est-ce pas ?

Quand il faut l'utiliser, et que nous devons faire preuve de modération dans notre déploiement l'IA, sans aller trop vite, et en veillant à ce que des humains, qui savent réellement ce qu'est un bon résultat, soient impliqués dans le processus afin qu'ils puissent identifier les moments où les systèmes d'IA pourraient « halluciner ». Eh bien, Raja, je ne voulais pas t'interrompre, mais Emma vient d'aborder un point sur lequel je tiens à ce que le public réfléchisse. Qu'as-tu à ajouter ?

Que pensez-vous des objectifs raisonnables ? Car il y a tellement de façons d'aborder cette question à trois ou cinq dimensions. Oui, et encore une fois, pour rejoindre ce que dit Emma, je pense que c'est la bonne façon d'envisager les choses.

Quand je réfléchis à des objectifs raisonnables, ou quand j’envisage un parcours dans le domaine des données ou de l’IA, je le conçois toujours par étapes. Par exemple : comment poser les bases, et comment s’appuyer sur celles-ci pour aller plus loin ? Et les trois étapes que je proposerais pour aborder la sémantique ou parler de culture des données sont les suivantes : documenter, harmoniser, puis former, ce qui, je pense, correspond en quelque sorte à ce qu’Emma disait.

Tout d'abord, il suffit de documenter autant que possible toutes les définitions de vos indicateurs et de votre sémantique. Pas besoin d'être parfait, mais si vous parvenez à documenter les ressources les plus utilisées et à décrire comment les gens s'en servent, cela vous placera, en toute honnêteté, un cran au-dessus de nombreuses autres organisations. Harmonisez.

Je cite toujours l’exemple d’un ancien client qui vendait à Walmart, mais qui avait 14 définitions différentes de « Walmart » dans son système. Ainsi, une fois que tout est documenté, on peut passer à l’étape suivante en se demandant : « Comment harmoniser tout cela pour s’assurer que nous comprenons bien nos définitions et que nous les simplifions ? » Et enfin, il faut sensibiliser les équipes. Une fois que vous aurez mis en place cette formation, que vous disposerez de cette documentation et de cette harmonisation, vous pourrez alors commencer à essayer de changer la culture de votre organisation et dire : « Hé, allez vérifier la définition de Walmart avant de créer une 15e définition de Walmart. » Ainsi, si vous parvenez à mettre en place ces trois éléments, vous aurez une longueur d’avance considérable.

Et puis, avec l'arrivée des outils d'IA, on peut espérer que bon nombre de ces tâches pourront être accélérées, même pendant que vous menez à bien, par exemple, le processus d'harmonisation de vos différentes sémantiques. Je veux dire, vous présentez également cette question comme une sorte de mission. Il ne s'agit pas seulement d'établir des normes ou des pratiques en matière de données, mais aussi de communiquer avec tout le monde et d'obtenir leur adhésion.

Il ne suffit pas de définir le meilleur schéma ou les meilleures conventions de nommage, ni de mettre en place un processus garantissant que chaque élément soit vérifié. Il faut également s'assurer que le public comprenne lui-même pourquoi, afin qu'il puisse à son tour devenir le « joueur de flûte » des données et faire comprendre à chacun qu'il s'agit d'un changement dans notre mode de vie. J'espère ne pas vous faire dire ce que vous n'avez pas dit.

Je retrouve tout à fait ce qu’a dit Emma. Tu es d’accord avec elle, mais tu vas encore plus loin en disant qu’il faut qu’on devienne de véritables « missionnaires » sur ce genre de sujets. Exactement.

C'est tout à fait ça. Il s'agit d'un changement de culture. Le changement de culture est un processus parfois laborieux qui exige de notre part de faire preuve de patience et d'amener tout le monde à nous suivre, plutôt que d'essayer de les bousculer.

Oui. Je suis content que tu aies soulevé ce point, parce que ce n'est pas… Je vais faire une distinction subtile, et n'hésite pas à me corriger. Ce n'est pas comme si on changeait quelque chose.

