L’intelligence artificielle (IA) et l’apprentissage machine (ML) sont en train de passer du statut de mots à la mode dans le monde des affaires à celui d’une adoption plus large par les entreprises. Les efforts déployés en matière de stratégies et d’adoption rappellent le cycle et le point de basculement des stratégies d’entreprise en matière de cloud, lorsque les entreprises n’avaient plus la possibilité de passer au cloud et qu’il ne s’agissait plus que de savoir quand et comment. Les stratégies de mise en œuvre de l’IA et du ML sont dans le même mode d’évolution, les entreprises élaborant leurs approches. Voici quelques réflexions sur le comment.
Forrester a rapporté que près de deux tiers des décideurs en matière de technologie d’entreprise ont mis en œuvre, sont en train de mettre en œuvre ou sont en train d’étendre leur utilisation de l’IA. L’exercice et l’effort sont motivés par les lacs de données d’entreprise qui résident au sein des sociétés et qui, grâce à la conformité et au stockage à faible coût, sont pour la plupart inactifs. Exploiter ces riches référentiels pour que l’IA réponde aux questions que nous ne posons pas, et que nous ne savons peut-être pas poser, est une aubaine que les entreprises doivent comprendre… avant que quelqu’un d’autre ne le fasse avant elles.
>Voir aussi : De l’amélioration des compétences à l’externalisation : Comment les CTO peuvent introduire la blockchain …
Avec des dépenses en systèmes centrés sur l’IA qui devraient dépasser les 300 milliards de dollars en 2026, le jus doit en valoir la chandelle – et la chandelle doit être faite correctement.
Les organisations de tous les secteurs continueront d’adopter l’IA et la technologie ML au cours des prochaines années, en transformant leurs processus de base et leurs modèles d’entreprise pour tirer parti des systèmes d’apprentissage automatique afin d’améliorer les opérations et d’accroître la rentabilité. Alors que les chefs d’entreprise commencent à élaborer des plans et des stratégies pour tirer le meilleur parti de cette technologie, il est important qu’ils se souviennent que le chemin vers l’adoption de l’IA et de la ML est un voyage, plutôt qu’une course. Les organisations devraient commencer par envisager les sept étapes suivantes.
1. Définir clairement un cas d’utilisation
Il est important que les chefs d’entreprise et leurs gestionnaires de projet commencent par prendre le temps de définir et d’articuler clairement les problèmes ou défis particuliers qu’ils souhaitent voir résoudre par l’IA ; plus l’objectif est précis, plus la mise en œuvre de l’IA a des chances de réussir.
>Voir aussi : L’automatisation des processus robotiques et la nouvelle ère de la transformation numérique
Dire que l’organisation souhaite « augmenter les ventes en ligne de 10 % », par exemple, n’est pas suffisamment précis. Une déclaration plus précise, telle que « viser à augmenter les ventes en ligne de 10 % en surveillant les caractéristiques démographiques des visiteurs du site », est beaucoup plus utile pour articuler l’objectif et s’assurer qu’il est clairement compris par toutes les parties prenantes.
2. Vérifier la disponibilité des données
L’étape suivante, une fois le cas d’utilisation clairement défini, consiste à s’assurer que les processus et les systèmes déjà en place sont capables de capturer et de suivre les données nécessaires pour effectuer l’analyse requise.
Les organisations doivent donc s’assurer que les bonnes données sont capturées en volumes suffisants et avec les bonnes variables ou caractéristiques telles que l’âge, le sexe ou l’appartenance ethnique. Il est utile de rappeler que la qualité des données est aussi importante que leur volume pour obtenir un résultat positif, et que les organisations devraient faire des procédures de gouvernance des données une priorité.
3. Effectuer une exploration de base des données
Il peut être tentant pour une entreprise de se lancer tête baissée dans l’élaboration d’un modèle, mais il est essentiel qu’elle procède d’abord à une exploration rapide des données afin de valider ses hypothèses et sa compréhension des données. Cela permettra de déterminer si les données racontent la bonne histoire en fonction de l’expertise de l’organisation et de son sens des affaires.
>Voir aussi : Valeur maximale : Pourquoi et comment rendre l’analyse des données plus …
Un tel exercice aidera également l’organisation à comprendre quelles devraient (ou pourraient) être les variables ou les caractéristiques significatives, et le type de catégorisation des données qui devrait être créé pour servir d’entrée à tout modèle potentiel.
4. Réunir une équipe d’ingénieurs diversifiée et inclusive
Pour qu’un modèle d’IA soit vraiment efficace, l’équipe qui le gère doit apporter une variété d’idées et de perspectives. Pour ce faire, il convient d’embaucher et d’intégrer du personnel issu du plus grand nombre de groupes possible, en tenant compte de facteurs démographiques et sociographiques tels que le sexe, l’appartenance ethnique et la neurodiversité.
