• Recherchez-vous...

Plateformes en surchauffe : mesures empressées, situations empirées

Allier données/pensées et systèmes de renseignements.

Il y a une vieille blague à propos de trois hommes échoués sur une île déserte. Un des hommes trouve une bouteille et la frotte sur sa chemise, ce qui libère un Génie qui accorde à chacun des hommes un vœu, mais ils doivent décider avant que le soleil ne disparaisse à l’horizon. Alors que le soleil commence à se coucher, le premier homme dit que même si l’île est magnifique et qu’ils ont plein de quoi manger et boire, il est convaincu que sa famille s’ennuie de lui. Il fait le vœu de retourner à la maison et il disparaît instantanément. Le soleil est maintenant égal à la ligne d’horizon lorsque le deuxième homme concède que l’île est magnifique, mais il a une importante tâche à terminer. Il fait le vœu d’être de retour chez-lui et il disparaît instantanément. Le troisième homme, qui a réfléchi le plus fort possible à son vœu, admet au Génie qu’il a peu de motifs de retourner à la maison. Il n’a pas de famille et il n’aime pas son travail. Le Génie lui rappelle qu’il doit choisir rapidement, sinon son vœu se perdra à jamais. Le soleil ne jette maintenant que quelques rayons de lumière au-dessus de l’horizon. Empressé de choisir, l’homme se rend compte qu’il est maintenant seul sur la magnifique île. « Si seulement j’avais quelqu’un avec qui partager cela », se plaint-il, « quelqu’un avec qui vieillir… » Le Génie commence à compter à rebours depuis le chiffre 10, en marquant le temps qu’il lui reste pour faire un vœu. Soudainement, l’homme lance avec frustration : « Je souhaite… que les autres gars soient de retour ici pour me tenir compagnie. »

Il est utile d’avoir dans la trousse de notre discipline la capacité de mesurer la quantité d’analyse requise pour arriver à un point où plus de précision ne changerait pas la décision.
 

Cette très mauvaise blague rappelle malheureusement beaucoup de situations de la vie réelle où nous fonçons tête baissée dans de mauvaises décisions à cause d’une date limite réelle ou apparente. Nous omettons de comprendre les ramifications de nos décisions ou même de comprendre quand nous devrions prendre une décision. Ces situations, parfois appelées « Plateformes en surchauffe », sont épineuses. Nous sommes contraints d’agir, mais les actions hâtives risquent d’empirer la situation. De plus en plus, nos systèmes intelligents et ces plateformes s’affrontent. Comment pouvons-nous utiliser données/pensées pour nous aider dans ces situations?

 

Rassembler ses esprits et rester calme : comment aborder une urgence

La première étape pour bien composer avec les plateformes en surchauffe est de détecter leur urgence et de rassembler le bon groupe pour traiter la situation tôt dans le processus. L’urgence provient souvent d’une situation problématique qui n’a pas été détectée ou qui n’a pas été traitée. Très souvent, la présentation initiale du problème n’est qu’une infime manifestation d’un phénomène beaucoup plus complexe. Prenons l’exemple d’un client qui téléphone, contrarié à propos d’un aspect d’un produit ou d’un service. Nous souhaitons servir le client, mais le problème peut être beaucoup plus important. Y a-t-il un problème systémique? Est-ce le tout premier d’une série d’appels du genre? Dans les grands systèmes connectés, l’automatisation augmente de plus en plus l’efficience. Nous ne composons plus avec nos clients un à la fois, mais souvent par milliers. La même connexité qui permet une ampleur sans précédent peut également causer une augmentation rapide de la portée des problèmes s’il n’y a pas suffisamment de contrôles en place pour détecter les anomalies et les problèmes.

Les analyses de données structurées, jumelées aux techniques d’IA évoluées, peuvent être une excellente approche à la détection des problèmes croissants. Des techniques telles que la détection des anomalies, les analyses de signaux et la classification peuvent être appliquées pour aider à comprendre quand les situations commencent à dérailler. Les mesures typiques comprennent le caractère (plages, volumes de signaux, mesures des tendances centrales, observations des facteurs périphériques) et la qualité (grappes d’erreurs, « omissions ») des données.

Les données non structurées peuvent également s’avérer fort utiles. Il y a un accent qui est mis de plus en plus en science des données sur les outils qui peuvent ingérer les données telles que les commentaires, les blogues et les autres formulations, et générer des inférences à propos des tendances et des sujets. Initialement, pareils outils étaient très limités et faciles à mêler. Le traitement du langage naturel (TLN) a beaucoup cheminé. Il est maintenant possible de détecter des grappes de termes au sens semblable et de détecter l’émergence des nouvelles phraséologies qui peuvent n’être utilisées que dans des sous-ensembles d’un plus vaste groupe.