Nous mettons en place quelque chose qui, dans bien des cas, n'existe pas encore. Je veux dire par là que ce n'est pas que quelqu'un fasse quelque chose de mal. C'est simplement que nous ne nous assurons pas que les gens comprennent bien les données.

Nous ne nous contentons pas de confirmer et de sensibiliser le grand public à la signification de ces concepts et à leur importance. Je veux dire, ce n’est pas très différent – je déteste le dire – du monde des ressources humaines, où personne n’a jamais contesté le fait qu’il ne devrait pas y avoir de harcèlement sur le lieu de travail, mais où nous avons mis en place des formations que tout le monde suit pour s’assurer que chacun en soit conscient : « Écoutez, vous n’avez pas le droit d’être violent sur le lieu de travail. » Et ce que vous et Emma avez mis en évidence, c’est que nous devons non seulement aborder cette idée et la présenter, mais aussi nous assurer que tout le monde comprenne qu’il s’agit d’une pratique qui va s’imposer à l’avenir.

Personne ne s'y prend mal. C'est simplement que nous n'en faisons pas assez, et quand on comprend, ça devient facile. Ça devient une seconde nature.

Merci beaucoup pour ces précisions. Passons à la question suivante, et Raja, c’est à vous de commencer. Y a-t-il des risques particuliers liés aux données dont il faudrait tenir compte dans le cadre de la mise en œuvre et déploiement de l’IA ?

Nous avons beaucoup insisté sur l'importance de la transparence, de la maîtrise des outils numériques et déploiement. Mais parlons maintenant des risques éventuels. Y en a-t-il ? Oui, bien sûr.

C'est une excellente question lorsqu'on aborde le sujet déploiement de l'IA, et on peut l'aborder sous deux angles différents, sur lesquels j'ai un point de vue. Le premier risque lié aux données concerne les informations qui alimentent les systèmes d'IA. C'est pourquoi j'envisage la mise en place d'une plateforme de données unifiée, dotée d'un gouvernance unifié, avant même de s'engager dans la voie de l'IA.

Car la dernière chose que vous souhaiteriez, c’est entraîner les systèmes d’IA entraîner entreprise à partir de données qui ne sont pas conformes aux normes en matière de données à caractère personnel, ou qui contiennent simplement des calculs erronés ou des informations inexactes sur le fonctionnement de votre entreprise et les règles qu’elle applique. Et cela peut souvent être très difficile à détecter une fois que vous avez mis en place votre système d’IA si vous ne comprenez pas parfaitement quelles sont les données qui alimentent votre système d’IA, votre système d’IA agentique. Le deuxième point, évidemment, concerne les résultats obtenus.

Vous devez vous assurer de disposer d’évaluations précises pour garantir que, quel que soit le prise de décision ou les résultats analytiques de vos systèmes d’IA, ceux-ci puissent être validés par rapport à un cadre d’évaluation, afin de pouvoir vous demander : « Est-ce que cela fonctionne correctement ? Est-ce que cela fonctionne assez rapidement ? Est-ce que c’est suffisamment précis ? » Et ces deux aspects constituent, à mon avis, des risques liés aux données qui, encore une fois, ne sont pas très différents de ceux liés à gouvernance traditionnelle des données.

C'est justement qu'à l'échelle de ces systèmes d'IA, il faut des outils supplémentaires pour s'assurer de les gérer efficacement. On ne peut pas se contenter d'un seul gouvernance des données chargé de rechercher toutes les données issues d'un système d'IA, ni les résultats de ce système, car cela deviendrait très vite ingérable. En fait, l’idée générale, c’est qu’on a tendance à utiliser à tort et à travers des termes comme « architecte de données », « concepteur de données » ou des appellations de ce genre.

Ce que vous soulevez en réalité, c'est une question d'un niveau supérieur : d'gouvernance , quel est le niveau de fiabilité des données ou quels tests ont été effectués pour s'assurer non seulement que le processus a fonctionné correctement, mais aussi que les résultats obtenus étaient fiables et acceptables ? Et il s'agit là d'un processus continu. Pour ceux d'entre vous qui découvrent l'IA, ce concept n'a rien d'extraordinaire.

