Aller au contenu principal
FromNine
Menu

IA et données

Des données fiables pour l’IA comme pour vos décisions.

Sur les plateformes que nous construisons, chaque jeu de données a un responsable, un contrat et un niveau de qualité connu. Reporting, opérations et IA puisent ainsi dans les mêmes chiffres, vérifiés.

Pour les organisations qui ont besoin d’une vue fiable sur des données réparties entre pays, entités et applications historiques, de la place financière aux groupes de la Grande Région.

Parler de votre projetConnaissances d’entreprise
Données et analytique : les briquesQuatre couches superposées. Au sommet, les usages, analytique et IA ; puis les produits de données, chacun sous la responsabilité d’une personne et régi par un contrat ; puis le lakehouse, qui nettoie et harmonise ; à la base, une gouvernance qui s’étend à tout.01Usages analytiques et IA02Produits de données et contrats03Couches du lakehouse04Gouvernance et traçabilité
  1. 01Chaque produit de données a un responsable nommé, un contrat et des contrôles de qualité
  2. 02Une gouvernance qui applique finalités et durées de conservation, au-delà d’un simple catalogue
  3. 03Des définitions d’indicateurs uniques, signées par les métiers et par l’informatique

01 Problèmes

Des difficultés bien connues

Derrière la plupart des projets d’IA décevants se cache en réalité un projet de données.

  1. 01

    Trois rapports, trois chiffres

    Finance, opérations et direction calculent chacune à sa façon le chiffre d’affaires ou le nombre de dossiers. Chaque réunion commence par un rapprochement au lieu d’une décision.

  2. 02

    Sans responsable, personne ne corrige

    Les erreurs apparaissent en bout de chaîne, sont corrigées dans un tableur et reviennent le mois suivant.

  3. 03

    L’équipe IA passe son temps à chercher des données

    Demandes d’accès, extractions, nettoyage : chaque nouveau cas d’usage y perd des semaines, et l’équipe suivante recommencera.

  4. 04

    Des archives inexploitables par l’IA

    Documents scannés à l’OCR médiocre, doublons, aucune métadonnée. Une recherche sur ces contenus ne remonte que du bruit.

02 Prestations

Nos prestations

  1. 01 Socle de données pour l’IA et l’analytique

    Une architecture lakehouse modélisée par couches, de la donnée brute à la donnée harmonisée puis prête à consommer, et des produits de données qui affichent leur contenu, leur fraîcheur et la personne qui en répond.

    Ce que nous faisons

    • Architecture de la plateforme et choix des formats de stockage
    • Conventions de modélisation par couches
    • Conception des produits de données et de leurs contrats
    • Alimentation par lots et par capture des changements (CDC)

    Ce que vous recevez

    • Plateforme lakehouse décrite en code
    • Premiers produits de données en production
    • Modèle de contrat de données et procédure de revue

  2. 02 Qualité, traçabilité et données de référence

    Des contrôles automatiques à chaque couche, la traçabilité depuis la source jusqu’au rapport, et des données de référence pour les entités essentielles : citoyens, clients, investisseurs, produits, actifs.

    Ce que nous faisons

    • Règles de qualité avec seuils et alertes
    • Traçabilité au niveau de chaque colonne
    • Rapprochement des données maîtres et règles de consolidation
    • Gestion des données de référence

    Ce que vous recevez

    • Tableau de bord qualité pour chaque produit de données
    • Traçabilité interrogeable
    • Enregistrements de référence pour les entités prioritaires

  3. 03 Une gouvernance réellement appliquée

    Catalogue, classification et règles d’accès que la plateforme applique d’elle-même. Limitation des finalités et durées de conservation du RGPD sont codées, et le partage de données suit le règlement sur la gouvernance des données lorsqu’il s’applique.

