L'intelligence artificielle dans le contexte de la gestion des données de base

Mais quel est l'impact de la progression de l'IA sur ces disciplines ? Et comment les préparer à l'avenir ? L'intelligence artificielle (IA), en particulier, est considérée comme ayant un grand potentiel de rupture.

On peut toutefois constater que la compréhension de l'IA est en constante évolution, car la limite de ce que nous accordons aux machines et aux ordinateurs est sans cesse repoussée.

Actuellement, la science se concentre sur l'imitation de capacités humaines spécifiques telles que le contrôle des mouvements (robotique), la perception de l'environnement (machine perception) et la compréhension des émotions (affective computing).

Dans le contexte de la gestion des données de base, l'apprentissage automatique (ML) est l'une des capacités d'intelligence artificielle les plus pertinentes.

Cohérence des données grâce à l'IA

La validation des données, basée sur des systèmes ML intelligents, est particulièrement visée ici. Ces systèmes détectent les données incohérentes, par exemple les données dites aberrantes, sans que des règles claires aient été définies au préalable à cet effet.

Une autre possibilité d'utilisation de l'IA dans la gestion des données est la gestion des données de base en soi. Comme cela a été fait jusqu'à présent sans l'utilisation de l'IA : Dans les outils de données de base tels que SAP MDG (Master Data Governance), il est possible de définir des règles de gestion qui aident l'utilisateur à saisir les données et qui garantissent une qualité élevée des données. Le plus grand défi est que chaque règle à appliquer doit être clairement définissable et déduite par des utilisateurs expérimentés.

Dans chaque entreprise, il y a des collègues qui examinent une fiche technique et qui reconnaissent intuitivement que quelque chose ne va pas. La plupart du temps, ils ne sont toutefois pas en mesure de justifier précisément pourquoi il en est ainsi, et encore moins d'inscrire leur hypothèse dans une règle définie.

C'est précisément cette capacité qui transforme les utilisateurs ordinaires en experts en données. L'IA permet d'entraîner un système à adapter cette capacité et, sur la base de l'entraînement, à détecter des données incohérentes grâce à l'apprentissage automatique, sans devoir se baser sur des règles prédéfinies.

Pour illustrer les capacités d'un tel système d'IA, nous allons utiliser un simple matériau avec ses dimensions en longueur, largeur et hauteur. Il est extrêmement complexe, voire impossible, de décrire dans une règle définie comment doit être la relation entre ces trois valeurs, même si chacun est conscient que certaines combinaisons de ces valeurs sont valables dans son propre portefeuille de produits et d'autres non.

L'IA, et en particulier l'apprentissage automatique, permet de vérifier précisément ce rapport, en se basant sur le portefeuille de produits concerné et non sur un ensemble de règles concrètes.

Les systèmes ML créent un algorithme qui apprend des combinaisons de modèles cohérentes et incohérentes à partir d'ensembles de données antérieurs et qui peut ainsi valider de nouvelles fiches et émettre des avertissements après un certain temps d'entraînement.

Bien que l'algorithme d'IA et l'entraînement des modèles ne soient pas exécutés dans le SAP MDG lui-même, par exemple sur un serveur R, la validation lors de la saisie de nouvelles fiches est entièrement intégrable dans le MDG, ce qui permet de les exécuter via le cadre de validation MDG.

Pour l'utilisateur, il est ainsi impossible de distinguer si les données ont été validées par une règle de gestion classique ou par un modèle d'IA.

Transformation S/4 : l'IA peut aider

Les projets de transformation S/4 sont sans aucun doute un sujet important dans les environnements SAP. En particulier ceux où l'introduction d'un nouveau système SAP S/4 Hana s'accompagne d'une harmonisation ERP.

Outre la standardisation des processus, l'harmonisation des données est considérée comme un défi particulier dans le cadre de tels projets d'harmonisation et de transformation.

Souvent, ces systèmes ERP se sont développés sur des décennies, ont été étendus par différentes personnes et partenaires et sont donc généralement très hétérogènes, tant au niveau des processus que des données.

Les équipes MDM jouent un rôle central dans ces initiatives et veillent à ce que les données de base des systèmes soient réunies et gérées de manière durable à l'avenir. L'apprentissage automatique peut ici jouer un rôle important en complément des applications ETL (Extract, Transfer, Load) classiques - par exemple pour le mappage des données.

Au lieu d'imposer les logiques de mappage exactes (données + règle = mappage), les applications ML permettent un mappage optimisé sur la base des données d'entraînement (données + entraînement = mappage). Les règles proprement dites sont alors reléguées au second plan.

Les premières solutions logicielles standard basées sur le ML existent déjà pour la consolidation des données clients et fournisseurs. Les approches ML aident également à harmoniser les valeurs lors de l'harmonisation des données de base. L'analyse des données transactionnelles des fournisseurs pour déterminer les conditions de paiement optimales en est un exemple.

Chatbot : la nouvelle gestion des données de base

Les utilisateurs de systèmes MDM attendent également que les applications de données de base suivent le rythme technologique. L'expérience utilisateur et les performances du système sont déterminantes pour leur acceptation. C'est surtout en ce qui concerne l'expérience utilisateur que les applications MDM doivent être comparées aux applications privées pour smartphones - et elles tirent généralement leur épingle du jeu.

De nos jours, les utilisateurs souhaitent que les données de base puissent être gérées en quelques clics. La confrontation avec un grand nombre de champs de données de base est de plus en plus souvent remise en question de manière critique.

Les assistants personnels basés sur l'apprentissage automatique permettent une toute nouvelle expérience pour l'utilisateur. Ils utilisent généralement des algorithmes de speech-to-text et de natural-linguage-understanding.

Ce qui implique normalement plusieurs clics et saisies pour les utilisateurs peut ainsi être effectué par une simple commande vocale ou une entrée de chat. En cas de questions, les assistants personnels proposent une aide via des boutons, des champs de sélection et des valeurs ou recueillent les commentaires des utilisateurs sur les nouvelles fonctions ou les performances.

Autre avantage : ils permettent de gérer les données de base en utilisant le langage de gestion sans devoir se référer spécifiquement à la clé d'identification (valeur du Customizing).

Les entreprises qui poursuivent la vision d'une gestion des données de base basée sur l'IA avec des cas d'application généralement petits occupent une position de précurseur. Les cas d'utilisation sont rares et l'IA ne joue qu'un rôle secondaire dans les manifestations professionnelles MDM. Pourtant, l'intérêt pour ce sujet ne cesse de croître.