La gestion des données de référence évolue : autrefois fonction réactive fondée sur des règles, elle devient aujourd'hui une capacité stratégique axée sur l'intelligence.
Les approches traditionnelles peinent souvent à suivre le rythme face à la complexité des données multidomaines réparties entre les systèmes ERP, CRM, PLM et SCM, ce qui expose les entreprises à des risques d'erreurs, de doublons et d'enregistrements incomplets.
Gartner indique que la mauvaise qualité des données coûte aux entreprises en moyenne $12,9 millions par an. L'intelligence artificielle et l'apprentissage automatique transforment ce paysage en permettant la mise en place de processus autonomes tels que l'enrichissement des données, la normalisation, la déduplication et la détection des anomalies.
Ces fonctionnalités permettent aux entreprises de garantir de manière proactive la qualité, la cohérence et la pertinence des données dans les domaines liés à la clientèle, aux produits et à la maintenance, aux réparations et à l'exploitation (MRO).
En faisant évoluer la gestion des données de référence (MDM) d'une simple tâche axée sur la conformité vers un processus proactif s'appuyant sur l'intelligence artificielle, les entreprises peuvent transformer des ensembles de données auparavant fragmentés et sources d'erreurs en une source unique de vérité, ce qui leur permet de prendre de meilleures décisions opérationnelles, de réduire les risques et de dégager de nouveaux gains d'efficacité à tous les niveaux de l'entreprise.
CAS D'UTILISATION
Les processus relevant de la gestion des données de référence englobent un large éventail de flux de travail et de procédures, dans lesquels des technologies axées sur l'IA peuvent être mises en œuvre ;
Normalisation et normalisation des enregistrements de données
Enrichissement des fiches de données de référence
Déduplication
Intégrations entre les domaines de données de référence
Gouvernance des données de référence
Dans les sections suivantes, nous verrons comment les technologies d'IA peuvent aider à relever certains des défis les plus récurrents, les plus monotones et les plus chronophages au sein de chacun de ces domaines.
Normalisation et normalisation des enregistrements de données
Dans les environnements d'entreprise, un même élément est souvent décrit de multiples façons selon les usines, les systèmes ou les régions, en utilisant des abréviations, des conventions de dénomination, des unités de mesure, voire des langues différentes.
Cela entraîne des incohérences qui nuisent à l'analyse des données, à la facilité de recherche, à l'extraction des informations, à la logique de mise en correspondance et à la collaboration interfonctionnelle.
Parmi les problèmes liés à ces défis, on peut citer : la difficulté à harmoniser des ensembles de données en masse, les doublons résultant de conventions de nommage différentes, ainsi que diverses difficultés liées à la mise en œuvre d'un programme de gouvernance des données.
L'un des principaux défis liés à la gestion des données de référence réside dans le fait que les attributs essentiels des articles, tels que les dimensions, les pressions nominales et les nuances de matériaux, sont souvent dissimulés dans des descriptions en texte libre ou dans des documents techniques tels que des fichiers PDF, des fiches techniques ou des manuels techniques, Nomenclatures (nomenclatures), ou des plans de CAO.
Ce caractère non structuré rend difficile l'extraction, la normalisation, voire la recherche efficace de ces données. L'IA et l'apprentissage automatique, en particulier le traitement du langage naturel (NLP), jouent ici un rôle clé.
Les modèles de PNL entraînés, qui recourent souvent à la reconnaissance d'entités nommées (NER), sont capables d'analyser des descriptions complexes et d'identifier automatiquement les attributs clés.
Par exemple, une description de produit telle que « Robinet à bille à brides SS316, PN40, DN25 » serait décomposé de manière judicieuse en : Matériau = SS316, Pression = PN40, Diamètre nominal = DN25, et Type = Robinet à bille.
Exemples :
Dans un système de données de base clients, l'adresse du client A désigne l'État du « Texas » par l'abréviation « TX », tandis qu'un autre enregistrement peut désigner cet État simplement par « Texas » ; des incohérences similaires dans les adresses, comme le fait que « Parkway » soit écrit « Pk way », sont assez courantes.
Dans un système de gestion des données articles, la dimension mentionnée dans la description succincte d'une pièce de rechange peut faire référence à la taille indiquée dans « Pouces »« » ou « Dans » ou tout simplement comme ″
De tels problèmes peuvent entraîner un surstock (dans le cas de la fiche article), des doublons dans les communications (dans le cas de la fiche client) et toute une série d'autres problèmes.
