How tabular AI is different from traditional machine learning
L’IA tabulaire se distingue du Machine Learning (ML) traditionnel en appliquant à de nouvelles tâches prédictives les connaissances acquises à partir de données structurées. Au lieu de créer, d’entraîner et de maintenir un modèle distinct pour chaque cas d’utilisation, les organisations peuvent recourir à des modèles de base tabulaires (TFM) pré-entraînés pour reconnaître des schémas dans les données structurées.
Les modèles de base tabulaires analysent les relations entre les lignes, les colonnes et les valeurs afin de générer des prédictions avec moins d’efforts de développement de modèles que dans les approches traditionnelles. Cela aide les organisations à réduire la complexité et à accélérer la mise en œuvre de l’IA à l’échelle de l’entreprise.
La compréhension des différences entre grands modèles de langage, modèles de base tabulaires et modèles traditionnels de Machine Learning peut aider les équipes à choisir la bonne approche à mesure que leurs initiatives d’IA passent de l’expérimentation à la production.
Understanding tabular data in enterprise systems
À lui seul, un modèle d’IA étroit ou un modèle d’IA personnalisé de haute qualité ne suffit pas à garantir la réussite d’une initiative d’IA prédictive. Pour créer de la valeur métier, les entreprises doivent rendre les prédictions opérationnelles : elles doivent les connecter au contexte métier actuel, les rendre compréhensibles et gouvernables, et les mettre à disposition dans les applications et workflows décisionnels.
À mesure que les prédictions générées commencent à influencer les décisions, les équipes ont besoin de savoir quelles données ont éclairé un résultat, quels facteurs l’ont influencé, et si la prédiction reste fiable lorsque la conjoncture évolue. Il leur faut également disposer d’un moyen cohérent de surveiller, de gérer, et de gouverner les modèles prédictifs d’un cas d’utilisation à l’autre.
Lorsque les prédictions sont isolées dans un outil distinct, leur valeur est limitée. Les organisations obtiennent les meilleurs résultats lorsque les enseignements prédictifs sont intégrés aux processus métier pour éclairer les décisions, ce qui aide les collaborateurs et les agents d’IA à hiérarchiser les tâches, à identifier les risques et à agir en temps opportun.
Why most AI models built for structured data never reach production
La plupart des modèles d’IA reposant sur des données structurées n’atteignent jamais le stade de la production, car la réussite ne dépend pas uniquement du modèle lui-même. Lorsqu’une prédiction commence à influencer les décisions métier, les personnes doivent comprendre pourquoi elle a été formulée et si elle reste fiable au fil du temps. La prédiction doit également apparaître à l’emplacement où les décisions sont prises, plutôt que de rester isolée dans un outil distinct.
C’est là que de nombreuses entreprises découvrent que la qualité des modèles, à elle seule, ne détermine pas la réussite. Une prédiction ne crée de la valeur que lorsqu’elle éclaire une décision. Le contexte métier aide à relier la prédiction à la situation concernée, tandis que la gouvernance aide les personnes à comprendre comment la prédiction doit être utilisée.
Common barriers to enterprise adoption of tabular AI
Les premiers résultats peuvent souvent donner l'impression que le passage à l'échelle se fera sans difficulté. Un modèle de prévision apporte de la valeur dans un domaine de l'entreprise, et bientôt, d'autres équipes souhaitent disposer de capacités similaires pour leurs propres processus et décisions. Sans approche cohérente, les initiatives d'IA individuelles peuvent se multiplier et donner lieu à un paysage fragmenté de modèles, d'outils et de processus.
Le défi n’est plus de savoir si un modèle peut élaborer une prédiction utile, mais si l’organisation peut fournir des prédictions fiables de manière répétée pour différents cas d’utilisation, les maintenir en phase avec l’évolution de la conjoncture, et les mettre à la disposition des personnes et des agents d’IA au moment de la décision, tout en assurant la gouvernance des modèles, des prédictions et des workflows.
Les obstacles courants à l’adoption de l’IA tabulaire à l’échelle de l’entreprise incluent :
Un modèle pour chaque cas d’utilisation
À mesure que la demande augmente, les équipes créent, entraînent, déploient et maintiennent de plus en plus de modèles individuels. Les efforts liés au cycle de vie, l’infrastructure et les compétences spécialisées qui en découlent peuvent rendre l’IA prédictive coûteuse et difficile à faire évoluer.
