Contexte

Kering souhaite structurer une AI Factory capable de couvrir l’ensemble du cycle de vie des produits data :
de l’exploration à la mise en production de modèles, en passant par le scoring, la recommandation et l’industrialisation.

L’enjeu : répondre à des besoins très hétérogènes entre Maisons, équipes centrales et contraintes d’infrastructure.

Comprendre

La première phase est entièrement dédiée à l’écoute et à la cartographie des usages.

Je mène des entretiens approfondis avec :

• les Data Scientists, Data Analysts et ML Ops de Kering,
• les équipes data de Gucci, YSL et Balenciaga,
• Kering Tech pour les enjeux d’infrastructure,
• Kering China, notamment autour d’Alibaba Cloud.

Les profils, les maturités et les attentes diffèrent fortement. Il faut clarifier les personas, les cas d’usage réels et les points de friction.

Cadrer

À partir de ces échanges, je structure :

• des personas data (exploration, expérimentation, production),
• des cas d’usage prioritaires (API de scoring, moteurs de recommandation),
• une analyse des solutions existantes.

J’étudie à la fois des SaaS du marché et des librairies open source, en évaluant leur adéquation avec les contraintes du groupe.

Tester

La seconde phase consiste à passer du concept à l’épreuve du réel.

Plusieurs POCs sont organisés :

• un POC Dataiku avec Balenciaga pour les besoins analytiques et exploratoires,
• un POC Kubeflow pour poser les bases techniques de l’AI Factory,
• la migration progressive des flux de données vers GCP.

Chaque POC est pensé pour répondre à un persona précis, avec des critères d’évaluation clairs.

Ce que je retiens

La facilité a faire quelque chose dans un jupyter Notebook.

La compléxité de le mettre en Production.