L'analyse augmentée est une approche de l'analyse de données qui utilise l'apprentissage automatique et le traitement du langage naturel pour automatiser les processus d'analyse normalement effectués par un spécialiste ou un data scientist. Le terme a été introduit en 2017 par Rita Sallam, Cindi Howson et Carlie Idoine dans un document de recherche de Gartner. L'approche s'appuie sur la business intelligence et l'analyse, avec pour objectif de rendre l'analyse de données plus accessible et plus efficace.
Dans l'analyse augmentée, les algorithmes d'apprentissage automatique parcourent les données pour identifier les relations, les tendances et les schémas, en apprenant dynamiquement à partir des données plutôt qu'en s'appuyant sur un ensemble fixe de règles programmées. La génération de langage naturel traduit les données non structurées en langage anglais courant, tandis que la requête en langage naturel permet aux utilisateurs d'interroger les données en utilisant des termes métier saisis dans une boîte de recherche ou prononcés à voix haute. L'automatisation des insights utilise des algorithmes d'apprentissage automatique pour automatiser les processus d'analyse de données, réduisant ainsi le besoin d'intervention manuelle.
Démocratisation des données
La démocratisation des données est un objectif clé de l'analyse augmentée, visant à réduire la congestion des données et à éliminer les gardiens des données. Ce processus doit être mis en œuvre parallèlement à des méthodes permettant aux utilisateurs de donner un sens aux données, dans l'espoir d'accélérer la prise de décision en entreprise et de découvrir des opportunités cachées dans les données. Il existe trois aspects à la démocratisation des données : la paramétrisation et la caractérisation des données, la décentralisation des données utilisant un système d'exploitation basé sur la blockchain et les technologies DLT avec un échange de données sécurisé et indépendamment gouverné, et la monétisation des données pilotée par le marché du consentement.
La gestion de l'identité décentralisée et la monétisation des objets de données métier de la propriété des données sont deux caractéristiques qui accélèrent l'adoption de la démocratisation des données. Elles permettent aux individus et aux organisations d'identifier, d'authentifier et d'autoriser les participants sur plusieurs réseaux et cas d'utilisation, offrant aux utilisateurs un onboarding numérique en libre-service personnalisé sans dépendre d'une administration centrale.
Cas d'utilisation
L'analyse augmentée a des applications dans divers domaines. En agriculture, les agriculteurs collectent des données sur l'utilisation de l'eau, la température du sol, la teneur en humidité et la croissance des cultures ; l'analyse augmentée peut donner un sens à ces données et identifier des insights pour les décisions commerciales. Dans les villes intelligentes, de nombreuses villes aux États-Unis collectent de grandes quantités de données quotidiennement, et l'analyse augmentée simplifie ces données pour accroître l'efficacité de la gestion urbaine, y compris les transports et la réponse aux catastrophes naturelles.
Pour les tableaux de bord analytiques, l'analyse augmentée prend de grands ensembles de données et crée des tableaux de bord hautement interactifs et informatifs qui aident aux décisions organisationnelles. La découverte de données augmentée aide les organisations à trouver, visualiser et narrer automatiquement des corrélations et tendances potentiellement importantes. Les plateformes de préparation des données peuvent organiser et nettoyer de grandes quantités de données pour de futures analyses. En entreprise, l'analyse augmentée donne accès à l'analyse des données de vente, des données de comportement des consommateurs et des données de distribution, soutenant la prise de décision.
Fondements techniques
Les fondements techniques de l'analyse augmentée s'appuient sur les avancées en intelligence artificielle et en apprentissage profond. Les modèles d'apprentissage automatique, y compris les architectures de réseaux de neurones, permettent la reconnaissance de schémas et l'analyse prédictive. Les capacités de traitement du langage naturel, souvent alimentées par des grands modèles de langage, permettent aux utilisateurs d'interagir avec les données à l'aide de requêtes conversationnelles. Des techniques telles que la augmentation de données et l'élagage de modèles améliorent l'efficacité et la robustesse des modèles.
Ces systèmes s'appuient souvent sur une infrastructure cloud de fournisseurs comme Amazon Web Services, Microsoft Azure et Google Cloud, qui offrent des ressources de calcul évolutives. Le matériel spécialisé, y compris les puces AWS Trainium et les processeurs Graphcore, accélère l'entraînement et l'inférence. Des institutions de recherche telles que MIT CSAIL, Stanford AI Lab et BAIR (Berkeley AI Research) contribuent à l'avancement des algorithmes sous-jacents.
Évolution et adoption
Depuis son introduction en 2017, l'analyse augmentée a évolué d'un concept de niche à une fonctionnalité courante dans les plateformes de business intelligence. Gartner a prédit que d'ici 2020, l'analyse augmentée deviendrait un moteur dominant des nouveaux achats de solutions d'analyse et de business intelligence. L'approche répond à la pénurie de talents en science des données en permettant aux utilisateurs métier d'effectuer des analyses sophistiquées sans formation spécialisée.
L'adoption a été accélérée par la prolifération des sources de données et le besoin de prise de décision plus rapide. Des organisations de divers secteurs, de l'agriculture à l'urbanisme, ont intégré l'analyse augmentée dans leurs flux de travail. La technologie continue d'évoluer avec les avancées en IA générative et en architectures Transformer (architecture), qui améliorent les capacités de compréhension et de génération du langage naturel.
Défis et considérations
Malgré ses avantages, l'analyse augmentée fait face à des défis. La qualité et l'intégration des données restent critiques, car l'exactitude des insights dépend des données sous-jacentes. Les organisations doivent mettre en œuvre une gouvernance des données robuste pour garantir la confiance et la conformité. La démocratisation de l'accès aux données soulève également des préoccupations concernant la sécurité et la confidentialité, nécessitant une gestion de l'identité décentralisée et des mécanismes d'échange de données sécurisés.
De plus, bien que l'analyse augmentée automatise de nombreux processus, une supervision humaine reste nécessaire pour valider les résultats et prendre les décisions finales. La technologie ne remplace pas l'expertise de domaine, mais constitue plutôt un outil pour augmenter les capacités humaines. Au début des années 2020, la recherche en cours se concentre sur l'amélioration de l'interprétabilité et la réduction des biais dans les insights automatisés.