media-blend
text-black

Techniciens informatiques travaillant avec un chariot d’intervention dans un grand centre de données rempli de serveurs en rack.

Comment créer et déployer des modèles d’IA tabulaire sur les données d’entreprise

Voici votre guide pour faire de l’IA tabulaire un moteur d’intelligence décisionnelle de niveau entreprise.

default

#

default

#

primary

default

#

secondary

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.

Capacité
Grands modèles de langage (LLM)
Modèles de base tabulaires (TFM)
Modèles traditionnels de Machine Learning (ML)
Enjeu principal
Comprendre les données non structurées et générer du texte
Comprendre les données structurées et générer des prédictions
Résoudre des problèmes de prédiction spécifiques
Données standard
Données non structurées (par exemple, documents, images et code)
Données structurées (par exemple, fichiers CSV, feuilles de calcul et bases de données relationnelles)
Ensembles de données structurés, non structurés, et semi-structurés
Cas d’utilisation courants en entreprise
Recherche, assistants IA, et génération de contenu
Prévision de la demande, détection des anomalies et segmentation de la clientèle
Prise de décision, automatisation des processus et personnalisation
Défi opérationnel
Ancrage des réponses dans un contexte métier pertinent afin de réduire les hallucinations
Intégration de prédictions fiables aux opérations quotidiennes de l’entreprise
Création, déploiement et maintenance de nombreux modèles individuels avec des données d’entraînement de haute qualité
Approche en matière d’explicabilité
Souvent indirect et dépendant du contexte
Peut fournir des explications au niveau des colonnes et des lignes avec des exemples
Varie selon le modèle et la technique
Les entreprises obtiennent les meilleurs résultats lorsqu’elles associent le bon modèle à la tâche. Alors que les grands modèles de langage excellent dans le cadre de l’IA générative, fondée sur le langage, l’IA tabulaire se distingue en générant des prédictions à partir de données d’entreprise structurées afin d’aider les équipes à anticiper les résultats, à identifier les risques et à agir au cœur des processus métier.

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.

table

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 :

Approche
Quand cela fonctionne bien
Limites
Machine Learning traditionnel
Tâches de prédiction stables, étroitement définies
La charge de maintenance augmente au fil du temps, et repose sur une expertise rare en science des données
Plateformes de Machine Learning automatisé
Accélération du développement de modèles
La complexité opérationnelle demeure après le déploiement
LLM
Langage, recherche, explication et conversation
La compréhension des tableaux à des fins prédictives n’est pas leur principale force, ce qui donne des résultats d’une faible précision
Modèles de base tabulaires
Classification, prévisions, rapprochement d’enregistrements, détection des anomalies et prédictions à partir de données structurées
Très performant pour fournir des résultats grâce à des fonctionnalités prêtes à l’emploi sur des données existantes. Fonctionne avec de petits ensembles de données, et donne les meilleurs résultats en s’exécutant dans les limites de taille recommandées, par exemple jusqu’à 1 million de lignes et 20 000 caractéristiques

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

Une prédiction crée de la valeur lorsqu’elle influence une décision ; c’est pourquoi le déploiement de modèles de base tabulaires ne réussit que si les prédictions sont intégrées directement aux flux de travail. Un spécialiste financier qui examine un paiement, par exemple, peut agir immédiatement lorsque la prédiction apparaît dans le même processus, ce qui raccourcit le parcours de l’information pertinente à l’action. Par conséquent, les déploiements réussis de l’IA tabulaire tiennent compte de la manière dont les prédictions parviennent aux décideurs. L’intégration des prédictions aux workflows existants et aux environnements dans lesquels agissent les personnes et les agents d’IA contribue à garantir qu’elles peuvent influencer les résultats lorsque le timing et le contexte sont déterminants.

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.

