AI Leader Stories #7 - Virgile Boëssé @Air France-KLM

Présentation de Virgile Boëssé et son rôle chez Air France-KLM Aujourd'hui ce qu'on voit c'est que sur le marché on a des on a des solutions qui ont évolué et qui ont qui arrivent à maturité sur ce sur ces standards là comme l'est aussi notre notre marché interne et nos utilisateurs. Aujourd'hui on a des utilisateurs qui sont certes y en a qui découvrent encore via générative, mais y en a qui ont pas une une maturité suffisante. Personne 2 Bonjour à tous, je m'appelle Benoît Rosier, ça fait 15 ans que je travaille dans la tech et je suis cofondateur d'UPVISORY et également leader de notre branche dédiée à l'intelligence artificielle qui s'appelle les agents IA, mais également animateur de ce très bel événement qu'est. Leya leader Story où on accueille des leaders du monde de l'intelligence artificielle pour échanger avec eux. L'objectif de ce podcast, c'est avant tout de parler valeur, pas que technologie. Voilà comment l'i a peut apporter de la valeur. Et ça va être le sujet du jour avec Virgile. Bienvenue Virgile. Personne 1 Merci Benoît, merci de merci de nous recevoir on. Personne 2 Est très heureux écoute de de t'accueillir parmi nous. Donc Virgile t'es responsable ia accélération groupe côté Air France KLM, est ce que tu peux nous détailler un petit peu ton rôle ? Personne 1 Ben avec plaisir. Ben déjà Un Bonjour à Bonjour à tous. Bonjour à toutes. Donc au sein de notre groupe Air France KLM, on a une entité qui s'appelle le data Eny Office dans lequel dans lequel je suis et qui est en charge toute la stratégie data et Ia. Pour pour l'ensemble de du groupe Hein et de et ses différents métiers. Et moi je suis principalement en charge de notre accélération sur l'i a donc qu'est ce que ça veut dire ? C'est vraiment notre transformation à la fois business et aussi technologie autour de autour de ces de ces de ces sujets là pour être sûr que. Bah les priorisations à la fois de notre IT et de nos business s'articulent bien autour de autour de ces sujets qui sont qu'on soit capables ensemble. D'identifier les bonnes, les bons tracks de valeurs et les bons et les bons cas d'usage qui en qui en découlent pour les pour les délivrer avec toute la mise en place de la bonne stack data NIA qui va qui va avec et aujourd'hui un petit peu comme tout le monde, on se concentre vraiment nous sur la partie sur la transformation autour de l'i IA Générative et de l'i AG antique. Personne 2 Donc ça fait une une dizaine d'années, je crois que tu bosses dans le monde de de l'IA, c'est quoi ton ton parcours avant d'arriver sur ce ce poste ? Personne 1 Mon parcours ? Très rapidement hein on ? C'est un parcours qui est aujourd'hui issu de issu de l'aérien, avec une expérience au sein du groupe Air France KLM dans laquelle j'ai eu des postes assez variés, soit sur du produit, soit sur de la data et l'IA, avec une première expérience au sein de notre entité de maintenance qui est Air France Industries. Et ensuite j'ai pu rejoindre notre une entité de transformation digitale qui est la data, qui a été la digital Factory que tu que tu connais bien, pour laquelle donc j'ai été data stratégiste. Donc c'est c'est 111 rôle de consultant en interne avec un qui accompagnait des donc avec la mission d'accompagner plusieurs, plusieurs directions métiers sur leur transformation, vraiment sur des produits digitaux. Et puis on a. J'ai rejoint notre notre data Factory en tant que portfolio manager. J'ai, je l'avais en charge de gérer un portefeuille de de projets, de d'identifier les projets de de ce portefeuille de l'Estafer et d'aider les différentes équipes qui étaient dessus à les à les délivrer. OK. Personne 2 Donc plutôt rentrer dans le monde de l'i a via la data Ouais je pense comme beaucoup de personnes. Personne 1 Exactement, et via le et via le métier, OK, j'aurais eu des postes vraiment articulés autour de. Autour de autour du métier et et de l'i t avec un positionnement à cheval vraiment entre les 2, ce que je trouve assez intéressant. Bah pour à la fois vraiment driver la valeur, la valeur qu'on qu'on souhaite délivrer et l'identifier et savoir savoir identifier aussi les bons leviers technologiques qu'on qu'on doit pouvoir actionner. La stratégie GenAI d'Air France-KLM et le cas d'usage FOX Excellent Virgile, alors de quoi tu veux nous parler aujourd'hui ? Personne 1 Alors aujourd'hui, je viens avec un gros sujet qui est notre transformation et notre stratégie autour de de l'i a générative. Et toute notre notre trajectoire qu'on a, qu'on a pu avoir depuis le lancement de on a tous, tous vécu ébahis, hein, de de de chat GPT en 2023 et jusqu'à voilà, jusqu'à aujourd'hui. Donc c'est un sujet qu'on a, qu'on a maturé, qu'on a intégré au sein de nos, au sein de nos pratiques aujourd'hui. Et je viens et je viens de partager ça. Personne 2 Bah écoute, ça va. Ça va être, ça va être riche. On a pas mal de de sujets à aborder ensemble et j'espère pour vous qui nous écouter très intéressants peut être ce que je te propose. C'est directement de rentrer dans le vif du sujet, sachant que on voulait commencer ce podcast. En échangeant sur des premiers cas d'usage concrets pour vraiment un petit peu. Voilà se projeter dans le business d'Air France KLM. Savoir quels étaient effectivement ces ces premiers cas d'usage que vous aviez identifiés in fine, la valeur qui ressort aujourd'hui ? Personne 1 Ouais carrément. Ben je peux te partager plusieurs cas d'usage, donc peut être par ordre chronologique de dire de déploiement. Donc j'ai un rang en tête d'un premier cas d'usage qui s'appelle qu'on a appelé Fox. Voilà tu vas voir qu'on donne des noms, des petits noms à tous nos à tous nos cas d'usage hein. Nommer les choses c'est vraiment leur. Leur donner 10 et moi je M la tâche particulièrement. Donc Fox qu'est ce que c'est ? C'est un une solution qui va venir faire de la classification complexe de d'inside client hein ? Donc de verbatim. D'e Mail, et cetera, et cetera. Et qui va venir classifier ces ces insights sur du mal chic à tegory, donc avec des des classes qui sont bien entendues près ici, prédéfinies, mais qui peuvent correspondre à plusieurs classes. Donc on peut avoir un verbatim qui peut être classé à 80% dans une classe, 10% dans une autre classe, et cetera, et cetera. Et après ce sont des c'est des, c'est nos classifications qui vont correspondre à des à des à des business flow derrière et qui sont et qui sont réutilisées. Pourquoi ce cas d'usage ? L'évoque, parce que ça a été notre premier cas d'usage mis en production et déployé à l'échelle. Et en fait, on l'a choisie et on l'a lancé en étant vraiment opportuniste, en remplaçant en fait une solution de machine learning avec du NLP qui a été qui a été fournie par un provider externe et sur lequel on a, on a fizu t le l'outil externe, on a coupé la coupé le contrat. Le coup travail avec la licence et puis on a rempoussé cette solution qu'on a fait, qu'on a pu déployer très rapidement et avec des performances qui étaient simplement facilement incessables ça sert. Personne 2 À qui Fox ? Personne 1 Aujourd'hui, Fox aujourd'hui ? Bah ça en premier. Le premier client de Fox, c'est le notre département de customer experience. Aujourd'hui le la matière première de Fox donc, qui est créée par Fox. Est utilisé par toutes les directions, par exemple la maintenance pour identifier des sièges cabines réparés dans dans certains avions. Voilà avec des retours clients qui indiquent, mon siège était était l'accoudoir de mon siège ne fonctionnaient pas ou ce genre de choses et ce sont des donc des insights qui sont récupérés par l'ordonnance pour le faire. Et puis tu as t'as d'autres usages qu'on a découvert un peu au fil de l'eau et qui sont arrivés y en a un que j'ai découvert la semaine dernière, c'est qu'on utilise aujourd'hui la classification