Vers un déploiement pragmatique de l'IA
L'émergence de ChatGPT et l’arrivée des véhicules autonomes sur le marché ont marqué un tournant pour le grand public, qui a pu se rendre compte que l'IA ne se résumait pas à un simple engouement marketing et que des solutions concrètes étaient disponibles. Au cours des mois à venir, les entreprises pourront aller encore plus loin en distinguant les solutions apportant une plus-value significative de celles résultant d’un battage marketing, sur la base de résultats mesurables. De plus en plus de professionnels cesseront d'être sceptiques, seront convaincues du potentiel de l’IA et seront ainsi à la recherche de conseils pour séparer le « vrai » du faux ».Alors que les conversations autour de l’IA évoluent, les entreprises seront en mesure de faire cette distinction et leurs décideurs seront à la recherche de solutions qui présentent des bénéfices clairs et quantifiables, comme la réduction des coûts d'exploitation ou l'amélioration de la fiabilité des services. Ces indicateurs incluent également les délais de résolution des problèmes, les niveaux de satisfaction client et tout autre paramètre susceptible d'avoir un impact sur l'activité de l'entreprise. Ils permettront in fine d'orienter les investissements en se concentrant sur des applications d'IA testées et confirmées plutôt que sur des promesses technologiques non tenues.
Du Machine au Deep learning
Le passage du machine learning à des modèles approfondis de deep learning favorisera quant à lui la conception d’applications d'IA plus sophistiquées au sein des réseaux d'entreprise. Alors que le machine learning est incontournable depuis des décennies, les fonctionnalités évolutives du deep learning transforment aujourd’hui la manière dont l'IA s'applique. Les modèles de deep learning peuvent en effet analyser de vastes ensembles de données, ce qui leur confère une vision prédictive et une efficacité opérationnelle inégalée, en particulier dans des environnements complexes comme les réseaux. Les clients sont donc invités à consulter les fournisseurs d'IA sur les spécificités des modèles qu'ils déploient, en réclamant la transparence de l'architecture pour s'assurer de son alignement sur leurs objectifs. La capacité des fournisseurs de répondre à la demande de solutions d'IA qui ne se limitent pas à l'automatisation, mais qui contribuent également à des capacités de prise de décision stratégique plus éclairée, sera donc un enjeu majeur dans les prochains mois.Valider l'impact de l'IA avant son déploiement
Cette année, les essais de type Proof of Concept (PoC) seront essentiels pour vérifier l'efficacité des solutions d'IA avant leur déploiement à grande échelle. L'IA se généralisant, les entreprises sont en effet encouragées à analyser et à valider toutes les affirmations des fournisseurs d'IA à travers des essais menés dans des environnements difficiles. Cette étape est cruciale pour s'assurer que la technologie est capable de résoudre des problèmes réseau spécifiques au-delà des capacités traditionnelles. Elle démontrera ainsi des résultats tangibles validant les promesses initiales. Un aspect fondamental de ce processus est la propre exploitation de l'IA par le fournisseur, qui servira de preuve de sa praticité et de son efficacité. Les essais PoC permettent aussi aux entreprises de mesurer l'impact de l'IA - et le temps nécessaire pour obtenir les résultats escomptés - dans des conditions réelles, ce qui leur donne la certitude que la technologie apportera des bénéfices certains lorsqu'elle sera réellement déployée.La période d’hésitation autour de l’IA est révolue. Les entreprises doivent aujourd’hui se focaliser sur des solutions pragmatiques, validées par des PoC rigoureux, et capables de générer un retour sur investissement mesurable pour apporter une plus-value tangible à leurs activités.
Par Bob Friday, Chief AI Officer chez Juniper Networks