solid-light
blue-1
blue-7
horizontal
light
blue
Logo SAP

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

Voir comment fonctionne Joule

link-target-same

secondary

FAQ

Qu’est-ce que l’IA tabulaire ?
L’IA tabulaire consiste à appliquer des modèles de base tabulaires et des capacités d’IA afin de générer des prédictions à partir de données structurées, stockées dans des tableaux. Parce qu’elle fonctionne directement avec les lignes, les colonnes, la sémantique et les nombreuses relations présentes dans les sources de données structurées des entreprises, l’IA tabulaire peut identifier des schémas, par exemple dans les enregistrements opérationnels, afin d’aider à prévoir les résultats et à éclairer les décisions dans l’ensemble de l’entreprise. Contrairement aux approches traditionnelles, les modèles de base tabulaires offrent d’emblée des capacités prédictives et peuvent s’adapter à différentes tâches de cet ordre sans qu’il soit nécessaire de disposer d’un modèle distinct pour chaque cas d’utilisation, ce qui réduit les efforts requis pour déployer l’IA à grande échelle au fil du temps.
Pourquoi les données structurées sont-elles importantes pour les modèles d’IA ?
Les données structurées, bien qu’elles ne représentent qu’une fraction de l’ensemble des données d’entreprise, sont importantes, car leurs lignes, leurs colonnes et les relations au sein des tableaux structurés déterminent la plupart des décisions analytiques et opérationnelles clés dans les entreprises. Ces tableaux présentent des relations et une sémantique significatives, avec des enregistrements qui rendent compte de l’activité réelle de l’entreprise, et qui, à mesure qu’ils s’accumulent, révèlent des tendances que l’IA peut exploiter pour prévoir les résultats et étayer les décisions dans toute l’entreprise.
Quels types de données d'entreprise fonctionnent le mieux avec l'IA tabulaire ?
Les données d’entreprise stockées dans un format structuré en lignes et en colonnes (comme celles des bases de données relationnelles et des feuilles de calcul) sont particulièrement adaptées aux modèles de base pour l’IA tabulaire. Comme les données telles que les données d’inventaire, les transactions d’achats et d’autres types d’enregistrements structurés reflètent des processus métier concrets, elles fournissent à l’IA le contexte métier complet dont elle a besoin pour prédire avec précision ce qui pourrait se produire ensuite.
Comment les organisations déploient-elles l’IA tabulaire et les modèles de base tabulaires lors de la mise en production ?
Les organisations déploient l’IA tabulaire et les modèles de base tabulaires lors de la mise en production en partant d’une décision métier, puis en élaborant le processus de prédiction autour de cette décision. Ensuite, elles connectent les données qui fournissent un contexte pertinent, et valident la prédiction dans des conditions d’activité réelles. Une fois que la prédiction s’avère utile, elle est intégrée dans l’application ou le workflow où les personnes prennent des décisions. Les fonctionnalités d’explicabilité intégrées aux principaux modèles de base tabulaires aident les organisations à améliorer continuellement les prédictions et à valider les résultats si nécessaire. La gouvernance établie au début de la mise en production contribue à garantir que la prédiction reste fiable au fil de l’évolution de l’entreprise.
Qu’entend-on par explicabilité ou IA explicable dans le contexte des données tabulaires ?
L’explicabilité, ou l’IA explicable, appliquée aux données tabulaires aide les utilisateurs à comprendre les informations qui sous-tendent une prédiction. Lorsque les utilisateurs peuvent voir quels enregistrements ont influencé le résultat ainsi que des exemples des lignes utilisées pour générer les prédictions, il devient plus facile d’évaluer ces dernières dans leur contexte. Cette visibilité est particulièrement importante au sein des processus où les personnes endossent la responsabilité de la décision finale, pour les personnes qui déploient l’IA tabulaire dans l’ensemble de l’entreprise, ou pour les équipes chargées de valider les décisions et les résultats en interne ou en externe.
Comment les entreprises intègrent-elles les prédictions de l’IA dans les workflows d’entreprise ?
Les entreprises intègrent les prédictions de l’IA dans leurs workflows d’entreprise en reliant les données métier à un service prédictif, puis en mettant à disposition la prédiction lorsqu’une action doit être effectuée ou qu’une décision doit être prise. La prédiction est générée à partir de données structurées pertinentes de l’entreprise et de son contexte métier, mise à disposition via des applications d’entreprise, des agents d’IA ou des solutions d’IA personnalisées, et présentée au sein même du processus.
L’IA tabulaire peut-elle être utilisée avec les données ERP ?
L’IA tabulaire peut être utilisée avec les données ERP, car les systèmes ERP contiennent de grandes quantités d’informations métier structurées pouvant servir à des cas d’utilisation prédictifs. La famille de modèles tabulaires SAP-RPT a été développée à partir de vrais tableaux d’entreprise, connaissances des processus métier et cas d’utilisation de SAP, ce qui permet aux modèles de reconnaître bon nombre des relations qui existent parmi les données ERP.
solid-light
blue-1
blue-7
horizontal
light
blue
Logo SAP

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

Découvrez l’IA tabulaire

link-target-same

secondary