Auparavant, pour réaliser une prévision des résultats de votre entreprise, il fallait une équipe de data science, des mois de développement de modèles et un peu de chance.
Mais aujourd'hui, alors que 78 % des entreprises utilisent l'IA dans au moins une fonction métier, selon McKinsey, ce délai est passé de plusieurs mois à des informations disponibles presque instantanément.
Avec ce changement, la pression pour livrer rapidement des modèles prédictifs n'a jamais été aussi forte.
IBM Watsonx condense le processus de création et de déploiement de modèles prédictifs en un flux de travail unifié accessible via un navigateur, que votre équipe de développement peut exécuter en quelques minutes. Mais la rapidité seule ne suffit pas. Si les prédictions générées par ces modèles n'ont pas de connexion avec les workflows décisionnels qu'elles influencent, elles n'ont alors aucun impact réel.
Ce guide couvre toutes les étapes, du téléchargement de votre premier ensemble de données et de l'entraînement du modèle à son déploiement en tant qu'API active et, surtout, à la connexion des informations qu'il génère aux flux de travail de direction dans des outils tels que ClickUp. 🔨
Vous apprendrez à la fois à créer le modèle dans Watsonx et à exploiter ses résultats afin que les prévisions débouchent sur des actions concrètes au sein de votre équipe.
Vous apprendrez à la fois à créer le modèle dans Watsonx et à exploiter ses résultats afin que les prévisions débouchent sur des actions concrètes au sein de votre équipe.
Qu'est-ce qu'IBM Watsonx et comment fournit-il l'assistance pour l'analyse prédictive ?
La mise en œuvre de modèles IA pour votre entreprise peut impliquer de former vos modèles dans un outil, de gérer vos données dans un autre et de gérer la gouvernance ou la conformité dans un troisième outil.
IBM Watsonx est la plateforme d'IA et de données d'entreprise d'IBM, conçue pour résoudre les aspects techniques de cette fragmentation. Il s'agit essentiellement d'une suite de produits d'IA permettant de créer, de former et d'exploiter l'IA au sein d'une entreprise, sans que l'ensemble ne donne une impression de dispersion ou d'expérimentation.
La plateforme remédie à la fragmentation des flux de travail en proposant un environnement de travail unique pour chaque projet. Vous pouvez charger des données, mener des expériences et configurer des surveillances sans quitter l'environnement.
La suite Watsonx comprend trois composants principaux :
- Watsonx. IA : Créez et entraînez des modèles prédictifs à l'aide d'AutoAI ou de notebooks personnalisés
- Watsonx. data : effectuez la connexion et la préparation des données provenant de plusieurs sources de données dans une architecture lakehouse
- Watsonx. gouvernance : suivez les performances des modèles et appliquez les règles d'équité
Pour l'analyse prédictive en particulier, watsonx.ia est l'interface principale que vous utiliserez. Elle inclut AutoAI, un générateur d'expériences sans code qui effectue la sélection automatique des algorithmes et classe les modèles candidats.
La suite de ce guide se concentre sur le flux de travail AutoAI au sein de watsonx.ai. C'est le moyen le plus rapide de mettre en place un modèle prédictif opérationnel.
Guide étape par étape pour créer un modèle prédictif dans Watsonx
Ce guide pratique part du principe que vous disposez déjà d'un compte IBM Cloud et d'un projet Watsonx. L'ensemble du flux peut être achevé directement dans votre navigateur, sans aucune installation d'environnement local. Voici comment procéder :
Étape 1 : Préparez et téléchargez vos données
Commencez par organiser vos données sous forme de tableau, par exemple dans un fichier CSV. Ce fichier doit comporter une colonne de cible clairement définie qui précise l'élément spécifique que vous souhaitez prédire. Il doit également comporter des colonnes de caractéristiques, qui constituent les données d'entrée à partir desquelles le modèle apprend.
Pour importer vos données, accédez à votre projet Watsonx et ouvrez l'onglet « Assets ». À partir de là, vous pouvez importer un fichier CSV directement ou effectuer une connexion à une source de données via watsonx.data.
Veillez à prendre en compte quelques problèmes courants liés aux données avant de commencer :
- Valeurs manquantes : comblez les lacunes importantes dans les colonnes critiques avant le téléchargement afin de garantir une grande précision
- Type de colonne cible : assurez-vous que les cibles de classification sont catégorielles et que les cibles de régression sont numériques
Étape 2 : Entraîner un modèle prédictif avec AutoAI
C'est ici que commence l'entraînement du modèle. Depuis votre environnement de travail de projet, cliquez sur « Créer une nouvelle expérience AutoAI ».
