Planification, Preuve de Concept et Production d’une Solution d’Entreprise à Succès Propulsée par l’IA

Les entreprises accélèrent leurs initiatives d’intelligence artificielle (IA) à un rythme rapide. Une étude menée par Algorithmia a montré que 76 pour cent des DSI donnent la priorité et augmentent leurs budgets IT pour se concentrer davantage sur les solutions d’IA et d’apprentissage automatique (ML). Les organisations reconnaissent également l’importance des données et la plupart admettent que 80 pour cent des données d’entreprise sont de nature non structurée.

Les données non structurées sont produites et croissent à un rythme alarmant dans une pile d’entreprise. L’unité de mesure a changé de téraoctets à pétaoctets. En conséquence, les professionnels de l’informatique, les DDO et les DSI doivent relever de nouveaux défis pour répondre à la demande croissante de données utilisables et d’informations exploitables. Malgré le potentiel énorme de l’IA pour transformer n’importe quelle industrie, seulement 15 pour cent des solutions d’IA déployées d’ici la fin de 2022 seront couronnées de succès, et moins encore généreront un ROI positif.

Le plus grand problème est que la plupart des solutions d’IA d’entreprise ne voient pas le jour en raison d’une mauvaise alignment des attentes. Il persiste des malentendus sur les possibilités de l’IA et les projets continuent d’être conçus sur des modèles à sensation. La plupart des produits ou des modèles sont loin de la réalité quotidienne des opérations d’entreprise. D’autres facteurs de taux de réussite plus faible incluent : les dépassements de coûts, le manque de centres d’excellence pour l’IA (CoE), les talents inexpérimentés, la non-disponibilité des données et les politiques obsolètes, pour n’en citer que quelques-uns.

La planification ouvre la voie au succès de l’IA d’entreprise

Les données non structurées sont des données qui ne possèdent pas de modèle de données prédéfini et incluent tout, des documents riches en texte et des sites Web aux images, aux fichiers vidéo, aux chatbots, aux flux audio et aux publications sur les médias sociaux. Avec la quantité croissante de données non structurées dans l’architecture d’entreprise, il est crucial d’avoir un plan efficace et incrémental qui s’aligne sur les objectifs de tous les parties prenantes de l’entreprise. Les objectifs typiques au niveau de l’organisation peuvent inclure : l’automatisation des processus, la détection de la fraude, l’amélioration de l’expérience client, l’amélioration de la sécurité, l’augmentation des ventes, etc. Même si certains de ces objectifs peuvent être atteints de manière efficace, en raison de la nature structurée des données, la planification autour des données non structurées peut être difficile.

Typiquement, la planification commence par l’identification des domaines d’opportunité au sein de l’organisation. Même s’il peut y avoir une grande vision pour l’IA au niveau de la direction générale, il est crucial d’identifier un domaine qui a un impact élevé, un risque faible et une croissance continue des données. Un bon exemple de cas d’utilisation serait la fonction de traitement des prêts dans l’industrie bancaire et financière. L’origination des prêts à leur service est encombrée de processus manuels où les informations sont saisies à la main dans les systèmes de manière répétitive. La diligence raisonnable des demandes de prêt implique une quantité importante de soumission de documents, ce qui pose plusieurs risques. Cependant, l’IA peut être appliquée dans plusieurs domaines du flux de travail, notamment le traitement des documents et la détection de la fraude. Il s’agit également d’un domaine où il y a une croissance continue d’année en année des données.

D’autres étapes critiques à considérer pendant cette phase de planification incluent la définition de critères de réussite mesurables, la formulation d’une stratégie de données cohérente, la formation et la rétroaction continues, ainsi que l’évaluation de l’expérience utilisateur, de la scalabilité et de l’infrastructure.

Définition de critères de réussite mesurables (et éviter le moment de mettre le chariot avant les chevaux !)

Le succès précoce de Google est souvent attribué à l’institution d’Objectifs Clés de Résultats (OKR). Même si cette approche peut être appliquée à n’importe quel aspect des objectifs commerciaux ou personnels, l’application de cette approche éprouvée à votre stratégie d’IA pourrait donner des résultats prometteurs. Cependant, lorsqu’il s’agit de données non structurées, il s’agit d’un problème en évolution que l’industrie dans son ensemble tente de résoudre. Compte tenu des défis, les dirigeants d’entreprise devraient se poser diverses questions pour déterminer le « quoi » et le « pourquoi ». Par exemple, si l’augmentation de la productivité est l’objectif clé, deux questions qui pourraient être répondues sont :

• Devrais-je planifier l’amélioration du débit par l’automatisation ? ou
• Devrais-je planifier la résolution de 80 pour cent du problème pour 100 pour cent de tous les cas soumis ?

