Personnalisation IA : dans les coulisses du Machine Learning
Nos portraits collaborateurs lèvent le voile sur les personnalités riches et étonnantes qui composent les équipes de Kameleoon. Des Customer Success Managers aux développeurs en passant par les Technical Account Managers, découvrez les talents qui participent activement à l’évolution de notre plateforme et nos services d’A/B testing et de personnalisation de l’expérience client.
Cette semaine : qui se cache derrière l'IA de notre plateforme ? Comment s'organise notre équipe R&D ? Quels sont les enjeux au quotidien pour ces équipes ? Pour répondre à ces questions, nous interrogeons Julio Louzada, Head of Machine Learning chez Kameleoon.
Brésilien d'origine, arrivé en France en 2007 pour intégrer Polytechnique, Julio a fait des mathématiques pures à l'école avant de se spécialiser en Probabilités et Finance Quantitative. Après avoir fini son M2 il a fait une thèse en Informatique dans la modélisation des informations dans les réseaux sociaux, puis a intégré AXA en tant que Data Scientist. Il rejoint ensuite le start-up studio d'AXA - Kamet - pour aider les intrapreneurs à lancer leurs projets dans la Data et Intelligence Artificielle. Il monte par la suite, au sein de Kamet, sa start-up: Apricity - la première clinique virtuelle de fertilité au monde, proposant des traitements de fertilité comme la FIV et la donation d'ovocytes de façon totalement digitale et décentralisée. Chez Apricity il se consacre à la gestion de la datadata et de la technologie. Après cette expérience, il rejoint Kameleoon en Avril 2020 en tant que Head of Machine Learning pour gérer toute la plateforme d'Intelligence Artificielle de l'entreprise. En dehors du travail, Julio aime consacrer son temps à sa famille et à Dieu, et participe aussi comme advisor dans une startup de santé et dans d'autres projets plus embryonnaires.
1 Quel est ton rôle chez Kameleoon ?
Mon rôle chez Kameleoon est de superviser toute la partie dédiée aux algorithmes prédictifs. Je manage donc l'équipe de Machine Learning mais j'ai également d'autres missions : je dois m'assurer que la plateforme d'Intelligence Artificielle est performante et robuste. Je suis également responsable de la création de nouveaux services pour nos clients et m'assure que l'implémentation de leurs use cases est la plus performante possible d'un point de vue business, algorithmique et mathématique.
Plus concrètement: nous développons beaucoup notre plateforme d'IA pour mettre en place des services innovants. Nous travaillons donc en collaboration avec les équipes produit et service client. Nous suivons régulièrement la performance de nos modèles déjà en production et les KPIs de nos clients. Enfin nous nous concentrons aussi sur la création des nouveaux modèles de Machine Learning à mettre en place pour permettre à nos clients d'aller encore plus loin dans l'expérimentation.
2 Pourquoi t'es-tu dirigé vers la R&D (recherche et développement) ?
Premièrement il faut comprendre que la R&D chez Kameleoon est très appliquée aux besoins de nos clients. Je me retrouve bien dans cette différence subtile mais cruciale : j'ai toujours aimé découvrir et créer de nouvelles choses. Il suffit de voir mon parcours qui a débuté par des mathématiques pures avant d'être de plus en plus "appliqué" aux besoins du marché avec la finance quantitative et la data science.
L'autre côté qui me plaît dans la R&D appliquée est la similarité avec le monde des start-ups : nous commençons avec une idée et nous avançons le plus vite possible vers une première version utilisable - en prenant en compte les inputs du marché. Nous industrialisons ensuite cette idée si elle a un "fit" avec le marché, sinon on recommence avec une autre idée. Le but est donc de bien prioriser les idées au départ pour avoir le maximum d'impact sur l'ensemble de l'entreprise et surtout pour donner à nos clients la meilleure offre d'Intelligence Artificielle du marché.
3 Quelle est ta journée type chez Kameleoon ?
Il n'existe pas de journée type pour quelqu'un en charge d’une équipe et d’un service, mais si je devais résumer :
- Mener le développement de notre plateforme de Machine Learning : coder des features, travailler sur l'infrastructure et l'architecture technique, participer aux codes reviews et aux réunions de choix produits, fonctionnels et techniques.
