Conception Phases : P4 Compétences : C3
ML Canvas / AI Canvas
Définition
Le ML Canvas (Machine Learning Canvas, créé par Louis Dorard) et l’AI Canvas (variante orientée business) sont des outils de cadrage synthétique d’une solution IA sur une page unique. Ils structurent la conception en plusieurs blocs interdépendants : valeur métier, sources de données, features, méthode ML, évaluation hors ligne, évaluation en production, décisions et actions, intégration et déploiement.
Pour l’AIBS, ces canvas constituent un livrable structurant de la phase P4. Ils alimentent la compétence obligatoire C3 (développer des solutions basées sur l’IA), évaluée à l’examen partie 1. La force du canvas tient à sa contrainte de format (une page) et à sa structuration imposée, qui force la cohérence entre les blocs : la valeur métier doit être mesurable par les KPIs identifiés, les features doivent être disponibles dans les sources de données, etc.
Le canvas est un outil de co-construction. Il n’est jamais rempli par l’AIBS seul : les blocs techniques (méthode ML, évaluation) requièrent la contribution d’un Data Scientist, les blocs métier (valeur, décisions) requièrent la contribution d’un expert métier, les blocs intégration requièrent l’IT.
Quand l’utiliser
À utiliser en phase P4 lors de la conception de la solution. Première version par l’AIBS en autonomie, puis enrichissement collaboratif avec les spécialistes. Plusieurs itérations généralement nécessaires (3 à 5 versions sur quelques semaines).
Mode d’emploi pas-à-pas
- Format : une page A3 ou A4, structuré en blocs interdépendants
- Bloc « Proposition de valeur » : quel problème métier, pour qui, avec quel bénéfice mesurable
- Bloc « Sources de données » : données d’entraînement, données d’inférence, fréquence de mise à jour
- Bloc « Features » : variables d’entrée du modèle, transformations appliquées
- Bloc « Méthode ML » : type de problème, famille d’algorithmes envisagés
- Bloc « Évaluation hors ligne » : métriques retenues, jeux de test, baseline
- Bloc « Évaluation en production » : KPIs métier, instrumentation
- Bloc « Décisions et actions » : ce que la solution déclenche concrètement
- Bloc « Intégration et déploiement » : modalités de mise à disposition
Exemple visuel
Structure type ML Canvas (Louis Dorard)
PROPOSITION DE VALEUR
Quel problème métier, pour qui, avec quel bénéfice mesurable
SOURCES DE DONNÉES
Données d’entraînement, données d’inférence, fréquence MAJ
FEATURES
Variables d’entrée du modèle, transformations appliquées
MÉTHODE ML
Type de problème, famille d’algorithmes envisagés
ÉVALUATION HORS LIGNE
Métriques retenues, jeux de test, baseline
ÉVALUATION EN PRODUCTION
KPIs métier, instrumentation, monitoring
DÉCISIONS / ACTIONS
Ce que la solution déclenche concrètement, supervision
INTÉGRATION / DÉPLOIEMENT
Modalités de mise à disposition, infrastructure
Exemple concret rempli
Exemple appliqué — Canvas rempli (entreprise viticole valaisanne)
Une cave coopérative valaisanne (320 vignerons coopérateurs, 1,2 million de bouteilles annuelles) cadre en ML Canvas un projet de prédiction des rendements pour optimiser la planification œnologique.
PROPOSITION DE VALEUR : Prédire les rendements par parcelle 4 à 6 semaines avant les vendanges, avec une précision de ±15% (vs ±35% actuellement par estimation experte). Bénéfice métier : optimisation de la planification œnologique (capacités de cuverie, achats de levures et intrants, planning équipes), amélioration de la communication aux coopérateurs, réduction du gaspillage de capacité de 8 à 12%.