Un contexte métier manquant
Un modèle peut identifier certains schémas dans un tableau, mais les décisions fiables dépendent des conditions opérationnelles du moment, des relations entre les données métier et de la signification du processus sous-jacent.
Des prévisions qui ne peuvent pas être expliquées
Lorsque l’organisation ne comprend pas comment une prévision a été générée ni quels facteurs ont influencé le résultat, l’adoption ralentit, il devient difficile de gagner la confiance et les efforts d’audit augmentent.
Des outils et des processus de cycle de vie déconnectés
Lorsque la formation, le déploiement, le suivi, la gouvernance et la mise à disposition ont lieu dans des environnements distincts, les équipes doivent effectuer un travail d’intégration accru et composer avec un contrôle moins cohérent du cycle de vie des prédictions.
Des résultats qui n’aboutissent jamais à une décision
Une prédiction a une valeur limitée lorsqu’elle demeure dans un tableau de bord ou un outil distinct. Sa valeur augmente lorsqu’elle est intégrée aux applications, aux workflows et aux expériences d’agent, là où les utilisateurs peuvent agir en conséquence.
Pour déployer l’IA à l’échelle de l’entreprise, les organisations ont besoin d’une approche reproductible qui leur permette de connecter les données et le contexte métier, de gérer et de gouverner les prédictions, et de diffuser celles-ci tout au long de leur cycle de vie complet.
How to build a tabular AI strategy around structured data
Une stratégie d’IA tabulaire efficace trouve son origine dans les données structurées qui alimentent déjà les processus métier, et non dans un projet distinct de préparation des données pour chaque nouveau modèle. L’objectif est de rendre les données structurées et le contexte métier disponibles sous forme de fonctionnalités réutilisables, afin que les équipes puissent générer, opérationnaliser et gouverner des prédictions fiables pour différents cas d’utilisation.
Utilisez la liste de contrôle suivante pour établir une stratégie d’IA tabulaire au sein de votre organisation :
Identifier les décisions métier à forte valeur ajoutée et les sources de données structurées de l’entreprise
- Commencez par les décisions susceptibles d’améliorer le chiffre d’affaires, de réduire les risques, de diminuer les coûts ou d’améliorer la prise de décision opérationnelle et les performances.
- Privilégiez les données structurées qui soutiennent les processus clés, tels que les transactions, les dossiers clients, les factures, les commandes, les stocks, et les données relatives aux collaborateurs.
- Ne vous limitez pas à une seule application lorsque la décision dépend d’informations provenant de plusieurs systèmes.
Connecter les données au contexte métier
- Identifiez les entités fonctionnelles, les règles, les relations et les conditions de processus qui façonnent la décision.
- Préservez le contexte des processus au lieu de traiter les enregistrements comme des lignes isolées.
- Tenez compte des graphes de connaissances, des données historiques et des signaux métier qui aident l’IA à comprendre les entités métier et leurs relations, et restez en phase avec l’évolution de la conjoncture.
Améliorer la qualité et la cohérence des données
- Comprenez à quoi vos données peuvent réellement servir avant de choisir une approche IA. Le volume des données disponibles, la cohérence de la collecte des informations clés et la fiabilité des résultats historiques sont autant de facteurs pouvant influencer le choix de l’approche la plus susceptible d’offrir les meilleures performances.
- Examinez si les approches d’IA tabulaire peuvent réduire le besoin d’un prétraitement approfondi. Certains modèles peuvent fonctionner efficacement avec des données imparfaites, ce qui permet aux équipes de consacrer moins de temps à combler les lacunes, à supprimer les valeurs aberrantes ou à reformater les données.
- Confirmez que les résultats historiques reflètent fidèlement ce qui s’est passé dans l’entreprise.
- Surveillez la qualité des prédictions, l’évolution des données et le comportement des modèles au fil du temps, grâce à des contrôles permettant d’encadrer l’utilisation des prédictions dans les applications, les workflows et les expériences d’agents d’IA.
How to choose the right AI models for tabular data
Le choix du bon modèle d’IA pour les données tabulaires devient plus facile lorsque le problème métier est clairement défini. Les différentes tâches prédictives ont des exigences différentes ; le meilleur choix dépend donc moins du modèle lui-même que du contexte de la prédiction.
Cette distinction est importante, car le choix du modèle influe sur tout ce qui suit. Plus un modèle est facile à appliquer à de nouveaux cas d’utilisation, moins les équipes consacrent de temps à créer et à maintenir des solutions distinctes. Parallèlement, le modèle doit pouvoir fonctionner avec les données, le contexte métier et le niveau d’explicabilité requis par le cas d’utilisation et par l’organisation.