    Ce que nous faisons

    • Schéma de classification et étiquetage
    • Règles d’accès fondées sur les attributs
    • Conservation et suppression automatisées
    • Accords de partage de données et contrôles techniques

    Ce que vous recevez

    • Catalogue alimenté par la plateforme elle-même
    • Règles d’accès en code
    • Calendrier de conservation appliqué

  4. 04 Des contenus non structurés prêts pour l’IA

    Nous améliorons l’OCR, enrichissons les métadonnées, supprimons les doublons et assainissons les archives. Le traitement intelligent des documents et la recherche travaillent ainsi sur des contenus dignes d’être retrouvés.

    Ce que nous faisons

    • Inventaire des contenus et contrôle de qualité par échantillon
    • Amélioration de l’OCR et de l’extraction de mise en page
    • Détection des quasi-doublons
    • Enrichissement des métadonnées et classification

    Ce que vous recevez

    • Base documentaire nettoyée et enrichie
    • Rapport sur la qualité des contenus
    • Règles pour les contenus ajoutés à l’avenir

  5. 05 Une analytique et une BI qui servent vraiment

    Des indicateurs définis ensemble par les métiers et l’informatique dans une couche sémantique, un libre-service encadré, et de l’analytique intégrée à vos produits SaaS et portails.

    Ce que nous faisons

    • Ateliers de définition des indicateurs
    • Modèle sémantique et couche de métriques
    • Garde-fous pour le libre-service et jeux de données certifiés
    • Analytique intégrée aux produits destinés à vos clients

    Ce que vous recevez

    • Glossaire des indicateurs avec leurs responsables
    • Modèle sémantique certifié
    • Tableaux de bord qui remplacent les tableurs

  6. 06 Le temps réel pour les opérations

    Capture des changements et flux d’événements quand une décision ne peut pas attendre le chargement de nuit : niveaux de stock, état d’un dossier, signaux de fraude.

    Ce que nous faisons

    • Exigences de latence pour chaque cas d’usage
    • CDC sur les bases opérationnelles
    • Traitement de flux et vues matérialisées
    • Conception du rejeu et du rattrapage historique

    Ce que vous recevez

    • Flux temps réel en production
    • Vues opérationnelles avec objectifs de fraîcheur
    • Procédure de rejeu

03 Architecture

Une architecture de référence, à titre d’illustration

Les données quittent les applications opérationnelles et les documents, sont ingérées puis rangées dans un lakehouse en couches : brutes telles que reçues, ensuite harmonisées et contrôlées, enfin publiées en produits de données dotés d’un responsable et d’un contrat. Aucun consommateur ne lit la couche brute.

Les produits de données desservent ensuite plusieurs usages : la couche sémantique et la BI, la recherche et les variables pour l’IA, des API pour d’autres systèmes. Quant à la gouvernance, elle sous-tend l’ensemble et s’applique par la plateforme elle-même, non par un document de politique.

Exemple illustratif

  1. Sources et ingestion

    • Applications opérationnelles
    • Documents après OCR et enrichissement
    • Lots et capture des changements

  2. Lakehouse

    • Couche brute
    • Couche harmonisée
    • Contrôles de qualité et traçabilité
    • Données maîtres et de référence
    • Produits de données sous contrat

  3. Consommation

    • Couche sémantique et BI
    • Recherche et variables pour l’IA
    • API de données et partage

  4. Gouvernance

    • Gouvernance : catalogue, classification, règles d’accès, conservation
Du lakehouse en couches aux produits de données

Schéma d’illustration : il ne représente le système d’aucun client.

Lire le schéma sous forme de texte

Le chemin principal va des applications opérationnelles à une couche sémantique avec BI gouvernée, en passant par l’ingestion par lots et par CDC, une couche brute, une couche harmonisée et les produits de données.

Par ailleurs, les documents non structurés entrent eux aussi par l’ingestion, une fois passés par l’OCR et l’enrichissement. Brut et harmonisé sont couverts par les contrôles de qualité et la traçabilité. Les données de référence nourrissent les produits de données ; ceux-ci servent aussi l’IA (recherche, variables) et les API de partage.