Toutes les banques qui procèdent à une vérification des cartes de crédit et/ou des comptes le font systématiquement. C'est très, très courant. Ce dont il s'agit réellement ici, c'est d'appliquer des concepts opérationnels à l'environnement de l'IA.

Certes, ce n'est pas tout à fait la même chose. Il s'agit de tests et de validations plus complexes, mais le concept est bien compris dans de nombreuses organisations. Tirez parti de ce dont vous disposez déjà.

Est-ce que c'est juste comme ça, Raja ? Je ne veux pas, encore une fois, te faire dire ce que tu n'as pas dit, mais parfois on pense que… Non, c'est bien dit. Oui.

Il ne s’agit pas d’une activité à créer de toutes pièces. Il se peut en effet qu’il y ait déjà des personnes en poste, selon le secteur d’activité, et qu’elles disposent d’une partie de cette expertise que vous pourriez mettre à profit dans le domaine de l’IA. Emma, je vous laisse la parole.

Et selon vous, quels sont les autres risques potentiels – ou les quelques risques potentiels – dont nous n'avons pas encore parlé ?

Ouais, je suis tout à fait d'accord avec Raja. Je trouve qu'on a bien réussi à anticiper ce que l'autre allait dire. Mais j'aimerais ajouter un point : il faudrait réfléchir à la recherche RAG, non ?

C'est donc un domaine que de nombreuses organisations exploitent aujourd'hui. Il s'agit donc de la recherche, de l'augmentation et de la génération, n'est-ce pas ? Et quand on parle de recherche RAG, on va toujours rechercher le contenu le plus similaire sur le plan sémantique, ce qui ne sera pas forcément le contenu le plus correct, n'est-ce pas ?

Donc, à mon sens, il y a gouvernance une grande préoccupation : si nous n’appliquons pas gouvernance et si nous ne filtrons pas les documents les plus anciens, nous courons le risque de fournir un contenu inadapté pour répondre aux questions. Et lorsque nous traitons avec des secteurs réglementés, cela devient un risque considérable pour l’entreprise. C’est donc un point que Raja n’avait pas abordé, je crois.

En fait, vous avez abordé un sujet assez vaste et important, car, encore une fois, les données permettent-elles support type d’analyse dont nous parlons, et sont-elles fiables et dignes de confiance, ou présentent-elles des biais ? Il existe toutes sortes d’études de cas où des personnes ont utilisé des données qu’elles jugeaient parfaitement acceptables pour l’objectif visé, pour finalement se rendre compte qu’elles ne comprenaient pas nécessairement le contexte dans lequel ces données avaient été collectées. Ou bien, en réalité, elles en font un usage abusif par rapport aux fins initialement prévues.

Un bon exemple que je cite souvent : je travaillais sur un projet pour le gouvernement américain, et quelqu’un est venu me voir pour me dire qu’il souhaitait obtenir des informations sur les préférences alimentaires des voyageurs. Il voulait connaître le nombre de commandes de repas halal, et je lui ai répondu : « Vous ne pouvez pas avoir ces informations. En réalité, cela relève du profilage racial. »

« C'est illégal. » Et tu as mis le doigt sur un point qui, encore une fois, montre à quel point cet apport d'expertise, cette connaissance des données, est d'une importance cruciale, car cette personne essayait de contourner les règles et de faire preuve de créativité. L'objectif ici est de permettre à chacun de prendre ses responsabilités et d'apprendre quelles sont les règles et les directives, et non pas d'essayer de sanctionner ou de faire obstacle, car dans de nombreux cas, il s'agit d'un domaine nouveau pour tout le monde. Mais j’apprécie que tu sois un peu plus diplomate que moi sur ces questions.

Mais vous soulevez là une question cruciale : ce système est-il adapté à son objectif, et respectons-nous bien les règles elles-mêmes ? Continuons. Il nous reste encore quelques minutes.