La comparaison ci-dessous met en évidence la place de chaque approche dans le cycle de vie de la prédiction :
Les organisations qui souhaitent dépasser le stade des cas d’utilisation isolés ont besoin de modèles de base tabulaires capables de s’adapter à de nombreuses tâches prédictives, sans qu’il soit nécessaire d’utiliser de nouveaux modèles à usage unique ou des capacités prédictives personnalisées. C’est l’une des raisons pour lesquelles SAP combine plusieurs approches au sein de SAP Business AI Platform, et propose différents modèles de base tabulaires :
- SAP-RPT est une famille de modèles de base tabulaires entièrement gérés, entraînés sur des tableaux d’entreprise, des cas d’utilisation et des processus métier SAP réels, ce qui leur permet d’identifier de nombreuses relations dans les données d’entreprise.
- Prior-Labs-TabPFN-3 est une famille de modèles de base tabulaires en tête des bancs d’essai, qui répondent à un large éventail de tâches prédictives tabulaires.
Les clients peuvent orchestrer, déployer et gouverner de grands modèles de langage, des modèles de fondation tabulaires et des modèles d’apprentissage automatique personnalisés via SAP AI Core, un service d’IA entièrement géré. Cette approche permet aux entreprises d’adapter le modèle au problème tout en favorisant un parcours plus cohérent, de l’expérimentation à la mise en production, et en équilibrant les exigences en matière de coûts, de précision et de performances.
A framework for operationalizing tabular AI
Créer un pipeline d’IA tabulaire prêt pour la production ne se résume pas à sélectionner le bon modèle. Les entreprises doivent s’assurer que les prédictions restent utiles dans les conditions réelles de l’entreprise, relier ces prédictions au contexte dans lequel une décision est prise, et maintenir la confiance à mesure que ces prédictions s’intègrent aux opérations quotidiennes.
Cette progression débute par l’ancrage du modèle dans des cadres de gouvernance et des techniques d’explicabilité qui constituent un socle de validation ; le modèle peut être testé au regard du contexte métier afin d’établir sa pertinence et sa fiabilité. Au stade suivant, celui de la production, l’orchestration contribue à intégrer les bonnes informations au processus, et la mise à disposition rend les prédictions accessibles là où les décisions sont prises.
How business context complements model accuracy
Ni la précision du modèle ni le contexte de l’entreprise ne suffisent à eux seuls. Une prédiction doit être suffisamment précise pour étayer une décision, mais elle doit également refléter la situation de l’entreprise dans laquelle cette décision est prise.
Les grands modèles de langage (LLM) peuvent générer des réponses qui semblent plausibles, car ils comprennent les schémas linguistiques. Toutefois, la plausibilité ne garantit pas l’exactitude. Dans les processus métier, une réponse qui semble raisonnable peut tout de même conduire à un résultat erroné si elle ne s’appuie pas sur des données fiables.
Les modèles de base tabulaires (TFM) répondent à ce challenge en apprenant directement à partir de données structurées. Ils comprennent les schémas et les relations entre les dossiers, les transactions et les données opérationnelles de l’organisation afin d’élaborer des prédictions précises. Cependant, la précision à elle seule ne suffit pas toujours. Une prédiction peut identifier correctement un schéma tout en manquant du contexte métier nécessaire pour en déterminer la pertinence.
C’est pourquoi de nombreuses entreprises associent les atouts de l’IA tabulaire au contexte métier issu de leurs propres opérations. En ancrant les prédictions dans leurs données métier et les relations qui les unissent, les entreprises peuvent produire des résultats non seulement plus précis, mais aussi contextualisés et pertinents au regard des décisions que les utilisateurs doivent prendre.
Understanding relationships across enterprise data
Les décisions d’entreprise dépendent rarement d’informations provenant d’un seul système. Examiner les lignes et les colonnes isolément rend ces liens difficiles à voir. Même si les personnes peuvent souvent combler ces lacunes parce qu’elles comprennent le fonctionnement de l’entreprise, l’IA a besoin du même contexte pour parvenir à des conclusions fiables. À mesure que les données se répartissent entre un nombre croissant d’applications, préserver ces relations devient de plus en plus important.