Sélectionnez votre ensemble de données téléchargé et choisissez votre colonne cible. À partir de là, vous pouvez configurer le type d'expérience et les paramètres facultatifs, tels que la répartition de vos données entre l'entraînement et le test.
Lancez l'expérience pour permettre à AutoAI de générer automatiquement un classement des pipelines. Ce classement classe les modèles candidats selon les indicateurs de votre choix, comme la précision ou le score F1.
Chaque ligne du classement représente une combinaison unique d'algorithmes d'apprentissage automatique et d'ingénierie des caractéristiques. Le pipeline le mieux classé est généralement celui qu'AutoAI recommande pour votre ensemble de données spécifique.
Ne partez pas du principe que le pipeline le mieux classé est automatiquement le bon choix. Il vaut mieux comparer les deux ou trois premiers pipelines plutôt que de choisir sans réfléchir le premier. Vous pouvez cliquer sur n'importe lequel d'entre eux pour vérifier, par exemple, quelles fonctionnalités sont les plus importantes ou comment le modèle commet des erreurs à l'aide de matrices de confusion.
Étape 3 : Déployez votre modèle prédictif
Une fois que vous avez choisi un pipeline performant, enregistrez-le en tant que modèle dans votre projet. Vous devez ensuite transférer ce modèle enregistré vers un espace de déploiement. Un espace de déploiement est un environnement distinct spécialement conçu pour les charges de travail de production.
Vous pouvez choisir entre un déploiement en ligne et un déploiement par lots. Un déploiement en ligne vous offre une API REST en temps réel pour des prédictions à la demande. Un déploiement par lots évalue de grands ensembles de données selon un calendrier défini.
Utilisez l'onglet de test intégré pour envoyer un échantillon de charge utile d'entrée. Cela vous permet de vérifier le résultat de la prédiction avant de l'intégrer aux systèmes en aval. Le déploiement génère un point de terminaison API et une URL de notation que les applications externes peuvent appeler.
Étape 4 : Surveiller et évaluer les performances du modèle
Un modèle entraîné sur des données historiques peut se dégrader au fil du temps à mesure que les tendances du monde réel évoluent. Cette dégradation, appelée « dérive », peut réduire imperceptiblement la qualité du modèle au fil du temps.
Pour suivre en continu les performances de votre modèle en conditions réelles et détecter les problèmes avant qu'ils ne deviennent un problème, activez le suivi via le composant Watson OpenScale, puis liez votre déploiement à l'outil de suivi et configurez vos seuils de qualité en matière d'exactitude et de précision.
Si vos prévisions impliquent des attributs sensibles, veillez à configurer des contrôles d'équité afin de garantir l'impartialité des résultats.
Le système peut générer des explications pour chaque prédiction, indiquant précisément quelles fonctionnalités ont conduit à un résultat spécifique. À partir de là, vous pouvez définir une fréquence mensuelle pour examiner ces tableaux de bord de surveillance et réentraîner le modèle si la qualité baisse.
Avant de conclure cette section, il est important de comprendre que chaque étape de ce processus implique différentes personnes. Sans un système permettant le suivi de l'exécution, le processus peut rapidement ralentir et devenir ingérable.
- Un analyste de données est chargé de nettoyer et de valider l'ensemble de données avant de le télécharger
- Un ingénieur en apprentissage automatique exécute l'expérience AutoAI et compare les meilleurs pipelines
- C'est le même ingénieur (ou un spécialiste des opérations ML) qui gère le déploiement des modèles et l'installation des API
- Un data scientist ou un responsable IA surveille les performances, examine les rapports de dérive et décide quand un réentraînement est nécessaire
Sans méthode structurée pour gérer cela, vous risquez rapidement de vous retrouver à vous fier à des notes éparses, des messages Slack, des e-mails ou à votre mémoire, ce qui entraîne des retards et des étapes manquées. La gestion des tâches devient donc cruciale.
Au lieu de laisser ces étapes isolées les unes des autres, ClickUp Tâches offre un système où :
- Chaque étape devient une tâche traçable
- Chaque tâche est attribuée à la bonne personne
- La progression est visible tout au long du flux de travail
Mais ce n'est pas tout. Chaque tâche s'appuie également sur le contexte et les données structurées qui lui fournissent l'assistance nécessaire à son exécution.
- Les champs personnalisés permettent de capturer des données structurées telles que la version du modèle, la source de l'ensemble de données, les indicateurs d'évaluation, le type de déploiement ou la fréquence de réentraînement.