- Manager l'équipe de Machine Learning : assurer le bon fonctionnement de notre méthodologie de travail (Kanban), faire en sorte que l’équipe ait tout ce qu'il lui faut pour être efficiente et épanouie, garantir que les membres de l'équipe progressent techniquement et humainement (review de code, workshop de clean code, rétrospectives, etc.), faire des entretiens one-to-one et entretiens réguliers de performance avec les autres membres de l'équipe, recruter de nouveaux profils pour agrandir l'équipe.
- Lancer et suivre le bon déroulement des projets clients : participer à des réunions pre/post sales, aider les clients dans le set-up des use-cases, suivre les KPIs techniques de performance et business pour être aligné possible avec les objectifs de nos clients.
- Construire et faire avancer la vision de l'Intelligence Artificielle au sein de Kameleoon : faire des workshops cross-fonctionnels avec les équipes produit et services, réfléchir à des nouvelles fonctionnalités et services à mettre en place pour nos clients, et suivre les nouveautés en matière de Machine Learning.
4 Peux-tu nous donner un exemple de use cases que vous mettez en place pour les clients Kameleoon avec l'IA ? Quels sont les challenges ?
L'un des use case le plus recherché par nos clients est celui de la distribution de bons de réduction. Notre technologie permet de segmenter les visiteurs d'un site pour leur pousser, si notre algorithme le juge pertinent, un bon de réduction pendant leur parcours. Nous avons plusieurs façons de nous adapter au besoin de nos clients : ce bon peut être customisé par rapport à son prix (si on utilise un prix fixe ou un prix proportionnel au montant acheté). Nous offrons la possibilité de pousser de multiples bons en parallèle, adaptés au niveau d’appétence du visiteur. Nous pouvons même faire un code javascript "custom" pour l'UI ou si le client a besoin de déclencher des actions secondaires, etc.
Le challenge est double : premièrement d'avoir une plateforme qui nous permet de gérer des use cases provenant de différents secteurs - des campagnes automobile, E-commerce, B2B ou autre. Deuxièmement, nous devons avoir une plateforme qui soit performante, scalable et stable. Nous gérons, pour certains clients, des millions d'inférences prédictives par jour, voire plus, donc notre plateforme doit être capable d'entraîner des modèles prédictifs efficacement et d'être très stable. Le contraire entraînerait des parcours utilisateur non-optimaux pour des millions de visiteurs sur les sites de nos clients.
5 Comment décrirais-tu l'organisation de la R&D ?
En trois mots :
- Agile : notre priorité dans l'équipe est de répondre aux besoins de nos clients. Nous sommes donc organisés de manière à être très réactifs, aussi bien dans la modification de features que dans l'intervention pour assister nos clients.
- Innovante et dynamique : notre objectif est d'offrir la meilleure IA du marché. Pour cela nous nous efforçons d'innover et de challenger nos modèles existants.
- Hétéroclite : l'équipe réunit des profils très variés et avec des expériences différentes ce qui permet à chacun de progresser et de travailler sur des projets très divers.
6 Quel est le projet le plus marquant sur lequel tu aies travaillé depuis ton arrivée chez Kameleoon ?
Nous retravaillons actuellement l'architecture de notre plateforme de Machine Learning. Notre objectif est de la rendre plus performante et novatrice - avec des outils vraiment "state-of-the-art" : plus simple à monitorer et plus facile à étendre le jour où nous aurons de nouveaux services à intégrer dans notre offre.
Cela est particulièrement compliqué car nous devons prendre des décisions pas seulement technologiques mais aussi business. Nous développons sur des technos mainstream et innovantes pour donner à nos clients la meilleure performance possible, et pouvoir recruter plus facilement de nouveaux talents pour agrandir notre équipe R&D. Il faut également que la plateforme soit suffisamment extensible pour intégrer à la fois nos use-cases présents et ceux que nous comptons déployer dans le futur.
La plateforme doit aussi être scalable et monitorée - avec un usage le plus automatique possible étant donné que nous gérons plusieurs modèles de Machine Learning en même temps. Enfin, il faut aussi que la plateforme s'intègre techniquement avec le reste de l'architecture de l'entreprise - pour que les différentes équipes (en France et en Russie) puissent travailler en tandem et de façon efficace et qu'elle soit bien évidemment sécurisée pour que les données de nos clients soient toujours gardées selon nos meilleurs standards.