Avant l'arrivée de l'IA, ces défis étaient gérés à l'aide d'une bibliothèque de taxonomies existantes qui, en général, n'était pas « globale », était difficile à maintenir et à suivre, nécessitait des mises à jour constantes et ne fonctionnait que dans le cadre d'une base de code structurée.
Grâce à des modèles d'IA « sensibles au contexte » et entraînés sur de vastes ensembles de données vérifiables, ces incohérences peuvent désormais être éliminées sans trop d'efforts, sur la base de la taxonomie adoptée.
Il suffit de fournir au modèle d'IA les informations relatives à la taxonomie adoptée ; le modèle se charge ensuite de respecter les exigences de normalisation.
Conseil de pro: Choisissez un logiciel MDM doté d'une fonctionnalité d'auto-apprentissage qui peut être formé en temps réel par un « intervenant humain » chargé de vérifier les modifications et de les valider.
De cette manière, le système d'auto-apprentissage peut devenir véritablement autonome, le rôle du responsable des données se limitant alors à celui d'un validateur.
1. Décomposition des abréviations et mise en correspondance terminologique : Les modèles d'IA entraînés à partir de données du secteur comprennent que « Mtr » = « mètre », « SS304 » = « acier inoxydable 304 », « CS Ball Vlv » = « vanne à bille en acier au carbone », et ainsi de suite. Ils associent ces variantes à une terminologie normalisée.
2. Normalisation et conversion des unités : Que les dimensions soient exprimées sous la forme « 10 mm », « 0,01 m » ou « 3 pouces × 5 yards », l'IA peut les convertir et les harmoniser selon le système de mesure souhaité (par exemple, le système métrique), et décomposer les champs composés en attributs structurés tels que « Largeur » et « Longueur ».
3. Structuration indépendante du langage : Les modèles d'IA sont capables d'interpréter des descriptions rédigées dans d'autres langues que l'anglais ainsi que les formats locaux afin de garantir une cohérence à l'échelle mondiale.
Exemple : Conscient que « Filtres à huile, 7-1/16 pouces » en espagnol, cela désigne un « Filtre à huile, 7-1/16 pouces », puis en l'extrayant et en l'associant correctement.
Enrichissement des fiches de données de référence
L'un des problèmes les plus épineux liés à la gestion de la plupart des ensembles de données de référence concerne les informations manquantes. Cela résulte souvent, en premier lieu, de l'absence ou de la médiocrité des pratiques de gouvernance des données de référence. Selon Super AGI,
L'enrichissement des données par l'IA peut améliorer la qualité des données jusqu'à 90% et réduire le temps de traitement jusqu'à 80%.
Les informations manquantes sont difficiles à gérer, car la déduplication, la normalisation et les intégrations multidomaines se compliquent lorsque le contexte d'un enregistrement de données n'est tout simplement pas disponible dès le départ.
Autrefois enrichissement des enregistrements de données était soit effectuée manuellement par une équipe d'experts en la matière, SOIT via des automatisations complexes qui nécessitaient la gestion d'un entrepôt de données de manière structurée.
Automatisations des bâtiments dans le cadre de l'enrichissement des données, qui était auparavant nécessaire éditeurs de logiciels de gestion des données de référence mettre en place des partenariats en matière de données afin d'accéder aux catalogues des fournisseurs, aux coordonnées, aux informations sur les salariés, etc., en fonction du domaine de données concerné.
Recourir aux services d'une équipe d'experts dans le domaine concerné représente un coût considérable. Mais surtout, la difficulté liée aux données manquantes s'en trouve accrue, ce qui entraîne des retards supplémentaires et aggrave encore les difficultés liées à la mauvaise qualité des données de référence.
Les systèmes d'IA agentique apportent une réponse à ce défi, car ils sont à la fois « sensibles au contexte » et capables d'exécuter des tâches complexes telles que la navigation sur le Web, l'extraction de données à partir de documents et d'autres sources non structurées, ainsi que le comblement des lacunes dans les enregistrements de données existants.
De plus, Protocoles MCP progressent de jour en jour, en dotant les agents d'IA d'informations suffisantes pour leur permettre d'exécuter des flux de travail aussi bien élémentaires que complexes, grâce à l'utilisation de logiciels tiers.
Ainsi, les agents d'IA spécialement formés, lorsqu'ils disposent des ressources adéquates, peuvent résoudre de manière autonome la quasi-totalité des défis liés à l'enrichissement des données, et ce en un temps bien plus court.
