D’ici 2019, selon le Gartner, 90 % des grandes entreprises emploieront un CDO, Chief Data Officer. Une présence rendue nécessaire par la migration des entreprises vers le ‘data-first’ et l’usage de la donnée dans l’Intelligence Artificielle.
Nous le rappelons régulièrement, l’Intelligence Artificielle (AI) se pratique depuis plus de 30 ans. Ce qui est nouveau aujourd’hui, c’est que la puissance de calcul et les processus algorithmiques ont changé le paysage de l’IA. Mais surtout, c’est l’omniprésence des données.
L’association des données et de l’IA participe désormais à la richesse de l’entreprise, et cela pour trois raisons qui militent pour le ‘data-first’ :
1Réduire le temps
Il est un domaine incompressible, principal facteur qui limite les capacités de l’humain, le temps. L’homme ne peut dépasser un nombre déterminé de tâches, que l’on ne peut compresser, sur une période donnée. D’ailleurs, cette notion de temps, on la retrouve dans les limitations de l’IA, qui sont imposées par les créateurs humains.
Il est tout d’abord un phénomène mécanique qui permet d’améliorer non pas le temps, mais le volume de données qu’il est possible de traiter : l’IA peut travailler jour et nuit, et sans transpirer ! Son homologue humain travaille 8 heures par jour et s’épuise à réaliser un travail épuisant… De plus, l’IA s’améliore en intégrant la capacité d’analyser toujours plus de types et de formats de données, s’ouvrant à des sources d’informations supplémentaires créant des groupes de données toujours plus puissants.
S’ajoute à cela qu’avec les approches de type Machine Learning, la compression du temps par l’IA devient réalisable. Lorsque celle-ci peut travailler activement sur sa propre infrastructure pour obtenir des informations à partir de données brutes afin d’améliorer son efficacité.
2Réduire la perte de temps
Dans la BI (Business Intelligence) traditionnelle, l’obtention des résultats prend du temps. Pourquoi ? D’abord, la collecte des données prend beaucoup de temps. Il faut les localiser afin d’identifier les données spécifiques recherchées, qui sont souvent stockées dans des infrastructures complexes, des silos qui demandent des passerelles d’autorisation. Selon la complexité de la situation, cette première étape peut prendre du temps qui se mesure en jours, voire en semaines. Et une fois les données collectées, il faut encore les qualifier, et s’assurer de leur exactitude...
Un moteur d’analyse IA réduit les besoins d’interventions manuelles, par exemple pour découvrir les tendances et les irrégularités, et ainsi simplifier la tâche des datascientists. Les algorithmes font le gros du travail, l’humain valide les résultats pour affiner le système, qui à sa prochaine utilisation en deviendra plus efficace.
3Augmenter la précision
Faut-il rappeler que l’erreur humaine peut entrer en jeu à n’importe quelle étape du processus. Un problème peut intervenir à la collecte de données fiables, aux prémisses de l’analyse, dans le processus de compilation, etc. L’introduction de l’IA, en allégeant l’intervention humaine, va réduire ce risque.
Une attention particulière est également portée à la conception du protocole et des algorithmes. Si le protocole IA est correctement conçu pour répondre aux besoins de l’entreprise, et que les algorithmes répondent au problème de la précision, alors l’IA basée sur les données deviendra une partie essentielle de l’entreprise.
Source : Gartner et VSM
Image d’entête 684093596 @ iStock nadia_bormotova