Répondre à ces questions conduit à deux parcours d’implémentation différents et il est important de décider lequel conviendra le mieux à votre entreprise.

Avec les données non structurées, une autre zone de mesure ambiguë est la précision. Dans l’exemple du traitement des prêts, il y a tellement de variabilité dans les documents soumis par les clients qu’il est crucial pour les dirigeants d’entreprise et technologiques de parvenir à un consensus sur la façon dont la précision de la solution d’IA est mesurée. Si la productivité est l’un des objectifs de la mise en œuvre d’une solution d’IA, il serait alors nécessaire d’identifier d’autres domaines qui ont un impact sur la productivité. Cela peut être réalisé en examinant de près le processus actuel et en réimaginant le processus avec l’automatisation de l’IA. Souvent, de nouvelles automatisations conduisent à de nouvelles étapes dans le processus, telles que la gestion manuelle des exceptions, l’annotation, la formation, etc. Avec ces étapes en place, il serait plus facile de déterminer comment mesurer la précision.

Les données sont le sang vital de toutes les entreprises

Les données non structurées ont un degré élevé de variabilité dans la façon dont les informations sont structurées et présentées. Les entreprises sont encombrées d’informations présentées dans des documents, qui, par nature, ont des structures complexes composées de paragraphes, de phrases et, plus important encore, de structures de tableaux multidimensionnels. En plus des documents, les organisations investissent de plus en plus dans les chatbots, surveillent les données des médias sociaux et d’autres formes de données non structurées comme les actualités, les images et les vidéos.

La plupart des organisations sous-estiment la quantité de données disponibles et accessibles sur place. Souvent, le défi est aussi simple que surmonter les restrictions de conformité et partager des données au sein de l’organisation. Néanmoins, avoir des données propres et une grande variabilité de données permet une meilleure évaluation d’un problème et la conception d’une solution optimale.

Un autre facteur important à considérer est le résultat que vous attendez de ces données non structurées. Cela garantira une quantité précise de données de référence, de formation et de test. En revenant à l’exemple du traitement des prêts, si le résultat de cette solution d’IA est de déterminer les soldes quotidiens moyens des demandeurs, les données de référence et de formation peuvent être hyper concentrées autour des relevés bancaires. Cependant, si l’accent est mis sur la détection des demandeurs frauduleux grâce aux relevés bancaires soumis, il faudra accéder à une gamme plus large de documents pour obtenir les données de référence et de formation nécessaires.

Passer de la preuve de concept à la production

Entreprendre une preuve de concept mesurable garantit que toutes les parties prenantes comprennent les défis, les résultats et la valeur de la solution d’IA. Cependant, une preuve de concept n’est pas la même chose qu’une solution prête pour la production. Une preuve de concept permet à une organisation d’identifier les lacunes, stimule la réflexion de conception pour une solution de production et rationalise les objectifs et les résultats clés qui doivent être atteints. Pour passer de la preuve de concept à une solution évolutives, les organisations doivent planifier des scénarios de données complexes qui incluent des changements de données constants, la non-disponibilité de données étiquetées et un degré élevé de variation dans la forme et les formats. Il est tout aussi important de réimaginer le flux de travail, de réformer la main-d’œuvre et de déterminer la bonne infrastructure, les coûts, les performances, l’architecture des données, la sécurité de l’information et les accords de niveau de service (SLA).

Il est absolument impératif d’évaluer l’ensemble du flux de travail et du processus commercial pour obtenir les meilleurs résultats de toute solution d’IA. En prenant une inspiration de l’économie comportementale, il est crucial de comparer le résultat à un point de référence existant (également appelé « dépendance de référence »), à partir duquel de meilleures efficacités peuvent être anticipées avant la production grâce à la réflexion de conception et à la remapping du processus.

Ce scénario suppose que les dirigeants d’entreprise et technologiques ont convenu d’une approche de MI ou d’apprentissage profond sur la base de la preuve de concept. Certaines déclarations de problème pourraient être déterministes et une approche statistique peut être prise pour résoudre le problème, tandis que d’autres défis pourraient nécessiter une combinaison d’approches de MI et de réseaux de neurones pour atteindre les résultats souhaités.