Une bande de gouvernance, avec catalogue, classification, règles d’accès et conservation, traverse toute la plateforme.

04 Choix et limites

Choix techniques et limites

  • Des responsables avant des outils

    Notre approche

    Un produit de données a deux responsables : côté métier, celui qui en fixe le sens ; côté technique, celui qui le maintient en service. Nous aidons à décrire ces rôles et le contrat qui lie producteurs et consommateurs.

    Limites et dépendances

    Aucune plateforme ne fait naître la responsabilité. Sans responsables désignés, les défauts de qualité reviennent, quel que soit l’outillage.

  • La limitation des finalités, en pratique

    Notre approche

    Les données personnelles portent l’étiquette des finalités qu’elles peuvent servir ; règles d’accès et durées de conservation suivent ces étiquettes automatiquement.

    Limites et dépendances

    Quelles finalités sont licites, c’est à votre délégué à la protection des données et à vos conseils d’en décider. Nous mettons en œuvre, nous ne tranchons pas.

  • Les données pour l’IA ont leurs propres exigences

    Notre approche

    Pour l’IA, nos mesures portent sur ce qu’attendent recherche et modèles : part du sujet couverte, actualité des contenus, doublons, qualité du texte extrait.

    Limites et dépendances

    Certaines archives ne méritent pas d’être réparées. Une évaluation sur échantillon le montrera, et la bonne décision est parfois de les laisser de côté.

05 Méthode

Notre méthode

Nous construisons la plateforme autour des premiers produits de données utiles, et pas l’inverse.

  1. 01

    Partir des décisions, pas des jeux de données

    Deux ou trois décisions ou cas d’usage d’IA, les données qu’ils demandent et leurs responsables nommés.

    LivrableListe de produits de données avec responsables

  2. 02

    Poser le socle autour d’eux

    Plateforme, ingestion, contrôles de qualité et gouvernance, juste ce qu’il faut pour bien servir ces produits.

    LivrablePremiers produits de données en production

  3. 03

    Grandir produit par produit

    Chaque nouveau produit réutilise le socle ; le catalogue et le glossaire des indicateurs s’enrichissent avec lui.

    LivrableFeuille de route des produits et mesures d’adoption

06 Contrôle humain

Là où les personnes gardent la main

La plateforme automatise les transferts et les contrôles. Le sens des données, les accès et les finalités restent décidés par des personnes.

  • Les responsables approuvent les définitions

    Le sens d’un indicateur ou d’un produit de données ne change qu’avec l’accord de son responsable métier, et chaque version est conservée.

  • Les accès sont accordés par les responsables des règles

    Les responsables des données décident qui peut utiliser quoi et dans quel but ; la plateforme applique la décision et consigne chaque autorisation.

  • Un défaut de qualité arrête la chaîne

    Si un contrôle prévu au contrat échoue, les utilisateurs de la donnée en sont informés, et son responsable choisit entre publier, retenir ou corriger.

07 Technologies

Technologies que nous utilisons

Plateformes
  • Databricks
  • Microsoft Fabric
  • Snowflake
  • Lakehouse ouvert sur Apache Iceberg ou Delta Lake
Chaînes de données
  • dbt
  • Apache Spark
  • Kafka et Debezium
  • Orchestration native du cloud
Gouvernance
  • Unity Catalog et Purview
  • Catalogues open source
  • Frameworks de qualité des données
  • Contrôle d’accès fondé sur des règles
Analytique
  • Power BI
  • Couches sémantiques et de métriques
  • Analytique intégrée
  • Analytique SAP (parcs existants)

Une technologie citée ici reflète notre expérience d’ingénierie. Elle ne signifie ni partenariat avec son éditeur ni recommandation de sa part.

