De l'idée à la mise en œuvre : Devenir une usine d'IA

L'intelligence artificielle (IA) est considérée comme le principal levier d'avantage concurrentiel. Le data ne ment pas : il y a eu une augmentation de l'intelligence artificielle dans le monde. près de 25% d'augmentation d'une année sur l'autre de l'utilisation de l'IA par les entreprises., 63% des dirigeants reconnaissent qu'elle a entraîné une augmentation des revenus. La pandémie mondiale n'a fait qu'accentuer ce phénomène. Les entreprises qui prospéreront et survivront seront celles qui seront capables d'adopter les bonnes solutions d'IA, de les déployer et de les adapter rapidement et efficacement.

Cependant, comme pour tous les changements, les initiatives en matière d'IA soulèvent de nouveaux défis. La mise en œuvre s'accompagne de nombreuses questions, la principale étant de savoir comment adopter la bonne approche data pour déployer des initiatives d'IA rapidement et efficacement, sans échec et de manière durable sur le long terme. L'approche ‘AI Factory’ a été développée précisément pour cette raison.

L'usine d'IA est un modèle d'exploitation organisationnel - combinant différents talents, capacités et processus de manière systématisée - pour réussir le déploiement et l'évolutivité de l'IA. Il a été utilisé efficacement par des leaders de l'industrie tels que Carrefour et ENGIE pour mettre en œuvre des projets d'IA transformateurs dans leurs entreprises. Pourtant, la mise en place d'une usine d'IA efficace à partir de zéro peut s'avérer décourageante. Vous avez besoin d'équipes d'experts et d'une vision claire pour que le processus fonctionne.

La première étape essentielle consiste à définir une vision et des cas d'utilisation pour votre usine d'IA. Il s'agira de votre stratégie data. Les cas d'utilisation offrant le plus grand potentiel de transformation de l'entreprise doivent être identifiés. Qu'il s'agisse de l'optimisation de la chaîne d'approvisionnement ou de la gestion de la conformité, des opportunités existent à tous les niveaux.

La vision de l'entreprise en matière d'IA doit également être prise en compte. Il est important de pouvoir imaginer son évolution, de la planifier et d'avoir une vision claire de l'avenir. À partir d'une première vue d'ensemble, dessinez une version affinée applicable à data et à l'IA.

Ensuite, il faut évaluer les opportunités commerciales concrètes, en identifiant et en triant les cas d'utilisation. Pour ce faire, il faut évaluer l'impact sur l'entreprise et la complexité de la mise en œuvre. Il est important de mettre l'accent sur les mentalités tout au long du processus, afin de gérer le changement à grande échelle et d'impliquer tout le monde, de la direction de l'entreprise aux membres de l'équipe de première ligne.

Une fois la stratégie data de l'entreprise et la vision de l'IA définies, vous devriez disposer d'une liste de cas d'utilisation à mettre en œuvre, classés par ordre de priorité. Mais comment pouvez-vous commencer à travailler sur ces cas d'utilisation ? Une mise en œuvre efficace de l'AI Factory repose sur quatre piliers distincts :

Une gouvernance unique

Pour être efficace, la gouvernance doit être de haut niveau, dédiée et adaptée. Un conseil d'administration de l'usine d'IA de la plus haute instance - comprenant les principaux dirigeants de data - est extrêmement important pour assurer le parrainage et la direction générale, car il partage la vision de l'IA et aligne les équipes et la feuille de route sur cette vision. Au niveau de la gestion du programme, il convient de créer un poste de directeur de l'usine d'IA, auquel participeront des experts de l'entreprise, des opérations, du droit, de la sécurité et de l'informatique data. Leur rôle devrait être d'examiner, d'arbitrer et de valider les progrès.

Enfin, au niveau opérationnel, il faut des équipes agiles. Les Feature Teams sont responsables de la réalisation des cas d'utilisation des produits d'IA. Il s'agit d'unités très soudées qui travaillent en collaboration pour assurer un flux d'informations permanent et la transparence. Plus important encore, elles doivent être pluridisciplinaires et combiner les compétences et l'expertise de l'ensemble de l'entreprise. Elles sont orientées vers la réalisation, chacune étant créée avec un seul objectif : fournir un cas d'utilisation mesuré par un objectif unique.

