L’adoption réussie de l’IA nécessite 3 composants — La plupart des entreprises n’en ont que 2

À ce stade, l’IA n’est plus une technologie nouvelle. Son efficacité éprouvée dans l’analyse de données, la reconnaissance de modèles et la synthèse de connaissances peut rendre les équipes plus efficaces. Mais malgré la valeur indéniable de l’IA, des recherches récentes indiquent que seulement 13 % des entreprises l’ont adoptée de manière extensive. La plupart des entreprises jouent la sécurité, n’utilisant l’IA que pour les tâches à faible risque. Qu’est-ce qui empêche les marques de plonger et de récolter les bénéfices ? L’écart entre les aspirations et les réalisations de l’IA se résume à un défaut structurel.

Le chaînon manquant.

L’adoption réussie et généralisée de l’IA nécessite trois composants : infrastructure, application et données. La couche d’infrastructure comprend le modèle d’IA, dont le cadre façonne directement l’utilisation et les sorties potentielles.

La couche d’application est où vivent les solutions logicielles. C’est là que la majeure partie de la valeur de l’IA est générée ; c’est là que les utilisateurs interagissent (peut-être indirectement) avec l’IA et examinent ses sorties ; c’est le nœud de la prise de décision éclairée par l’IA.

Entre ces couches se trouve la couche de données, et c’est ce composant que la plupart des entreprises ont du mal à gérer – qu’elles en soient conscientes ou non. Cette couche contient toutes les données ; des données qui s’insèrent dans les modèles d’IA sous-jacents et guident les applications en cours de construction. La qualité de la couche de données informe directement la sortie à la couche d’application. Des données de haute qualité et abondantes peuvent soutenir des cas d’utilisation robustes, tandis que des données douteuses ou inadéquates ne le peuvent pas.

Jusqu’à ce que les organisations puissent construire – ou s’associer à des entreprises qui construisent – les trois couches de l’adoption de l’IA, elles ne tireront pas la valeur maximale.

Les implications de la déséquilibre.

La sortie de l’IA sera toujours conditionnée par les données qu’elle reçoit. Si une organisation veut que son IA puisse prédire des structures moléculaires synthétiques, elle devra lui fournir beaucoup de données de physique. Si un détaillant veut utiliser l’IA pour prédire le comportement des utilisateurs et améliorer les expériences numériques, il devra lui fournir des données de comportement.

Si les entreprises (ou leurs partenaires) ne peuvent pas soutenir adéquatement leurs outils d’IA avec suffisamment de données, les implications seront loin d’être négligeables. Tout d’abord, il y a la solution d’IA elle-même. Au mieux, elle sera techniquement opérationnelle, mais pas au degré souhaité. Les sorties peuvent être faibles, sans relief ou dépourvues d’informations tout à fait. Au-delà de ce résultat « idéal » se trouve un résultat plus probable : des hallucinations de l’IA, des sorties erronées et un retour sur investissement négatif. Non seulement l’investissement aura-t-il été gaspillé, mais les organisations devront peut-être dépenser plus pour contrôler les dégâts.

En zoomant hors des conséquences immédiates, on peut voir les implications plus larges d’une solution d’IA assoiffée de données. En général, les entreprises adoptent l’IA pour faire plus : acquérir plus d’informations, servir plus de clients, opérer plus efficacement. Si les organisations consacrent du temps et des ressources à un outil d’IA qui ne fonctionne pas, elles ont en fait entravé leur propre croissance, limitant leur capacité à s’adapter au marché et à devancer la concurrence. Cela les mettra en désavantage et les obligera à rattraper le temps, les ressources et – potentiellement – les clients perdus.

Mais il y a de l’espoir ; il y a beaucoup que les organisations peuvent faire pour se positionner correctement, corriger (ou prévenir) un déséquilibre d’IA et avancer.

Combler le fossé avec les bonnes données.

Au risque de simplifier à l’excès, la meilleure chose que les dirigeants peuvent faire pour éviter un déséquilibre d’IA est de faire leurs devoirs avant de passer à une solution d’IA. Avant de déployer un nouvel outil, prenez le temps d’apprendre d’où viennent les données et comment elles sont générées.

Si votre fournisseur de solutions ou votre ingénieur en chef ne peut pas vous donner une réponse directe sur la source, la qualité ou la quantité des données sous-jacentes, cela devrait déclencher des alarmes. Obtenez un deuxième ou un troisième avis de la part de partenaires de canal et d’intégrateurs. Renseignez-vous en tapant dans les réseaux de discussion d’utilisateurs comme Reddit et Discord ; voyez où d’autres adoptants ont rencontré des problèmes ou des obstacles. Savoir quels sont les signaux d’alarme à rechercher avant de prendre des décisions peut aider les dirigeants à éviter un monde de maux de tête et d’attentes déçues.

Bien sûr, cette prévoyance n’est pas toujours possible et ne sera pas utile aux organisations qui sont déjà aux prises avec un problème de données d’IA. Si abandonner la solution existante n’est pas une option, la meilleure chose à faire est de trouver un moyen d’injecter plus de données afin que l’outil ait plus de contexte, de modèles et d’informations à exploiter.

Les données synthétiques sont une option ici, mais ce n’est pas un remède miracle. Il peut être difficile de déterminer avec précision l’origine exacte des données synthétiques, donc ce n’est pas toujours la meilleure voie à suivre. Cela dit, il y a un moment et un lieu pour les données synthétiques. Par exemple, elles excellent dans la formation de modèles de sécurité d’IA, en particulier de manière adverse. Comme toujours, effectuer des recherches préalables avant de plonger tête baissée aidera les dirigeants à prendre les meilleures décisions pour leur entreprise.

Pour des industries comme la vente au détail ou les restaurants de service rapide (QSR), les données humaines sont préférées. Les entreprises de ces industries utilisent probablement l’IA pour optimiser l’expérience client, donc leurs outils doivent être formés sur des données de comportement humain. Par exemple, si vous espérez prédire jusqu’où les utilisateurs feront défiler une page, vous voudriez que l’IA base sa prédiction sur un comportement humain réel dans des conditions similaires.

Dans certains cas, obtenir un afflux de données humaines n’est pas tant une question d’obtenir de nouvelles données que d’activer les données existantes. Les visiteurs du site et de l’application sont déjà là – il s’agit simplement de capturer, de structurer et d’analyser leurs données de comportement afin que les outils d’IA puissent les utiliser.

À la fin de la journée, avoir des données insuffisantes vaut mieux que d’avoir des mauvaises données ; tout ce que les organisations peuvent faire pour nettoyer leurs solutions aidera à améliorer les résultats.

Par où commencer.

Manquer de données d’IA peut poser un défi de taille pour les organisations de toute taille, et cela peut être décourageant de penser à ce que les prochaines étapes pourraient être. Mais même reconnaître le problème est un exploit en soi. À partir de là, il s’agit de trouver les étapes gérables et incrémentales que l’on peut aborder une par une.

L’IA offre des promesses considérables – mais seulement pour ceux qui sont prêts à investir dans chacun de ses composants clés : infrastructure, application et données. Sans ces couches, même la solution d’IA la plus élégante ne sera pas efficace. Les organisations qui comblent l’écart des données maintenant ne seront pas seulement en mesure d’éviter de rester en arrière ; elles seront à la tête.