08 Exemple

Un exemple illustratif

Exemple illustratif

Des indicateurs communs pour un groupe présent au Luxembourg, en France et en Belgique

01Situation
Chaque société du groupe calcule volumes et retards à partir de son propre système, avec ses propres définitions. La direction compare des chiffres qui ne mesurent pas la même chose.
02Ce que nous construirions
Des produits de données harmonisés par pays alimentent une couche sémantique unique, avec des indicateurs définis au niveau du groupe et le détail local conservé.
03Où les personnes décident
Le contrôleur de gestion de chaque pays approuve la correspondance de ses données ; le responsable des indicateurs du groupe valide définitions et changements.
04Ce que nous mesurerions
Délai de production du rapport mensuel, nombre de corrections de rapprochement et usage des tableaux de bord certifiés.

09 Par secteur

Selon votre secteur

  • Santé et sciences de la vie

    Pour les hôpitaux, maisons de soins et laboratoires : données de recherche et d’exploitation gouvernées, avec limitation stricte des finalités, pseudonymisation et journalisation des accès, sous le contrôle de la CNPD pour le RGPD.

  • Industrie

    Données maîtres des produits et des équipements, données de qualité et de production reliées pour la planification, la traçabilité et l’IA, y compris chez les sous-traitants dont les clients sont en France, en Belgique ou en Allemagne.

  • État et communes

    Pour l’État et les communes : sources authentiques, données demandées une seule fois aux citoyens et aux entreprises, et des rapports que décideurs et auditeurs peuvent remonter jusqu’à l’enregistrement d’origine.

Luxembourg

Des données qui franchissent les frontières

Les groupes et organismes publics actifs dans plusieurs États membres partagent des données selon des règles qui se ressemblent sans être identiques. Le RGPD encadre les données personnelles, le règlement sur les données donne aux utilisateurs des droits sur les données des produits et services connectés, et les lectures nationales de la conservation et des finalités divergent encore.

Au Luxembourg, la CNPD veille au respect du RGPD. Les données concernent souvent des résidents et des frontaliers à la fois, et les entités supervisées par la CSSF ou le CAA doivent produire un reporting réglementaire dont chaque chiffre se retrace jusqu’à la source.

Nos contrats de produits de données précisent où la donnée peut être traitée, pour quelles finalités et pendant combien de temps. La plateforme applique ainsi la bonne règle pour chaque pays, sans multiplier les copies.

Vos questions sur les données et l’analytique

Faut-il passer au data mesh ?

Ce qu’il en faut retenir, ce sont les produits de données avec responsables et contrats. Décentraliser entièrement ne paie que dans de grandes structures aux équipes métier expérimentées. Bien des organisations réussissent mieux avec une équipe plateforme centrale et des produits portés par les domaines.

Nos données sont-elles prêtes pour l’IA ?

Pour le savoir, nous examinons sur échantillon les sources qu’exige le cas d’usage : couverture, qualité, droits d’accès, base légale. Le verdict est souvent « oui, en partie », assorti d’une liste ordonnée de corrections. Nos équipes d’ingénierie IA partent de ce même examen.

Nous avons déjà un entrepôt de données. Faut-il tout reprendre ?

Rarement. Un entrepôt qui produit des rapports fiables est un atout. En général, nous l’étendons avec des capacités lakehouse pour les données non structurées ou volumineuses, et nous ne migrons que si le coût ou ses limites le justifient.

Comment partager des données avec des partenaires ou d’autres administrations ?

Nous exposons des produits de données par des API sous contrôle, avec un accord écrit, des finalités limitées et un journal de chaque échange. Si le règlement sur la gouvernance des données ou le règlement sur les données entre en jeu, les contrôles techniques sont conçus pour y répondre.

Citez la décision que les données actuelles ne permettent pas

Nous remonterons de ce dont elle a besoin jusqu’aux sources, et nous montrerons ce que demanderait un premier produit de données.

Parler de votre projetTraitement des documents