La science des données, l’apprentissage automatique et l’intelligence artificielle sont des capacités clés dans le monde des affaires d’aujourd’hui, mais peu de dirigeants savent comment les déployer efficacement.
Selon un nouveau rapport de Forrester, «The Tech Executive’s Primer On Data Science, Machine Learning, And AI, un manque de compréhension entrave la capacité des chefs d’entreprise à déployer efficacement des projets de science des données, d’apprentissage automatique et d’intelligence artificielle pour résoudre les problèmes commerciaux ». Tous les dirigeants doivent prendre des décisions stratégiques sur comment et où tirer parti de ces technologies, mais peu de dirigeants ont de l’expérience avec elles, de sorte que les idées fausses abondent, causant de mauvais résultats, des ressources gaspillées et une résistance aux initiatives futures », indique le rapport.
Le rapport définit la science des données comme l’extraction de sens à partir de données ; l’apprentissage automatique en tant qu’application d’algorithmes aux données pour entraîner des modèles d’apprentissage automatique; et l’intelligence artificielle en tant que terme générique pour les méthodes d’apprentissage automatique et d’automatisation utilisées de nouvelles manières.
Pour déployer avec succès ces technologies, il faut un sens aigu des affaires et de la technologie ainsi qu’un leadership exécutif, selon le rapport. Bien qu’il soit possible d’embaucher des experts techniques, il est beaucoup plus difficile de trouver des dirigeants d’entreprise qui comprennent ces technologies complexes et de pointe.
Le rapport suggère sept informations et meilleures pratiques que les entreprises peuvent déployer pour faire pencher la balance en leur faveur:
1. S’il semble que vous pensiez que l’IA « devrait » avoir l’air, ce n’est probablement pas le cas. Aussi intelligentes que les technologies d’IA telles que les assistants personnels ou les vérificateurs de grammaire apparaissent, l’IA du monde réel ne présente aucune l’intelligence et l’autonomie dépeintes dans les films. « Les avantages et les inconvénients réels des technologies de ML et d’IA varient si radicalement des perceptions populaires que si une idée, une solution proposée ou une offre de fournisseur ressemble à quelque chose qu’un profane s’attendrait, elle sera vouée à l’échec, sera trop médiatisé ou devra compter sur une personne se cachant derrière un rideau », a déclaré le rapport.
2. Recherchez des projets techniquement réalisables et qui fournissent des activités mesurables. DSMLAI ne devrait pas commencer avec juste la fin à l’esprit ou avec ce que les technologies d’IA et de ML peuvent faire. Il faut se rencontrer au milieu. « Commencez uniquement par la valeur commerciale et vous choisirez des cas d’utilisation qui jouent sur les faiblesses de l’IA et passent à côté de ses forces (pensez aux véhicules entièrement autonomes). Commencez par les données et vous trouverez des informations vraies mais sans valeur (par exemple, les réservations génèrent des revenus) », a déclaré le rapport.
3. Adoptez une approche axée sur le cycle de vie. Peu importe ce que vous faites, si les utilisateurs ne s’en soucient pas ou ne l’utilisent pas, cela n’a pas d’importance. « Habituellement, cela implique de déployer votre solution d’IA, de la mettre entre les mains des utilisateurs finaux et de former des gens. Si vous n’avez pas prévu comment cela se produira, préparez-vous au mieux à de longs retards; au pire, vous découvrirez que le déploiement est impossible. Augmentez vos chances de succès en planifiant votre projet de bout en bout et en impliquant les utilisateurs finaux prévus de la solution dès le début et tout au long du processus », indique le rapport.
VOIR: Guide du DSI sur l’informatique quantique (PDF gratuit) (TechRepublic)
4. Améliorez vos données au fil du temps. N’attendez pas d’avoir les données juste pour commencer ou vous ne le veux jamais. « En ce qui concerne les projets d’IA, la qualité des données est un mythe. Vous ne saurez pas quelles données vous avez besoin et la forme sous laquelle vous en avez besoin jusqu’à ce que vous sachiez comment vous allez les utiliser, et vice versa. Au lieu de cela, travaillez avec les données que vous pouvez obtenir rapidement, augmentez la valeur que vous pouvez rapidement et utilisez le succès pour plaider en faveur de la prochaine série d’investissements dans vos actifs de données et vos pipelines », indique le rapport.
5. Améliorez les capacités d’IA au fil du temps. Tout comme avec les données, la plupart des projets DSMLAI réussis commencent petit et s’appuient sur les succès à l’échelle. « Cela signifie souvent acheter d’abord des solutions ponctuelles horizontales ou verticales avec des capacités d’IA intégrées, puis aller au-delà des capacités de ces solutions à l’aide de modèles et d’applications personnalisés », indique le rapport.
6. Inquiétez-vous d’abord des préjugés humains, puis de l’IA. Parce que l’IA est un outil développé par des humains, elle contiendra probablement des biais intégrés. La meilleure façon d’éviter les biais est d’examiner soigneusement les données que vous utilisez pour entraîner vos modèles d’IA. « Par-dessus tout, testez plusieurs hypothèses, validez les modèles et surveillez-les au fil du temps pour en vérifier les biais et, le cas échéant, l’équité. Si vous le faites, vos modèles résultants seront presque certainement moins biaisés que les décisions humaines. Si vous ne le faites pas, vous risquez de renforcer et de proliférer les préjugés », indique le rapport.
7. Ne laissez pas les projets d’IA s’attarder. Parce qu’ils sont mal compris, mis en œuvre ou abandonnés par leur sponsor exécutif, les projets d’IA sont sujets à la relégation. La meilleure façon d’éviter ce résultat est de les tuer le plus tôt possible. « Donnez à vos équipes les moyens de tuer des projets, mais capturez les apprentissages et ressuscitez-les dans de nouvelles incarnations plus viables », indique le rapport.
A propos de l'Auteur
Aujourd’hui rédacteur et journaliste
indépendant, Allen Bernard est l’ancien rédacteur en chef de CIOUpdate.com,
eSecurityPlanet.com, ITSMWatch.com et EnterpriseNetworkingPlanet.com. Tout au
long de ses 20 ans de carrière, Bernard s’est concentré sur l’explication de
l’intersection de la technologie et des affaires à un public de cadres. Il a
écrit sur tout, des premiers jours du cloud aux malheurs de la cybersécurité de
l’ère actuelle.
No comments:
Post a Comment