Intelligence artificielle : réussir la mise à l’échelle des preuves de concept
Du PoC d'IA à la production
Selon Gartner, 80% des projets d’IA échouent après la preuve de concept. Découvre comment éviter le piège du PoC et réussir à passer à l’échelle.
Les progrès technologiques ont amené les entreprises à un point où les processus numériques ne sont plus une option, mais une nécessité. L’utilisation de l’intelligence artificielle, en particulier, joue un rôle central pour les entreprises, car elle favorise considérablement la flexibilité et l’efficacité dans la mise à l’échelle des processus.
Une étude récemment publiée sur l’état d’esprit actuel des entreprises autour du thème du cloud computing souligne encore une fois clairement comment les représentants des entreprises évaluent les technologies et dans quels domaines ils souhaitent investir davantage dans les années à venir. Il n’est pas surprenant que le nombre de personnes interrogées qui considèrent l’IA comme un thème central d’investissement et de transformation ait encore augmenté en 2024.
Selon l’étude menée par l’entreprise d’analyse techConsult, 56% ont déclaré que l’IA avait une grande importance stratégique pour leur entreprise, suivie de près par le cloud computing avec 47%. Les deux thèmes sont donc étroitement imbriqués.
L’IA ouvre la voie à un développement et à un déploiement plus rapides des produits numériques et à une expérience client sans faille, et cette prise de conscience a désormais fait son chemin jusqu’au sommet de la hiérarchie.
Ce changement est impératif, d’une part parce que les clients attendent des expériences client numériques toujours meilleures et d’autre part parce que la pénurie croissante de personnel qualifié oblige de plus en plus d’entreprises à repenser leurs méthodes. Les structures de coûts internes doivent être optimisées efficacement tout en augmentant le niveau de service pour les clients. L’IA peut y remédier.
C’est pourquoi de plus en plus d’entreprises, en particulier dans le domaine de l’intelligence artificielle, se tournent vers des processus et des applications individuels pour en faire une preuve de concept (PoC) afin de valider leur faisabilité et leur gain d’efficacité.
Bien que l’utilisation de l’intelligence artificielle présente un énorme potentiel, la grande majorité des PoC échouent après leur réalisation et ne parviennent pas à la production.
Index
7 raisons pour lesquelles les preuves de concept de l’IA échouent.
Mais à quoi cela est-il dû et comment peut-on y remédier ? En gros, on peut identifier sept aspects clés qui conduisent à l’échec d’une preuve de concept IA :
1. Attentes irréalistes
Des résultats mesurables et exploitables sont attendus immédiatement, sans tenir compte du fait que la collecte et le traitement de données de haute qualité prennent du temps.
Il est donc conseillé d’identifier les cas d’affaires possibles dès le début et de distinguer soigneusement les PoC prometteurs de ceux qui ne font bonne figure que dans le « laboratoire d’innovation ». Des questions telles que : « Combien de temps est-ce que je veux consacrer à ce projet, quel budget est-ce que je prévois, est-ce que j’ai les ressources techniques et le savoir-faire nécessaires en interne ? Ai-je besoin de conseils externes ? », etc. doivent être clarifiés au préalable afin d’éviter les mauvaises surprises à la fin.
2. Base de données insuffisante
L’une des raisons les plus fréquentes d’échouer dès le début est le manque de données de qualité, segmentées et étiquetées pour l’entraînement du modèle d’IA. Les trésors de données restent dans les silos des départements et ne sont jamais exploités.
Alors que pour un PoC, seul un sous-ensemble de données est généralement nécessaire pour valider sa faisabilité et peut déjà fonctionner sur un seul ordinateur portable Phyton, la mise à l’échelle de celui-ci nécessite souvent de grandes quantités de données nettoyées et résistantes sous forme structurée. Si ces données ne sont pas disponibles, il est possible d’utiliser des données synthétiques en fonction de l’analyse de rentabilité. Cependant, la question des données doit être posée suffisamment tôt.
3. Le mauvais modèle
Les modèles d’IA poussent comme des champignons, et pas seulement depuis l’engouement pour l’IA générative. Les modèles, leurs performances et leurs domaines d’application diffèrent considérablement les uns des autres. Si tu ne connais pas les termes de base et les différences entre les modèles, tu te trompes rapidement de solution.
C’est pourquoi il est conseillé d’étudier en profondeur les modèles existants avant de les utiliser. Une compréhension de base des modèles facilite également les décisions « Make or Buy », car toutes les solutions standard ne conviennent pas à tous les cas et, inversement, il n’est pas nécessaire de réinventer la roue si quelque chose existant sur le marché a déjà fait ses preuves.
4. Les équipes isolées
L’IA n’est pas une technologie détachée du reste de l’informatique et qui doit être considérée comme le seul sauveur. Une équipe isolée du reste de l’entreprise ne dispose pas des informations nécessaires pour mettre en œuvre des projets avec succès et faire évoluer le PoC. Il faut donc vérifier au préalable si les PoC peuvent être intégrés dans l’infrastructure informatique déjà existante et quelles équipes doivent travailler en étroite collaboration pour cela.
5. L’IA n’est pas une affaire de chef
Le manque de compréhension de l’IA et l’absence d’intégration dans la stratégie globale de l’entreprise sont une garantie d’échec. Si tu ne fais pas de l’intelligence artificielle une affaire de chef et que tu n’entraînes pas l’ensemble de l’entreprise dans le processus de changement qui en découle, tu ne devrais même pas commencer. L’IA est l’une des technologies les plus transformatrices de notre siècle, qui implique des changements dans le processus décisionnel quotidien. Ces changements doivent être portés par la direction tout comme par chaque collaborateur. Pour que cela réussisse, la direction ne doit pas seulement être un modèle, mais aussi guider, accompagner et soutenir toute son équipe à travers ces processus avec sensibilité et compréhension. La communication continue, la transparence, les offres de formation continue et l’habilitation sont des facteurs essentiels pour l’acceptation de l’IA dans l’entreprise.
6. Mettre en place des PoC sans les services spécialisés
« Les services spécialisés sont étrangers à la technologie et ne sont même pas impliqués dans la mise en place des PoC ». Ceux qui pensent ainsi négligent un point essentiel : les domaines spécialisés sont les gardiens d’informations précieuses sur leur domaine. Ils possèdent des connaissances spécifiques accumulées au fil des ans, qui doivent être prises en compte dans la conception des PoC. Sinon, dans le pire des cas, l’optimisation se fait à côté de l’objectif. La frustration est inévitable. C’est pourquoi il faut parler dès le début avec les domaines spécialisés concernés et les impliquer dans la planification et la conception afin d’obtenir un bon résultat exploitable.
7. « Nous pouvons le faire tout seuls ».
Les solutions d’IA prêtes pour la production ont besoin, en plus de bonnes données et de modèles d’IA, d’une solide intégration d’entreprise et d’une gouvernance Readyness. C’est là qu’intervient l’ingénierie logicielle classique, y compris les thèmes associés tels que l’architecture d’entreprise, l’EAM, les processus de développement consolidés, la protection des données et la sécurité, et surtout une solide assurance qualité continue et automatisée. Ces aspects ne sont pas dans la ligne de mire et dans le domaine de compétence du PoC IA et de ses responsables.
Si tu tiens compte de ces aspects essentiels lors du développement du PoC, tu augmentes considérablement tes chances de mise à l’échelle et de transfert vers la production et tu te rapproches de ton objectif – l’utilisation réussie de l’intelligence artificielle.
Comments are closed.