Source originale du présent article : IBM Expert Insights, Proven concepts for scaling AI
Déploiement de l’IA : La plupart des entreprises en sont encore à l’étape de l’expérimentation
Souvent pauvre et mal comprise, l’IA est à la fois avancée comme le nirvana de l’époque numérique ou présentée comme une menace dystopique. Or, dans le présent pragmatique, elle n’est ni l’un ni l’autre. L’IA est principalement une façon d’augmenter les capacités et les performances de l’humain afin d’obtenir de meilleurs résultats pour les personnes, les clients, les employés, les partenaires ou autres intervenants. Elle cherche à systématiser les résultats, les rendre plus prévisibles ou encore à générer un meilleur rendement financier pour les entreprises. Quand vous pensez à l’IA, pensez »aide aux humains » Vs »intelligence non humanoïde ».
Certaines organisations voient l’IA comme un moyen d’obtenir des résultats progressifs mais tangibles grâce aux principes de flux de travail intelligents dans leurs opérations commerciales plus efficaces, des expériences client plus convaincantes et une prise de décisions plus perspicace afin que l’ingéniosité et l’empathie humaines puissent occuper une place centrale.
Le nombre d’adeptes de l’IA a augmenté de 65 % au cours des quatre dernières années, une tendance que les perturbations commerciales de la pandémie tend à accélérer par rapport aux autres priorités technologiques. Pourtant, les entreprises doivent adopter l’IA de manière holistique pour aborder le problème de la mise à l’échelle en l’ancrant dans leur stratégie commerciale, l’innovation et la différenciation concurrentielle, puis en l’intégrant profondément dans les flux de travail et les modèles opérationnels en évolution. L’IA et l’apprentissage des machines commencent à peine à sortir de leur phase de formation pour entrer dans une période de développement et d’exploitation dans des cas plus pratiques au quotidien.
Les difficultés liées à la mise à l’échelle des projets d’IA
La réussite des projets d’IA, depuis le pilotage de projets de preuve de concept jusqu’à la commercialisation dans l’entreprise avec pour but le développement de produits minimaux viables, a été un problème pour de nombreuses entreprises. Des études récentes montrent que 90 % des entreprises ont des difficultés à étendre l’IA à l’ensemble de leurs activités. Il n’est donc pas surprenant qu’environ la moitié des projets d’IA actuels échouent.
L’IA est une innovation commerciale et technologique complexe, aux multiples facettes, avec des couches de pièces interconnectées et mobiles. Aucun aspect ne peut à lui seul garantir le succès. Pour progresser, les organisations doivent d’abord traiter l’IA comme une discipline avec des principes d’ingénierie et éthiques solides, des opérations et une gouvernance rigoureuses, et une approche adaptable qui privilégie le pragmatisme à la théorie. Les organisations doivent également mettre davantage l’accent sur l’innovation scientifique, en se dotant de capacités de type recherche et développement qui explorent continuellement la pointe du progrès et de l’innovation pour se différencier.
Bien sûr, le progrès est rarement linéaire. Il y aura des projets qui réussiront aux premiers stades, mais qui ne parviendront quand même pas à être adoptés. Des tests bêta doivent être développés et lancés dans le cadre d’un moteur de commercialisation explicitement conçu et orienté vers la croissance et la capacité d’expansion à grande échelle. Sinon, les entreprises risquent de s’enliser dans des cycles d’expérimentation sans fin, en tâtonnant sans jamais vraiment voir les fruits de leurs efforts.
D’après nos observations, le développement de modèles d’IA se fait trop souvent sur l’ordinateur portatif d’un scientifique des données, et l’orchestration est effectuée manuellement, ou de manière ad hoc, à l’aide de codes et de scripts personnalisés. L’effet net est que les équipes de données scientifiques et les ingénieurs sont obligées de travailler de manière inefficace, accablées par des tâches manuelles. Cela ralentit la production d’applications basées sur l’apprentissage machine et réduit le rendement du capital investi dans l’IA. Une autre raison pour laquelle les initiatives d’IA stagnent avant d’entrer en production est que les projets se font souvent en vase clos, avec un mur ou même un fossé entre les développeurs et les utilisateurs finaux.