Les lacunes en matière de compétences restent importantes dans le secteur technologique et dans les entreprises, mais l’embauche et la fidélisation d’employés issus de tous les milieux possibles peuvent atténuer ce problème et garantir que les modèles d’IA sont aussi inclusifs et opérationnels que possible. Prenez le temps d’effectuer une analyse comparative en fonction de votre secteur d’activité et de déterminer les domaines dans lesquels vous avez besoin d’une plus grande représentation.
5. Définir une méthodologie de construction de modèles
Plutôt que de se concentrer sur l’objectif final que l’hypothèse doit atteindre, il est important de se concentrer sur l’hypothèse elle-même. L’exécution de tests visant à déterminer les variables ou les caractéristiques les plus significatives permettra de valider l’hypothèse et d’en améliorer l’exécution.
Un groupe diversifié d’experts commerciaux et d’experts du domaine doit être impliqué, car leurs commentaires continus sont essentiels pour la validation et pour s’assurer que toutes les parties prenantes sont sur la même longueur d’onde. En effet, comme le succès de tout modèle de ML dépend de la réussite de l’ingénierie des caractéristiques, un expert en la matière sera toujours plus précieux qu’un algorithme lorsqu’il s’agira de dériver de meilleures caractéristiques.
6. Définir une méthodologie de validation de modèle
La définition de mesures de performance facilitera l’évaluation, la comparaison et l’analyse des résultats de plusieurs algorithmes qui, à leur tour, contribueront à affiner des modèles spécifiques. La précision de la classification, par exemple, c’est-à-dire le nombre de prédictions correctes divisé par le nombre total de prédictions effectuées et multiplié par 100, serait une bonne mesure de performance dans le cadre d’un cas d’utilisation de la classification.
>Voir aussi : Neuf ans plus tard, le « Big Data » est enfin entré dans les mœurs
Les données devront être divisées en deux ensembles de données : un ensemble de formation, sur lequel l’algorithme sera formé, et un ensemble de test, par rapport auquel il sera évalué. En fonction de la complexité de l’algorithme, il peut suffire de sélectionner une partie aléatoire des données, par exemple 60 % pour l’entraînement et 40 % pour le test, ou cela peut impliquer des processus d’échantillonnage plus compliqués.
Comme pour le test de l’hypothèse, les experts de l’entreprise et du domaine doivent être impliqués pour valider les résultats et s’assurer que tout va dans la bonne direction.
7. Automatisation et mise en production
Une fois le modèle construit et validé, il doit être mis en production. En commençant par un déploiement limité de quelques semaines ou mois, au cours duquel les utilisateurs professionnels peuvent fournir un retour d’information continu sur le comportement et les résultats du modèle, celui-ci peut ensuite être déployé auprès d’un public plus large.
Il convient de sélectionner les bons outils et les bonnes plateformes pour automatiser l’ingestion des données, et de mettre en place des systèmes pour diffuser les résultats aux publics appropriés. La plateforme doit fournir des interfaces multiples pour tenir compte des différents degrés de connaissance des utilisateurs finaux de l’organisation. Les analystes commerciaux peuvent vouloir effectuer des analyses plus poussées sur la base des résultats du modèle, par exemple, tandis que les utilisateurs finaux occasionnels peuvent simplement vouloir interagir avec les données par le biais de tableaux de bord et de visualisations.
>Voir aussi : Le Royaume-Uni est à la traîne des autres pays à l’ère de l’automatisation
8. Poursuivre la mise à jour du modèle
Une fois qu’un modèle a été publié et mis en œuvre, il doit faire l’objet d’un suivi continu car, en comprenant sa validité, une organisation sera en mesure de le mettre à jour si nécessaire.
Les modèles peuvent devenir obsolètes pour un certain nombre de raisons. La dynamique du marché peut changer, par exemple, ou l’entreprise elle-même et son modèle d’entreprise. Les modèles sont construits sur la base de données historiques afin de prédire les résultats futurs, mais lorsque la dynamique du marché s’éloigne de la manière dont une organisation a toujours travaillé, les performances du modèle peuvent se détériorer. Il est donc important de garder à l’esprit le processus à suivre pour s’assurer que le modèle est maintenu à jour.
L’IA d’entreprise dépasse rapidement le stade du battage médiatique pour devenir une réalité et devrait avoir un impact significatif sur les opérations et l’efficacité des entreprises. En prenant le temps de planifier sa mise en œuvre dès maintenant, les organisations seront en bien meilleure position pour profiter de ses avantages à plus long terme.
Rédigé par Prentiss Donohue, vice-président exécutif des ventes de cybersécurité chez OpenText.
Sur le même sujet :
Nous discutons de l’avenir de l’IA avec ChatGPT lui-même – Que peut nous dire ChatGPT lui-même sur l’avenir de l’IA ? Quels sont les meilleurs cas d’utilisation de l’IA générative ? Et l’intelligence artificielle dépassera-t-elle un jour l’humanité, nous laissant derrière elle ?
Former les modèles d’apprentissage automatique pour qu’ils soient prêts pour l’avenir – Voici comment faire en sorte que les modèles d’apprentissage automatique conservent leur valeur à long terme.