L'Intelligence Artificielle et le Machine Learning au service de vos projets

Dans ce récit, nous explorons le parcours de Planisware vers l'application de l'IA à la gestion de portefeuille de projets.

Qu'est-ce qui a changé aujourd'hui pour que l'I.A. et le Machine Learning soient des techniques viables dans le monde du PPM?

Et quels sont les principaux cas d’usage innovants où peut être déployée l'IA aujourd'hui?

• Des prémices au succès: l'I.A. appliquée aux PPM
  Estimation et autonomisation des utilisateurs - pourquoi l'IA a désormais un sens dans le monde des PPM
• Proposer à vos utilisateurs un assistant intelligent
  Renforcer l'autonomie de vos utilisateurs et réduire les problèmes de données grâce aux chatbots
• Interagir avec les projets en cours
  Interaction avancée et mise à jour des projets où que vous soyez
• Exploiter les données des projets grâce au Machine Learning
  Entraîner un modèle d'estimation pour faire des prévisions basées sur des données

Des prémices au succès: l'Intelligence Artificielle appliquée aux PPM

Pierre sourit en regardant par la fenêtre de la salle de conférence, contemplant la tour Eiffel dans le ciel de Paris. "Les co-fondateurs de Planisware, et moi-même, avons commencé notre carrière en travaillant sur des projets d'I.A. (Intelligence Artificielle) dans les années 80". Aujourd'hui CEO de Planisware, sa barbe taillée tachetée de gris, Pierre Demonsant se souvient très bien du premier "hiver de l'I.A.", lorsque de nombreux projets ambitieux n'ont pas tenu leurs promesses. "C'est pourquoi j'ai changé de cap pour commencer à travailler sur la gestion de portefeuille de projets au début des années 90".

"Il y a trois ans, j'ai recommencé à explorer l'IA", explique Pierre. "Aujourd'hui, nous avons accès à de très grands volumes de données avec une plus grande puissance de calcul, ce qui signifie que nous avons maintenant une chance de traiter avec succès un plus grand nombre de cas d’usage", explique-t-il. "Mais j'ai appris la prudence, et je préfère ne parler que des projets que nous avons menés à bien".

Planisware a commencé à intégrer l'IA dans ses principaux produits en examinant si le Machine Learning pouvait aider les chefs de projet à mieux évaluer la durée prévue des projets et les estimations de coûts dès le début.

Paul, un jeune trentenaire mince aux cheveux blonds en charge des efforts de R&D en Machine Learning chez Planisware, se souvient: "Nous avons commencé par demander à nos clients de partager leur base de données avec nous. L'idée était d'étudier quel serait le modèle le plus approprié à appliquer aux données, puis d'entraîner le modèle par la suite". Les bases de données des clients de Planisware contiennent souvent des millions d'objets - la stratégie semblait judicieuse.

Image

Ci-dessus : Modèle d'estimation prédictive appliqué au portefeuille de l'entreprise.

"Mais on a vite été confrontés à la réalité", poursuit Paul. "La qualité des données était inégale. C’était difficile d'obtenir de bons résultats dans tous les domaines. Dans certains cas, les résultats étaient bons, mais dans d’autres, il était très difficile d'obtenir des prévisions fiables", nous dit discrètement Paul. "Cela nous a surpris, mais en fin de compte, c'était parce que nous voulions utiliser les données de manière multidimensionnelle - ce qui n'est pas la façon dont les gens les utilisent habituellement, car ils ont tendance à se concentrer sur des paramètres spécifiques".

"Même lorsque les utilisateurs contrôlent leurs projets et suivent les normes de l'entreprise, la qualité des données peut très vite se dégrader", explique Franck Lafitte. Franck, directeur de Planisware Consulting, est un grand homme d'une cinquantaine d'années à l'air amusé. "Même avec seulement 10 utilisateurs, des erreurs sont commises presque quotidiennement et peuvent être difficiles à repérer. Ce problème s'aggrave à mesure que le nombre d'utilisateurs augmente".

"Tant d'erreurs peuvent être commises chaque jour", poursuit Franck. "Comme la réutilisation de modèles qui ne correspondent pas à un projet. Ou des informations de coûts ou de main-d'œuvre rattachées à la mauvaise tâche. Vous pourriez avoir de bonnes données lorsqu'elles sont utilisées pour calculer les indicateurs clés de performance". 

Franck marque une petite pause avant de mettre en garde : "Cependant, les choix de mise en œuvre, comme le niveau de granularité de la gestion des coûts, peuvent également limiter la manière dont vous pouvez utiliser ces données pour les prévisions".

Proposer à vos utilisateurs un assistant intelligent

"Pour aller plus loin, nous devions trouver un moyen d'aider nos clients en matière de qualité des données", explique Paul. "Et si nous utilisions l'I.A. pour les aider ? Nous avons pensé à une présence permanente de l'I.A. aux côtés des utilisateurs comme un excellent moyen d'assurer la qualité des données".

"Cela valait la peine d'essayer", note Pierre. Il explique que, alors que les robots dépendaient auparavant d'un ensemble rigide de règles et de réponses écrites, ils sont maintenant capables d'interagir de manière plus naturelle et moins structurée. "En traitant des paroles ou des textes humains ordinaires, les ordinateurs peuvent désormais comprendre le contexte et établir des connexions utiles. Les robots conversationnels - ou chatbots - sont désormais mieux acceptés pour interagir avec un service".