L’intégration de l’apprentissage machine et de l’apprentissage profond dans les opérations commerciales est très bien, mais elle aboutit souvent à des modèles et des algorithmes basés uniquement sur des données structurées. La plupart des entreprises engagées dans des initiatives d’IA vous diront que les meilleures informations sont encore aujourd’hui enfermées dans leurs sources de données non structurées.
Développement agile + Exploitation TI automatisée + Exploitation de l’apprentissage machine = Exploitation de l’IA
Semblable à la manière dont de nombreuses entreprises utilisent le développement et l’exploitation et d’autres approches d’ingénierie logicielle, l’ingénierie et l’exploitation de l’IA étendent les avantages prouvés des cycles de développement réduits, des collaborations améliorées, des niveaux plus élevés d’efficacité opérationnelle et des déploiements plus efficaces. Cette approche crée un environnement qui permet de se concentrer de manière structurée sur le passage des projets du stade de développement à celui de la production et, en fin de compte, sur l’obtention de résultats commerciaux.
Voici un aperçu de l’approche que propose Converge et IBM afin d’accélérer la mise en place d’une architecture de référence qui permet de soutenir votre entreprise dans ses projets AI. Voir la vidéo. (approx. 3 min.) *Vidéo en anglais seulement
Ingénierie et exploitation de l’IA
Conception
Une expérience de l’utilisation de l’IA pensée avant tout pour les humains. Des méthodologies et des outils standards qui permettent d’accélérer la qualité et le déploiement à travers plusieurs projets d’IA.
Déploiement
Un cadre qui systématise et automatise le déploiement pour améliorer l’efficacité et la vérifiabilité.
Surveillance
Des indicateurs clés de performance et de rendement techniques et qualitatifs. Des processus permettant de les mesurer et de comparer régulièrement les résultats.
Intégration
Des méthodes permettant de vérifier la partialité des modèles, des outils pour visualiser les décisions prises par les modèles d’IA et leur alignement aux lignes directrices éthiques plus larges de l’entreprise.
Faire valoir les avantages du développement des capacités d’IA
Nous devons garder à l’esprit que lorsque les humains interagissent avec l’IA, cela constituent la partie la plus importante de l’expérience que nous tentons de créer. Voici quelques-unes des meilleures pratiques que nous avons observées :
Débuter avec de petits projets mais les concevoir avec la perspective d’une application à grande échelle
Utilisez un produit minimal viable pour jeter les bases d’un projet plus important. Les projets initiaux doivent être priorisés en fonction de leur potentiel et de leurs répercussions commerciales. À partir de là, vous pouvez passer à la mise à l’échelle. Créez et suivez une feuille de route basée sur les répercussions et la faisabilité. Si un projet pilote ne réussit pas, acceptez-le comme un processus d’apprentissage et passez simplement à autre chose. Ne vous attendez pas à ce que chaque projet soit un succès et passe à une phase de production. Un environnement hybride multi-cloud se prête particulièrement bien au soutien de ce genre d’initiative. Peut prendre la forme d’un Cloud privé développé à l’interne ou de l’exploitation ponctuelle de services chez les hyperscalers. (ex. IAAS).
Adopter des principes d’ingénierie
Si vous utilisez déjà le développement et l’exploitation ou d’autres approches d’ingénierie logicielle, mettez en place une petite équipe pour transférer ces compétences et ces processus aux projets d’IA. Adaptez ces politiques et processus aux nuances d’un environnement d’IA.
Établir des mesures de réussite
Si cela vaut la peine d’être fait, cela vaut la peine d’être mesuré. Les mesures doivent correspondre aux facteurs clés de succès et aux risques importants. Elles doivent également être ouvertes et transparentes afin de permettre aux équipes internes pertinentes d’examiner les progrès réalisés. Les boucles de rétroaction doivent fournir des données pour la nouvelle conception et le développement. Dans l’IA, l’échec est une option, à condition que les entreprises tirent des leçons de ces échecs constructifs.