et les insights de de Fox. Pour noter les différents chefs cuisiniers qui interviennent sur le menu Air France qui sont jugés en fait via nos nos verbatiments donc client qu'on qu'on qu'on récolte. Donc ça c'était un Insight qu'on voilà, on n'était même pas au courant qu'on avait qu'on avait cette cette finesse de résultat et aujourd'hui voilà, on on récupère tout ça pour pour noter et savoir quels sont les les les chefs les plus appréciés par nos, par nos clients et t'as ? Personne 2 Une idée à peu près de la volumétrie de feedback que vous récoltez comme ça. Personne 1 On a. Plusieurs sources de feedback déjà on a on envoie des des des sondages hein. Après les après les vols, peut être que t'as peut être que t'as t'en as peut être eu l'occasion de le remplir peut être pas je pourrais-je pourrais pas te donner exactement le le le nombre de lignes, mais ça c'est la première source. Ensuite on va récolter aussi tous les insights qu'on a sur sur les réseaux sociaux via les App Store de de Apple Store, et cetera, Google Play. Donc non, ça représente une volumétrie qui est assez conséquente et qui augmente de plus en plus. Puisque bon comme tu le dis, nos touch points sont de digitaux, sont de plus en plus conversationnels. Et qui dit plus de conversation, dit plus d'inside. Et comment ? Personne 2 On arrive à traiter, à à rendre exploitable plutôt autant de données parce que effectivement, si on a des dizaines de milliers de feedbacks qui remontent toutes les semaines, comment on arrive à dégager des patterns, des tendances et à les rendre exploitables ? Ouais, du votre Fox. Ouais Ben c'est. Personne 1 Une très bonne question. On a 2 stratégies, la première stratégie sur laquelle on a des classes prédéfinies et des sous classes prédéfinies, qu'on a, qu'on a raffiné avec le métier, avec les avec les premiers résultats qu'on qu'on obtenait sur nos tests. Voilà avec des classes et des catégories qui étaient pas forcément bien définies, avec les bonnes textonomies, et cetera. Donc il y a vraiment un travail par le métier à faire sur la définition de sa classe, donc ça voilà, c'est c'est, c'est très basique, mais c'est c'est c'est vraiment essentiel. Et c'est ça qui au début qui nous a bloqué dans le déploiement de ce cas d'usage, c'était la technonomie des différentes classes. Et puis après on a eu retravaillé la logique des classes ou classes pour vraiment qu'elle soit complète. Et la 2e approche qu'on creuse aussi également, c'est on part d'une feuille blanche et là on vient faire de la, de l'analyse et de la classification 100% catégories prédéfinies à l'avance. Et on va demander à notre à notre solution de détecter ces. Ces clusters de ces clusters et c'est une clusturation qui est donc dynamique et qui peut évoluer dans le temps. L'avantage qui est qui est assez mentionnant pour nous, c'est de détecter les nouveaux clusters. OK, donc des nouveaux Insight clients sur des sujets qu'on avait pas détectés et qui se sont pas ancrés en dur dans nos dans nos routures clients. OK. Les cas d'usage TRAK pour la maintenance et YMCA pour les centres d'appels Ben écoute, vachement intéressant, je crois que tu avais d'autres cas d'usage également que tu souhaitais aborder aujourd'hui avec nous. Personne 1 J'en ai un autre en tête, il se nomme track qui est un cas d'usage qu'on a développé pour notre activité de maintenance avion. Donc on c'est c'est un des un de nos 3 métiers hein du groupe Air France KLM. C'est quelque chose qui est un petit peu moins connu. Peut être que je peux rentrer un petit peu dans le détail. On a 3 grands métiers, principal, le transport de passagers qu'on connait tous avec notre marque Air France, KLM et Transavia. Une activité de cargo dans lequel on fait du transport de fret hein qui représenterait 10% de notre notre chiffre d'acteurs et une activité de maintenance donc on va délivrer dans laquelle on délivre de la maintenance pour d'autres compagnies aériennes qui qui ont pas les des capacités équivalentes que les nôtres. Et sur laquelle on vient soit faire des opérations de maintenance directement sur avion ou soit sur laquelle on vient réparer et s'occuper de la, de la viabilité de leurs équipements et de leurs et de leurs moteurs. Et donc ça c'est c'est tout un tout, un tout, un business à à part entière. Et donc on a une expérience qui est qui est, qui est assez historique hein ? Sur ce, sur ce sujet pour nos, pour nos ingénieurs qui qui s'occupent de nos bureaux techniques, on a développé en fait un une solution de de Knowledge management qui repose sur un sur un rag. Qui permet donc à tous nos nos nos ingénieurs d'avoir accès très très très facilement à toute la documentation d'anciennes réparations. C'est à dire que si y a une nouvelle réparation qui sont en train de qu'ils sont en train d'effectuer ou d'analyser, ils vont pouvoir accéder très très facilement à tous ces Rex de à tous ces Rex de maintenance qui sont été capitalisés et qui étaient jusqu'à aujourd'hui. Assez peu exploitées, mais qui sont mais qui sont accessibles Ben via via une l'indexation de cette documentation, un large langage modèle 1LLM pour former pour former track OK. Personne 2 Parce que aujourd'hui vous avez des des métriques d'usage, un peu pour savoir à quel point il YA1 succès, il YA1 suivi. Personne 1 Ouais, Ben aujourd'hui c'est un pour ça. C'est un clivage qui est assez qu'on a déployé de façon assez récente, donc au cours de au cours de cet été. On a scopé sur un type avion, OK, donc nous, nous avions nos triple 7 sur. Sur le périmètre de KLM, le. Le pilote est déployé et les équipes sont en train de. Sont en train, voilà de de raffiner la la solution et aujourd'hui track et autorisé tous les jours. OK, donc c'est le premier truc qu'on qu'on observe hein, c'est la vraiment la fréquence d'utilisation avec des des requêtes qui sont envoyées, qui sont envoyées quotidiennement sur le sur l'outil qui nous voilà qui nous donne un premier indicateur de de satisfaction de l'outil. On a aussi des retours hein de de ces utilisations qui nous disent. Ce qui ce qui marche bien et ce qui marche, ce qui marche pas bien. Et on a développé au-dessus de la couche genera toute une logique aussi de de pré filtre qui permet de de clusteriser un petit peu la réponse avec pour descendre en en en entonnoir sur le sur le site de de réparation avec le la zone, la zone de réparation effectuée, et cetera pour pour pré scoper la la requête et ce qui amène un vraiment un une performance qui est assez bonne. Sur ce sujet, et ce qui est très apprécié par les équipes, c'est que les fils sont faits en quelques clics. La question est assez simplement posée et et la réponse c'est dire ça, c'est intéressant. Au début on a vu nous donner une réponse qui était assez générique et qui était plutôt verbeuse. Et Ben les équipes de maintenance avaient besoin vraiment d'une réponse qui était très très synthétique, très fine, et puis de pouvoir creuser sur sur la documentation en question si besoin. Et donc c'est ce qu'on a, ce qu'on a assez, ce qu'on a ajusté pendant la phase les phases de de premier test. Personne 2 Et et juste parce que je connais pas très bien le métier et du coup j'ai un peu du mal à à me projeter justement sur le le geste métier ça ressemble à quoi pour bon les personnes qui sont concernées cette maintenance est ce que c'est ? Je sais pas sur internat qui est. Je suis avec les avions ou est ce que je suis dans un bureau ? Enfin c'est c'est c'est quoi alors le métier non là ? Personne 1 C'est vraiment des des ingénieurs qui sont sur leur bureau et qui doivent analyser une réparation qui est un petit peu exotique et qui est pas et qui est pas forcément un standard et sur lequel ouais il faut passer un peu de temps pour analyser des et et et et définir des procédures de de maintenance. Ok donc. Personne 2 Un