- ClickUp Docs permet de stocker des documents d'assistance tels que des directives de préparation des données, des hypothèses de modèle, des notes d'expérimentation ou des instructions de déploiement
Ainsi, au lieu d'être de vagues tâches à accomplir, celles-ci deviennent des unités de travail entièrement contextualisées, claires, attribuées et prêtes à être exécutées.
Mais cela ne se limite pas au simple suivi des tâches ; ces tâches ne sont pas des actions ponctuelles. Il s'agit de flux de travail continus qui nécessitent en permanence un certain niveau d'actions manuelles répétitives.
Par exemple :
- Si la précision du modèle passe en dessous de votre seuil, il faut désigner une personne pour le réentraîner
- Si OpenScale signale une dérive, cette alerte doit être transformée en tâche avec un propriétaire clairement désigné
- Si un déploiement échoue pendant les tests, il doit être consigné, attribué et résolu rapidement
ClickUp Automatisations va encore plus loin en éliminant les transferts manuels entre ces flux de travail en déclenchant des actions automatiques basées sur des conditions prédéfinies.
Si un nouvel ensemble de données est téléchargé, une tâche de validation est automatiquement créée et attribuée à l'analyste de données. Une fois qu'elle est marquée comme « Prête », une tâche d'entraînement du modèle est automatiquement attribuée à l'ingénieur en apprentissage automatique. Une fois l'entraînement achevé, une tâche de déploiement est déclenchée pour le spécialiste des opérations d'apprentissage automatique.
Ainsi, chaque étape s'enchaîne naturellement avec la suivante, sans intervention manuelle. Les tâches sont automatiquement créées, attribuées et enrichies de contexte, ce qui permet à l'ensemble du flux de travail de se dérouler sans interruption.
Cas d'utilisation de l'analyse prédictive pour les équipes
Voici les façons les plus courantes dont les équipes utilisent l'analyse prédictive :
- Prévision de la demande : Prévoyez la demande pour vos produits au cours du prochain trimestre afin que votre équipe opérationnelle puisse s'approvisionner à l'avance et éviter les ruptures de stock
- Prédiction du taux de désabonnement des clients : Évaluez vos clients existants en fonction de leur probabilité de départ et acheminez les comptes à haut risque vers des flux de travail de fidélisation
- Évaluation des risques liés aux projets : signale les projets susceptibles de ne pas respecter les délais en fonction de leurs tendances historiques, comme les changements de périmètre
- Prévisions du pipeline commercial : prédit les transactions susceptibles d'aboutir et fournit à vos équipes commerciales des prévisions fiables
- Prévision des incidents informatiques : identifie les composants de l'infrastructure susceptibles de tomber en panne en fonction des modèles de journaux
Dans ce contexte, il est important de noter que la valeur de ces prévisions ne fait que s'accroître lorsque les résultats sont directement intégrés aux outils que votre équipe utilise déjà pour mettre en œuvre les décisions sur lesquelles elle a une influence.
🎯 Notre suggestion : intégrez ces informations dans un environnement de travail IA convergent tel que ClickUp.
Avec ClickUp, vous ne vous contentez pas de gérer les flux de travail de formation des modèles. Vous gérez également vos opérations quotidiennes au même endroit, ce qui permet à ces prévisions de déclencher directement du travail concret au sein des équipes.
- En matière de marketing, la prédiction d'un segment à forte intention d'achat peut générer automatiquement des tâches de campagne
- Pour l’équipe commerciale, les résultats de la notation des prospects peuvent se traduire par des tâches de prospection classées par ordre de priorité
- En matière d'opérations, les prévisions de risques (telles que la perte de clientèle ou les défaillances) peuvent déclencher des suivis ou des interventions
Chaque équipe peut structurer ses propres flux de travail au sein de tâches ClickUp, tout comme votre équipe ML le fait pour l'entraînement et le déploiement. Il s'agit du même système, mais avec des cas d'utilisation différents.
Et cela ne s'arrête pas à l'exécution. Avec les tableaux de bord ClickUp, vous pouvez :
- Visualisez les informations prédictives (par exemple, les segments à haut risque par rapport à ceux à faible risque)
- Suivez la progression des tâches créées à partir de ces informations au sein des différentes équipes
- Surveillez la charge de travail entre les équipes
- Découvrez comment les prévisions se traduisent concrètement en résultats
Il vous suffit de choisir le widget de votre choix, qu'il s'agisse de diagrammes à barres, de diagrammes circulaires, de diagrammes linéaires ou de jauges de progression. Ainsi, votre modèle ne se retrouve pas confiné dans un outil et votre exécution dans un autre ; tout reste connecté au même endroit.