Dans le cas de documents numérisés ou de fichiers de plans techniques, les systèmes d'IA utilisent la reconnaissance optique de caractères (OCR), associée à la reconnaissance de formes, pour extraire des données sous forme de tableaux ou des spécifications, même lorsqu'elles apparaissent dans des images ou des schémas techniques.
Cela permet aux organisations de extraire des données à partir de documents techniques et les transformer en enregistrements de données de référence propres, structurés et consultables.
Quelques applications des agents d'IA à l'enrichissement des données de référence
Applications
1. Analyse automatisée des attributs à partir des descriptions
Les modèles d'IA, en particulier ceux basés sur le traitement du langage naturel (NLP) et entraînés sur des ensembles de données spécifiques à un secteur d'activité, sont capables d'extraire de manière intelligente des données structurées à partir de descriptions complexes et non structurées de produits ou de matériaux.
Exemple: Conversion de « 3-11/16″OD, 7-1/16″LG » en champs structurés tels que Diamètre extérieur et Longueur dans les fiches « Material Master ».
2. Compréhension sémantique pour la mise en correspondance des champs
L'IA comprend le contexte des termes et des abréviations utilisés dans divers secteurs (par exemple, « LG » = longueur, « OD » = diamètre extérieur) et les associe à des champs de données normalisés.
Exemple: Reconnaître que « BALDWIN 915 » désigne un fabricant et une référence, et les attribuer en conséquence.
3. Harmonisation et conversion des unités
L'IA harmonise les différents formats et représentations des mesures en un format unique pour l'ensemble des données, éliminant ainsi les incohérences.
Exemple: Conversion de « 3 pouces × 5 yards » en unités métriques standardisées et répartition des valeurs en Largeur et Longueur
L'absence d'informations telles que les spécifications, les références du fabricant ou les unités de mesure est un problème courant, notamment dans les ensembles de données hérités ou issus d'importations provenant de sources tierces.
Ces lacunes peuvent entraver les processus liés aux achats, à la conformité et à l'analyse des données.
L'IA et l'apprentissage automatique offrent des moyens intelligents de combler ces lacunes. À l'aide de techniques telles que l'inférence par similarité, les modèles analysent les enregistrements existants et complets afin de proposer des valeurs plausibles pour les enregistrements incomplets.
Par exemple, Si le diamètre extérieur d'un nouvel article « Roulement SKF 6205 » n'est pas indiqué, l'IA peut en déduire la valeur (par exemple, 52 mm) à partir d'autres articles identiques ou similaires déjà présents dans la base de données.
De plus, l'IA générative peut recouper les données internes avec des catalogues externes ou des bases de données de fournisseurs afin d'extraire des informations détaillées, telles que les dimensions, les fiches techniques, les données relatives au cycle de vie ou les pièces de remplacement.
Les modèles prédictifs, tels que les algorithmes de régression ou les arbres de décision, peuvent également être utilisés pour estimer des grandeurs numériques telles que la tension, le couple ou la pression nominale lorsqu'elles ne sont pas explicitement mentionnées.
Ce niveau d'enrichissement garantit des données de référence plus complètes et plus exploitables, réduit au minimum la saisie manuelle de données et facilite les efforts en aval en matière d'automatisation, d'approvisionnement et de conformité.
Il est assez fréquent, notamment dans le domaine des données de base clients, de tomber sur des cas où un enregistrement ne comporte ni adresse e-mail, ni numéro de téléphone, ni adresse postale.
En combinant les protocoles MCP et les agents d'IA, ces informations manquantes peuvent être enrichies grâce à l'extraction de données provenant de sources publiques telles que LinkedIn, voire de sources tierces accessibles par abonnement telles que DnB ou ZoomInfo.
Une approche similaire est désormais de plus en plus souvent appliquée aux données relatives aux pièces de rechange et à la maintenance, à la réparation et à la révision (MRO), où des informations manquantes ou incohérentes peuvent avoir de graves répercussions sur les performances de la maintenance et de la chaîne d'approvisionnement.
Les données relatives aux pièces de rechange présentent souvent des descriptions incomplètes, des caractéristiques techniques manquantes ou des entrées en double réparties sur plusieurs systèmes. Cela entraîne une confusion lors de la recherche de pièces, des retards dans la maintenance et des achats redondants.
L'enrichissement des données basé sur l'IA permet de relever ces défis en rendant les fiches de pièces de rechange plus complètes, plus cohérentes et plus exploitables.
En analysant les registres relatifs aux équipements, les catalogues des fournisseurs et les données historiques, les systèmes d'IA peuvent :
1. Déduire les attributs manquants tels que le type de pièce, la nuance de matériau ou les spécifications de fonctionnement.
