La collecte de données est un élément clé au sein des organisations, et beaucoup d'entre elles semblent avoir bien progressé dans ce domaine.
Cependant, ce n'est pas parce que les entreprises utilisent pleinement leurs données qu'elles le font de manière efficace…
L’IA, un miroir aux alouettes ? Selon Fortune Business Insights, le marché mondial de l'IA devrait passer de 387,45 milliards de dollars en 2022 à 1 394,30 milliards de dollars en 2029, avec un TCAC de 20,1 %.
Mais de plus en plus d’études rappellent que cette technologie ne fournit aucun résultat pertinent si elle n’est pas alimentée par des données de qualité. Si celles-ci sont utilisées efficacement, elles peuvent jouer un rôle crucial dans les organisations pour des processus tels que la prévision et la prise de décision.
Le dernier rapport mondial du spécialiste de l'intégration des données Fivetran arrive à la même conclusion que celle d’autres études : la majorité (71 %) des 550 professionnels de l'informatique et des data scientists interrogés indiquent avoir des difficultés à accéder à toutes les données nécessaires pour exécuter des programmes, des charges de travail et des modèles d'IA.
Ce constat est significatif, car les données sont vitales pour la formation et la mise en œuvre des modèles. On ne peut pas mener à bien un programme d'IA sans poser des bases solides pour le stockage et le mouvement des données, en commençant par un datalake pour automatiser l'ingestion et le prétraitement des données.
Obstacles à l'accès aux données
Dans cette enquête, presque toutes les personnes interrogées ont confirmé qu'elles collectent et utilisent des données provenant de systèmes opérationnels (la chaîne d'approvisionnement, la fabrication et la maintenance et la gestion du cycle de vie des produits) à un certain niveau.
Cependant, 69 % ont déclaré avoir du mal à accéder aux bonnes informations au bon moment, tandis qu'au moins 73 % ont affirmé rencontrer des difficultés pour extraire, charger et transformer les données et les traduire en conseils pratiques et en idées pour les décideurs.
En conséquence, même si un grand nombre d'organisations (87 %) considèrent l'IA comme déterminante pour la survie de l'entreprise, elles ne parviennent pas à en tirer le meilleur parti.
Seule une minorité de professionnels indiquent qu'ils utilisent les méthodologies ML/AI pour construire des modèles dans les applications d'entreprise depuis plus d'un an.
« Si l'on examine les raisons pour lesquelles certains ne construisent pas de modèles à partir d'applications d'entreprise pour faire automatiquement des prédictions et/ou des décisions d'entreprise, le facteur commun est la compétence : soit les professionnels ont les compétences, mais leur attention est concentrée ailleurs, soit ils n'ont pas du tout les compétences », lit-on dans ce rapport.
Leurs processus de données manuels et défaillants aboutissent à des modèles inexacts, ce qui entraîne un manque de confiance et un retour à l'humain. Les personnes interrogées ont déclaré que l'inefficacité des processus de données les obligeait à s'en remettre à des décisions prises par l'homme dans 71 % des cas.
En fait, seuls 14 % d'entre eux ont déclaré avoir atteint une maturité avancée en matière d'IA, c'est-à-dire utiliser une IA à usage général pour faire automatiquement des prédictions et prendre des décisions commerciales.
Perte de temps
En outre, l'impact financier est considérable, les répondants estimant qu'ils perdent en moyenne 5 % de leur chiffre d'affaires annuel mondial en raison de modèles élaborés à partir de données inexactes ou de mauvaise qualité.
Les défis associés au déplacement, au traitement et à la disponibilité des données signifient également que les talents engagés pour construire des modèles d'IA finissent par perdre du temps sur des tâches extérieures à leur emploi principal.
Dans l'enquête Fivetran, les personnes interrogées ont affirmé que leurs data scientists consacrent en moyenne 70 % de leur temps à la seule préparation des données. Pas moins de 87 % des personnes interrogées ont reconnu que les talents en science des données au sein de leur organisation ne sont pas utilisés à leur plein potentiel.
« Les équipes analytiques qui utilisent une pile de données moderne peuvent plus facilement étendre la valeur de leurs données et maximiser leurs investissements dans l'IA et la science des données », a déclaré George Fraser, PDG de Fivetran, dans l'étude.