peu comme un docteur qui essaye de trouver un diagnostic d'accord et donc là c'est un peu de l'aide au au diagnostic et. Et ils. Personne 1 Ont un assistant qui est vraiment, qui ressemble vraiment à check GPT avec quelques filtres avant pour préscoper les choses. Ils posent, ils posent leurs questions et ils ont accès. Voilà aux documentations qui qui ont un petit résumé, et puis aux documentations en question. OK, et on est en train de de déployer le le petit frère de Fox qui s'appelle Charlie, OK ? Et qui aide. Les les mécanos avions sous ailes à identifier les bons et les bons numéros de pièces. OK pour après appeler dans leur CRM de maintenance ou dans ou dans leur ou dans leur dans leur magasin. La la, la bonne pièce en question avec le numéro, le bon, le bon, le bon numéro, et cetera, et cetera. OK. Personne 2 Et et juste tu me disais, chaque cas d'usage a un naming bien spécifique. Pourquoi Fox et et pourquoi track ? Pourquoi avoir choisi ces noms ? Et je te poserai la même question pour le dernier cas d'usage que tu vas aborder. Personne 1 Alors Fox Fox, c'était vraiment pour la partie, pour la partie renard, voilà parce qu'on était on était très. On a été très très très très très on va dire pragmatique sur et opportuniste sur le sur le sur le lancement de le lancement du du sujet Charlie, c'était pour le où est Charlie ? Il faut trouver le PN, le part number en question. Et le 3e cas d'usage que je vais t'évoquer, c'est on l'a son alors son son nom officiel est WMCA qui est youarm macklem assistance et donc qui est un assistant d'assistant humain, donc une suite de d'assistants dans lequel on on propose donc plusieurs outils pour les, pour les pour les assistants de qui répondent à nos, à nos qui qui sont pardon dans nos dans nos Call centers. Et dans lequel on vient leur apporter des solutions pour classifier les les verbatim client. Donc là on a réutilisé une partie de de Fox Hein pour le pour le faire. Ensuite on vient faire un résumé de du du case du case client avec tous tous les échanges qu'il a pu avoir par mail ou par ou par ou par différents canaux du du cas du du cas en question et puis sur lequel on vient apporter un draft. De de réponse à apporter au client que l'opérateur vient vient compléter, vient réajuster si besoin, OK et. Critères de priorisation et implication des contrôleurs de gestion pour la valeur IA IMCI Track Fox comment ? Parce qu'on est encore au début de l'aventure de l'i a générative, comment est ce que vous avez identifié et priorisé ces ces différents cas d'usage ? Parce que bon, quand on veut prouver la valeur de l'i a générative, je suppose qu'il faut pas trop se planter sur les premiers cas d'usage. Qu'est ce qui fait que vous vous êtes dit Bon bah là on va prioriser ça plutôt que d'autres cas d'usage, est ce que c'est la valeur, est ce que c'est la capacité ? Est ce que c'est sponsorship de de certains métiers ? Enfin comment vous y êtes pris ? Ben. Personne 1 Très bonne question. Humm et puis si tu me poses la question, euh. Sur ces cas d'usage c'est pas je ? Je te répondrai autre chose sur les cas d'usages qu'on est en train de lancer aujourd'hui sur la partie Euh agent KI Hum, sur cette partie on a vraiment une approche ? Euh. Ou bottom up avec un filtre on va dire un filtre top down sur donc on a commencé vraiment une une phase d'utilisation à grande échelle au sein des métiers qu'on a conclue par un hécaton de 2 jours dans notre dans notre data Factory donc, qui est un lieu physique à à Charles de Gaulle dans lequel on a reçu pendant 2 jours une dizaine d'équipes qui avaient été présélectionnées par par chaque entité. Donc on a reçu Ben des des personnes qui travaillent dans l'école Center, des personnes qui travaillent la maintenance, des personnes qui travaillaient à la finance, et cetera, dans tous, dans tous les métiers qu'on a accompagné pour me pour développer une mini un, une mini épreuve de concept sur le sur le sujet et vraiment tester et expérimenter la la solution et ça on l'a fait donc à l'été 2023, donc donc assez tôt et les cas d'usage qui sont issus de cette phase qui lui sont été issus de cette phase de de, de, de premier test et d'idéalisation. On après on a été les pitcher avec les équipes auprès de leur auprès, de leur direction pour valider le le concept et voir si c'était de la bonne parité. Si d'un point de vue d'un point de vue business, c'était bien une une, un sujet qui était prioritaire. Donc c'est ce qu'on a, ce qu'on a fait pour, pour pouvoir les lancer et les et les accompagner tout au long de leur tout au long de leur de leur delivery. Alors évidemment hein, quand on regarde un petit peu en arrière, on a, on a des cas d'usage qui ont été déployés très rapidement. Quand je dis très rapidement c'est on va dire en moins d'un an. Et puis d'autres qui sont actuellement en cours en train de déploiement et qui ont été ont été identifiés pendant cette phase. OK et puis alors pourquoi ? C'est parce que Ben on a par par direction une une backlog aujourd'hui de de cas d'usage IA et ce delivery se fait en cours de au en cours de au fil de l'eau en fonction de de la Dispositivité des business et et de et des équipes IT qui délivrent, qui délivrent ces ces. Du Skate, OK. Personne 2 Je suppose que l'identification des bons cas d'usage c'est quelque chose de critique. Maintenant vous commencez à avoir un petit peu de bah d'expérience sur le sujet. Il y a des cas d'usage qui ont très bien fonctionné, d'autres cas d'usage qui ont peut être un peu moins bien fonctionné. Avec voilà l'expérience que t'as aujourd'hui. Quels seraient selon toi les 3 critères discriminants pour pour ceux qui nous qui nous écoutent aujourd'hui qui sont voilà ultra clés, ultra structurants qu'on doit avoir en tête quand justement on est dans cette phase de priorisation et d'identification des cas d'usage. C'est quoi les 3 trucs à avoir en tête selon toi ? Personne 1 Bah nous le le le vraiment. Premier critère hein, qu'on qu'aujourd'hui on regarde le plus évidemment. Ça va être le le critère de de création de valeur qu'elle soit économique opérationnelle client salarié ou ou ou pas ça c'est vraiment le le premier cratère de base qu'on regarde c'est qu'est ce qu'on quel problème on on on on vient résoudre évidemment tous les cas d'usage hein que tu qu'on qu'on qu'on vient t'apporter et résoudre une diplomatique qui souvent pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément pas forcément ça, pas forcément pas forcément ça pas forcément pas forcément pas forcément pas forcément ça, pas forcément pas forcément ça, pas forcément pas forcément pas forcément ça pas forcément ça pas forcément pas forcément ça pas forcément pas forcément pas forcé, pas forcément pas mal, pas mal, pas mal, pas mal hein, pas mal pas mal, pas mal pas mal, pas mal hein, pas mal pas mal pas mal, pas mal, pas mal, pas mal pas mal pas mal, pas mal, pas mal, pas mal, pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas mal pas très mal pas mal pas mal pas pas forcément noté sur papier donc YA1 premier travail d'expression de cette problématique qu'on qu'on fait et qui permet de le faire, mais bien bien entendu dans tous les cas d'usage ont en les travaillant un petit peu, on amène une certaine une certaine valeur et donc ça va être le niveau de cette valeur qu'on vient, qu'on vient challenger, prioriser notre, notre support, le support central qu'on va qu'on va pouvoir apporter. On a, on a vraiment une logique de laquelle on se dit on revient. Notre logique aujourd'hui c'est vraiment de se dire on. On priorise notre le support compte central qu'on apporte aux initiatives qui ont plus de valeur potentielle et sur lequel on va, sur lequel aussi on va venir challenger l'aspect transformatique de la solution. Si je vais un petit peu plus loin aujourd'hui, si je prends l'exemple le de