
French: 
Bonjour, je suis Mick Lévy,
je suis Directeur de l’Innovation Business
pour le groupe Business & Decision.
Mon rôle est d’aider nos clients, d’aider nos prospects
à aller plus rapidement sur des innovations
qui sont matures pour dégager du ROI.
Je parle là de tout un tas d’innovations
autour des sujets du big data,
de l’IA, de la gouvernance de données,
de la data visualization...
Il y a énormément à faire dans ces domaines là
pour apporter de la valeur,
pour créer de la valeur et dégager du ROI
dans toutes les entreprises.
Business&Decision c’est 2500 collaborateurs
qui opèrent dans 11 pays.
La spécificité de l’entreprise c’est qu’on est focusés,
on est très spécialisés sur le domaine de la data.
Donc tous nos consultants sont experts
dans ce domaine là.
On délivre du conseil en amont,
on délivre de l’intégration de service,

English: 
AI : what is the reality?
Hello, I'm Mick Lévy
Director of Business Innovation
for Business & Decision Group.
My role is to help our clients and our prospects
go faster on innovations that are mature,
in order to release ROI.
I'm talking about a lot of innovations
around the topics of big data,
AI, data governance, data visualization...
There is a lot to be done in these areas
to create value
and generate ROI in all businesses.
Business & Decision has 2,500 employees in 11 countries.
The specificity of the company is that
we are very specialized
in the field of data.
So all our consultants are experts in this field.
We provide advice upstream, deliver service integration,

English: 
and we create projects at our various customers,
each time seeking to enhance
the wealth of data of the company.
We also work in the digital world
with know-how on everything mobile,
on the web
But we have a very strong specificity
in this field of data.
Moreover, we have been part of
the Orange Business Services group
since May 2018.
This allows us to offer a wide range of services
to our customers
around what we call the journey of data at OBS.
We talk a lot about AI,
what is the reality of these initiatives?
So, the topic of AI is indeed high-profile,
it is a huge buzzword at the moment
and the reality field varies greatly.
We have a strong interest in these topics of AI
for all companies,
in all sectors and whatever the size,
even in SMEs
where they sometimes feel
that it will bring less value.
This is absolutely false, there is value
to be found for all companies.

French: 
on fait des projets chez nos différents clients,
qui à chaque fois cherchent à valoriser
le patrimoine des données de l’entreprise.
On travaille aussi dans le monde digital
avec un savoir-faire sur tout ce qui est mobile, sur le web...
Mais on a une spécificité très forte
sur ce domaine de la data.
Par ailleurs notre actualité est que nous faisons partie
du groupe Orange Business Services
depuis Mai 2018,
ce qui nous permet de proposer
une gamme de services très étendue à nos clients,
autour de ce que l’on appelle chez O.B.S.
le voyage de la donnée.
Alors, le sujet de l’IA est effectivement très médiatisé,
il y a un buzzword énorme en ce moment sur l’IA
et néanmoins la réalité terrain est en fait très contrastée.
On a un intérêt fort à aller sur ces sujets de l’IA
pour toutes les entreprises,
dans tous les secteurs et quelques en soient les tailles,
même dans les PMEs
où l’on a parfois l’impression
que ça apportera moins de valeur,
c’est tout à fait faux, il y a de la valeur
à trouver pour toutes les entreprises.

English: 
Nevertheless, we see that it is very different.
Some pioneers have launched AI initiatives
in recent years
and are benefiting greatly today,
managing to multiply the projects,
to multiply the applications around the AI.
Other companies have some projects
put into production.
Many companies remain in the PoC status.
So they made an attempt and they did not succeed,
or they did not want to scale for one reason or another,
we can come back to it.
And these companies have every interest
in now speeding up
and restoring the cover because there is going to be
a lot of value to find.
Finally, there is one last group of companies,
which has not yet launched an initiative around AI.
And I think that's a shame, because I think that again
there will be value for all these companies.
The keys to success for this type of project?
Several keys to success for an AI project.
I would say that the first is to choose
the right use case.