Passons directement à la dernière question, et Emma, c'est à toi de commencer. La question est la suivante : si tu devais formuler une recommandation, compte tenu de tout ce dont nous avons discuté – et mon Dieu, Raja et toi avez abordé un vaste horizon, ou devrais-je dire une véritable corne d'abondance, de contenus et d'idées. Mais si tu devais faire une seule recommandation à notre public, à ceux qui nous écoutent discuter de tout cela, quelle serait-elle ? Je dirais donc qu’à mesure que nous avançons et avec l’IA, tout se passe à la vitesse d’une machine.

Il est donc peu probable que nous puissions faire intervenir un être humain à chaque étape où nous aimerions qu’il y en ait un, tout simplement parce que tout évolue beaucoup trop vite. Je dirais qu’il faut s’attacher à rendre vos données compréhensibles par les machines. Il faut donc investir dans des éléments tels que des définitions sémantiques claires, n’est-ce pas ?

Ainsi, lorsque Raja évoque les 15 définitions de Walmart, veillons à ce que notre compréhension des choses soit très claire. Assurons-nous d'avoir clairement identifié et documenté la traçabilité et la provenance, en veillant à ce que notre gouvernance soit appliquée automatiquement, et non pas ajoutée à la fin des pipelines de données, et assurons-nous que nos… pardon, que nos métadonnées lisibles par machine. Voilà, c'est tout pour moi.

Des définitions sémantiques claires, la traçabilité et la provenance, gouvernance automatiquement, ainsi que métadonnées lisibles par machine métadonnées que celles-ci puissent comprendre vos données de la même manière que le ferait un être humain. Excellent. Raja, qu’en penses-tu ?

Quelle serait votre seule recommandation à adresser au public ? Emma m'a, je crois, volé pratiquement toutes mes meilleures idées. Je vais donc changer de registre et proposer quelque chose d'un peu plus léger.

Je dirais qu’avec ce nouveau monde dans lequel nous entrons, vous devriez vous lancer dans l’expérimentation, mais en toute sécurité. Il existe de nombreuses fonctionnalités différentes dont vous pouvez vraiment tirer parti. Il y a toute une gamme d’outils d’IA et même différents modèles de pointe avec lesquels vous pouvez vous amuser.

Je vous conseille d'aller tester par vous-même. Allez découvrir ses possibilités par vous-même. Faites-le en toute sécurité.

Ne le faites pas sur les données de production. Ne le faites pas dans un système de production. Assurez-vous que vos données à caractère personnel sont correctement identifiées.

Mais si ces questions vous préoccupent, je pense que nous entrons dans un nouvel univers qui mérite vraiment d’être exploré et décortiqué. Eh bien, formidable. Nous sommes arrivés à la fin de notre segment consacré à la table ronde.

Je vais maintenant redonner la parole à Andrew, et nous allons passer aux questions du public. Tout à fait. Je vous remercie tous pour cette excellente discussion.

Nous avons reçu quelques questions pendant votre discussion, et je crains que vous n’ayez déjà abordé certaines d’entre elles ; je vous demanderais donc de bien vouloir y revenir si cela ne vous dérange pas. Raja, nous allons commencer par vous, et bien sûr, Emma, Evan, si vous avez quelque chose à ajouter, n’hésitez pas. Cette question nous est parvenue un peu plus tôt, Raja.

La question est la suivante : à mesure que les organisations développent leurs programmes d'IA et les intègrent dans des cas d'utilisation concrets, quelle est l'importance de l'intégration et gouvernance la plateforme de données et le modèle de données ou la couche sémantique ? Oui. C'est une excellente question.

Je pense que, dans notre environnement traditionnel, lorsqu’on parlait de données et d’outils de gestion des données, il était très courant que les définitions de la sémantique métier soient dispersées à plusieurs endroits différents, qu’il s’agisse de votre outil de BI, de plusieurs outils de BI ou de votre entrepôt de données. Il arrivait même que vous fassiez appel à un fournisseur tiers spécialisé dans les couches sémantiques pour gérer cela à votre place. Et il était très courant que ces documents de définition se trouvent à de nombreux endroits.