OMCI, on aurait pu très bien s'arrêter à la première brique, c'est à dire la classification des verbatim. Pardon du la classe économisant de la clé client, parce que Ben techniquement on savait faire, c'était c'était carrément des problèmes, et cetera. Mais ce qu'on s'est rendu compte c'est que nos assistants, en fait, ils prenaient beaucoup de temps sur la partie réitaction message et que c'était aujourd'hui la. La diversité des réponses était quelque chose de très pénalisante et était très variable d'un d'un assistant à un autre. Et donc c'est ce qu'on a harmonisé avec ces draft de propositions de réponses générées par. On parle y a avec le le ton, le ton envoy de de notre marque, et cetera, et cetera, qui aussi s'adapte à toutes les à tous les différentes typologies de d'interactions qu'on a, est ce que on a un faire un avocat est ce que on a fait, un client direct, et cetera, et cetera qui s'ajuste. Et là on arrive sur quelque chose qui est vraiment transformant de ce que Ben on vient pas uniquement assister qu'une petite partie du flow, mais on vient Ben. Titiller toutes les toutes les toutes les différentes étapes et bien sûr hein on on réfléchit à la à l'étape d'après qui est la ré architecture du enfin la la réorganisation du process, du process lui même sur la partie I AGE antique qu'on abordera peut être peut être peut être par la suite mais vraiment là le le premier critère ça va être la la valeur business, la valeur business qu'on qu'on qu'on amène et qu'on se veut transformative. OK si c'est pour moi j'avais j'avais une question. Personne 2 Sur cette partie valeur, parce que. C'est souvent enfin quand j'en quand j'échange avec avec mes clients, avec différentes organisations, priorisées par la valeur. Bon bah tout le monde m'a dit ça, mais c'est pas forcément évident tu vois typiquement toi dans des dans tes différents cas d'usage t'as bon ? Bah je vais accompagner effectivement des personnes à la maintenance à mieux faire leur job. Je vais essayer d'identifier des verbatim qui peuvent être intéressants, mais c'est vrai que parfois, quand t'essayes de faire ce travail comparatif d'identification de la valeur, t'as un peu l'impression, tu vois de de. De comparer des choux et tout à fait une carotte quoi. Comment t'arrives à te dire bon bah là bon bah Fox par rapport à Track je me dis là y a plus de potentiel que que là tu vois, parce que c'est pas forcément un équivalent en chiffre d'affaires. Enfin c'est enfin c'est quoi ? Après c'est y a peut être du God feeling hein mais très bonne question alors. Personne 1 Effectivement, après on on a un petit peu la culture et et en voyant les les sujets passés, évidemment tu te, tu te fais un peu la, tu te fais un peu la main. On a une, on a mis en place un on on. Un procédé assez pas très drôle sur lequel on sur lesquels on fera finir en fait nos nos contrôleurs de gestion, les contrôleurs de gestion et sur lesquels on demande aux équipes de valider avec leurs différents contrôleurs de gestion leur business case. Et ça c'est c'est super intéressant parce qu'en fait on va chercher des des éléments qui sont vraiment tangibles et qu'on peut tracer au titre de notre transformation économique dans nos outils de suivi de de cette transformation que les contrôleurs de gestion reportent. Remplissent et donc c'est à dire que sur chaque, sur chaque cas d'usage, on va chercher des éléments financiers qui sont peut être pas la valeur la plus importante aujourd'hui, typiquement sur la sur Fox et qui fait la classification. Ce qu'on va revaloriser d'un point de vue contrôle de gestion c'est la licence qu'on n'achète plus et donc le delta du coup du cas d'usage par rapport à la licence qu'on payait annuellement, c'est bien entendu. C'est pas là la valeur de Fox qu'on qu'on amène hein, c'est. C'est c'est c'est pas ça mais mais la la la, la valeur financière qu'on est capable de traduire tranquillement en euros, c'est aujourd'hui c'est c'est c'est c'est que ça qu'on est capable de qu'on est capable de faire. Sur la partie assistant des Clem, on vient arrêter avec les différents modules hein. On vient par exemple avec le premier module, on arrive à faire une bien meilleure classification que ce que pourrait faire l'agent. Et donc cette qualification des clems, elle a une a un impact sur la qualité des Clem. Et donc on a un coût global, donc de ce que nous coûte le traitement des Clem qui nous permet qui nous enfin grâce pardon excusez-moi à cette meilleure qualification de la Clem. On est capable de mieux la traiter et donc d'être plus juste dans dans le traitement de la Clem, sur la compensation qu'on donne ou qu'on ne donne pas au au client en fonction de comment il est qualifié. Et donc c'est un pourcentage. Donc là ici on vient récupérer un pourcentage qu'on a estimé. Sur sur le coût global du des Clem et de leur traitement pour pour le. Donc sur chaque cas d'usage on vient, on force les équipes à identifier même si c'est pas le l'élément de valeur principale, mais au moins quelque chose qu'on puisse mettre sur papier. OK c'est vachement intéressant. Personne 2 Et je pense, c'est un très beau conseil de mettre la partie contrôle de gestion un peu dans la boue justement pour avoir. Bah des feedbacks sur la valeur ajoutée qu'on peut générer. Parce que c'est vrai que quand on est très orienté tech, parfois on peut-on peut décorer les et c'est un et c'est un. Transformer les expérimentations IA en solutions industrielles à grande échelle Réflexe que les équipes n'ont pas forcément ouais oui, parce qu'on se dit ça va ralentir le. Personne 2 Process alors que et et c'est voilà et. Personne 1 C'est souvent des 11POA est dans un business, donc au dîner il est pas du tout au contact de son contrôleur de gestion et c'est une. Voilà, c'est une culture qu'on qu'on amène petite dans. Dans le donc dans le dans le hackathon que que je t'ai évoqué, on avait un on avait un stand contrôleur de gestion et sur lequel qui qui était à un instant volant sur lequel qui venait voir chaque équipe. On avait voilà 111 duo de contre leur gestion qui venait les challenger sur leur sur leur business case pour aller assez dans dans le détail sur leurs projections financières, et cetera, et cetera, ça c'est vachement important. Personne 2 Moi ça fait 15 ans que je fais du produit. C'est vrai que c'est une question qu'on s'est pas suffisamment posée, posée pardon, dans l'écosystème produit, quelle valeur je ? Avec le produit que je construis et C'est d'autant plus le cas aujourd'hui, j'ai l'impression sur les produits d'i a et notamment de IA générative où parfois on se dit Bon bah IA va tout résoudre et on embarque plein de use cases à la volée sans forcément se poser la question de la valeur alors que c'est peut être la question la plus structurante d'un point de vue priorisation, quoi ? Et chez. Personne 1 Enfin, enfin, chez nous, dans une culture de aérien, on a vraiment une culture d'optimisation avec des marches qui sont qui sont très serrées et avec toutes nos opérations qui sont. Optimisée au couteau donc cette cette culture de la de la prorisation par la valeur évidemment elle est, elle est assez ancrée et bien sûr elle suffit pas. Donc il y a, il y a, il y a d'autres critères qu'on amène aussi hein, il y a la partie, il y a la partie faisabilité technique qui qui aujourd'hui est très indexée sur la data que tu utilises dans dans tes dans tes cas d'usage, donc les les les premiers cas d'usage qu'on a sélectionnés, évidemment on a. On a, on a, on a, on les a choisis en fonction de la qualité des des données sur laquelle on on on devait, on devait déployer le le, le système, mais voilà. Donc ça c'est ce qu'on a fait hein. Sur sur la plupart des des cas d'usage que je t'ai cités, sur d'autres aussi, mais ça suffit pas toujours. J'ai en tête un cas d'usage qui est toujours en stand