"Les chatbots sont principalement utilisés dans le e-commerce aujourd'hui", dit Paul. "Toutefois, nous pouvons les réorienter pour qu'ils servent d'assistant permanent pour des choses comme l'intégration de l'utilisateur, les visites guidées d'écrans ou les conseils sur les outils en contexte, et ainsi aider à la qualité des données".

La bonne qualité des données dépend fortement de la capacité des utilisateurs à comprendre la signification des processus clés et l'importance des données qu'ils saisissent. Un chatbot est un compagnon précieux, qui rappelle aux utilisateurs comment traiter des processus spécifiques et quel type de données est nécessaire.

Ci-dessus : une brève demonstration du Chatbot Planisware. Demandez et mettez à jour des informations directement par le biais du chat.

Interagir avec les projets en cours

Paul explique que, pendant que l'équipe produit travaillait sur le projet initial de chatbot pour guider les utilisateurs, elle a rapidement eu l'idée d'utiliser le bot pour mettre à jour et s'engager dans des projets. "Ce scénario a fait surface très rapidement. Cependant, notre langage, lorsqu'il recoupe la réalité des projets, est très difficile à comprendre pour une machine.

"Par exemple, les noms de projets sont souvent des mots courants ou des mots que le robot pourrait interpréter comme pouvant donner lieu à une action. Ainsi, nous avons dû développer une approche totalement nouvelle pour traiter les déclarations tronquées ou trompeuses", explique Paul.

L'objectif était de faire participer le robot à une conversation interactive - de répondre, non seulement en suivant les instructions, mais aussi en interprétant et en demandant des éclaircissements. Pour y parvenir, le bot devait comprendre parfaitement les expressions naturelles, qui peuvent varier énormément d'un utilisateur à l'autre, sans avoir recours à des mots clés spécifiques.

"Nous devions vraiment garder l'interaction fluide", ajoute Paul. "Nous avons surtout dû nous adapter au mieux à la langue de nos utilisateurs. Nous avons appris très tôt que nous devions préserver la flexibilité pour permettre au bot de s'adapter à l'usage local des mots".

Exploiter les données des projets grâce au Machine Learning

"J'étais un des premiers clients à qui Planisware a demandé d'utiliser des données pour le Machine Learning. C'était il y a deux ans", explique Jeff. "Et après quelques mois, je suis retourné chez Planisware pour essayer de comprendre ce qu'ils avaient retenu de ma contribution..." Jeff raconte son histoire à un public enthousiaste dans une salle comble, lors du Planisware User Summit 2019. 

Jean-Philippe Castells - ou Jeff pour les intimes - est DSI chez UCB en Belgique, et son enthousiasme pour les initiatives d'I.A. est contagieux. Le public écoute attentivement Jeff raconter comment UCB, une grande entreprise pharmaceutique, a toujours su que la data science était l'avenir. C'est l'année où l’I.A. de Planisware, exploitant les données financières, a pré-rempli le budget."L'I.A. est devenue assez mature pour atteindre un niveau supérieur, et nous aurons de plus en plus de données issues de l'I.A. et du Machine Learning".

Paul, rejoignant Jeff sur scène, explique comment les outils de Machine Learning de Planisware fournissent un mécanisme simple pour entraîner un modèle avec des données. Une fois entraîné, le modèle peut générer des estimations basées sur des données pour divers aspects des activités d’un projet: délais, consommation de ressources, coûts, etc. Paul souligne que bien que le système utilise des mathématiques et des techniques d'apprentissage avancées, la fonction de Machine Learning elle-même reste très facile à utiliser. "Il nous a fallu un certain temps pour comprendre comment faire", explique Paul.

Un des premiers résultats du modèle d'analyse prédictive de Planisware a été de repérer rapidement les aberrations et les problèmes de qualité des données dans la base de données. "C'est comme si les erreurs vous sautaient à la figure", plaisante Jeff devant l'assistance. Il devenait alors possible de s'attaquer rapidement à ces problèmes et commencer à éduquer les utilisateurs avec des actions spécifiques et ciblées.

Image

Ci-dessus : repérer les valeurs  erronées : quelle est la fiabilité du modèle prédictif ?

Une autre application de l'IA chez Planisware est l'Estimation Prédictive, qui permet d’identifier les facteurs à l’origine de l'estimation des tendances et des points de données, afin de confirmer et d'obtenir un nouvel aperçu de ce qui motive réellement les activités d’un projet. La compréhension de ces facteurs permet de prévoir avec précision le coût, la durée et les niveaux de ressources du projet, soit immédiatement après sa création pour aider les chefs de projet à établir des analyses de rentabilité, soit pour fournir des estimations actualisées à la fin du projet, une fois celui-ci lancé.

Image

Ci-dessus : Génération et construction du modèle prédictif.

"En général, les meilleures idées ne viennent pas de nous mais de notre base d'utilisateurs. Nous n'en sommes encore qu'au début et nous continuons à explorer les avantages du Machine Learning avec nos clients. Nous faisons de la cool tech", conclut Pierre. "Mais ensuite, nos clients nous montrent ce qu'on peut vraiment en faire".