SAS s’attaque au « dernier kilomètre » de l’analytique pour aider les entreprises à faire passer les modèles créés par les data scientists du laboratoire à la mise en production. Ce dernier kilomètre à parcourir est souvent entravé par un ensemble de processus manuels à réaliser et par l’existence de processus collaboratifs incohérents entre les équipes informatiques et les utilisateurs métiers. « Dans la pratique, nous avons constaté la difficulté qu’avaient les clients de passer du laboratoire au déploiement, à la mise en oeuvre concrète des modèles analytiques », nous a expliqué Mouloud Dey, directeur innovation et business development de SAS France. Lors de sa conférence Analytics Experience, à Milan, fin octobre, l’éditeur a annoncé l’offre Open Model Manager pour répondre à cette problématique et permettre aux entreprises d’exploiter réellement leurs modèles afin de pouvoir tirer parti plus rapidement de leurs données. SAS fait référence à une étude d’IDC qui montre que seuls 14% des répondants estiment que ce que produisent leurs data scientists est pleinement « opérationnalisé ».
« Open Model Manager permet en particulier de réconcilier notre monde propriétaire, le modèle analytique SAS, avec le monde de l’open source, notamment de Python et de R qui ont beaucoup de succès en mode expérimentation et en mode laboratoire mais qui peinent parfois à être délivrés », poursuit Mouloud Dey. « L’objectif est d’aider les entreprises à le faire en simplifiant ce dernier kilomètre en mettant réellement en production des modèles propriétaires SAS ou open source, en les challengeant et en choisissant le meilleur ».
Une méthodologie, des outils et des services
L’offre Open Model Manager réunit en fait trois composantes : une méthodologie, des outils logiciels et des compétences additionnelles fournies sous la forme d’une prestation de services. Si son nom met l’accent sur l’ouverture, la notion de management est également importante, souligne le directeur innovation de SAS France. « Un modèle analytique, tel qu’un modèle de score par exemple, a une durée de vie limitée qui doit être gouvernée. Il faut s’assurer qu’il produit toujours des résultats performants ou décider de le remplacer par un nouveau. » Comme pour toute application, il faut gérer son cycle de vie. « C’est un peu plus complexe pour un modèle car il peut continuer à fournir des résultats qui peuvent être faux sans que l’on s’en rendre compte ». Dans le cadre de la détection de fraude par exemple, le contexte évolue et les méthodes des fraudeurs se perfectionnent. Un modèle valable aujourd’hui ne le sera plus demain tout en continuant pourtant à fournir des résultats. « Il est donc extrêmement important de gouverner ces modèles dans la durée pour s’assurer qu’ils fournissent toujours des performances optimales ».
Tout aussi essentiel, la capacité à tirer parti de algorithmes développés en open source, « nouveaux, modernes, intéressants », mais qui, souvent, « ne passent pas le barrage du labo ». Associés à cela, nous avons aussi des prestations de services qui permettent de faciliter l’appropriation par nos clients de ces nouveautés en termes de compétences, celles des data scientists ou liées à l’IA étant rare », ajoute Mouloud Dey. « Mais aussi de méthodologie et cela fait partie de l’annonce : une sorte de devops à la manière SAS qui consiste à faciliter les principes d’appropriation de ces modèles par les entreprises avec des logiciel mais aussi des services. Ces méthodes sont issues des best practises mises en place depuis de nombreuses années chez nos clients et que l’on formalise sous la forme d’une offre complémentaire ».