Et je pense que cela fonctionnait dans un monde où les silos de données étaient plus acceptables, mais dans un monde où l’IA occupe une place prépondérante et où l’IA agentique prend de plus en plus d’importance, nous devons nous assurer que la couche sémantique est synchronisée et lisible dans l’ensemble de votre environnement d’entreprise. Ma première recommandation, qui va de soi, est de choisir un emplacement unique qui servira de référence ou de « source de vérité » pour la sémantique. Je pense que cela devrait être la plateforme de données, comme Databricks, mais on peut envisager différentes options quant à la plateforme à privilégier.

L'essentiel, c'est que vous disposiez d'une source de référence à chaque couche sémantique, et que tout autre ensemble d'outils utilisant la sémantique soit synchronisé avec cette source de référence, soit s'appuie sur elle. Très bien. Parfait.

Passons à la question suivante. Je pense que ce sera la dernière que nous aurons le temps d'aborder aujourd'hui. Emma, je vais commencer par vous.

Cette question a également été posée un peu plus tôt, et elle est la suivante : alors que les organisations commencent à déployer des systèmes d’IA autonomes capables de prendre des décisions ou de déclencher des actions, quelles nouvelles responsabilités incombent à la plateforme de données pour garantir que ces systèmes fonctionnent de manière sûre et fiable ? Oui. C’est une excellente question, n’est-ce pas ?

Car lorsque nous préparons des données à des fins d’analyse, n’est-ce pas, il y a toujours eu un être humain pour interpréter un tableau de bord, et l’on se fie à son intuition pour distinguer ce qui est juste de ce qui ne l’est pas. Or, lorsque nous avons affaire à des systèmes d’IA agentique, ce sont eux qui prennent les décisions à notre place et qui mettent en œuvre ces actions automatiquement, sans qu’un être humain ne soit là pour intervenir si les choses tournent mal. Il est donc extrêmement important que les données sur lesquelles travaillent nos systèmes agentiques soient de haute qualité, que nous disposions observabilité pour pouvoir identifier tout problème lié à un pipeline défaillant ou à un changement de schéma nécessitant une intervention, que nous soyons avertis rapidement de la nécessité d’une correction, et qu’à terme, nous parvenions à automatiser cette correction.

Donc, oui, la plateforme doit être capable de fournir des signaux de confiance lisibles par machine pour cette IA agentique. gouvernance, gouvernance extrêmement important, n'est-ce pas ? Cette gouvernance ne gouvernance pas ingestion de données , mais gouvernance tout au long du cycle de vie des données, de sorte gouvernance effective requête .

Et puis, troisièmement, les systèmes d'IA agentique vont avoir besoin d'un contexte sémantique. Les plateformes de données plateformes Databricks devront donc être en mesure de fournir cela. On dirait donc que Raja a tout cela bien en main pour nous.

Et il ne faut pas sous-estimer l'importance de observabilité s'assurer que tous les éléments dont dépend ce système d'IA agentique sont bien surveillés et que, lorsque des mesures correctives s'imposent, celles-ci soient effectivement mises en œuvre afin de garantir notre réussite. Très bien.

Eh bien, c'était formidable. Malheureusement, cela nous amène à la fin de notre temps imparti pour aujourd'hui ; permettez-moi donc de remercier nos intervenants. Nous avons pu écouter Evan Levy de TDWI, Emma McGrattan d'Actian et Raja Parimal de Databricks.

Nous tenons également à remercier une nouvelle fois Actian et Databricks pour leur parrainage du webinaire d'aujourd'hui. N'oubliez pas que nous avons enregistrement le webinaire enregistrement et que nous vous enverrons par e-mail un lien vers la version archivée. Si vous souhaitez obtenir une copie de la présentation d'aujourd'hui, rendez-vous dans la fenêtre des ressources pour télécharger le fichier PDF.

Enfin, non seulement TDWI propose apprentissage de pointe destinées aux équipes apprentissage renforcer leurs compétences en matière de BI, d’IA, gouvernance des données, de stratégie et bien plus encore, mais TDWI offre désormais également des services d’accompagnement des équipes pour développer interne tout au long de votre parcours numérique. Vous recevrez plus de détails à ce sujet dans les communications qui suivront le webinaire. Au nom de toute notre équipe, je tiens à vous remercier chaleureusement de votre participation.

Cela conclut donc l'événement d'aujourd'hui.