De plus, vos informations ne se contentent pas d'éclairer les décisions ; elles les déclenchent, sont attribuées, suivies et terminées.
💡 Conseil de pro : vous pouvez utiliser ClickUp Brain comme assistant IA intégré dans l'ensemble de votre environnement de travail ClickUp.
Il ne s'agit pas d'un outil distinct, mais de la couche d'intelligence intégrée à votre environnement de travail ClickUp, ce qui signifie qu'elle dispose déjà du contexte nécessaire pour vos tâches, vos données et vos flux de travail.
Ainsi, au lieu de simplement suivre les tâches, vous disposez d'un assistant IA qui travaille à vos côtés, vous aidant à comprendre ce qui se passe et à passer plus rapidement à l'étape suivante.
Par exemple, vous pouvez @mentionner Brain dans un commentaire de tâche, comme vous le feriez avec un collègue, et demander :
- « Résumez le dernier rapport de dérive et mettez en évidence les points qui nécessitent une attention particulière. »
- « Qu'est-ce qui a changé dans les performances de notre modèle au cours des 30 derniers jours ? »
Il puisera dans les données de votre environnement de travail et vous fournira une réponse claire et immédiate. Il peut également générer du travail pour vous. Vous pouvez lui demander de :
- Rédigez une brève mise à jour à l'intention des parties prenantes pour expliquer pourquoi un modèle a été redéployé
- Élaborez un plan de réentraînement en fonction des récentes baisses de performances
- Créez une checklist pour valider un nouvel ensemble de données avant l'entraînement
Comme ClickUp propose un environnement de travail convergent, votre équipe n'a pas besoin de jongler entre différents outils pour la communication et l'exécution.
Toutes vos discussions peuvent se dérouler directement dans ClickUp Chat, qu'il s'agisse de discuter d'une baisse de la précision d'un modèle, d'examiner une alerte de dérive signalée ou de décider des prochaines étapes après un déploiement ayant échoué.
Mais surtout, ces discussions ne restent pas lettre morte.
Pour vous assurer que les discussions débouchent sur des actions concrètes, utilisez la fonction « Assign Comments ». Au cours d'une discussion, vous pouvez attribuer un message à un membre spécifique de l'équipe, le transformant ainsi instantanément en un élément clair à accomplir.
Ainsi, au lieu que les discussions tombent dans l'oubli ou se terminent par un « on devrait faire ça », elles se transforment en tâches qui sont réellement exécutées et suivies du début à la fin, le tout au sein de ClickUp Chat.
🎥 Pour mieux comprendre le paysage global des applications de l'IA dans le monde des entreprises, regardez cet aperçu des cas d'utilisation concrets de l'IA qui montrent comment les entreprises mettent en œuvre l'intelligence artificielle dans différentes fonctions et différents secteurs. ✨
Limites de l'utilisation d'IBM Watsonx pour l'analyse prédictive
Tout outil présente des avantages et des limites, et Watsonx ne fait pas exception. Il est certes puissant, mais tenez compte de ces limites avant de procéder à la validation de l’engagement sur cette plateforme :
- Courbe d'apprentissage : la configuration des espaces de déploiement et des moniteurs de gouvernance nécessite toujours une bonne compréhension des concepts liés aux plateformes cloud ; cette solution peut donc ne pas convenir si votre équipe n'a pas encore beaucoup d'expérience avec les outils ou l'infrastructure cloud.
- Gestion manuelle des données: la plateforme n'automatise pas la partie la plus difficile du nettoyage et de la structuration des données brutes, ce qui signifie que votre équipe doit encore traiter manuellement une grande partie de la préparation des données avant de pouvoir obtenir des résultats fiables
- Coûts de calcul : les expériences d'entraînement et l'hébergement des déploiements en production sur IBM Watsonx sont facturés en fonction de l'utilisation ; ainsi, pour les charges de travail croissantes, les ressources cloud peuvent être rapidement consommées à mesure que vous évoluez, ce qui entraîne des coûts plus élevés
- Intégration des flux de travail : pour agir sur la base des prévisions, il est nécessaire de réaliser une connexion avec des outils externes de gestion de projet
- Complexité de la gouvernance : la configuration des contrôles d'équité et de dérive implique plusieurs étapes qui peuvent sembler fastidieuses pour les petites équipes
Ces limites ne font que mettre en évidence les domaines dans lesquels des outils complémentaires doivent intervenir à l’étape de la prédiction. Cela est particulièrement vrai en ce qui concerne la partie « action » du pipeline de prédiction.
