Automatisation des décisions - L'informatique doit penser de manière interdisciplinaire

Les entreprises gaspillent une ressource importante, le temps de leurs professionnels hautement spécialisés, pour des décisions qui sont toujours prises de la même manière. D'un autre point de vue, on pourrait aussi dire qu'il y a là un très grand potentiel d'augmentation de la productivité.

Grâce aux nouvelles méthodes de stockage des données et aux possibilités d'accès efficace aux données, ainsi qu'aux développements actuels dans le domaine de l'apprentissage automatique et de l'intelligence artificielle, il est évident que de telles routines peuvent être automatisées.

De plus, les processus commerciaux avec des décisions de routine, qui sont de toute façon représentés numériquement à l'aide d'un système de workflow, offrent une base importante pour l'automatisation des décisions.

Par exemple, les données de processus pertinentes pour la prise de décision peuvent être collectées par l'exécution d'un workflow de processus et stockées temporairement sur un système Hana par le biais d'une interface pour l'apprentissage du modèle.

Grâce à ce flux de travail, des données relatives à des décisions humaines réelles sont ensuite disponibles. Sur la base de cette collecte de données et d'algorithmes d'apprentissage automatique spécifiques de la bibliothèque d'analyse prédictive Hana ou, alternativement, des offres de cloud computing connues sur le marché, les modèles d'apprentissage automatique sont entraînés pour une prise de décision automatisée et ces modèles sont également stockés sur Hana.

Par conséquent, le flux de travail du processus a été adapté de manière à ce que ces modèles permettent une prise de décision automatisée du système lors de leur exécution et à ce qu'ils s'améliorent eux-mêmes de manière évolutive grâce à un réentraînement automatisé.

Le défi pour cette automatisation des décisions est d'une part l'analyse, la sélection et le paramétrage du bon algorithme d'apprentissage automatique et d'autre part la sélection et la préparation des données pertinentes et des attributs qui doivent être utilisés pour une décision.

En effet, celles-ci constituent le fondement des décisions et conduisent à des décisions erronées en cas de mauvais choix, de lacunes dans les données ou de données incorrectes. Il est donc indispensable de s'intéresser de près à l'anatomie de chaque décision.

La quantité de données est également très importante. Sans une grande quantité de données, le modèle d'apprentissage automatique ne peut pas apprendre un modèle précis, ce qui a une influence négative sur la qualité de la décision.

Les responsables de l'implémentation doivent diriger et soutenir l'entraînement du modèle d'apprentissage automatique. Le savoir-faire nécessaire à cet effet doit être développé au préalable.

Outre les possibilités techniques, il est également important de comprendre l'anatomie des décisions humaines afin de pouvoir les mettre en relation avec les connaissances techniques.

Dans ce contexte, la connaissance des différentes théories de la décision et de l'économie comportementale de l'homme lors de la prise de décisions joue un rôle important. Dans ce contexte, il est nécessaire de connaître la théorie prescriptive de la décision, qui traite de la prise de la bonne décision rationnelle, et la théorie descriptive de la décision, qui traite des erreurs typiques que l'homme commet en tant que décideur.

La connaissance des distorsions cognitives, qui reflètent les tendances inconscientes de l'homme à se souvenir et à penser, est importante dans ce contexte et doit être prise en compte lors de l'implémentation technique.

Il s'agit là de compétences entièrement nouvelles auxquelles les équipes habituellement plus techniques doivent faire face dans le cadre des nouveaux développements. Les départements informatiques doivent ici travailler de manière interdisciplinaire et, dans le cadre de la numérisation croissante, s'occuper de l'homme en tant que sujet au sein des processus commerciaux.

La gestion automatique des décisions dans les processus commerciaux au moyen d'algorithmes et de données n'est pas un fantôme du futur. Il vaut la peine de briser les anciennes structures et d'organiser les départements informatiques de manière plus interdisciplinaire. C'est la seule façon de réussir la numérisation et les gains de productivité qui en découlent.