Par exemple, dans les données relatives aux matières premières des usines chimiques, l'IA peut déduire les niveaux de pureté, les codes de dangerosité ou les consignes de stockage manquants en comparant des matières similaires présentes dans la base de données.
2. Identifier les caractéristiques propres aux fabricants et aux références de pièces afin d'assurer l'harmonisation entre les différents fournisseurs.
Dans les catalogues d'approvisionnement, l'IA permet de détecter les références en double qui existent sous des noms ou des codes fournisseurs légèrement différents, ce qui permet d'éviter les commandes redondantes.
3. Harmoniser les conventions de nommage afin d'assurer la cohérence entre les usines.
Par exemple, dans les données de référence des produits, l'IA peut détecter des incohérences dans la classification, comme un smartphone répertorié sous « Accessoires » au lieu de « Appareils mobiles », et de le corriger afin d'assurer la cohérence des rapports et des analyses.
Selon un Rapport de Gartner,
En ce qui concerne les priorités en matière de gouvernance de la qualité des données, on constate que les incohérences entre les silos (manque de cohérence, d'exhaustivité et d'unicité des enregistrements) comptent parmi les problèmes les plus complexes pour les grandes entreprises.
4. Recommander des pièces interchangeables ou de remplacement en fonction de similitudes au niveau des caractéristiques techniques, de l'utilisation ou des données historiques de consommation.
Par exemple, si un enregistrement ne contient que « GSKT, 4BOLT, SS316 », L'IA est capable de reconnaître qu'il s'agit d'un joint en acier inoxydable, d'identifier le type de bride et même de proposer des alternatives compatibles disponibles en stock ou auprès de fournisseurs agréés.
Cette vision enrichie des données relatives aux pièces de rechange et aux produits améliore la planification de la maintenance, accélère les processus d'approvisionnement et permet d'optimiser les stocks, en particulier dans les opérations multi-sites où la visibilité des pièces ou la cohérence des fiches produits sont souvent fragmentées d'un site à l'autre.
Vous trouverez ci-dessous la vidéo de présentation de notre produit, qui montre comment notre solution « agentic » enrichit les données provenant de sources de première et de troisième parties :
Déduplication des données
Selon Gartner, la mauvaise qualité des données coûte aux entreprises en moyenne $12,9 millions par an.
Une fois les enregistrements de données structurés, normalisés, standardisés et enrichis à l'aide de l'IA, la déduplication des données devient un jeu d'enfant.
Le processus de déduplication en lui-même ne fait pas vraiment appel à l'intelligence artificielle (sauf dans le cas des doublons de niveau 2), mais les étapes préalables sont essentielles pour garantir une déduplication précise sur l'ensemble du jeu de données.
Les entrées en double dans un ensemble de données de référence sont généralement classées en deux catégories : L1 et L2.
La déduplication L1 est simple et directe : dans ce cas précis, l'ensemble des données est dédupliqué selon une logique unique.
Exemple 1 : Même code article pour les matières directes.
Exemple 2 : Même adresse e-mail ou même numéro de téléphone dans le cas des données de base client
Exemple 3 : Même numéro de référence du fabricant (MPN) dans le cas où Pièces de rechange MRO données.
En substance, tout enregistrement dont une propriété présente des valeurs identiques, ce qui permet d'identifier sans équivoque cet enregistrement comme un doublon, est considéré comme un doublon de niveau 1.
Il n'existe pratiquement aucune IA pouvant être utilisée dans ce cas, car la logique est standardisée et structurée.
C'est pourquoi l'enrichissement des données de référence précède généralement leur déduplication, car cet enrichissement permet d'intégrer plusieurs valeurs dans le système, qui peuvent ensuite être exploitées pour la déduplication de niveau 1.
Les doublons de niveau 2, en revanche, sont bien plus complexes et sont généralement utilisés lorsque les valeurs nécessaires à l'application de la logique de niveau 1 font tout simplement défaut.
L'IA n'est tout simplement pas encore assez avancée pour automatiser entièrement la détection des doublons en L2.
Cela dit, l'IA peut considérablement simplifier la tâche, en identifiant les doublons potentiels grâce à une analyse de l'ensemble des enregistrements et du jeu de données lui-même avant d'attribuer un «score de confiance en double», qui peut ensuite être confiée à un vérificateur humain chargé de « valider » ou de « rejeter » les enregistrements de données en tant que doublons.