Certaines solutions d’IA nécessitent l’intégration du traitement automatique du langage naturel (TALN). Même si les modèles de langage généraux servent de fondation, la plupart des modèles ne sont pas conçus pour répondre aux besoins uniques de chaque énoncé de problème d’entreprise et nécessiteraient un ajustement fin. En même temps, la plupart des dirigeants d’entreprise sont susceptibles de s’enthousiasmer pour de grands modèles comme GPT3, qui exigent une puissance de calcul importante et peuvent avoir une influence directe sur le ROI d’une entreprise. Ces modèles ne conviennent probablement pas à votre entreprise.

Votre preuve de concept d’IA ne constitue que le début d’un long processus, alors gardez à l’esprit :

• N’choisissez pas un problème complexe à résoudre à l’étape de la preuve de concept
• Appliquez la réflexion de conception et examinez votre processus de bout en bout ; prédisez et gérez les risques tôt
• La précision n’est pas la seule mesure ; concevez et planifiez une solution axée sur la valeur par opposition à l’obtention d’une précision de 100 pour cent
• Évaluez votre approche d’IA ; ne planifiez pas des modèles à sensation, choisissez plutôt l’approche la plus optimale qui est modulaire par nature
• Gérez les attentes de toutes les parties prenantes pour assurer le résultat le plus réussi
• Concevez votre solution et votre architecture pour évoluer avec la croissance de vos données pour le ROI le plus optimal

Meilleures pratiques pour les solutions propulsées par l’IA

Aujourd’hui, la plupart des entreprises entreprennent un ou plusieurs projets d’IA. Malgré les excellentes intentions et le travail acharné, de nombreux programmes d’IA d’entreprise ne répondent pas aux attentes, ne sont pas évolutifs et ne génèrent pas le ROI souhaité. Il faudra du temps pour intégrer l’intelligence artificielle comme un composant principal de l’entreprise, cependant, certaines des meilleures pratiques suivies par les organisations réussies incluent :

• Démarrer avec un CoE d’IA : De nombreuses grandes sociétés, même non technologiques, ont mis en place des centres d’excellence pour l’IA (AI CoE) pour maximiser les chances de leur succès. Un CoE d’IA rassemble l’expertise, les ressources et les personnes nécessaires pour permettre les initiatives de transformation basées sur l’IA. Les principaux avantages incluent :
  • Consolider l’apprentissage de l’IA, les ressources et les talents dans un seul endroit
  • Élaborer une vision et une stratégie commerciale unifiées pour l’IA
  • Standardiser les approches, les plateformes et les processus d’IA
  • Identifier de nouvelles opportunités de revenus pour l’IA et l’innovation
  • Évoluer les efforts de science des données en rendant l’IA accessible à toutes les fonctions commerciales
• Adhésion de la direction : Une stratégie d’IA est la plus réussie grâce à une approche descendante. La mise à l’échelle des pilotes dans toute l’organisation nécessite l’adhésion de la direction, les compétences et les données nécessaires, ainsi que l’établissement d’une structure organisationnelle qui garantit que les modèles restent précis avec le temps.
• Disponibilité des données : La plupart des organisations ont des données cloisonnées pour diverses raisons de conformité. Cependant, les données sont le sang vital de toute solution d’IA et la mise à disposition de ces données est cruciale. En plus de la mise à disposition, la classification et le nettoyage des données sont essentiels. Le développement de données de référence et de formation précises peut faire ou défaire une solution d’IA.
• Architecture : Utiliser l’IA constitue un changement de paradigme pour toute organisation, ce qui nécessite de nouvelles façons de penser et de planifier. La conception d’une architecture technique et opérationnelle optimale augmente vos chances de succès. Cela inclut avoir de nouvelles fonctions comme les opérations d’apprentissage automatique, les opérations de données, la formation itérative et les annotations, entre autres.
• Modularité et flexibilité : Les solutions propulsées par l’IA sont encore à leurs débuts, en particulier lorsque les organisations traitent de lourdes données non structurées. Il est crucial de concevoir et de construire une solution modulaire et flexible qui peut évoluer avec l’entreprise et ses défis croissants.

Établir et entreprendre une stratégie d’IA a un grand potentiel pour la plupart des organisations, et les cas d’utilisation sont infinis. Les solutions d’apprentissage automatique et de deep learning touchent tous les aspects d’une organisation, des ventes et du marketing aux opérations quotidiennes. Cependant, comme la construction d’une fusée ou l’invention d’un nouveau gadget, le succès ne sera pas atteint d’un seul coup. Les solutions propulsées par l’IA devraient être abordées par étapes et construites sur de petites victoires au fil du temps.