La science des données n'est pas un projet scientifique

Fourni par SAS

Selon une enquête réalisée en 2018 par New Vantage Partners, 97 % des entreprises sont investir dans le big data et l'intelligence artificielle (IA), et l'objectif principal pour la plupart est de déployer des capacités d'analyse avancées pour la prise de décision commerciale.

Oliver Schabenberger est vice-président exécutif, directeur de l'exploitation et directeur de la technologie chez SAS.

Cependant, au moins la moitié des analytique les résultats n'entrent jamais dans la production.

Le but ultime de transformation numérique grâce à la science des données est d'améliorer l'organisation. Que l'accent soit mis sur l'augmentation des revenus, la réduction des coûts, l'augmentation de la productivité ou le lancement de nouvelles activités, les organisations doivent aller au-delà de la collecte de données.

Les actifs d'analyse et les modèles d'IA créés lors de la phase de découverte ne sont pas non plus l'objectif final. Si vous n'opérationnalisez pas ces actifs en les mettant en action pour générer des résultats commerciaux et les gérer en continu, la science des données ne peut pas réaliser son potentiel.

Oliver Schabenberger, vice-président exécutif, directeur de l'exploitation et directeur de la technologie chez SAS, prend la parole lors de la conférence Analytics Experience 2018 de la société à San Diego. Steve Muir/SAS

Par où commencer avec la science des données

Si vous envisagez d'investir dans un programme de science des données, vous devez être bien au-delà de la phase d'hypothèse et de collecte de données d'un projet. Vous devez avoir identifié un problème clair que vous êtes prêt à résoudre avec des analyses, et vous devez savoir quelles données vous utiliserez pour résoudre ce problème.

Il existe de nombreux obstacles au succès des initiatives axées sur les données. La principale d'entre elles est la difficulté rencontrée par de nombreuses organisations pour opérationnaliser l'analytique : déployer, surveiller et gérer l'analytique et l'IA dans les processus métier.

Comment pouvez-vous surmonter ce défi et faire passer votre idée d'un projet scientifique à une véritable science des données ?

1. Commencez petit, avec un projet qui aborde une compétence de base de l'entreprise. Assurez-vous que toutes les parties conviennent de la valeur commerciale et de la faisabilité technique du projet.
2. Sélectionnez un projet qui offrira une victoire dans un an. En entrant dans le projet, sachez à quoi ressemble une victoire et comment elle sera mesurée.
3. Recherchez des opportunités pour automatiser et étendre votre utilisation des analyses. L'automatisation peut multiplier les résultats de votre projet de manière exponentielle.

Pour illustrer ces concepts, permettez-moi de décrire deux réussites récentes en science des données. L'un est un système de soins de santé utilisant la vision par ordinateur pour aider à traiter les patients atteints de cancer. L'autre est une agence de services sociaux qui utilise l'apprentissage automatique pour protéger les enfants vulnérables. Enfin, vous verrez comment ces projets sortent de la phase pilote pour être déployés pour des résultats à long terme.

Automatiser la détection des tumeurs dans les images médicales

Centre médical universitaire d'Amsterdam a récemment commencé à utiliser la vision par ordinateur et l'analyse prédictive pour améliorer les soins aux patients atteints de cancer. Son projet initial utilise la détection d'objets pour identifier et mesurer les tumeurs dans les tomodensitogrammes du foie.

Auparavant, les radiologues mesuraient manuellement la taille des tumeurs dans les scans avant et après le traitement. Ce travail prend souvent jusqu'à un tiers de la journée de travail du radiologue, mais c'est un travail critique. Si les tumeurs du patient répondent au traitement, cela fait également du patient un bon candidat pour la chirurgie.

Les dirigeants y ont vu un projet pilote parfait pour tester les capacités de l'analyse et de l'IA. L'hôpital a construit des modèles de vision par ordinateur pour analyser les images médicales en une fraction du temps. La détection d'objets reconnaît les tumeurs et leur taille presque instantanément. De plus, les modèles sont plus objectifs et plus précis que les radiologues.

Cette utilisation de l'analytique permet non seulement aux radiologues de faire plus de travail pratique avec les patients, mais sauve également des vies. En trouvant des résultats plus rapidement et avec plus de précision, la vision par ordinateur peut aider plus de patients à subir plus tôt des interventions chirurgicales vitales.

Comment ce projet est-il passé du projet scientifique aux résultats de la science des données ?