Une fois que le responsable des données a « validé » les enregistrements, ceux-ci sont généralement fusionnés, les données provenant du 2end L'enregistrement est supprimé une fois les champs créés dans le premier enregistrement.
Vous trouverez ci-dessous une vidéo montrant comment notre agent IA déduplique les données :
Intégrations des données de référence pour une réussite multidomaine
L'une des critiques les plus courantes à l'encontre d'un système de données de référence est le fait que, dans la pratique, chaque ensemble de données de référence existe de manière isolée des autres, dans des systèmes d'organisation disparates.
Pour bien comprendre les performances d'une fonction organisationnelle donnée, il est essentiel d'analyser les données issues de l'ensemble des domaines de données de référence.
Exemple 1 : Il est important de savoir combien de clients peuvent être touchés par un canal de communication marketing donné, mais il est tout aussi important de connaître les produits que ces consommateurs préfèrent, ce qui nécessite des intégrations poussées avec fiches produits
Exemple 2 : Il est important de connaître le nombre de pièces de rechange disponibles sur la plateforme d'approvisionnement pour assurer les besoins liés aux activités de production, mais il est encore plus important de savoir lesquelles de ces pièces sont nécessaires à la maintenance des actifs critiques ; celles-ci seront les pièces de rechange essentielles.
Cela n'est possible qu'avec une intégration poussée des données de référence des actifs et de la fiche article des pièces de rechange.
Gouvernance des données
Gouvernance des données de référence Ces cadres visent à garantir que les données de référence soient exactes, sécurisées, normalisées et conformes aux politiques internes et aux réglementations externes.
Cependant, à mesure que les volumes de données augmentent et que leur complexité s'accroît au sein des systèmes distribués (ERP, PLM, CRM, SCM, etc.), l'application manuelle des politiques de gouvernance devient impossible à étendre et se révèle trop réactive.
L'apprentissage automatique apporte une automatisation proactive et intelligente aux fonctions essentielles de gouvernance des données en permettant l'application dynamique des règles, la détection des anomalies et l'aide à la décision intelligente.
Ces modèles permettent de surveiller et d'améliorer en permanence la qualité des données, tout en allégeant la charge de travail manuel des responsables des données.
Applications :
1. Vérifications intelligentes des politiques
L'IA apprend à reconnaître les enregistrements valides et approuvés, puis vérifie si les nouvelles entrées comportent des champs manquants ou erronés, même en l'absence de règle définie.
Exemple : Si la plupart des fiches relatives aux moteurs électriques comportent un champ « Tension » renseigné, et qu'une nouvelle fiche ne le comporte pas, l'IA la signale immédiatement.
L'IA analyse les données historiques, identifie les champs qui vont ensemble et utilise ces informations pour détecter les erreurs.
2. Détection des anomalies et des erreurs
Les modèles d'apprentissage automatique détectent dans vos données les valeurs ou combinaisons inhabituelles qui ne correspondent pas aux schémas habituels.
Exemple : Un « tuyau en PVC » dont la pression nominale est indiquée comme étant de « 1 000 PSI » est signalé, car le PVC ne peut généralement pas supporter une pression aussi élevée.
L'IA établit une représentation de ce qui est normal pour chaque type d'élément et détecte les valeurs aberrantes à l'aide de modèles de reconnaissance de formes tels que « Isolation Forest » ou les auto-encodeurs.
3. Validation automatisée des dossiers
L'IA attribue une note aux enregistrements nouveaux ou mis à jour en fonction de leur exactitude et de leur exhaustivité. Les enregistrements jugés très fiables peuvent être validés automatiquement, tandis que ceux dont la fiabilité est moindre sont transmis à un humain pour vérification.
Exemple : Un article classé comme « vis à tête hexagonale », dont tous les champs sont correctement renseignés et qui correspond aux données antérieures, est validé automatiquement.
Les modèles d'apprentissage automatique calculent un score de confiance en fonction du degré de conformité de l'enregistrement avec les normes existantes.
4. Aider les gestionnaires de données en temps réel
L'IA aide les gestionnaires de données dans leur travail en leur suggérant des valeurs, en signalant les champs manquants ou en mettant en évidence d'éventuels problèmes.
Exemple : Lorsqu'il examine un dossier de matériel, un délégué voit s'afficher les suggestions de l'IA concernant les champs manquants et reçoit des alertes si certaines informations ne correspondent pas à des entrées similaires.
Les modèles de PNL et d'apprentissage automatique fonctionnent en arrière-plan et affichent des conseils et des avertissements intelligents directement dans l'interface.