by chez nous, qui s'appelle Pamelia, qui est une solution qu'on souhaite remettre. Dans la main de nos, de nos, de nos agents d'escales sur leur iPad, qui permet de leur leur permet d'accéder très très facilement à toute la documentation de et aux policiers de check in qui sont dépendantes des escales, dépendantes des des terminaux dans les escales, et qui peuvent varier d'une compagnie à une autre, et cetera, et cetera. Et donc bon, on a tout un Manuel de de de procédure. Sur qu'on qu'on est capable de de d'indexer à un à 1LLM pour, pour, pour les aider, pour les aider dans leur dans la réponse au au quotidien aux clients et même les leur donner une fois qu'ils ont une question qui est un petit peu dutchy. Toute la procédure à faire est une to do vraiment d'action numéro un, numéro 2, numéro 3 pour résoudre le problème client. Ça c'est un cas d'usage en Or parce que on a un Manuel de maintenance qui est qui est super bien organisé, super bien, super bien. Super à jour avec des des, des, des bulletins de mise à jour qui sont continuellement quotidiennement effectués en fonction de. Voilà si on a une un, des travaux dans un terminaux, une grève à gauche, et cetera, et on a même une équipe qui va s'occuper de la de de cette base de données qui est, qui est, qui est vraiment dédiée et qui avec des ce que ce qu'on va appeler des des knowledge, des Knowledge ingénieurs hein, qui qui qui travaillent la qualité de cette donnée au quotidien. Donc un plan béni pour déployer une solution d'i a. Bien entendu, les premiers tests ont montré une appétence forte hein des des agents à utiliser cette cette solution dans leurs iPad qui leur facilitait grand moment la vie et ils nous ont demandé de de la déployer. Mais pour des questions de, de, de priorisation budgétaire on et de et de dispo des équipes de déploiement, on a ce ce sujet qui est très beau et qui en et qui est aujourd'hui en stand by et voilà. Et donc pour nous c'est c'est un peu un semi échec parce qu'on sait très bien que quelle valeur on pourrait-on pourrait amener. Après on va pas venir, on va pas venir prioriser pour, pour, pour les équipes qui sont en charge de ces de ces priorisations le sujet, le sujet lui même bien sûr ils ont-ils ont toute une road map hein de déployer non et transformations sur leur sur leurs outils de leur côté. Et bon c'est un sujet qu'ils ont identifié, qu'ils prendront et qu'ils déployeront quand, quand ce sera le le bon moment de leur de leur de leur côté OKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOKOK don. Écoute. Personne 2 Écoute claire, peut être une dernière question avant de passer à à notre 2e partie, comment on passe du Poc au scaling ? Parce qu'effectivement, dans le monde de l'i a générative, il y a beaucoup de pods qui ont été créés, voilà, et on arrive facilement à créer des poks, mais souvent là où est la difficulté c'est comment je scale, un poke que j'ai déjà créé parce que il y a. Voilà, il y a plein de nouvelles contraintes qui arrivent. Comment vous vous y êtes pris ? Justement parce que vous êtes une entité à part, vous avez. Ok, un peu des choses qui sont qui ont été scalés, ouais comme ça, mais bien sûr. Personne 1 Enfin un poc, un poc, c'est facile, un déploiement c'est difficile. Donc la première réponse que je voudrais donner c'est vraiment le c'est vraiment du temps. On a plusieurs leviers pour ça. Le premier c'est d'essayer d'embarquer les et d'embarquer les les tes utilisateurs finaux dès le début de tes tests et de les placer en tant que en tant qu'ambassadeur dès le début. Donc c'est à dire par exemple si je prends le l'exemple de track ou de ou de YMCA c'est de c'est de définir par exemple une une liste de questions. Que que que que les utilisateurs vont poser au quotidiennement avec eux et par eux en leur demandant vraiment en allant dans les Call centers ou dans les regards de maintenance pour pour mettre sur papier avec eux les les différentes questions idéales qu'ils aimeraient poser. Et de revenir les voir régulièrement avec des avec des tests réguliers, hein, tout au long de ton ton, ton, ton déploiement pour les engager. Les mettre vraiment en position de owner de de cette solution au-delà hein du du du Product Owner que t'aura que t'auras et qui déploiera l'outil, mais vraiment que l'utilisateur final soit le la personne qui soit le premier, le premier ambassadeur, le premier ambassadeur de déploiement. Après t'as un 2e critère qui pour moi est est peut être plus structurel dans une grande organisation comme la nôtre. C'est de jouer avec les standards de la boîte. Évidemment, on a des standards d'architecture et et de et de produits qui sont propres à à nos, à notre organisation, qui sont définis par par nos architectes en en centraux et qu'on fait évoluer bien entendu en fonction de en fonction des besoins globaux de des différents des différents métiers. Mais voilà le choix des solutions techniques et donc pour déployer ces solutions, on a à chaque fois plusieurs plusieurs options. Et ça tu l'intègres dès le et. Personne 2 Ça et ça. On. Personne 1 L'intègre delpoc évidemment ouais, dès dès le Poc on l'idée c'est de faire le Poc, par exemple avec la le modèle de référence pour ce type de cas d'usage. Parce que bon, on a, on a eu des exemples hein de de Poc, au moins de passer à l'échelle, on passe d'un modèle d'un provider de modèle à un autre, donc un provider de LLM à un autre. Et là bah la performance elle chute, parce que derrière tout ton travail de prompt, c'est pas du tout la, pas du tout la même logique, et tu recommences et tu recommences à 0. Donc ça c'est ça, c'est vraiment essentiel. Y a pour moi un levier qui est très important, ainsi qu'est la qu'est la mesure de la, de la performance et du résultat qui peut être un peu un sujet des. Pas forcément naturelle quand tu déploies une solution diagénérative sur laquelle tu tu fais intervenir. Pas que uniquement des des data scientists. Donc ça c'est quelque chose aujourd'hui qu'on essaye de faire au maximum, c'est de de faire un déploiement qui intègre des data scientists qui ont cette culture vraiment d'assesser le la qualité de la réponse et du résultat voilà puisque la performance évidemment si elle si elle est pas attendue et que t'as un que t'as une solution de Knowledge management. Qui va te ? Qui te répond un résultat approximatif et qui est pas pertinent ? Bah ton déploiement il va, il va. Il va se heurter très facilement à des à des à des leviers de boucliers. OK bah écoute très clair. Le socle technologique et l'organisation de la GenAI Factory Très, très intéressant. C'était top d'avoir cette première brique produit durant le podcast pour qu'on puisse. Bien comprendre un petit peu quels sont les les cas d'usage hein côté Air France, KLM et on voit qu'ils sont qu'ils sont nombreux. Peut être maintenant on peut plutôt aborder le le sujet de l'organisation parce que pour adresser ces différents cas d'usage, vous avez développé en interne une une geneia Factory peut être écoute, c'est intéressant de se pencher un peu sur ce sujet pendant pendant quelques minutes si ça te va. Personne 1 Alors bon bah du coup ça. Personne 2 Consiste en quoi cette cette geneia Factory au sein d'Air France KLM alors ? Aujourd'hui ? Personne 1 C'est avant tout 1 1 1 1 socle technologique. Voilà qu'on a basé hein sur notre donc l'ordre analytique hein d'Air France KLM et qui consiste en fait à à la sélection et à la résolutivité de certains composants. Qui sur laquelle on peut-on peut donc créer qu'on peut participologie de projet. Est ce que je suis sur un projet par exemple dia génératif pour faire de la classification ? Est ce que je suis sur un sujet de dia générative pour accéder à la à la knowledge dans la documentation, et cetera, et cetera. Donc on a commencé par cartographier les types de projets et en cartographier