Des équipes organisées, diversifiées et expertes

Pour gagner en efficacité, les organisations structurées devraient rassembler les compétences commerciales, data, logicielles et numériques au sein d'équipes hybrides basées sur des méthodes agiles. L'agilité garantit un mode de travail souple et adaptatif et évite les problèmes liés à une approche en silo, tels que des départements isolés au sein d'une même structure ou des procédures trop rigides. Cela nécessite un bon mélange de profils commerciaux et techniques, afin de s'assurer que ce qui est développé du côté technique a toujours un but utile qui répond aux besoins de l'entreprise.

L'évolutivité est une caractéristique générale importante de la composition d'une équipe. L'idée est que sa structure peut être facilement reproduite, comme des briques de Lego. Avec un modèle entièrement évolutif, il est possible d'ajouter d'autres équipes pour répondre à d'autres cas d'utilisation.

Technologies avancées d'IA

Bien entendu, un déploiement efficace de l'IA nécessite une base de technologies facilitant l'IA. Une usine d'IA utilise une combinaison de solutions open-source, propriétaires et cloud. Ces solutions doivent être normalisées sur l'ensemble du pipeline data - de l'ingestion à la visualisation - du début à la fin, conformément aux meilleures pratiques.

Méthodes systématiques et éprouvées

La systématisation est nécessaire pour s'assurer qu'une série d'étapes sont toujours franchies dans un ordre spécifique, chacune ayant son propre objectif. Les avantages sont doubles. Premièrement, cela donne une structure globale de références communes, créant ainsi une colonne vertébrale qui garantit la cohérence. Deuxièmement, cela rend les méthodologies reproductibles et évolutives, ce qui accélère considérablement le déploiement de la phase d'industrialisation.

MLOps : Faire tourner l'usine

Parallèlement à une méthodologie de cas d'utilisation définie, des pratiques MLOps (Machine Learning Operations) doivent être déployées pour combler le fossé entre la phase de conception et la production. Inspirées du processus DevOps, ces pratiques devraient combiner le développement de logiciels et les opérations informatiques afin de raccourcir le cycle de vie du développement.

L'objectif des MLOps est de relever les défis auxquels les systèmes codés traditionnels ne sont pas confrontés. Le premier défi est la collaboration entre les équipes : les différentes unités sont souvent cloisonnées et possèdent différentes parties du processus. Cela étouffe l'unité nécessaire pour passer à la production.

Le second est la gestion des pipelines, car les pipelines ML sont plus complexes que les pipelines traditionnels. Ils présentent des caractéristiques spécifiques, notamment des briques qui doivent être testées et contrôlées tout au long de la production.

Le dernier obstacle est que les modèles de ML nécessitent généralement plusieurs itérations - lorsqu'ils sont mis en production de manière manuelle et ad hoc, ils deviennent rigides et difficiles à mettre à jour.

Au lieu de cela, une approche MLOps devrait intégrer tous les actifs ML dans un pipeline d'intégration et de livraison continues (CICD) afin de garantir des déploiements rapides et transparents. Toutes les data, les fonctionnalités et les modèles doivent être testés avant chaque nouvelle version afin d'éviter toute dérive de la qualité ou des performances. Toutes les parties prenantes devraient travailler sur le même canevas et appliquer les meilleures pratiques de génie logiciel aux projets scientifiques data - versions, environnements de déploiement, tests.

En fin de compte, MLOps est la discipline qui consiste à gérer les projets de ML de manière cohérente et unifiée avec tous les autres éléments de production. Elle garantit une livraison technique efficace depuis le stade précoce du cas d'utilisation (premiers modèles) jusqu'à l'industrialisation du cas d'utilisation.

Un cadre de réussite

L'IA est extrêmement prometteuse, mais elle présente également un grand risque pour les organisations qui ne sont pas en mesure de la déployer correctement. Le véritable avantage du modèle AI Factory est qu'il établit un cadre de base pour une mise en œuvre rapide et réussie. Les processus, les équipes et les outils sont par nature transférables et reproductibles, ce qui signifie qu'une entreprise peut rester agile dans la poursuite de sa vision de l'IA. Une fois le processus établi et soutenu par les MLOps, une entreprise dispose de ce dont elle a besoin pour devenir une puissance en matière d'IA.