Voici quelques exemples d'utilisation :
Fiche client :
Dans les grandes entreprises multinationales, les nouvelles fiches clients proviennent souvent de multiples canaux : portails CRM, soumissions de partenaires ou importations internes.
L'absence d'adresses e-mail ou de numéros d'identification fiscale, ou encore des informations de facturation incomplètes, peuvent retarder la facturation et entraîner des risques de non-conformité. Les systèmes de gouvernance basés sur l'IA détectent automatiquement les champs obligatoires manquants, les complètent à l'aide de sources internes et externes vérifiées, et signalent les doublons potentiels dès leur saisie.
Par exemple, Si deux enregistrements indiquent respectivement « Acme Corp » et « Acme Corporation », le système signale un doublon potentiel et empêche les entrées redondantes. Cela garantit un haut niveau dedes données clients de qualité tout en réduisant la charge de travail manuel.
Données relatives aux matériaux et aux pièces de rechange :
Dans le domaine des matériaux ou de la maintenance, des réparations et des opérations (MRO), il est fréquent que des spécifications, des références fabricant ou des informations relatives aux unités de mesure soient manquantes, en particulier dans les ensembles de données hérités ou issus d'importations provenant de tiers.
Ces lacunes entravent les processus d'approvisionnement, de planification de la maintenance et d'analyse. L'enrichissement basé sur l'IA permet de déduire les valeurs manquantes à partir des enregistrements existants, de recouper les catalogues des fournisseurs et d'harmoniser les conventions de nommage entre plusieurs sites.
Par exemple, Une nouvelle fiche « Roulement SKF 6205 » dont le diamètre extérieur n'est pas indiqué peut être automatiquement complétée avec la valeur correcte à partir d'articles similaires figurant dans la base de données.
De même, un enregistrement répertorié sous le nom de « GSKT, 4BOLT, SS316 » peut être complétée pour préciser l'utilisation d'un joint en acier inoxydable, identifier le type de bride et proposer des alternatives compatibles.
Les modèles prédictifs, tels que les algorithmes de régression ou les arbres de décision, permettent également d'estimer des grandeurs numériques telles que la tension, le couple ou la pression nominale en l'absence de valeurs explicites.
En identifiant les anomalies, en harmonisant les références, en normalisant les descriptions et en proposant des alternatives, l'IA garantit que la base de données des articles devient une source d'information fiable et exploitable.
Vous trouverez ci-dessous la vidéo présentant la solution de gouvernance des données de Verdantis :
Conception et déploiement de l'IA dans la gestion des données de marque (MDM)
Si les avantages de l'apprentissage automatique dans la gestion des données de référence sont évidents, sa mise en œuvre réussie nécessite une intégration mûrement réfléchie au sein de l'architecture d'entreprise et des modèles de gouvernance :
Qualité des données d'entraînement: Les performances des modèles d'IA et d'apprentissage automatique dépendent directement de la qualité et de la représentativité des données historiques utilisées pour les entraîner.
Contexte spécifique au domaine: Les modèles prêts à l'emploi nécessitent souvent un ajustement ou un réentraînement pour prendre en compte les nuances propres au domaine dans les données d'ingénierie, de fabrication ou d'approvisionnement.
Explicabilité et confiance: Les utilisateurs doivent pouvoir retracer et comprendre comment l'IA est parvenue à une décision ou à une suggestion particulière, notamment dans les secteurs réglementés.
« Human-in-the-Loop » (HITL): Les systèmes d'IA devraient être conçus pour venir en renfort aux gestionnaires de données, et non pour les remplacer, en permettant une supervision humaine lorsque cela s'avère nécessaire et en créant des boucles de rétroaction pour une amélioration continue.
Conclusion
L'IA et l'apprentissage automatique ne se contentent pas d'améliorer la gestion des données de référence : elles redéfinissent les limites du possible. Ces technologies apportent un niveau de rapidité, d'adaptabilité et d'intelligence que les systèmes manuels et basés sur des règles ne peuvent égaler.
En matière de MDM, de gestion des données MRO et de gouvernance des données, l'IA n'est plus un concept émergent : c'est désormais une capacité indispensable pour améliorer la qualité des données, accélérer la prise de décision et pérenniser les opérations de l'entreprise.
Alors que les organisations poursuivent leur transformation numérique, celles qui intègrent l'intelligence artificielle dans leurs pratiques de gestion des données de référence seront mieux à même d'opérer avec agilité, précision et perspicacité.