ces types de projets. On s'est rendu compte qu'on avait 3 grandes familles de projets, soit des projets relatifs à la classification. À la recherche documentaire ou à du chat très conversationnel sur lequel tu transformes un input en input très très facilement. Et donc pour ces 3 catégories de projets, on a identifié les composants complets hein de surtout le process et on a identifié tous tous ceux qui étaient qui étaient réutilisables pour en faire des standards et pour que demain tous les projets. Qui qui soit de cette typologie puisse réutiliser tous ces tous ces composants. Alors évidemment tu le sais bien, aujourd'hui on est on est complètement sur un sur des solutions techniques qui évoluent toutes les semaines autour de autour de l'i a génératif et de la gentique. Donc bien entendu les les composants standards eux-mêmes évoluent et donc on a toute une logique qui fait en sorte que le le dernier cas d'usage développé. Porte le standard, la référence. Donc c'est vraiment quelque chose qui est qui est vivant, qui est mouvant, mais qui permet à aux équipes dev de récupérer ce qui a été, ce qui a ce qui est fait sur le sujet par par une équipe voisine sans sans réinventer l'eau chaude à chaque question et d'accélérer le déploiement, le déploiement des des des projets, pas forcément sur la partie Poc, mais vraiment sur la partie déploiement d'infrastructure, ce que ce que c'est. Ce que ce que je mentionne c'est vraiment sur la partie déploiement de l'infrastructure dans nos, dans nos, dans nos projets en en en en production et c'est et c'est là où où le gain est pour nous est assez dimensionnant puisque évidemment le la partie poke hein le le gain est assez. On peut gagner du temps sur le poke mais c'est pas ça qu'on veut aller chercher, c'est vraiment sur la partie industrialisation, donc c'est vraiment un socle technologique. Personne 2 Ah OK, donc je te disais des bêtises. Je te parlais d'organisation. Non non mais au-dessus de ça, effectivement. Personne 1 On a 2 couches, 2 couches, une première couche sur laquelle on vient accompagner et sélectionner des des cas d'usage qu'on souhaite booster donc là, et c'est là où la la partie intervient sur lequel on vient accompagner certains cas d'usage. Par des soit par des équipes projets ou des équipes DEV et peut être les 2 sur certains cas d'usage en fonction bah de si le métier ou si le la squad qui est sur le produit manque une compétence de data Scientist ou manque plutôt une compétence projet. Et donc là on a un système qui qui nous permet de d'aller sélectionner le bon niveau de support pour le projet en question. Si bien sûr il amène de la valeur s'il est faisable et si c'est le bon moment de le de le lancer dans le dans le métier. Et puis après on a toute une couche plus cockpit. Sur lequel on gère et on maintient une 111 travaux d'Hercule qui est de qui est de recenser et de lister tous nos cas d'usage de l'i a générative et maintenant aussi de de l'i a atlantique à travers le groupe Bah pour mieux faire des jonctions d'un cas d'usage à un autre et de pouvoir aussi les et en suivre la valeur la valeur au global. Gérer la veille technologique et l'intégration DSI dans un modèle hybride C'est vachement intéressant. Personne 2 Tout ce que tu nous dis. Moi je voudrais rebondir un petit peu sur ce ce socle technologique commun à l'ensemble de l'entreprise. Et ça me paraît être effectivement un point extrêmement structurant pour aller chercher de l'innovation et et développer des produits dits génératifs dans l'ensemble de l'entreprise. Néanmoins j'ai j'ai j'ai 2 sujets qui correspondent. Je trouve à 2 gros challenge qu'on peut qu'on peut retrouver chez pas mal d'organisations. Le premier sujet c'est celui de la veille. Ça va très vite. L'i a générative, on a, voilà des nouveaux LLM qui sortent toutes les semaines, des nouveaux outils qui sortent toutes les semaines. Donc comment on arrive à opérer cette veille et à faire évoluer ce socle technologique pour rester innovant et pas rester avec des infras trop anciennes ou qui deviennent rapidement archaïques et et désuets ? Et le 2e sujet c'est comment on gère ça avec la DSI ? Parce que bien évidemment, l'objectif d'une DSI c'est de garder une sorte de de constance organisationnelle de gérer. Des sujets de sécurité, de cybersécurité et de fiabilité du SI. Donc c'est sûr que bon, c'est compliqué pour voilà d'aller chercher de l'innovation dans une infrastructure et de rajouter des nouveaux composants technologiques de façon très rapide. Comment vous avez fait pour résoudre ces 2 grosses problématiques chez Air France KLM ? Très très bonne question. Personne 1 Aujourd'hui, la difficulté de déploiement, elle est pas liée à l'utilisation de GPT4GPT 4.1GPT 3.5. Elle, elle, elle, elle réside pas du tout dans la partie, la partie, la partie LLM, mais vraiment tout ce qui va entourer, en en entourer ça évidemment, on essaye de d'au maximum d'utiliser et de standardiser ces différents composants pour que cette réalité soit soit évidemment la plus fluide possible en revanche. Ce que ce que je t'évoque sur les premiers cas d'usage aujourd'hui, si on si on si on devrait le refaire bien entendu on n'a, on n'a plus du tout le le le, les mêmes, les mêmes composants, on a, on a, on avait appris quoi, on a, voilà, on on on si on si on souhaite les migrer, si on si on voudrait les migrer, on sait très bien que ça prendrait, ça prendrait, ça prendrait un petit peu de temps. On s'est posé la question au début, tu vois d'avoir cette une approche vraiment API. Délivrer de service sur les différents composants donc ce qu'on mais ce qu'on s'est dit c'est qu'on voulait avoir un truc vraiment très très très très flexible qui soit très très évolutif en fonction des en fonction des nouveaux sujets pour que la référence puisse évoluer mais puisse aussi être réutilisée d'un projet à un à un autre. Et justement je le je le je le répète hein, mais en fait les les les les aujourd'hui nos sujets sont pas tellement différenciant en ce qui va donc. Très, très différenciant. Ça va être la donnée, le process dans lequel dans lequel tu t'insères, l'outil qui est utilisé, le front qui est utilisé par métier. Mais le cœur, le cœur du moteur IA, lui, lui oui. Il y a différentes méthodologies pour déployer qui sont toujours de plus en plus performantes. Mais le fond, le fond, le concept est toujours très, très proche de ce qu'on, de ce qu'on, de ce qu'on a pu, de ce qu'on a pu faire bien sûr. Donc aujourd'hui bah avec tout ce qui est tout ce qui est tout ce qui est agent TKI, je pense que l'approche elle sera, elle est complètement différente. La partie réalisabilité elle est elle va, elle va vraiment être beaucoup plus éclatée dans les, dans les, dans les différents dans les différents cas d'usage on va je me vois pas avoir toutes ces briques réutilisables sur sur les sur des cas d'usage beaucoup plus, beaucoup plus agentiques OK et la philosophie de de. Personne 2 Déploiement est ce que on est plutôt sur de la ? Centralisation ou de la décentralisation. Je m'explique, est ce que chez Air France KLM je sais pas, je suis RH, j'ai envie de me créer un petit agent pour m'accompagner dans l'analyse des CV et est ce que je peux le faire ou est ce que voilà tout est fait de façon centrale côté enfin, c'est quoi la philosophie ? Bah très très bonne question. Personne 1 Alors on recommande pas de. De faire la la catégorisation de CV avec une IA parce que ça ça va pas mal de biais puisque tu vas retrouver tous les tous les biais en fait quand on IA et qui ont les les données d'entraînement ton IA. Donc cet exemple ça on essaye de le de le de de de le prévenir. Par contre ce qu'on vient faire c'est qu'on vient identifier. Ce qu'on peut faire un c'est c'est identifié dans le CV des formations, des spécifiques par exemple hein, pour toutes nos