ACTUALITÉS / TECHNOLOGIE DE L'AI
Artefact- Les meilleurs conseils pour créer un laboratoire d'IA
Pourquoi créer un laboratoire d'IA ?
Qu'est-ce qu'un laboratoire d'IA ?
Les laboratoires d'IA stimulent la création de valeur en définissant des cas d'usage de l'IA. Un laboratoire d'IA rassemble :
- Compétences pluridisciplinaires : des experts qui sont à la fois orientés vers l'entreprise (propriétaire du produit, propriétaire de l'entreprise, etc.) et vers la technique (data scientist, data engineer, data architect, etc.) et qui travaillent ensemble pour réaliser les cas d'utilisation.
- Méthodologies : Design Thinking et Agile. Cela permet de passer rapidement de l'idée au concept, du concept au prototypage, du prototypage à la production et de la production au déploiement à grande échelle.
- Technologies : les outils qui permettent de créer des solutions techniques efficaces et évolutives
Les grandes questions
Les initiatives en matière d'intelligence artificielle sont souvent dispersées dans les organisations. La plupart d'entre elles restent au stade de la validation du concept (PoC) et n'apportent en fin de compte aucune valeur ajoutée.
Ces PoC font rarement partie d'une stratégie plus large, ce qui signifie que la valeur potentielle reste inexploitée.
Les laboratoires d'IA sont confrontés à deux défis majeurs :
- Créer de la valeur à grande échelle en priorisant intelligemment les cas d'usage, en accélérant leur industrialisation et leur mise à l'échelle.
- Promouvoir le partage des connaissances et accroître les compétences des employés.
Artefact- Les meilleurs conseils pour créer un laboratoire d'IA
#1 Choisir les bons cas d'usage
Équilibrer les différents domaines d'activité et les différentes couches de valeur.
Rechercher des gains rapides - à la fois pour garantir une véritable valeur ajoutée et pour faciliter la mise en œuvre. Il est plus important que les premiers cas d'utilisation réussissent que d'apporter la plus grande valeur.
Soyez pragmatique - choisissez l'option la plus facile à la fois sur le plan technique et organisationnel (choisissez les cas d'utilisation qui présentent le moins de friction).
#2 Organiser des équipes d'experts
Constituer des équipes agiles, chacune chargée d'un problème commercial majeur, en fonction d'un indicateur de performance clé. Par exemple, un détaillant peut créer une équipe agile de performance pour le magasin et une équipe agile de performance pour la chaîne d'approvisionnement.
Divisez ces équipes agiles en "feature teams", chacune chargée d'un sous-problème. Par exemple, l'équipe agile de la chaîne d'approvisionnement peut être subdivisée en une équipe de prédiction des ventes, une équipe chargée de l'automatisation du travail en entrepôt, etc.
#3 Décomposer la complexité
Segmenter chaque sous-problème en sous-unités de base.
Par exemple, l'équipe chargée de la prédiction des ventes s'intéresse initialement à la prédiction des ventes de fruits et légumes, et plus particulièrement à la prédiction des ventes de tomates.
#4 Renforcer les compétences
Mettre en place des processus qui favorisent le partage des connaissances et des compétences, par exemple :
- Discussions techniques : organiser des événements hebdomadaires pour obtenir un retour d'information de la part d'une équipe sur un point spécifique (un outil, un défi, etc.).
- Programmation en binôme : créer des paires au sein des équipes chargées des fonctionnalités, qui travaillent ensemble sur le même code
Créer une académie de laboratoire pour mettre en place un programme de formation au sein du laboratoire.
#5. Le rendre évolutif
Être capable d'augmenter rapidement la capacité des équipes de laboratoire en ajoutant des équipes d'experts ou en créant de nouvelles équipes d'experts.