French: 
Néanmoins, on voit que c’est très contrasté.
Certains pionniers ont lancé des initiatives
en IA déjà depuis quelques années
et en tirent aujourd’hui très fortement profit,
et arrivent à multiplier les projets,
arrivent à multiplier les applications autour de l’IA.
D’autres entreprises en sont restées
à l’état de quelques projets qui sont mis en prod’.
Beaucoup d’entreprises restent à l’état
de PoC, de maquette.
Donc elles ont simplement fait une tentative
qu’elles n’ont pas réussi,
qu’elles n’ont pas voulu passer à l’échelle
pour une raison ou une autre, on pourra y revenir.
Et ces entreprises ont tout intérêt à maintenant accélérer
et à remettre le couvert parce qu’il va y avoir
énormément de valeur à trouver.
Enfin, il y a un dernier groupe d’entreprises,
qui n’a pas encore du tout lancé
une initiative autour de l’IA.
Et je pense que c’est bien dommage, parce que là encore
il y aura de la valeur pour toutes ces entreprises.
Plusieurs clés de succès pour un projet en IA.
Je dirais que la première est de bien choisir
le cas d’usage.

English: 
Choose what you want to apply the AI to.
And we tend to start thinking
that we will try the AI ​​on a small end,
at the edge, as we say in English,
of the company.
On something that is not that important.
In fact, no, we will bring value to the cases
that are most central to the operation
of the company.
The second thing is that we can say
that to make AI
we need a super data scientist.
Yes, it is true that data scientists
obviously have a key role in AI
but you must know that it is primarily the data.
That is, AI is algorithmic and data.
And what will be the most important
is this raw material - this data.
And so the most important key success factor
is to master your data well,
it is to know your data assets well,
to control the quality of the data,
and to have an ability
to activate this data in the service
of the artificial intelligence.
What difficulties do teams face in the field?
In terms of difficulties,
if we look at all the AI ​​projects we've done recently,

French: 
Bien choisir ce sur quoi on veut appliquer l’IA.
Et on a tendance au départ à penser
qu’on va essayer l’IA sur un petit bout,
at the edge (comme on dit en anglais), de l’entreprise.
Sur quelque chose qui n’est pas si important que ça.
En fait non, on va amener de la valeur sur les cas
qui sont le plus au coeur
du fonctionnement de l’entreprise.
La seconde chose c’est que l’on peut se dire
que pour faire de l’IA
il nous faut un super data scientist.
Oui, c’est vrai que les data scientists
ont évidemment un rôle clé dans l’IA
mais il faut savoir que c’est avant tout la data.
C’est à dire que l’IA c’est de l'algorithmie et de la data.
Et ce que qui va être le plus important,
cette matière première, c’est cette data.
Et donc la facteur clé de succès le plus important
c’est de bien maîtriser, c’est de bien connaître
son patrimoine data,
de bien maîtriser la qualité des données,
et d’avoir une capacité à les activer ces données
au service de l’intelligence artificielle.
Sur le plan des difficultés,
si l’on regarde sur tous les projets d’IA
qu’on a réalisé dernièrement,

French: 
encore une fois le sujet clé c’est celui de la data.
La première chose c’est de bien maîtriser
le patrimoine des données.
Donc éventuellement de l’avoir cartographié,
d’avoir une certaine connaissance
du patrimoine des données dont on dispose
et éventuellement du patrimoine de données
accessibles à l’extérieur aussi.
Par des non-open data, par des données partenaires,
En tout cas c’est la première chose,
avoir une maîtrise globale
de son écosystème des données qui sont accessibles.
Le second écueil que l’on rencontre le plus
et qui est en général la première source d’échec
d'un projet en IA,
c’est celui de la qualité des données.
On peut pas faire de data science sans data,
on ne peut pas faire d’IA de bonne qualité
sans une qualité des données qui soit suffisante.
Donc c’est à la fois d’avoir assez de données en volume,
en nombre d’observations
qu’on va avoir dans les données dont on dispose.
Et c’est surtout, avoir des données de bonne qualité
pour nous permettre de délivrer de bonnes décisions,
d’automatiser correctement des processus...
Sans ces données de qualité, on va à l’échec.

English: 
again the key topic is that of data.
The first thing is to master the data heritage.
So possibly to have it mapped,
to have some knowledge of the heritage
of the data available
and possibly the heritage of data
accessible externally too.
By non-open data, by partner data...
In any case it is the first thing:
to have a global control
of its ecosystem of data that are accessible.
The second pitfall that we encounter the most,
and which is generally the first source
of failure of an AI project,
is the quality of the data.
We cannot do data science without data,
we cannot do good quality AI
without a data quality that is sufficient.
So we need both to have enough
data in volume
and in number of observations
in the data available.
And above all, it’s having good quality data
to enable us to deliver good decisions,
to automate processes properly and so on.
Without quality data, we are going to fail.