Les tendances (par exemple, les sentiments négatifs croissants) et les sujets (les grappes de mots ou de phrases qui sont perçues comme ayant un sens similaire du point de vue sémantique) peuvent être très utiles au moment de rassembler les bonnes ressources pour traiter un problème croissant. Le TLN et les autres techniques, notamment les approches cognitives qui observent les actions d’experts semblablement instruits, peuvent être extrêmement utiles pour aviser les bons groupes tôt, avant qu’une situation ne dégénère.

Nous devrions non seulement utiliser nos meilleurs outils pour acheminer les nouveaux produits et services, mais aussi utiliser ces outils pour nous aider à détecter lorsque la situation peut mal virer. Les différences entre une petite anomalie et un problème pansystémique deviennent de plus en plus difficiles à détecter, étant donné que les processus sont plus connectés et plus intelligents qu’auparavant.

Le coût de la possibilité et l’élasticité de la décision : Qu’arrivera-t-il si nous ne faisons rien? Et si nous faisons fausse route?

Peut-être l’élément le plus délaissé parmi les stratégies visant à traiter les principaux risques est l’omission d’évaluer le coût de ne rien faire. Sans les bons outils et processus en place pour détecter les situations tôt, il y a souvent une urgence à « faire quelque chose ». Cette urgence génère souvent une bonne part d’échauffement ou d’empressement à intervenir de manière sous-optimale, un état qui doit être traité à son tour. Le coût caché d’une omission à traiter le problème sous-jacent continue de croître.

Alors que les systèmes deviennent plus intelligents, ils seront de plus en plus aptes à s’autocorriger. Par exemple, les outils d’analyses des métadonnées sont maintenant aptes à détecter lorsque les données alimentées dans un système se dénaturent. Les outils d’épuration automatisée réussissent depuis longtemps à corriger les valeurs de données manquantes ou incorrectes, mais ces outils sont de plus en plus aptes à « apprendre » de nouvelles règles en observant de grands corpus de données.

Un cousin germain du coût de la possibilité est l’élasticité de la décision, ou la mesure de combien mal la décision doit virer avant qu’une action différente ne soit posée. Les situations de plateformes en surchauffe empirent souvent tandis que les ressources cherchent à obtenir de plus amples renseignements ou à effectuer des analyses de plus en plus complexes. Il est extrêmement utile d’avoir, dans le cadre de notre discipline, la capacité de mesurer quelle quantité d’analyse est nécessaire pour en arriver au point où toute précision accrue ne modifierait en rien la décision qui a été prise.

Imaginez que vous êtes au volant d’une voiture circulant sur l’autoroute aux vitesses recommandées lorsqu’une voiture devant vous dans votre voie semble ralentir soudainement pour éviter quelque chose sur la chaussée. Tout choix que vous pourriez faire (appliquer brusquement les freins ou changer de voie) contient une part de risques (la plateforme en surchauffe) et toute milliseconde où vous omettez d’agir augmente le risque de percuter la voiture devant vous (le coût de la possibilité). En pareille situation, un conducteur compétent envisagera toute solution observable, puisera à sa formation et son expérience antérieures, et prendra la décision de faire quelque chose. Cette décision peut ne pas être parfaite, et elle pourrait même comprendre être impliqué dans un accident mineur pour éviter un accident majeur, mais le conducteur agira aussitôt qu’il aura pris la décision suffisamment bonne de faire quelque chose (l’élasticité de la décision). En pareille situation, vous savez instinctivement que vous ne pourrez pas prendre une meilleure décision (ou même une autre décision) si vous hésitez même une fraction de seconde de plus.

Les systèmes intelligents contiendront de plus en plus la logique de gérer le coût de la possibilité croissant et, surtout, l’évaluation du moment où des décisions quasi en temps réel sont nécessaires, telles que dans les appareils autonomes, pour gérer l’élasticité de la décision, en prenant des décisions moins que parfaites à partir des meilleurs renseignements disponibles.

Alors que nos systèmes et processus sont contraints de traiter des données de plus en plus dynamiques et imparfaites pour prendre des décisions de plus en plus en temps réel, il doit émerger de nouvelles capacités pour gérer les aspects cachés de la prise de décisions.

Il est donc crucial d’étudier comment nous traitons les situations émergentes et comment intégrer nos meilleures réponses à des systèmes de plus en plus intelligents. Nous dépendons de plus en plus de systèmes qui contiennent la logique de choisir un plan d’action. Ces systèmes franchissent le passage du fait de nous informer au fait d’agir comme nos agents. Nous aurions tout intérêt à décider rapidement comment mieux prendre ces décisions. Notre plateforme est en surchauffe.

Cet article a également paru sur LinkedIn.

Nous contacterContactez
Prenons contact
Veuillez remplir ce formulaire et nous vous contacterons bientôt.