L’atelier présentera les différentes étapes qui ont amené au succès de cette étude :

- La création d'une équipe transverse métier, datas scientistes, informaticiens dans un mode d’organisation dit agile. Une gouvernance serrée nécessitant des KPI universels.

- La restitution des résultats des modèles supervisés XGBOOST et non supervisés HDBSCAN dans des reportings intelligibles pour la gouvernance et les opérationnels.

- Un cadrage des résultats à partir d'un pro forma sur l’exercice précédent. Les résultats issus des modèles sont validés par les experts métiers. 

Un retour d’expérience fin de première année à permis de valider la cohérence de la classification issue du modèle IA XGBOOST. La seconde année nous avons travaillé sur la classification des anomalies et la convergence des analyses avec nos experts internes. Le taux de convergence est de plus de 85% des résultats plus exhaustif pour le modèle HDBSCAN. Le combo idéal étant comme d'habitude 80% IA aide à la décision et 20% d'humain pour la précision.

La prochaine étape des d’étudier les différentes modèles IA permettant de prédire les anomalies futures    et de mobiliser les ressources nécessaires à leur résolution. Le deuxième chantier est de prédire dans nos modèles de projection proposer aux utilisateurs des réponses instantanées aux valeurs manquantes ou aberrantes.

Mais pour nous la priorité des priorités est sortir du laboratoire et de passer en mode industrielle numérique.