French: 
Les échecs aujourd’hui ne sont pas si importants que ça
puisque les IA sont encore assez faibles finalement.
Elles apportent déjà beaucoup de services
mais ce n’est pas encore si fort que ça.
Par contre demain,
une donnée de mauvaise qualité va pouvoir amener
des catastrophes totales dans le monde réel,
quand les IA vont prendre une place beaucoup plus
prépondérante dans les actions du quotidien.
Le premier impact, c’est celui de la perte de temps.
De la perte de temps pour toute l’entreprise,
pour tous les analystes,
pour tous les patrons qui vont vouloir disposer
de données fiables sur lesquelles ils pourront s’appuyer,
pour les projets qui vont devoir aussi constamment
compenser une mauvaise qualité de données.
C’est une perte de temps
qui va se multiplier au carré, au cube...
à chaque fois que l’on va vouloir lancer
des initiatives qui viennent exploiter les data.

English: 
The failures today are not that important
since the AI ​​are still quite weak.
They already provide a lot of services
but it is not that strong yet.
On the other hand tomorrow,
data of bad quality will be able to cause
total catastrophes in the real world,
when the AI ​​will take a much more prominent place
in the front page of the daily newspaper.
What is the impact of poor data quality?
What are your recommendations?
The first impact is the loss of time.
The loss of time for the entire company,
for all the analysts,
for all the managers who will want to have
reliable data on which they can rely.
For projects that will also have to constantly
compensate for poor data quality.
It is a waste of time that will multiply square, cube...
each time we want to launch initiatives
that come to exploit the data.

French: 
Le second impact qui lui est peut-être encore plus important,
c’est une altération de la prise de décision.
C’est comme si on devait choisir de ralentir ou non
devant un radar en ayant un compteur de vitesse qui soit totalement erroné
et qui nous remonte une information de mauvaise qualité.
On pense être à la bonne vitesse
alors que peut être on ne l’ai pas du tout.
Il faut appliquer cela à tout le pilotage de l’entreprise,
il faut appliquer ça à tous les processus,
à tous les fonctionnements que l’IA
va permettre d’automatiser aussi.
Donc imaginez que des données liées
à de la logistique soient erronées
on va baser là-dessus des prises de décision
pour envoyer un camion ou un autre
pour choisir une certaine route,
pour optimiser notre stock et en fait,
toute notre analyse sera erronée et donc forcément
on va perdre beaucoup d’argent, beaucoup de temps,
lors de cette prise de décision
qui sera totalement altérée.
Le concept de data hub est en train de s’imposer
très fortement dans les modèles d’architecture d’entreprise
parce qu’on a enfin un fonctionnement

English: 
The second impact that is perhaps even more important
is an alteration of decision-making.
It is as if we had to choose
whether to slow down or not
in front of a radar by reading a speedometer
that is totally erroneous
that gives us information of poor quality.
We think we are at the right speed,
but maybe we do not have it at all.
It must be applied to all management
of the company,
it must be applied to all processes,
to all the functions that the AI ​​will automate.
So imagine that data related
to logistics is wrong,
we will base decision-making
to send a truck or another,
to choose a certain route,
to optimize our stock and in fact
all our analysis will be wrong
and therefore we will inevitably lose
a lot of money, a lot of time,
during this decision that will be totally altered.
Analysts talk about the Data Hub. What is the function
of these tools upstream of an AI project?
The concept of a data hub is becoming very strong
in enterprise architecture models
because we finally have functioning tools

English: 
that will allow us to place the data
at the heart of the information system
and to not only collect, centralize,
but especially distribute data,
expose it, and make it available
to all entities of a company.
For example, if we are interested
in the customer data domain,
this will enable us to collect
all the customer information,
which in some cases comes from 20, 30, 50
different information systems,
and we have projects of this nature.
We will centralize information,
we will make it consistent,
especially on aspects of duplication.
Then we expose the data and it will be
available in real time
for all channels on which there is
a customer interaction, for example.
And this reasoning at the client level,
which is often the first one to launch,
the first domain we will be interested in
for a Data Hub,
can be applied to all the other major data domains
that refer to the company,
which have these needs of transversality,
exploitability, fluidity, in their distribution.

