L’intelligence artificielle au service de la formation des collaborateurs
Afin de proposer des formations toujours plus personnalisées et plus proches des besoins de chaque collaborateur, l’IFCAM met en place son premier moteur de recommandation de formations.
Interview avec Vanessa Dastugue, responsable de ce projet à l’IFCAM.
Vanessa, comment est venue l’idée de mettre en place un moteur de recommandation de formation ?
Une des missions de l’IFCAM est d’identifier les innovations qui vont transformer la formation afin de répondre à 2 enjeux majeurs : optimiser l’apprentissage en faisant des collaborateurs du Crédit Agricole des apprenants acteurs et rationaliser le temps de formation dans un contexte d’un fort impact des formations réglementaires sur nos métiers.
Dès 2018, nous avons identifié le potentiel de l’Intelligence Artificielle et de la data pour nos métiers et nous avons créé un pôle dédié à ces sujets à l’IFCAM.
Dans ce cadre, nous avons lancé plusieurs expérimentations dont le développement de ce moteur de recommandation de formations pour proposer aux collaborateurs les formations les plus pertinentes.
Concrètement, qu’est-ce qu’un moteur de recommandation ?
Les moteurs de recommandation se sont fortement développés suite à l’augmentation importante des volumes de données générées au cours des dernières années. Ils sont capables de filtrer les informations afin de présenter à l’utilisateur les éléments les plus susceptibles de l’intéresser.
Ainsi, sur Netflix, les recommandations représentent 2 tiers des films et séries regardés, quant à Amazon, c’est 35% des ventes sont issues de recommandations !
Comment cela fonctionne ?
Les moteurs de recommandation se basent sur 4 grandes approches :
– Les règles métier : le moteur applique des règles fonction des caractéristiques des utilisateurs pour déduire des propositions (Exemple : catégorie de métier bancassurance, formations suivies)
– La ressemblance par produit : le moteur propose des « éléments » semblables à ceux déjà appréciés / consultés par l’utilisateur (Exemple : « Produits similaires ») ;
– La ressemblance par utilisateur : le moteur propose des « éléments » semblables à ceux déjà appréciés / consultés par d’autres utilisateurs similaires (Exemple : « Les utilisateurs qui ont acheté ce produit ont également acheté… » ;
– Hybride : Utilise l’ensemble des approches précédentes.
Comment avez-vous construit ce moteur de recommandation ?
Pour la première étape de ce projet, les travaux se sont portés sur les Données présentes dans les Bases de Données de l’IFCAM.
Trois grandes familles de Données ont été identifiées pour alimenter ce moteur de recommandation :
– Les formations disponibles : le catalogue de formations ouvertes aux collaborateurs ;
– Les données Collaborateurs : L’ensemble des collaborateurs du groupe Crédit-Agricole présents dans les bases de l’IFCAM, avec leurs attributs (exemple métiers des part / pro / entreprise)
– Les interactions : L’historique des formations réalisées par les Collaborateurs.
En se basant sur l’association des caractéristiques pseudonymisées des collaborateurs (Entité, Métier), avec les caractéristiques des formations, et en analysant l’historique de consommation des formations, le moteur de recommandation a pu apprendre à identifier les formations les plus pertinentes pour chaque utilisateur.
Pour ce projet, nous avons collaboré activement avec le datalab Groupe, dont la vocation est de concevoir en interne des solutions d’IA et d’en accélérer l’industrialisation au sein du Groupe.
Nous avons travaillé ensemble pour le cadrage des besoins, l’identification des données nécessaires, la mise en place et l’évaluation des résultats.
Désormais, les efforts sont concentrés sur le packaging, l’industrialisation et l’intégration de cette solution au sein du portail collaborateur IFCAM afin que chaque utilisateur se voit proposer les formations les plus adaptées à son profil.
Quelles sont les perspectives ?
Plusieurs évolutions sont envisagées pour améliorer cette première version du moteur de recommandation :
- Nous souhaitons intégrer de nouvelles sources de données pour améliorer la pertinence des recommandations (données déclaratives des collaborateurs (évaluations, souhaits d’évolution…) et évaluation par les utilisateurs (intégration des retours des collaborateurs sur les recommandations proposées).
- Nous souhaitons également proposer de nouvelles fonctionnalités pour les utilisateurs comme la vision Ressources Humaines (pour identifier les besoins globaux de formations pour les utilisateurs de chaque entité du groupe pour calibrer le plan de formation).
Une dernière question pour finir : quand est-ce que les apprenants pourront bénéficier de ce moteur de recommandation ?
L’industrialisation du moteur de recommandation est prévue pour le 3ème trimestre.
Merci Vanessa.
Merci Christine
Christine Valfrey, Responsable de Communication.