Choisissez bien vos chefs de projet
Confirmez que votre projet d’IA vient appuyer directement l’agenda stratégique de votre entreprise. Que le projet a été conçu en tenant compte des clients, utilisateurs finaux et des autres intervenants impliqués. L’IA combine plusieurs disciplines et conséquemment, les plus grands succès tendent à provenir de chefs d’équipe avec une expérience multidisciplinaire, qui laissent la place aux talents des membres de leurs équipes. Également, à ceux qui favorisent la communication et la collaboration à chacune des étapes de la réalisation du projet. Le chef de projet est responsable de régulièrement testé et de vérifier la partialité et la transparence des résultats en validant qu’ils sont éthiques et justes. Ils sont également être responsables du développement, de l’acquisition des compétences et de la formation des équipes en matière d’IA.
Établir un guide de l’IA
Le guide doit être un document évolutif, avec des listes de contrôle et les principaux principes d’ingénierie utilisés par l’entreprise dans la conception de la solution. Il vient appuyer les réussites, souligne les leçons ou les échecs ainsi que les indicateurs de rendement clés précédemment identifiés. Créez une architecture et une structure d’équipe qui fonctionnent à l’intersection de la conception et des centres de données. Renforcez le fait que le déploiement de modèles d’IA n’est pas le seul objectif ou la fin d’un projet. Pour que l’IA soit mise à l’échelle, vous devez continuellement faire évaluer et améliorer vos modèles pendant qu’ils sont en production. Si ce n’est pas reproductible, ce n’est pas fiable et la documentation est essentielle à la reproductibilité. Surveillez régulièrement l’explicabilité, l’équité et la robustesse de vos modèles d’IA. Développez des algorithmes d’inspection des robots éthiques qui servent de microscopes virtuels pour rechercher la partialité involontaire et d’autres problèmes. .
Innover à l’échelle
Adoptez et intégrez des capacités de traitement du langage naturel approfondies et robustes ainsi que d’autres éléments avant-gardistes de l’IA adaptés à des cas d’utilisation distincts qui ajoutent une valeur commerciale évidente. Intégrez des sources de données internes et externes disparates. Adoptez l’état d’esprit d’une entreprise d’IA en démarrage. Envisagez d’affecter des ressources à l’exploration des technologies de pointe.
Faites-vous assister par des partenaires
Envisagez de vous associer à d’autres pour établir et/ou influencer des normes pertinentes, favoriser la transparence et encourager la confiance. Engagez des universitaires, des groupes de réflexion, des entreprises en démarrage et d’autres tiers de confiance.
Commanditaire du présent article
Une infrastructure de TI moderne est importante pour une IA fiable. L’IA et l’automatisation sont deux des principales raisons pour lesquelles les entreprises modernisent leur infrastructure de TI. C’est pourquoi il est essentiel de savoir que votre choix de serveurs, de stockage et de logiciels d’IA peut déterminer dans quelle mesure vous pouvez intégrer l’IA dans toute votre organisation, réduire les coûts de l’entrée et de la sortie des données et protéger vos données pour un cadre d’IA digne de confiance.
Les systèmes et les technologies de stockage d’IBM ont été conçus pour :
- fournir un accès aux données partout et à tout moment, avec une gouvernance, afin que vous puissiez intégrer l’IA dans votre environnement hybride;
- bâtir en toute sécurité un environnement d’IA fiable avec une sécurité supérieure et une architecture de système flexible;
- s’adapter rapidement aux exigences de l’IA grâce à une capacité sur demande, que ce soit sur place ou en se connectant au Cloud public.
Vous avez besoin d’aide?
Converge et son équipe au Canada peuvent vous aider et vous appuyer en examinant votre situation et en vous assistant dans la réalisation de votre projet. N’hésitez pas à communiquer avec nous pour discuter de vos objectifs ou nous poser des questions.
Robb Sinclair
Vice-président de l’analytique
Converge Technology Solutions Corp.
rsinclair@convergetp.com
Source: IBM Expert Insights, Proven concepts for scaling AI