Le top départ du challenge AI4Win, hackathon ayant pour objectif la mise au point de solutions exploitant des technologies d’IA, vient d’être donné. L’objectif ? Sensibiliser les professionnels aux bénéfices de cette technologie. Démonstration avec trois cas d’usage signés SAP.
Le Machine Learning ne s’appuie pas sur l’intuition pour prendre des décisions, mais sur la data. Il permet ainsi d’éviter les biais humains, tout en proposant un modèle qu’il sera possible d’améliorer au cours du temps. Plus il y a de données, plus le résultat sera pertinent. Il ne faut toutefois pas oublier que la qualité des données demeure primordiale. Le processus de récolte des informations se doit donc d’être mature et abouti. Tout comme les processus métiers.
Chez SAP, trois piliers essentiels sont visés par l’IA : l’analytique avancée, pour améliorer la prise de décision ; l’automatisation intelligente (ou IRPA, pour Intelligent Robotic Process Automation) ; et, enfin, les agents conversationnels, qui promettent de transformer l’expérience utilisateur. Trois piliers que nous vous proposons de découvrir au travers autant de cas pratiques.
Lead Intelligence : mieux évaluer les opportunités et risques
La solution Lead Intelligence est architecturée autour de C/4HANA Cloud for Customers et permet d’accélérer les ventes en détectant les sources de revenus fiables et celles qui sont davantage à risque.
Ceci passe par l’analyse d’un jeu de données comprenant plus de 75 variables (ventes, marketing, finance
et services). Le tout en prenant en compte l’historique de la société. Fort de toutes ces informations, le Machine Learning définit un score permettant de repérer les opportunités et d’identifier les risques. Tout en précisant les facteurs clés ayant influé sur sa notation. L’idée est ici de proposer un outil d’aide à la décision s’appuyant sur des données objectives.
Lead Intelligence est intégré à SAP Sales Cloud, rendant ainsi l’usage du Machine Learning naturel et transparent. Ce mode d’intégration facilite la consommation de cette technologie. Reste à convaincre les utilisateurs de la pertinence de ces algorithmes face à la traditionnelle intuition des décideurs. Et à mesurer leur ROI. Neuf clients ont d’ores et déjà mis en production de telles solutions de Machine Learning, dont Bentley.
Pandora : assister les clients dans l’achat de bijoux
Pandora enrichit un site web de joaillerie d’un chatbot qui va guider le visiteur dans ses recherches. Les technologies issues de Recast.AI, une start-up française récemment rachetée par SAP, sont centrales dans ce scénario. L’agent conversationnel est personnalisé et connecté à l’infrastructure IT du vendeur. Il est capable d’accueillir nominativement les clients, puis de structurer le dialogue autour de leurs besoins et de leur budget. Jusqu’à la présentation d’articles au sein du chat, puis à leur déplacement vers le panier client.
Autre usage, la possibilité de partir d’une photo existante, exploitée par des techniques de reconnaissance d’image en Machine Learning, afin de rechercher des bijoux proches dans le catalogue du vendeur. La sélection d’objets est classée par score de similarité.
Troisième scénario proposé par le projet Pandora ; le retour d’un bijou cassé. Le chatbot invite le client à indiquer son numéro de commande, puis à fournir une photo de l’objet détérioré. Là encore, des techniques de Machine Learning vont analyser l’image et évaluer l’état du bijou. Un ticket de support sera alors automatiquement créé.
Nous sommes ici face à un agent conversationnel sophistiqué connecté au site d’e-commerce, assisté par du Machine Learning et directement relié aux applications métiers (commande, facturation, SAV). Le tout en mode Cloud, entièrement intégré au SI. Et sur la base de technologies 100 % SAP : Cloud Platform, Leonardo, Hybris, S/4 et Recast.AI.
Mining : anticiper les pannes sur le matériel industriel
Le troisième cas d’usage illustrant le potentiel de l’IA est dédié au monde de la mine, mais pourrait très bien être adapté à d’autres secteurs industriels. Il vise à surveiller les équipements utilisés dans une mine, afin d’en contrôler l’état.
La remontée en temps réel des informations des capteurs, associée à l’historique des pannes et opérations de maintenance, permet à des algorithmes de Machines Learning de calculer la probabilité de panne d’un matériel, en calculant le score de fiabilité de chaque équipement. Le système est également en mesure d’évaluer la dégradation du service en fonction des pannes attendues. Et peut – par exemple – décider de moins charger un camion en passe de tomber en panne.
Les données des capteurs sont remontées dans le Cloud via une application IoT. Puis insufflées dans un système de GMAO (Gestion de Maintenance Assistée par Ordinateur). Des algorithmes de Machine Learning évaluent alors la probabilité et le délai des pannes. Dans un pur esprit ‘data driven’, ces analyses peuvent déclencher des actions : créer un ordre de maintenance ; commander ou réserver les pièces nécessaires ; déclencher le déplacement du technicien. Une fois sur place, ce dernier disposera, sur son terminal mobile, d’instructions en modélisation 3D lui permettant de réparer le matériel de la façon la plus efficace possible.
