Dépasser l’hype : opérationnaliser l’IA et l’apprentissage automatique pour les résultats commerciaux

Par : Krishnan Venkata, Directeur des clients chez la société d’analyse numérique LatentView Analytics.

Pendant plus d’une décennie, les entreprises, allant des petites startups aux grandes corporations, ont parlé de la promesse de l’intelligence artificielle (IA) et de l’apprentissage automatique (ML). Selon ces prophéties, l’IA et l’apprentissage automatique transformeraient le travail moderne, en automatisant les processus quotidiens et en permettant aux employés humains de se concentrer sur des tâches de niveau supérieur.

Dix ans plus tard, pour de nombreuses entreprises, la promesse de l’IA s’est avérée être juste une promesse, et rien de plus. Alors que de nombreuses organisations ont pris des mesures pour accélérer leurs efforts de transformation numérique, quelques pièges courants empêchent souvent la réalisation du rêve de l’IA/ML.

Quels ont été les plus grands facteurs qui ont freiné le potentiel de transformation de l’IA et de l’apprentissage automatique ?

• Manque d’organisation : La première étape pour une stratégie d’IA réussie consiste à collecter des données. Mais il est tout aussi important de planifier l’organisation de ces données ; les entreprises qui accumulent un trésor de données sans plan pour les organiser, les analyser et les exploiter sont laissées avec une ressource non raffinée, pratiquement inutilisable. Quelle est la valeur de découvrir du pétrole si vous n’avez pas de moyen de l’extraire du sol ou de le raffiner pour l’utiliser ?
• Adoption piècemeal : Alors que les transformations numériques promettent des économies de coûts à long terme, le prix initial pour adopter de nouvelles technologies peut être élevé. Cela conduit certaines entreprises à adopter une approche piècemeal pour intégrer les outils d’IA, sans considérer comment cette solution unique s’intégrera dans une feuille de route plus large.
• Procédures/discipline manquantes : Les solutions d’IA et d’apprentissage automatique seront naturellement défendues et introduites par des dirigeants spécifiques au sein de l’entreprise, mais leur succès dépend de l’adhésion institutionnelle de la part du sommet à la base. Les premiers adoptants doivent préparer la voie pour une adoption plus large, en instaurant la discipline et les routines nécessaires pour rendre l’intégration de nouveaux outils aussi fluide que possible.

L’année dernière a démontré qu’il n’y a pas de temps à perdre en termes de transformation numérique et d’automatisation des routines grâce à l’IA et à l’apprentissage automatique. Selon Fortune Business Insights, le marché mondial de l’intelligence artificielle devrait atteindre 267 milliards de dollars d’ici 2027, représentant une croissance de près de dix fois par rapport à une valeur de 27 milliards de dollars en 2019. Un déplacement à long terme vers le travail à distance provoqué par la pandémie de COVID-19 a poussé les entreprises à adopter de nouvelles solutions ; le Rapport sur l’engagement numérique COVID-19 de Twilio a constaté que 97 % des dirigeants ont déclaré que la pandémie avait accéléré leurs efforts de transformation numérique.

Alors, qu’est-ce qu’il faudra pour dépasser l’hype de l’IA et de l’apprentissage automatique et vraiment les opérationnaliser ? Quelques technologies et stratégies peuvent faire la différence entre un triomphe ou un échec :

1. AIOps, MLOps, DataOps

Ajouter -Ops à une technologie ou une application est une recette infaillible pour créer un nouveau mot à la mode, mais toutes ces solutions émergentes ne sont pas des logiciels fantaisistes. En fait, des stratégies comme AIOps, MLOps et DataOps peuvent offrir la solution au défi de l’organisation de toutes ces données collectées au sein d’une entreprise. Ces outils appliquent les principes de gestion Agile à l’IA, à l’apprentissage automatique et à la gestion des données, respectivement, simplifiant considérablement les connaissances et les efforts nécessaires pour tirer parti de nouvelles solutions. Pour les entreprises qui font leurs premiers pas dans l’IA/ML et qui cherchent à accélérer, ces stratégies sont incontournables.

2. Low Code/No Code

Les modèles d’apprentissage automatique les plus complexes et les plus nuancés nécessiteront toujours des développeurs et des scientifiques de données dédiés pour assurer leur succès. Cependant, les défis auxquels sont confrontées de nombreuses entreprises ne sont pas aussi compliqués et peuvent être résolus avec des solutions d’IA plus simples et universelles. Les plateformes Low Code et No Code abaissent la barrière à l’entrée pour les employés ayant peu ou pas d’expérience en développement de logiciels. Les outils No Code permettent à tout employé de créer des solutions telles que des moteurs de recommandation grâce à des plateformes intuitives et de type glisser-déposer, tandis que les plateformes Low Code peuvent effectuer des tâches complexes avec seulement quelques lignes de code.

3. AutoAI et AutoML

Si l’intelligence artificielle et l’apprentissage automatique automatisent les processus commerciaux, pourquoi auraient-elles besoin d’être elles-mêmes automatisées ? Un aspect crucial du succès de l’IA et de l’apprentissage automatique est l’idée de raffinement : à mesure que ces outils apprennent sur le tas et intègrent plus de données, ils peuvent améliorer constamment leurs performances et fournir de meilleurs résultats. AutoAI et AutoML effectuent ce processus de raffinement sans nécessiter aucune intervention humaine, créant un cycle vertueux ininterrompu. Les humains peuvent vérifier les performances du modèle pour prévenir les biais et confirmer que l’outil sert les besoins de l’entreprise, mais AutoML permet aux employés de se consacrer à d’autres défis au quotidien.

Alors que les fabricants de puces et les sociétés de logiciels ouvrent de nouvelles voies avec le traitement du langage naturel, le domaine de l’IA/ML atteint un point de basculement qui verra une explosion de nouveaux cas d’utilisation. Les entreprises doivent être prêtes à réagir à ces technologies émergentes ; celles qui n’ont pas leur maison en ordre maintenant seront laissées pour compte par les concurrents qui le font.