C’est pourquoi les graphes de connaissances ont pris une importance croissante dans les déploiements en production. Ils contribuent à préserver les relations métier entre les systèmes ; grâce à cela, les prédictions reflètent le contexte dans lequel s’inscrit une décision. On obtient une vision plus claire de l’entreprise en offrant à l’IA tabulaire une vue de ces connexions entre systèmes, qui pilotent des prédictions reflétant la réalité derrière les données plutôt que les seules données.
Connecting predictions to operational decisions
How explainable AI builds trust in enterprise predictions
La confiance se développe lorsque les gens peuvent comprendre pourquoi une prédiction a été faite. Cela devient particulièrement important lorsque les prédictions influencent des activités à fort impact, depuis les processus financiers jusqu’aux décisions et audits de conformité. Le niveau de transparence et d’explicabilité adéquat peut permettre aux utilisateurs d’évaluer la prévision dans son contexte et de décider de la suite à donner.
Différentes explications répondent à des objectifs différents, en fonction de la décision à prendre et du niveau d’examen requis :
- Attribution des facteurs et analyse des caractéristiques : afficher les points de données qui ont le plus influencé une prédiction, afin d’aider les utilisateurs à comprendre ce qui a déterminé le résultat.
- Explicabilité au niveau des lignes et des colonnes : relier les prédictions aux colonnes pertinentes et aux enregistrements de lignes à l’aide d’exemples afin que les utilisateurs puissent voir les éléments probants qui les étayent.
- Prise de décision avec intervention humaine : permettre l’examen par des spécialistes lorsque le jugement métier est requis, afin d’aider les organisations à gérer les exceptions tout en préservant la responsabilité.
Par conséquent, l’explicabilité des prédictions permet aux personnes de les comprendre en toute confiance et d’agir en conséquence dans le cadre de leurs processus métier quotidiens.
AI governance requirements for tabular AI in production
À mesure que l’IA s’intègre aux opérations quotidiennes, la confiance devient tout aussi importante que la qualité des prédictions. Une prédiction qui influe sur une décision d’entreprise doit être suffisamment transparente pour étayer l’action qui en découle, ce qui rend indispensables les exigences de gouvernance de l’IA suivantes pour le déploiement de modèles à l’échelle de l’entreprise :
1. Gestion des risques et de la conformité
La gouvernance contribue à garantir que les prévisions sont conformes aux politiques de l’entreprise et aux exigences réglementaires, afin de prévenir les conséquences financières ou juridiques.
2. Contrôlabilité et traçabilité
Les résultats explicables et les parcours décisionnels documentés facilitent l’examen et la validation des résultats lorsque cela est nécessaire à l’amélioration des processus internes ou pour répondre aux demandes d’audit.
3. Suivi et gouvernance du cycle de vie des modèles
Le suivi continu aide les équipes à identifier quand des ajustements apportés aux données sont nécessaires afin que les prédictions restent fiables au fil du temps.
Lorsque la gouvernance fait partie du cycle de vie des prédictions, chaque prédiction s’accompagne d’une explication claire et d’un niveau de supervision défini. Par conséquent, les entreprises peuvent appliquer l’IA et la déployer à plus grande échelle avec davantage de confiance dans l’ensemble de leurs activités.
AI orchestration at enterprise scale
À mesure que les organisations étendent l’IA au-delà de quelques cas d’utilisation, il devient plus difficile de maintenir la cohérence. Chaque prédiction a besoin d’être fondée sur le contexte métier approprié, et différentes situations peuvent nécessiter différents modèles. Sans méthode cohérente pour prendre ces décisions, l’IA peut devenir fragmentée à l’échelle de l’entreprise.
C’est là que l’orchestration de l’IA prend toute son importance. Elle aide à s’assurer que chaque prédiction s’appuie sur un contexte métier pertinent et est évaluée à l’aide du modèle le mieux adapté à la tâche. À mesure que l’adoption progresse, il devient de plus en plus difficile de gérer ce processus manuellement.
SAP relève ce défi grâce à SAP AI Core. Ce service entièrement géré constitue une base permettant d’orchestrer les LLM et les TFM. L’exploitation de fonctionnalités telles que la récupération ciblée, le registre et la sélection du contexte, ainsi que l’inférence par lots tout au long du cycle de vie des prédictions, permet d’identifier automatiquement les meilleurs exemples de prédiction, de faire ressortir les données pertinentes de grands ensembles de données et de traiter de grands volumes de manière asynchrone, à l’échelle de l’entreprise. En fournissant une infrastructure commune pour l’IA tabulaire sur la SAP Business AI Platform, SAP AI Core accompagne les organisations qui souhaitent développer de nouveaux cas d’utilisation sans repenser le processus à chaque fois ni engager de coûts supplémentaires.
