Une étude réalisée par Algorithmia montre que l’intérêt porté par les entreprises sur l’apprentissage automatique (ML), et sur l’IA en général, est en progression continue, mais toutefois lente. Selon les auteurs, cela signifie que ces dernières prennent plus temps dans la conception et la construction de modèles de systèmes sous-jacents. Cela signifie également que l’avenir de l’IA au sein des entreprises dépend de la disponibilité de ressources en sciences des données. L’enquête a porté sur 750 gestionnaires et professionnels de la technologie. Les études réalisées par Algorithmia montrent que la rareté des scientifiques des données force les entreprises à s’adapter et de s’appuyer sur l’équipe qu’elles possèdent en interne. Moins de 19 % des répondants déclarent que leurs équipes possèdent plus de 50 scientifiques des données. Il y a seulement un an, ce chiffre s’établissait à 9 %. Cette situation de « pénurie » en scientifiques des données ouvre de nouvelles perspectives aux développeurs amenés à s’impliquer davantage dans la création et la conception de modèles d’apprentissage automatique. Dans le futur, le mélange des rôles va amener à la création de nouveaux titres de poste pour le même type de métier. Selon les auteurs de l’étude, certains types de postes sont en cours de création en matière d’IA et d’apprentissage automatique, notamment ingénieur d'apprentissage machine, développeur ML, architecte ML, ingénieur de données ou d’apprentissage machine (ML Ops), et enfin, AI Ops.
L’étude montre aussi la perception des répondants sur le succès d’une mission d’apprentissage automatique. 58 % pensent que leurs efforts sont réussis lorsque la mission génère un ROI, tout en réduisant le taux de désabonnement des clients. C’est aussi le cas lorsque le système IA aide à fidéliser les consommateurs à la marque et à ses produits. 58% pensent par contre que le modèle d’apprentissage est abouti lorsqu’il atteint les seuils en matière de précision et de vitesse. Les auteurs concluent que la contribution individuelle de la part des développeurs et des scientifiques des données permet de mesurer davantage la réussite d’un projet ML que les traditionnelles mesures commerciales. De plus, les décideurs de l’entreprise, les cadres et les différents niveaux de direction peuvent utiliser les mesures de réussite ML pour évaluer les apports sur la vie d’entreprise, surtout au niveau stratégique. La mesure des performances ML permet aussi aux directeurs informatiques et métiers de disposer d’un outil précis pour évaluer ses portées commerciales et techniques sur les activités de l’entreprise. Pour leur part, les administrateurs et les gestionnaires peuvent l’utiliser pour estimer son impact sur la partie commerciale, le ROI, le budget et la planification stratégique.
À lire aussi : Amazon dévoile DeepComposer, son nouveau clavier musical basé sur le machine learning