📮 ClickUp Insight : 88 % des personnes interrogées dans notre sondage utilisent l'IA pour leurs tâches personnelles, mais plus de 50 % hésitent à l'utiliser au travail. Les trois principaux obstacles ? L'absence d'intégration transparente, le manque de connaissances ou les préoccupations en matière de sécurité.
Mais que se passerait-il si l'IA était intégrée à votre environnement de travail et était déjà sécurisée ? ClickUp Brain, l'assistant IA intégré de ClickUp, fait de cela une réalité. Il comprend les requêtes en langage naturel, résolvant ainsi les trois principaux obstacles à l'adoption de l'IA tout en établissant la connexion entre votre chat, vos tâches, vos documents et vos connaissances à travers l'environnement de travail. Trouvez des réponses et des informations en un seul clic !
Autres outils d'IA pour l'analyse prédictive
Watsonx n'est pas la seule option disponible sur le marché pour la modélisation prédictive. En fonction de votre niveau de maîtrise technique, d'autres plateformes pourraient mieux convenir à votre infrastructure. Le tableau ci-dessous vous permet de les comparer en un coup d'œil.
| Outil | Idéal pour | Atout clé |
| IBM Watsonx | Équipes d'entreprise ayant besoin d'une IA régie et vérifiable | AutoAI + gouvernance intégrée et surveillance des dérives |
| Google Vertex IA | Teams déjà présentes sur Google Cloud | Intégration étroite avec BigQuery et les services GCP |
| Azure Machine Learning | Organisations de l'écosystème Microsoft | Connexion native à Power BI et Azure DevOps |
| Amazon SageMaker | Équipes natives AWS disposant de ressources d'ingénierie ML | Vaste bibliothèque d'algorithmes et environnement de notebook flexible |
| DataRobot | Les analystes métier qui souhaitent un ML entièrement automatisé | Automatisation de bout en bout avec des paramètres par défaut garantissant une forte explicabilité |
| ClickUp Brain | Les équipes qui ont besoin d'informations basées sur l'IA directement intégrées dans leurs flux de travail de projet | Une IA contextuelle qui fonctionne sur l'ensemble des tâches, des documents et des tableaux de bord sans avoir à changer d'outil |
📮 ClickUp Insight : Les changements de contexte sapent insidieusement la productivité de votre équipe. Nos recherches montrent que 42 % des interruptions au travail sont dues à la gestion de plusieurs plateformes, à la gestion des e-mails et aux allers-retours entre les réunions. Et si vous pouviez éliminer ces interruptions coûteuses ?
ClickUp regroupe vos flux de travail (et votre chat) au sein d'une plateforme unique et optimisée. Lancez et gérez vos tâches depuis le chat, les documents, les Tableaux blancs et bien plus encore, tandis que les fonctionnalités basées sur l'IA permettent de garder le contexte connecté, consultable et gérable !
Ne vous contentez pas de prédire, passez à l'action avec ClickUp
L'utilisation d'IBM Watsonx pour l'analyse prédictive suit un parcours clair, de la préparation des données à la surveillance des dérives, mais c'est là la partie la plus simple. Le véritable travail consiste à s'assurer que ces prédictions modifient réellement la façon dont votre équipe travaille.
Les prévisions qui restent dans des tableaux de bord que personne ne consulte ne sont qu'un gaspillage de ressources informatiques, et les équipes qui en tirent une réelle valeur ajoutée établissent directement les connexions entre les résultats de leurs modèles et leurs flux de travail d'exécution grâce à des alertes d'automatisation et à la redéfinition des priorités des tâches.
Si vous souhaitez disposer d'un environnement de travail où les informations issues de l'IA, l'exécution des projets et la communication d'équipe coexistent déjà, lancez-vous gratuitement dès aujourd'hui avec ClickUp. ✨
Foire aux questions
Il s'agit d'une plateforme d'entreprise dédiée aux données et à l'IA, conçue pour créer, entraîner et déployer des modèles d'apprentissage automatique. Les équipes l'utilisent pour gérer leurs lacs de données et superviser la gouvernance de l'IA à partir d'un environnement cloud unique.
AutoAI est un outil sans code qui analyse automatiquement vos données tabulaires afin de réaliser la sélection des meilleurs algorithmes d'apprentissage automatique. Il génère des fonctionnalités et classe les modèles candidats dans un classement afin que vous puissiez déployer l'option la plus précise.
La plateforme nécessite une bonne compréhension des concepts du cloud pour configurer les espaces de déploiement et les moniteurs de gouvernance. Elle n'effectue pas non plus l'automatisation du processus manuel de nettoyage et de structuration de vos données brutes avant leur téléchargement.