Intelligence artificielle :  les 4 pièges à éviter avant de se lancer

141

Intelligence artificielle :  les 4 pièges à éviter avant de se lancer

Par Adrien Gabeur, Directeur – Solutions Cognitives de Sinequa
La plupart des entreprises sont conscientes du potentiel et de l’avantage compétitif que pourrait leur procurer l’Intelligence Artificielle et le Machine-Learning : un gain de productivité et une baisse de leurs coûts , à travers l’automatisation de certains de leurs process, mais aussi la capacité de prédire et donc anticiper les événements futurs. Naturellement, un bon nombre d’entre elles s’embarquent dans des projets « IA », mais trop peu se soucient d’adopter les méthodes et les fondations qu’il est nécessaire de bâtir pour réussir.
Une enquête récente montrait ainsi que 90 % des entreprises investissent aujourd’hui dans des technologies liées à l’Intelligence Artificielle, mais qu’un projet sur trois seulement est couronné de succès. Pourquoi un tel écart, malgré une technologie IA de plus en plus mature?

La raison est simple : un trop grand nombre de sociétés négligent certaines étapes pourtant fondamentales :

Se concentrer sur des cas d’usages réalisables avec des objectifs clairs et mesurables
Cela peut paraitre évident, mais pour un projet d’IA comme pour un autre, il faut se demander et définir précisément ce que l’on souhaite réaliser ! Faire de l’IA ou du Machine Learning n’est pas une fin en soi. Aussi étonnant qu’il y paraisse, trop d’entreprises lancent ces projets sans avoir une idée précise des problèmes qu’elles veulent résoudre, ainsi que des retombées positives qu’elles souhaitent générer pour leurs opérations et leurs résultats ! Certes, faire de l’IA permet de communiquer et plait aux actionnaires, mais si l’ambition s’arrête là, le jeu en vaut-il vraiment la chandelle ?
Se poser les bonnes questions en amont permet aussi d’évaluer la complexité des cas d’usage et de mesurer les chances d’y répondre avec les technologies Machine-Learning actuelles. En dépit de sa puissance et de la multiplicité de ses domaines d’application, le Machine-Learning n’a rien de magique et parfois, le problème est tout simplement trop complexe pour être traité avec une intelligence artificielle. Il est donc essentiel de choisir et de se concentrer sur les cas d’usage qui peuvent être adressés avec les technologies actuelles.Les projets d’intelligence artificielle sont avant tout des projets informatiques
Parce que l’intelligence artificielle bénéficie de cet engouement et de cette aura magique, de nombreuses entreprises estiment à tort qu’elle devrait être abordée différemment. Pourtant, tous les processus de gestion de projet mis en place par les équipes informatiques peuvent — et doivent — être appliqués à tout projet d’IA.
En particulier, et à l’image des autres projets informatiques, les projets d’intelligence artificielles doivent être évalués en fonction de leurs retours sur investissement. Les coûts de développement, de déploiement et de maintenance des modèles de Machine-Learning sont élevés, mieux vaut donc s’assurer que les prédictions qu’ils délivrent ont une vraie valeur pour les métiers. C’est pourquoi la mise en œuvre d’un projet d’IA nécessite une modélisation financière rigoureuse et incontournable.

Dépasser l’approche expérimentale
Un certain nombre d’entreprises ont commencé à expérimenter autour de l’IA à travers la création de laboratoires de data science. Malheureusement, les travaux qui y sont effectués produisent trop souvent des analyses ponctuelles, qui ne permettent pas de livrer aux métiers les prédictions fiables et continues dont ils ont besoin. Les Data-Scientists peuvent passer des mois à peaufiner un modèle d’IA pour obtenir une bonne prédiction sur un jeu de donnée, mais ils devront tout reprendre à zéro dès que de nouvelles données seront disponible ou qu’une nouvelle prédiction sera nécessaire.
Le but n’est pas de trouver le modèle parfait en laboratoire, mais de livrer des prédictions fiables pour impacter les opérations positivement et durablement. L’enjeu consiste donc à entrainer les modèles au fil du temps, en s’assurant qu’ils soient automatiquement « alimentés », en temps réel, de données de production précises. Ils doivent continuellement être re-entrainer avec ces nouvelles données et leur qualité doit être validée, au travers d’une surveillance constante, afin de déceler toute forme de biais.
Les entreprises doivent considérer l’intelligence artificielle comme un phénomène qui va s’amplifier et s’imposer au fil du temps. Le cabinet d’audit KPMG a constaté que si 60 % des entreprises utilisent l’automatisation intelligente, seulement 11 % d’entre elles suivent une approche reposant sur des solutions intégrées.

Combler le fossé entre les équipes informatique et métier.
L’objectif ne consiste pas uniquement à atteindre le point où le Machine-Learning fait partie de l’environnement de production : il doit également aider à atteindre les objectifs métier. Dans cette optique, il est essentiel de comprendre les besoins de l’entreprise et de vérifier qu’ils soient en phase avec l’approche de la DSI.
Si une équipe de Data Scientists peut franchir le cap de l’expérimentation, lancer des modèles en production et réaliser des prévisions précises réitérables dans le temps, la confiance entre les scientifiques et les unités métier s’en trouvera renforcée.

Les équipes qui assimileront ces principes et les respecteront pourront tirer pleinement parti de leurs modèles d’intelligence artificielle et éviter de naviguer au gré des expériences. Les entreprises découvrent à peine l’intelligence artificielle et une planification accrue est nécessaire pour créer une stratégie d’IA armée pour durer.

 

LAISSER UN COMMENTAIRE