Les défis de l'application de l'intelligence artificielle

Le fossé croissant dans l'adoption de l'Intelligence Artificielle

Le progrès imparable de l'intelligence artificielle (IA) crée un fossé de plus en plus grand entre les entreprises qui l'ont adoptée et celles qui en sont encore aux débuts. Même ceux qui ont commencé par une preuve de concept qui n'a pas eu le grand résultat immédiat attendu peuvent le vivre comme une petite frustration et adopter une stratégie de "wait and see".

Le concept de J Curve du professeur Erik Brynjolfsson (Stanford) définit parfaitement cette phase initiale :

“Ces investissements et changements prennent souvent plusieurs années et, pendant cette période, ils ne produisent pas de résultats tangibles. Pendant cette phase, les entreprises créent des "actifs intangibles". Par exemple, elles pourraient former leur main-d'œuvre à utiliser ces nouvelles technologies. Elles pourraient redessiner leurs usines ou les équiper de nouvelles technologies de capteurs pour tirer parti des modèles d'apprentissage automatique. Elles pourraient avoir besoin de renouveler leur infrastructure de données et de créer des lacs de données dans lesquels elles peuvent entraîner et exécuter des modèles de machine learning (ML). Ces efforts peuvent coûter des millions de dollars (ou des milliards dans le cas de grandes entreprises) et ne pas générer de changements dans la production de l'entreprise à court terme.”

Tout cela fait que le fossé devient de plus en plus grand entre les convaincus et ceux qui attendent. Comme l'indique une recherche récente du McKinsey Global Institute, il existe un fossé réel et croissant entre les leaders et les retardataires dans l'application de l'IA tant dans les secteurs qu'au sein de ceux-ci.

Manque de données et de personnel spécialisé

Précisément, parmi les défis les plus courants auxquels les entreprises sont confrontées lorsqu'elles lancent des projets d'IA, il y a le manque de données ou le manque de personnel spécialisé, et dans certains cas, les deux, nécessitant de grands investissements initiaux.

La plupart des modèles d'IA actuels sont entraînés par "apprentissage supervisé". Cela signifie que les humains doivent étiqueter et catégoriser les données, ce qui peut être une tâche considérable. Les approches non supervisées réduisent le besoin de grands ensembles de données étiquetées, mais la réalité est que dans de nombreux cas d'utilisation, nous ne pouvons pas les appliquer. L'utilisation de modèles supervisés ou non supervisés est intrinsèquement liée au cas d'utilisation (voir Machine learning explained pour plus d'informations).

De plus, les techniques les plus avancées d'apprentissage automatique, comme l'apprentissage profond (ou Deep Learning, en anglais), nécessitent des ensembles de données d'entraînement qui ne sont pas seulement étiquetés, mais qui sont également suffisamment grands et complets. Les ensembles de données massifs peuvent être difficiles à obtenir ou à créer. Tant l'obtention massive de données que leur préparation et étiquetage peuvent représenter un investissement important.

Sans oublier le défi du talent. Dans ce cas, nous pouvons combler les lacunes à court terme par l'externalisation. Mais déléguer entièrement l'IA à l'externe peut être une erreur colossale pour les entreprises.

Les dirigeants d'entreprise qui espèrent réduire l'écart doivent être capables d'aborder l'IA de manière informée. C'est-à-dire, ils doivent être capables de comprendre par eux-mêmes où l'IA peut conduire à la croissance des revenus ou capturer des efficacités. Ils doivent également savoir distinguer où l'IA ne fournit pas de valeur.

De plus, nous avons déjà mentionné qu'ils (et non les profils techniques) sont responsables de comprendre et de résoudre le défi du "dernier kilomètre" de l'intégration de l'IA dans les produits et les processus.

Ce sont des défis qui indiquent une feuille de route de plusieurs années pour les entreprises. Ce chemin, nous aurons du mal à l'éviter. Mais nous pouvons commencer à utiliser et à expérimenter rapidement avec des outils d'apprentissage automatique, des ensembles de données et des modèles entraînés pour des applications standard, qui sont largement disponibles.

Il s'agit de l'intelligence artificielle prête à l'emploi ou AI off-the-shelf ("prête à l'emploi"), qui inclut, par exemple, des modèles de détection et de création de langage naturel et de vision artificielle. Parfois, ils sont en open source et dans d'autres cas via des interfaces de programmation d'applications (API) créées par des entreprises pionnières comme OpenAI ou de grands fournisseurs de cloud public comme AWS, Microsoft ou Google.

Intelligence Artificielle prête à l'emploi d'AWS

Ci-dessous, nous présentons les principaux cas d'utilisation offerts par la technologie AI off-the-shelf d'AWS.

Il y a déjà des entreprises qui mettent en œuvre des solutions d'IA prêtes à l'emploi, soit en utilisant des modèles de langage naturel, comme les chatbots de support aux étudiants que nous avons développés pour la Generalitat de Catalogne appelés PauBot ; soit des solutions de vision artificielle, comme le système de validation des identités pour les évaluations en ligne que nous avons développé pour une importante université en ligne et qui a aidé à réduire la fraude lors des examens à distance.

En pratique, nous devons être capables de combiner les deux approches et disposer des capacités nécessaires pour concevoir la solution idéale dans chaque cas. Pour les cas d'utilisation standardisés, nous disposons des modèles d'IA prêts à l'emploi que nous pouvons mettre en œuvre avec des capacités d'architecture cloud et d'architecture de données, en travaillant conjointement avec les experts du domaine.

Pour les cas non standardisés, nous devrons également disposer de capacités en data science qui nous accompagneront dans la décision et la création du modèle d'intelligence artificielle.

La promesse de l'IA est immense et les technologies qui doivent la concrétiser sont encore en développement.

Si vous savez que c'est maintenant le moment de penser à la survie de l'entreprise à long terme et de se positionner dans la nouvelle ère des entreprises data-driven, contactez-nous et nous essaierons de vous aider. Sans oublier les défis de l'application de l'intelligence artificielle la plus personnalisée et ambitieuse avec la science des données, nous pouvons nous baser sur l'IA off-the-shelf pour résoudre divers cas d'utilisation de manière vraiment rapide et efficace.

Plus d'informations

Si vous souhaitez lire les articles précédents de cette série, rappelez-vous que nous avons expliqué le défi des données, énuméré les 4 types de données pour appliquer l'IA et expliqué l'importance des 3 rôles de connaissance parmi les membres de l'équipe.