SOURCES DE DONNÉES : (1) Historiques de rendements par parcelle des 12 dernières années (base interne, ~3 800 enregistrements parcelle×année), (2) Données météorologiques quotidiennes locales (station MeteoSuisse de Sion, intégration via API), (3) Caractéristiques des parcelles (cépage, exposition, âge, sol — base interne), (4) Pratiques culturales déclarées (taille, traitements — collecte annuelle des coopérateurs), (5) Observations phénologiques de la saison en cours (saisie smartphone par technicien viticole, fréquence hebdomadaire). Volumes globalement satisfaisants ; qualité historique à améliorer (5% de données manquantes pour les saisies coopérateurs).
FEATURES : Cépage (catégoriel), âge des vignes (continu), exposition (catégoriel), pente (continu), température cumulée depuis le débourrement (continu), précipitations cumulées sur 3 périodes clés (continu), nombre de jours de stress hydrique (calculé), pratiques de taille (catégoriel), historique de rendement de la parcelle sur 3 ans (continu), score phénologique observé (ordinal). Total : 18 features après transformation.
MÉTHODE ML : Problème de régression. Approche envisagée : ensemble de modèles (Random Forest et Gradient Boosting), comparés à une baseline (moyenne historique par parcelle). Architecture finale à arbitrer avec data scientist en début de développement.
ÉVALUATION HORS LIGNE : Validation croisée temporelle (split par année pour éviter le leakage). Métriques principales : MAE (erreur absolue moyenne en hl/ha) et MAPE (erreur en pourcentage). Seuils d’acceptabilité : MAE < 7 hl/ha, MAPE < 15%. Baseline à battre : moyenne historique par parcelle (MAE actuelle estimée 12 hl/ha).
ÉVALUATION EN PRODUCTION : Surveillance des prédictions saison par saison, comparaison aux rendements réels constatés. KPIs métier : précision moyenne des prédictions, écart de planification œnologique réelle vs planifiée (cible : réduction de 30% des écarts), satisfaction des œnologues sur la qualité de l’information fournie (enquête annuelle).
DÉCISIONS / ACTIONS : La prédiction n’est pas une décision automatique. Elle alimente le tableau de planification œnologique, validé par le maître de chai et la direction. Elle est communiquée individuellement à chaque coopérateur pour ses parcelles, avec mention explicite du caractère prévisionnel. Décision de modification du planning de cuverie : maître de chai sur la base de la prédiction.
INTÉGRATION / DÉPLOIEMENT : Solution hébergée en Suisse (cave + prestataire local). Tableau de bord web pour les œnologues. Notification email aux coopérateurs en début juillet (4-6 semaines avant vendanges). Application mobile dédiée pour la saisie des observations phénologiques. Infrastructure : cloud privé Switzerland Cloud, intégration au SI métier via API.
Ce canvas a été itéré 4 fois sur 6 semaines, avec validations successives par data scientist (méthode et features), maître de chai (valeur et décisions), DPO (sources de données et conformité). La version finale est validée en comité de pilotage et alimente la phase P5 d’évaluation de faisabilité.
Variantes
ML Canvas de Louis Dorard (orientation technique). AI Canvas d’Agrawal et al. (orientation business avec focus sur le coût des erreurs). Canvas spécialisés GenAI (avec blocs spécifiques pour le prompt engineering, la base de connaissances RAG, etc.). Canvas adapté en interne avec ajout de blocs (par exemple : impact carbone, conformité sectorielle).
⚠ Piège classique
Canvas rempli par l’AIBS seul, sans intervention des spécialistes. Les blocs techniques (méthode ML, évaluation hors ligne) requièrent une co-construction avec un Data Scientist. Un canvas rédigé en autonomie par l’AIBS sur ces blocs présente typiquement des incohérences (méthode disproportionnée par rapport aux données disponibles, métriques inadaptées au type de problème).
Clé de succès : Co-créer avec un Data Scientist — sinon ça reste théorique.
Boussole AIBS — Manuel méthodologique non officiel pour le brevet fédéral d’AI Business Specialist.
Sources : Profil de qualification AIBS v15.04.2025 · Annexe directives FAAIB v1.01 · Document modules FAAIB v2.0 · Règlement examen v3.0 (mars 2026)