populations pro hein, on vient chercher des certifications qui sont présentes ou pas et qui nous permettent de sélectionner ou pas sélectionner 11CV, mais on vient pas classifier avec le numéro 123 des des candidats probables, ça c'est des des usages qu'on essaie de faire. On a un modèle de de délivrer qui est à la fois centralisé, décentralisé, sinon ça serait trop simple toute on va dire qu'on a, on a 2 grosses équipes, une équipe qui va, qui va délivrer. La stack technique, donc toute la plateforme, toute la partie plateforme. Et après on a des des domaines, des domaines de delivery qui sont organisés et orientés par business domain et qui viennent délivrer les cas d'usage, les cas d'usage eux-mêmes sous la forme d'une, d'une squale avec un une composante métier, une composante technique. Et sur cette sur ce modèle là on a 2 schémas. Un schéma Air France dans laquelle on a toutes les équipes de delivery data NI qui sont centralisées au sein d'une d'un d'une même d'une même grande équipe. Et côté KLM, on a, on a une un modèle qui est beaucoup plus fédéré avec des entités qui sont organicalement organiquement pardon séparées. OK, très clair. Talia : le portail IA interne sécurisé d'Air France-KLM On parle un peu de thalia, tu nous expliques un petit peu. Personne 1 Ce que ça demande ? Personne 2 Thalia, c'est notre. Personne 1 C'est notre petit bébé. C'est notre tchat GPT interne donc qu'on a lancé dès le début pour avoir un et déployer un usage sécurisé de de l'i a generative. Donc pourquoi une GPT interne plutôt que se tourner vers. Personne 2 Un provider du marché. Pourquoi ? Parce que. Personne 1 Au début, Ben je sais pas si tu te souviens, il y avait pas beaucoup de solutions qui étaient disponibles et donc très vite on s'est dit. Il nous faut-il nous faut notre notre propre solution. Il y avait c'était le tout début de de copelotte Microsoft 360 qui est notre provider de de socle office notre site office on est on est sur du on est sur de Microsoft. Leur solution bien sûr on l'a découvert comme tout le monde, on a trouvé que la performance était pour un net pour être honnête était pas du tout au rendez-vous par rapport à ce que nous on était capable de bloquer et de et de faire. Donc on s'est dit bah. On va et et aussi était très cher donc on s'est dit bon on va faire, on va faire notre propre solution. On a les équipes pour donc on a là là pour le coup. Voilà on a été vraiment très très très très opportunistes et en quelques mois on a mis en prod un chat super simple mais sécure avec un modèle disponible. Donc voilà. Donc ça c'était on était hyper hyper content. On a eu depuis le début une un une adoption qui qui qui était assez assez forte avec les personnes qui découvraient aussi l'i a générative via Tchat GPT, ça c'était fait pardon via thalia et qui ne connaissait pas forcément tchat GPT et donc ça c'est pour nous. Ça a été vraiment assez fort de d'être confronté à à ça au quotidien puisque bien entendu un côté équipe de transformation centrale ou dans les équipes data NI. Sur tout le monde utilise des TGPT au quotidien. Et de voir qu'en fait via thalia on est, on amenait cette cette acculturation vraiment sur la la découverte de de l'i a générative de from scratch, ça c'était quelque chose qui était qui était qui était assez fort ensuite. Donc thalia, évidemment on l'a lancé au début pour des raisons de sécurité. Comme comme je t'expliquais hein pour pour avoir 111 usage un usage sécurité de de l'i a générative au sein du groupe. Et puis petit à petit, en fait ce qu'on a fait c'est qu'on a étoffé thalia avec la capacité de pouvoir créer ses propres assistants et on l'a vraiment positionné comme 1AI Portal central et non un portail Generic central parce que en fait, on a eu, en fait on a eu à cœur d'apporter dans thalia. Pas que des modèles dia génératives mais aussi des modèles par exemple d'autres d'autres modèles d'i a par exemple pour faire la traduction. Et aujourd'hui dans thalia, donc tu as un module de traduction qui est le même que dans Google traduction sur lequel on utilise derrière le même modèle que Google traduction mais dans un environnement sécurisé. Et ça en fait notre concept c'est de se dire toutes les solutions d'i a. Que qu'un employé peut utiliser au quotidien, on va les mettre dans un dans un environnement sécurisé pour pour qu'ils puissent voilà y copier couler toutes les données de l'entreprise de manière complètement sécurisée et limiter toutes les touch points sur des plateformes publiques gratuites d'i a avec un usage qui est même qui est qui est pas forcément même conscient de d'une d'une IA derrière et donc voilà. Donc ça c'est vraiment l'évolution de notre. Notre portail, notre portail interne. Aujourd'hui on a, on a toute une une communauté de testeurs qui vient tester les nouvelles fonctionnalités avant qu'elles sortent et qui nous font des retours aux équipes ouverts à tout l'entreprise. Il est ouvert à tout l'entreprise, à toutes les populations de l'entreprise. C'est à dire qu'on a des voilà, on a des pilotes, on a des crew qui qui utilisent thalia également et entraînés avec les données d'Air France. Personne 2 KLM ou pas encore ? Non. Aujourd'hui c'est vraiment une une. Personne 1 Plateforme, stand alone et. Ce qu'on a identifié et ce vers quoi on on tend aujourd'hui, c'est on va intégrer 2 nouvelles capacités, la première qui est évidemment la la connexion a des un TO knowledge système, donc avec l'indexation des knowledge base et des des outils qui les qui les comportent et le 2e c'est la partie vraiment action avec les Software dans l'entreprise avec no Tools. Pour vraiment faire un portail entreprise dédié à Air France. Pour ça la, notre démarche, elle est très pragmatique. Un peu comme le début, on a regardé ce qui était, ce qu'on était capable de faire, ce qu'on avait sur le marché. Aujourd'hui, ce qu'on voit c'est que sur le marché on a des on a des solutions qui se qui ont évoluées et qui ont qui arrivent à maturité sur ce, sur, sur ces standards là comme l'est aussi notre notre marché interne et nos utilisateurs. Aujourd'hui, on a des utilisateurs qui sont. Certes il y en a qui découvrent encore l'IA générative, mais il y en a qui ont une maturité suffisante et en masse on justifie notre marché interne qui match avec des solutions pour pouvoir nous nous fournir le marché. Et donc on est en face de de de de sélection de de d'une plateforme interne qui va devenir notre plateforme, notre plateforme ia pour tout le monde et les 2 challenges. Lequel ? Personne 2 Te paraît le plus accessible et lequel te paraît le plus compliqué ? Bah. Personne 1 Pour nous alors ça ça pose évidemment plein de challenge. Le premier challenge ça va être sur la partie, sur la partie knowledge et sur la partie droit d'accès et accès à la donnée. Finalement tu tu tu te plugges à un SharePoint sur lequel peut être que tu as accès. Peut être qu'il y a peut être accès mais dans ton SharePoint tu vas voir peut être des documents que tu veux pas du tout. Retrouver dans tes résumé que tu vas demander et même qu'ils vont venir polluer polluer ta ta requête. Voilà avec peut être un document qui est un peu injectionne à petit à petit niveau mais mais ce genre ce genre de choses. Donc ça évidemment ça c'est des choses qui sont qui sont assez qu'on qu'on regarde assez de de près et qui permettent de voilà de de qualifier aussi la future plateforme. OK ? Questions rapides, découvertes IA et l'anniversaire de la Data Factory Intéressant ? Personne 2 Ben écoute, je pense qu'on a fait, on a fait le tour des sujets, l'heure file peut être ce que je te propose c'est de basculer à la dernière partie hein de ce podcast qui est le Flash Chat, si ça te va. Questions rapides, réponses rapides, c'est toujours les mêmes pour l'ensemble de nos invités, est ce que t'es prêt ? Virgile, vas y