Le buzz actuel autour de l’IA attire beaucoup d’attention de la part des décideurs. Cependant, la généralisation de l’IA dans l’entreprise ne doit pas se faire sans une connaissance approfondie de son fonctionnement et de ses propres besoins, et une formation aux sciences de la donnée.

Beaucoup d’encre a coulé pour expliquer que la démocratisation de l’IA est une nécessité pour les entreprises désireuses de profiter de ses bienfaits, pour mieux servir leurs clients et leurs relations avec leur écosystème. Et beaucoup de chefs d’entreprises pensent que la généralisation de l’IA dans leurs organisations permettra de dynamiser l’innovation afin de se différencier de ses concurrents. Cependant, les écueils sont nombreux estime Anand Rao, global leader pour l’intelligence artificielle et l’innovation chez PwC, dans un article publié par la revue du MIT.

Lorsque les chefs d’entreprise parlent de démocratiser l’intelligence artificielle, il est facile d’imaginer ce qu’ils ont en tête, peut-on y lire. Plus il y aura de personnes ayant accès aux matières premières des connaissances, des outils et des données nécessaires à la construction d’un système d’IA, plus les innovations seront nombreuses. L’efficacité s’améliore et l’engagement augmente. Face à une pénurie de talents techniques, Microsoft, Amazon et Google ont tous lancé des outils d’IA par glisser-déposer ou sans code, qui permettent d’intégrer l’IA dans des applications sans avoir besoin de savoir comment construire des modèles d’apprentissage machine. Plus d’accès aux outils d’IA signifie plus d’innovation, mais le processus de fourniture de cet accès doit être soigneusement géré.

Identifier clairement les domaines d’intervention de l’IA

Même les systèmes d’IA les plus sophistiqués, conçus par des ingénieurs hautement qualifiés, peuvent être victimes de biais et peuvent être difficiles à expliquer. Un système d’IA construit par une personne sans formation adéquate ou utilisé sans contrôles appropriés pourrait être à l’origine de problèmes extrêmement dangereux pour l’entreprise, son image et ses finances. Pire encore, les problèmes peuvent apparaître qu’après la mise en place d’un système, provoquant la panique et laissant les entreprises batailler pour rassurer les parties prenantes, réparer les dégâts et mettre au point la technologie incriminée.

« La clé pour les chefs d’entreprise est d’éviter de se laisser emporter par le battage médiatique et de s’attacher plutôt à identifier clairement ce qu’ils vont démocratiser (s’agira-t-il de quelque chose de simple, comme la visualisation de données, ou de quelque chose de complexe, comme le développement de modèles ?), qui seront les utilisateurs et comment leur organisation peut à la fois maximiser les bénéfices et gérer les risques avec une formation et une gouvernance adéquates », tempère Anand Rao.

Maîtriser la chaine de traitement de l’IA

À une extrémité de la chaine se trouvent les données, et l’ingestion de données dans des entrepôts de données et des data lakes. Les systèmes d’IA, et en particulier de ML, fonctionnent sur de grands volumes de données structurées et non structurées. C’est le matériau à partir duquel les organisations peuvent générer des idées, des décisions et des résultats. Dans sa forme brute, il est facile à démocratiser. Déjà, un certain nombre de fournisseurs de technologie ont créé des explorateurs de données pour aider les utilisateurs à rechercher et à visualiser les ensembles des données.

Viennent ensuite les algorithmes dans lesquels les données sont introduites. Ici, la valeur et la complexité augmentent à mesure que les données sont mises à profit. À ce stade, la démocratisation est encore relativement facile à réaliser et les algorithmes sont largement accessibles ; les dépôts de code source libre comme GitHub ont connu une croissance significative au cours de la dernière décennie. Mais la compréhension des algorithmes nécessite une connaissance de base de l’informatique et une formation en mathématiques ou en statistiques.

À mesure que l’on remonte la chaine de traitement vers les plateformes de stockage et de calcul, la complexité augmente. Au cours des cinq dernières années, la plateforme technologique pour l’IA est passée au cloud avec trois grands fournisseurs d’IA/ML : AWS, Microsoft Azure et Google Compute Engine. Cela a permis de rendre les unités centrales de traitement et les unités de traitement graphique, essentielles pour la formation de modèles d’apprentissage profond assez importants, plus accessibles aux utilisateurs finaux, réduisant ainsi considérablement la barrière à l’entrée.

Former les utilisateurs à la science des données

Cependant, alors que les algorithmes sont agnostiques au matériel (par exemple, ils peuvent généralement fonctionner sur n’importe quel matériel ou plateforme de cloud computing), les plateformes de stockage et de calcul dans le cloud exigent des utilisateurs une formation spécifique et une certification par les fournisseurs de technologie.

Enfin, les organisations qui ont défini ce qu’elles veulent démocratiser, et qui utilisera les outils d’IA, peuvent ensuite déterminer le comment, c’est-à-dire comment démocratiser l’IA tout en évitant les abus, les détournements, les biais et autres problèmes. Cependant, la pénurie de talents et le manque de formation adéquate en matière de développement et de mise en œuvre de l’IA pourraient être les hypothèques les plus difficiles à lever. Les entreprises pourraient facilement se retrouver avec une IA qui produit des résultats inexacts ou non désirés. Si nous voulons passer de la simple fourniture d’accès à la stimulation de l’utilisation sûre de ces outils d’IA, il est essentiel de former les utilisateurs aux bases essentielles de la science des données.

publicité

2 COMMENTAIRES