French: 
et des outils qui vont permettre de placer la data
au coeur du système d’information
et de permettre non seulement de récolter, de centraliser
les données mais surtout de les distribuer,
de les exposer, de les mettre à disposition
de l’ensemble des entités d’une entreprise.
Si l’on s'intéresse par exemple
au domaine de données des clients,
on va permettre de récolter
l’ensemble des informations clients,
qui proviennent dans certains cas de 20, 30,
50 systèmes d’information distincts,
et l’on a déjà eu des projets de cet ordre là.
On va venir centraliser les informations,
on va les rendre cohérentes,
notamment sur des aspects de dédoublonnage
et surtout on va venir ensuite exposer ces données
qui seront accessibles en temps réel
pour tous les canaux sur lesquels
il y a une interaction client par exemple.
Et ce raisonnement là au niveau des clients,
qui est souvent le premier qu’on lance,
c'est le premier domaine auquel
on va s’intéresser pour un Data Hub,
peut s’appliquer à tous
les grands autres domaines de données
qui font référence dans l’entreprise,
qui ont ces besoins de transversalité,
d’exploitabilité, de fluidité, dans leur distribution.

English: 
The features to expect from a Data Hub
will eventually be
this ability to collect data, to interface
with multiple sources of information,
it will be the ability to centralize,
store the data,
especially to make it coherent and to work
their data quality in the same point,
in particular on the issue of duplication
which is extremely sensitive
for certain data domains.
And then, to expose the data
for the rest of the IS,
knowing how to work on large volumes
of information and in real time.
And I would say that more and more
in the Data Hub
there is another feature that will prevail,
that of cataloging the data.
So knowing the heritage, documenting
this wealth of data,
to then be able to exploit it
as simply as possible.
And then there is one last feature
that will become essential in the era of AI,
it is precisely to apply the AI
for the data itself.
So it's the ability to have AI automation
in all the procedures
that we will have for the Data Hub
for this centralization of data,

French: 
Les fonctionnalités à attendre
d’un Data Hub finalement vont être
cette capacité à récolter les données,
à s’interfacer à de multiples sources d’information,
ça va être la capacité à les centraliser,
les stocker ces données,
surtout à les rendre cohérentes et à travailler
leur qualité de données en un même point,
donc notamment sur la question
du dédoublonnage qui est extrêmement sensible
pour certains domaines de données.
Et ensuite donc, à exposer ces données
pour tout le reste du SI,
en sachant travailler sur des grands
volumes d’information et en temps réel.
Et je dirais que de plus en plus
dans les Data Hub
il y a une autre fonctionnalité qui va s’imposer,
c’est celle de cataloguer les données.
Donc de savoir connaître le patrimoine,
documenter ce patrimoine
de données pour pouvoir ensuite
l’exploiter le plus simplement possible.
Et puis il y a une dernière fonctionnalité
qui va devenir essentielle à l’ère de l’IA,
c’est justement d’appliquer l’IA
pour la data en elle-même.
Donc c’est la capacité à avoir de l’IA,
de l’automatisme dans toutes les procédures
que l’on va avoir pour le Data Hub
pour cette centralisation des données,

English: 
especially for reconciliation and for the discovery of data
of which there is still a lot of manual work today,
which is very tedious.
Increasingly, the tools will integrate AI
to automate and greatly simplify
the lives of users on these topics.
Among the solutions of a Data Hub on the market,
we work a lot with Semarchy actually.
It has been several years since we first realized
large-scale projects
together with our clients.
What is particularly appreciated in the Semarchy Data Hub
is its agility and flexibility
in implementation for deployments
that are very fast
and even more so given the services
that are rendered
to companies that operate this solution.

French: 
notamment pour la réconciliation
et pour la découverte des données
sur lesquelles il y a aujourd’hui encore
beaucoup de travail manuel qui est très fastidieux.
De plus en plus, les outils vont intégrer de l’IA
pour permettre d’automatiser
et de simplifier très fortement
la vie des utilisateurs sur ces sujets là.
Parmi les solutions de Data Hub du marché,
on travaille beaucoup avec Semarchy effectivement.
Cela fait déjà plusieurs années que l’on a réalisé
des projets d’ampleur ensemble chez nos clients.
Ce que l’on apprécie particulièrement
dans le Data Hub de Semarchy
c’est sa capacité d’agilité et de souplesse
dans la mise en oeuvre
pour des déploiements qui sont très rapides
et encore plus compte tenu des services qui sont rendus
aux entreprises qui exploitent cette solution.