How to deliver AI predictions into business workflows
L'objectif de l'entreprise consiste à intégrer les prédictions d'IA aux workflows de l'entreprise en les plaçant là où les décisions sont prises. Lorsque les utilisateurs reçoivent une prédiction au sein du processus qu'ils utilisent déjà, ils peuvent agir plus facilement en conséquence et au bon moment. Par conséquent, les entreprises de premier plan accordent autant d'importance à la manière dont les prédictions sont fournies qu'à la façon dont elles sont générées.
SAP soutient cette approche en intégrant des prédictions là où les décisions sont prises, via les applications SAP, les Joule Agents et les assistants d’IA. Les entreprises peuvent tirer parti de la gamme de services et modèles d’IA de SAP pour mettre en œuvre des prédictions dans des solutions et applications d’IA personnalisées. Grâce à la mise à disposition des prédictions là où les personnes et les agents d’IA peuvent agir, les utilisateurs y accèdent via des interfaces et des expériences sans quitter le workflow qu’ils connaissent déjà.
Enterprise tabular AI use cases that deliver measurable business value
Les déploiements d’IA tabulaire les plus aboutis améliorent les décisions prises fréquemment et ont un impact mesurable sur les résultats commerciaux :
1. Prévision et planification de la demande
La prévision façonne les décisions bien avant que les produits ne soient fabriqués, expédiés ou vendus. Lorsque les planificateurs disposent d’une vision plus claire et plus précise de la demande future, ils peuvent réagir plus tôt et réduire le coût qu’engendre une réaction tardive.
2. Détection des anomalies et suivi des risques
De petites anomalies peuvent se transformer en problèmes opérationnels plus importants si elles passent inaperçues. En prédisant tôt les schémas inhabituels, l’IA tabulaire aide les organisations à réagir avant que des perturbations ne surviennent.
3. Rapprochement des paiements et opérations financières
Un rapprochement des paiements inefficace entraîne des rapprochements manuels inutiles, un retard dans le rapprochement des créances, et une visibilité réduite sur le fonds de roulement. Le rapprochement des paiements repose sur des modèles de base tabulaires spécialisés qui comprennent les données financières tabulaires et le contexte métier, et s’en servent pour élaborer des prédictions précises qui guident le rapprochement des paiements.
4. Optimisation des fonctions Achats et Supply Chain
Les équipes Achats et Supply Chain s’adaptent constamment à l’évolution de la conjoncture tout en conciliant des priorités divergentes. Grâce à l’IA tabulaire, qui les aide à identifier les schémas naissants dans les données d’entreprise, ces équipes peuvent plus facilement faire des prévisions, réagir rapidement et réduire l’impact des perturbations et d’une hausse des coûts.
The future of enterprise AI: From predictions to tabular AI and decision intelligence
À mesure que l’IA s’intègre aux opérations quotidiennes, la valeur dépend de plus en plus de ce qui se passe une fois qu’une prédiction a été générée. Lorsque les personnes comprennent pourquoi et comment une prédiction a été faite et peuvent l’appliquer au moment de la décision, l’IA devient plus facile à utiliser et plus susceptible d’influencer les résultats et la stratégie d’IA tabulaire de l’entreprise.
Avec le temps, cela permet d’appliquer l’IA de manière plus cohérente dans toute l’entreprise. Les données d’entreprise structurées, le contexte métier et un service d’orchestration entièrement géré constituent le socle grâce auquel l’IA tabulaire peut agir là où le travail s’effectue, et contribuent à transformer les prédictions en résultats mesurables. Les modèles de base tabulaires pilotés par l’IA et services associés de SAP soutiennent cette progression en aidant les entreprises à dépasser les projets pilotes isolés et à établir un cadre reproductible pour déployer, exploiter, développer à grande échelle et activer des informations prédictives dans toute l’entreprise.
PRODUIT SAP
Déployer l’IA à grande échelle en toute fiabilité avec Joule
Découvrez les solutions d’IA de SAP qui intègrent le contexte métier dans le travail quotidien et aident les personnes à prendre des décisions de manière plus assurée.
manual
link-target-same
secondary
FAQ
PRODUIT SAP
Obtenez des prédictions précises et explicables
Générez des prédictions fiables à partir des données de l’entreprise, sur lesquelles votre équipe et les agents d’IA peuvent agir.
manual
link-target-same
secondary