allez y. Personne 1 Première question ? Personne 2 La personne dans l'écosystème de de l'i a qui t'inspire et qu'on devrait potentiellement inviter sur ce podcast. Personne 1 Je te propose de faire venir et d'inviter Hugo Hannad qui était qui est data année Officer chez Axa aujourd'hui, qui était qui avait le même rôle chez chez Decathlon aujourd'hui, qui a vraiment une approche data et produit très très forte et qui qui est assez expérimentée sur le sur le sur le sujet qui tient à cœur à à vraiment apporter cette cette double compétence dans dans dans dans l'écosystème. Donc c'est je pense 1 1 invité que tu peux que tu peux que tu peux accueillir, on va lui envoyer un petit. Personne 2 Message, c'est quoi le concept clé à comprendre dans l'i a ? Personne 1 Bonne question pour moi c'est vraiment l'aspect statistique d'avoir à faire 111 modèle statistique qui va te générer quelque chose de statistiquement probable. Et grander sur sur sur des données d'entraînement. Ça pour moi, c'est vraiment la clé de se dire que on n'est pas face à une boîte noire. On est face à vraiment un à à à quelque chose qui qui est entraîné, qui est vraiment dépendant des données d'entraînement. Ça c'est aujourd'hui, c'est la clé et et tous les dans tous les interventions qu'on fait. Voilà, on met un petit, un petit, un petit rappel sur cette couche donnée, sur tout le travail de data management qu'on fait et qui est fait en amont. OK, intéressant. Personne 2 C'est quoi le le le dernier truc où d'incroyable que t'as découvert dans dans le domaine de l'i a où t'as eu un vrai effet waouh. Moi je me suis penché sur. Personne 1 Sur quelque chose qui me, qui me fascine un petit peu, qui est le un cousin des LLM, qui en qui, qui, qui est en fait l'entraînement d'un comme d'un large langage modèle, comme pour 1LLMM, mais uniquement sur des Times Series. Qui permet de en fait de généraliser complètement le le la prédiction de d'événements. En fait c'est comme si tu imaginais 1 1 1 1 gros modèle qui serait entraîné non pas sur des des des des des 1000000 et des 1000000 de de documents, mais sur des 1000000 et des 1000000 tels Series. Euh pour récupérer. Via toutes les toutes les touches pointes et toutes les bases de données que tu peux que tu pourrais avoir. Donc là il y a évidemment un travaux qui est très conséquent d'avoir cette cette première matière première et sur lequel tu viendras entraîner toute cette toute cette logique pour demain. En fait, prédire bah en fait toutes les toutes les prédictions que que que tu pourrais. Alors ça évidemment il YA1 coût d'accès qui est qui est qui est assez fort rien que sur le partie. Capitalisation de la de la matière première et puis d'entraînement mais y a des premiers tests qui ont été qui ont été faits qui donc Google qui ont sorti des des des modèles de de cette typologie là là je trouve que la logique est très intéressant. On est on est pas encore sur 1 1 niveau de d'industrialisation et d'utilisation industrielle de de ces concepts qui nous nous permettent de de l'usager au quotidien. Mais voilà sur sur une étude Adobe pour. Pour préparer le terrain, voir s'il y a vraiment quelque chose à creuser, et cetera. C'est c'est des choses qui peuvent être déjà utilisées et je trouve que c'est que ça change. Même voilà le le métier de data Scientist se dire peut être que on a. On va avoir accès à un modèle généraliste pour toutes les séries temporelles. Personne 2 Le use case où l'i a va révolutionner notre quotidien selon toi ? Pour moi c'est. Personne 1 Ce qu'on est en train de vivre, qui est le, qui est la partie. Transactionnelle de de l'IA avec notamment la révolution de de l'e Commerce qui a qui est qui est en plein, en plein essor avec la le positionnement qu'on a, qu'on a, qu'on a observé depuis quelques jours de tchat GPT qui va se transformer vraiment en tant que plateforme de vente et qui qui qui amène dans tchat GPT tout nos, tous nos usages du quotidien Hein, de à la fois de d'achat de de produits, de de bien et de consommation avec avec le paiement. Gentiques, mais aussi de de d'achat, de de de services, de de réseaux sociaux, et cetera, et cetera. Donc ça pour moi, ça c'est vraiment ce qui est le sujet sur lequel je me penche le le plus aujourd'hui. Évidemment ça soulève plein de questions de comment est ce que le le ton ce ce ce type de plateforme peut peut rester neutre ? Est ce que voilà, est ce que le le résultat qui est statistique aujourd'hui est-il neutre ? Bah ça c'est ça, c'est une vraie question, est ce que demain il le restera ? Est ce qu'on aura pas une monétisation qui sera qui sera effective bien entendu sans sans le sait tous que que que nos nos providers de Llm vont commencer à monétiser l'usage et la mise en avant de bah des produits et des et des marques qui sont, qui sont, qui sont référencés par par les par les moteurs. Et et bien entendu bah on a, on a plein de questions autour de de la sécurité et de la distribution. Bah de ces nouvelles transactions qui qui viennent et sur lequel on sait bien que tout n'est pas complètement complètement mature pour avoir une distribution de tout produits et services à un niveau à un niveau à un niveau global. OK très intéressant. Personne 2 Euh et dernière question, euh le proverbe, si ta vie était un proverbe quel serait il ? Personne 1 Alors moi je vais pas te donner un proverbe, mais je vais te donner une phrase que mon qu'un qu'un de mes nombreux moniteurs d'auto école m'a m'a m'a dit parce que j'ai j'ai eu l'occasion de passer mon permis 223*3 fois même. Personne 2 C'est. Personne 1 Fais le maintenant sinon tu le feras jamais. Donc juste do it le juste do it. Voilà, c'est dire. De temps en temps on on prend un peu de temps à à réfléchir à certaines choses, mais pour l'instant l'instinct le compte dans un monde très analytique et plus en plus. Bah évidemment on a tendance peut être à le mettre un petit peu en arrière mais voilà fais le fais le maintenant, fais le maintenant. Personne 2 Just do it. Eh bah écoute, merci beaucoup Virgile pour pour tous ces éléments. J'ai pris plein de notes hein. C'était très très intéressant. On a pu. Avoir une très belle vision de tout ce que Air France KLM fait en terme dia générative. Donc franchement on a pu balayer beaucoup de sujets en 01h00. Donc un grand merci pour tout ça. Un grand merci pour ta disponibilité. Merci merci à toi pour l'accueil. Personne 1 Et et Marine aussi pour la pour le pour l'invitation. Ben Ouais, on la remercie. Marine, elle est. Personne 2 Elle est derrière les écrans. Un mot de la fin, Virgile ou on est bon ? Ben écoute on. Personne 1 A fait le tour, mais je vais quand même rendre hommage à notre data Factory. Qu'on a qu'on a lancé il y a 3 ans et dont on célèbre cette semaine le, le 3e, le 3e anniversaire au sein de au sein au sein d'Air France KLM. Voilà avec tout un toute une série d'événements au cours au cours de la semaine, on a eu la chance de d'inviter lors du lancement de notre data Factory Nick Lévy que tu connais peut être qui est responsable de l'innovation chez Orange Business. Et qui est revenu cette semaine pour pour souffler les bougies à les bougies. Avec nous, on a installé tout un village avec des démos de, des tests, des et cetera, et cetera au sein de au centre de l'Allée centrale du du siège. Donc on a, on a, voilà, on a cette ce gros événement aujourd'hui, qui qui ? Bah qui qui ouvre vraiment les portes de de notre data Factory à à tous, à tous les employés du d'Air France, et c'est quelque chose qu'on essaie de faire environ une fois par an. Et ça tombe cette semaine, donc ça tombe bien. Bon Ben, joyeux anniversaire à la data. Personne 2 À la data Factory. Merci Ben écoutez, on a on a fini avec cet épisode. Un grand merci à vous qui nous écoutez aujourd'hui. Et puis on se dit à très bientôt pour de nouveaux épisodes. Au revoir.