Pourquoi les données sont les héros méconnus de la stratégie d’IA

L’essor de l’IA – De l’expérimentation à l’échelle d’entreprise et à la stratégie

La loi de Moore est pleinement en vigueur lorsqu’il s’agit d’IA. L’IA est très demandée, et chaque entreprise adopte l’IA. L’innovation aide également à alimenter cette demande avec de nouveaux modèles d’IA, des agents d’IA et de nouvelles technologies qui émergent. Cela crée un changement fondamental pour les entreprises – le stade des expérimentations et des présentations d’IA, en particulier l’IA générative, s’estompe. Les entreprises réalisent que l’IA doit être intégrée dans la stratégie d’entreprise pour atteindre l’échelle et créer une véritable différenciation commerciale. L’IA est un sujet dans la plupart des salles de réunion, ce qui entraîne une innovation stratégique et des budgets.

Les données : le premier domino de la stratégie d’IA

Une considération clé dans toute stratégie d’IA devrait être les données. Les données sont essentielles pour que les modèles d’IA soient contextuels, intelligents et spécifiques au domaine et à l’entreprise. Les modèles d’IA prédisent les résultats en fonction de la façon dont le modèle est réglé et des entrées présentées. Les deux dépendent de la qualité, de la variété, de la récence et de la structure des données.

Selon une récente prévision d’IDC, l’IA devrait stimuler l’économie mondiale d’environ 20 billions de dollars d’ici 2030, non seulement grâce aux modèles, mais également grâce aux investissements massifs dans les données et les infrastructures sous-jacentes qui les alimentent.

Les données de formation avec des sous-ensembles étroits conduisent à des modèles biaisés, les données obsolètes conduisent à des résultats non pertinents et les mauvaises données conduisent à de mauvais résultats d’IA. Par conséquent, les données sont le premier domino de la stratégie de données de l’entreprise. Même avec les meilleures personnes et les technologies de pointe, si le domino des données tombe, toute la stratégie d’IA s’effondre rapidement.

Comme le rapport Gartner 2024 sur les tendances principales en matière de données et d’analyse le note, les organisations qui évoluent avec l’IA dépendent des données, et les dirigeants qui réussissent seront ceux qui établissent la confiance dans leurs données et les utilisent de manière stratégique.

Décisions stratégiques clés pour vos données et votre stratégie d’IA

Voici 5 considérations clés que vous et votre entreprise devez prendre pour préparer vos données à votre stratégie d’IA :

1. Réutilisez votre paysage de données – De nombreuses entreprises ne réutilisent pas le paysage de gestion des données, de gouvernance des données et de stockage et d’analyse des données pour l’IA. Beaucoup de données servant à des rapports et à des analyses critiques peuvent également être critiques pour l’IA. Il est donc important de commencer avec les actifs de données déjà présents dans l’entreprise. Bien sûr, cela nécessite d’être complété avec les bonnes mesures de qualité des données.

Question clé à poser – Quelles données possédons-nous dans notre entreprise, et dans quel état se trouvent-elles ?

2. Métadonnées et lignée des données – Pour les données en place, les métadonnées, c’est-à-dire les données sur les données, peuvent être tout aussi critiques, voire plus, pour l’IA. Par exemple, les termes commerciaux associés aux données peuvent aider à identifier le contexte pertinent pour un modèle RAG, par exemple. Lorsqu’un utilisateur demande le statut d’une réclamation dans une entreprise d’assurance, toutes les données attributées avec le statut de la réclamation peuvent être utilisées comme contexte pour que le modèle d’IA réponde. La lignée des données aide également à comprendre le flux des données, aidant les modèles d’IA à identifier les sources de données fiables.

Selon un récent blog ISASA, la gouvernance de l’IA est critique et nécessite les bonnes métadonnées et la lignée des données pour évoluer.

Question clé à poser – Nos données sont-elles correctement étiquetées avec des métadonnées commerciales et techniques ? Collectons-nous la lignée des données pour comprendre comment les données s’écoulent de bout en bout ?

3. Gouvernance et conformité des données – Assurez-vous que vos données sont bien gérées et que les réglementations de conformité et de confidentialité sont appliquées aux données. La stratégie d’IA devrait alors hériter et étendre ces réglementations et gouvernance plutôt que de recommencer à zéro. Par exemple, si un client souhaite que ses données soient anonymisées conformément aux réglementations RGPD, un modèle d’IA devrait être à la fois formé et opérationnel sur l’ensemble de données anonymisées.

Question clé à poser – Dispose-t-on d’un programme de gouvernance et de conformité des données ? Si ce n’est pas le cas, quels sont les aspects clés que je dois avoir en place pour ma stratégie d’IA ?

4. Traitez les données maîtres comme votre quarterback d’IA – Les données maîtres critiques, qui contiennent des données sur les entités clés de votre entreprise, devraient être utilisées comme base pour votre stratégie d’IA. Par exemple, si une vue à 360 degrés d’un client existe, une stratégie d’IA sur tout domaine client, comme une prédiction de churn de client, devrait utiliser ces données maîtres pour éviter toute donnée manquante ou incomplète. Bien sûr, cela peut être combiné avec plus d’informations provenant de sources de données spécifiques.

Question clé à poser – Ai-je mes domaines de données maîtres critiques disponibles dans un paysage de données complet et connecté ?

5. Données et leur valeur – Les données ne devraient pas être traitées comme un centre de coûts, mais mesurées en fonction de leur valeur, à la fois pour l’IA et pour l’entreprise. Cela nécessite que les données soient sur les sujets du conseil d’administration et des dirigeants, en plus de l’IA.

Question clé à poser – Mon conseil d’administration et mes dirigeants comprennent-ils la valeur des données pour l’organisation ? Si ce n’est pas le cas, comment pouvons-nous nous assurer que cela est compris, en particulier dans le contexte de la stratégie d’IA de l’entreprise ?

Les modèles viennent et vont, mais les données persistent.

Alors que votre stratégie d’IA évolue, de nouveaux modèles et innovations d’IA émergeront. La vitesse d’innovation dans cet espace est vertigineuse. Mais avec le temps, les modèles d’IA seront banalisés ; le véritable facteur de différenciation dans votre entreprise n’est pas quel modèle vous utilisez, mais comment il est contextualisé avec quelles données sont utilisées pour la formation, le réglage et le fonctionnement. Si vous créez une stratégie d’IA, ne commencez pas avec le modèle. Commencez avec la question : disposons-nous des données pour la soutenir ?