• L'IA est appliquée aux données réelles des patients pour prendre des décisions concernant les soins aux patients.
• L'hôpital a sélectionné un projet avec beaucoup de potentiel car la méthode actuelle est manuelle, chronophage et quelque peu subjective. Les dirigeants ont clairement compris les avantages de l'automatisation avec une méthode plus objective et précise.
• La taille initiale du projet était gérable car l'IA était appliquée pour aider à un aspect du traitement d'un type particulier de cancer.
• L'automatisation des mesures des tumeurs est un processus reproductible qui continuera à faire gagner du temps et à améliorer les soins aux patients.
• Le succès de ce projet peut être répété pour aider à traiter d'autres types de cancers et à lire d'autres types d'images médicales.

Alerter les assistants sociaux lorsque des enfants sont à risque

Nouveau comté de Hanovre , Caroline du Nord, est le point zéro de l'épidémie d'opioïdes qui ravage les États-Unis. En conséquence, le Département des services sociaux a vu monter en flèche les cas d'abus et de négligence.

Le nombre d'enfants placés en garde à vue à cause des opioïdes a doublé dans le comté depuis 2013. Les opioïdes représentent désormais près de 30 % des interventions du DSS.

L'agence connaît les facteurs qui mettent un enfant en danger. Mais lorsqu'il ne peut pas agir sur des données déconnectées au bon moment, les enfants peuvent facilement passer entre les mailles du filet.

Wanda Marino, directrice adjointe du DSS à l'époque, savait que le comté pouvait faire mieux. Lorsqu'elle a entendu parler d'un moyen de lutter contre la maltraitance des enfants grâce à l'analyse prédictive, elle a demandé une dotation pour aider à piloter la technologie.

Le nouveau système rassemble des sources de données disparates et génère des alertes basées sur des règles lorsque le niveau de risque d'un enfant a augmenté. Il peut s'agir d'appels au 911 de la maison, d'arrestations de membres de la famille, de nouvelles personnes à la maison ou de nouvelles enquêtes. Quelle que soit la source, la présentation visuelle des données permet aux assistants sociaux de voir facilement ce qui a déclenché une alerte, d'approfondir le dossier pour plus de détails et de déterminer les interventions éventuellement nécessaires.

Les résultats d'interventions plus rapides incluent des réductions des sévices infligés aux enfants et des taux accrus de permanence, c'est-à-dire un foyer permanent pour l'enfant. Marino dit que les enfants à risque sont les vrais bénéficiaires. Ce partenariat a été monumental. C'est la seule chose qui nous a aidés à aller de l'avant et à prévenir la maltraitance des enfants en temps opportun, et aussi à sauver des vies d'enfants.

Comment ce projet est-il passé du projet scientifique aux résultats de la science des données ?

• Le comté a sélectionné un projet qui a le potentiel de sauver des vies et de rendre les travailleurs sociaux plus efficaces.
• Le projet avait pour objectif clair d'aider les enfants d'une région aux ressources surchargées.
• L'apprentissage automatique est appliqué à plusieurs sources de données pour aider à prendre des décisions concernant la sécurité des enfants.
• L'automatisation des alertes pour les travailleurs sociaux est un processus reproductible qui continuera à faire gagner du temps et à améliorer la vie des enfants.
• Le succès de ce projet peut être répété et élargi pour aider d'autres comtés et d'autres personnels interagissant au sein du système de services sociaux, comme les juges et les policiers.

Aller au-delà du projet scientifique

L'analytique n'est pas un projet scientifique, et ce n'est pas le domaine des seuls statisticiens et scientifiques des données - plus maintenant. Ce que nous voyons dans les exemples de cet article, c'est comment ces principes se manifestent :

• Permettre des informations et une prise de décision basées sur des données.
• Des tâches rendues plus faciles et plus productives.
• Des décisions prises de manière plus fiable et plus rapide en augmentant l'accès aux analyses.
• Des résultats finaux qui profitent aux patients, aux familles et à la communauté.
• Des analyses qui passent des projets scientifiques aux opérations pour aider l'organisation, ses employés et les personnes qu'elle sert.

Pour ces deux projets, les premiers résultats conduisent à une utilisation accrue de l'analytique. À Amsterdam UMC, les administrateurs nous disent qu'ils espèrent étendre les modèles de détection d'objets pour plus de types de cancer et plus de types de patients. En Caroline du Nord, ce qui fonctionne dans un comté peut être étendu à d'autres comtés et pourrait conduire à un programme à l'échelle de l'État.

Pour que la science des données fonctionne, vous devez avoir pour mission de supprimer les obstacles à la production et à la consommation d'analyses. Comment pouvez-vous prendre un projet pilote et le transformer en quelque chose de plus grand ? Comment pouvez-vous prendre des données dont vous disposez déjà et les transformer en changement positif pour votre organisation et vos parties prenantes ?

En savoir plus sur initiatives axées sur les données chez SAS .

cacher