ACTUALITÉS / TECHNOLOGIE DE L'AI

La compréhension et l'expérience croissantes de artificial intelligence par les organisations peuvent sembler contradictoires compte tenu de l'absence de mise en œuvre significative de l'IA dans la plupart des entreprises.

La compréhension et l'expérience croissantes de artificial intelligence par les organisations peuvent sembler contradictoires compte tenu de l'absence de mise en œuvre significative de l'IA dans la plupart des entreprises.

Dans cet article, nous examinerons à la fois les raisons sous-jacentes de cette dichotomie et les conditions requises pour réussir.

Les organisations qui mettent en œuvre avec succès les technologies de l'IA voient émerger de nouveaux modèles, notamment sous la forme d'une “usine à IA”, combinaison de talents, de méthodes et de technologies au service de l'ensemble de l'entreprise.

L'innovation dans les technologies naissantes suit invariablement le “Hype Cycle” de Gartner, qui identifie cinq étapes du cycle de vie qui se chevauchent :

  1. Déclencheur d'innovation: À ce stade, une technologie potentielle démarre. Il peut y avoir des prototypes et beaucoup d'intérêt et de publicité de la part des médias, mais souvent il n'y a pas de produits commercialement viables disponibles.
  2. Le pic des attentes exagérées: À ce stade, la technologie est mise en œuvre ; elle produit un certain nombre de réussites, mais beaucoup plus d'échecs. Certaines entreprises adoptent la technologie, d'autres non.
  3. Le creux de la désillusion: L'intérêt commence à s'estomper au fur et à mesure que les défauts et les échecs sont révélés. Certains producteurs de la technologie abandonnent la course. Les investissements ne se poursuivent que si les fournisseurs survivants améliorent leurs produits à la satisfaction des utilisateurs.
  4. La pente de l'illumination: Les avantages de la technologie pour les entreprises sont de plus en plus évidents. Un plus grand nombre d'entreprises la testent ; certaines entreprises fabriquent des produits de deuxième et troisième génération.
  5. Plateau de productivité: La technologie est largement mise en œuvre. Ses applications commerciales deviennent claires et l'adoption à forte croissance commence.

Comme le montre le cycle, chaque phase de succès concret est précédée d'une phase de désillusion. Trop de complications peuvent entraver la réussite de ces projets. L'enjeu de relever le défi de la Intelligence artificielle sont élevés : selon Accenture, les entreprises qui font bon usage de artificial intelligence pourraient voir leur rentabilité augmenter de plus de 30% ! À cela s'ajoutent de nouvelles sources potentielles de revenus, qui peuvent résulter d'une expérience client améliorée ou d'un avantage concurrentiel accru.

Qu'est-ce que l'IA ? Quelle valeur peut-elle apporter aux entreprises ?

L'IA, qui n'en est qu'à ses débuts, est un ensemble de sciences très théoriques ; elle doit cependant être envisagée par les entreprises dans une optique de réduction des coûts, et non à travers le prisme de l'innovation (syndrome du “dernier mot à la mode”). Comment les entreprises peuvent-elles tirer une valeur réelle de ces expériences d'IA ? Comment réussir à “passer à l'échelle” ? Notre réponse passe par de nouveaux cadres organisationnels où l'on parle d“”usines à IA".

Aujourd'hui, de plus en plus d'algorithmes et de “produits d'intelligence” se retrouvent sur les étagères. Du moins aux niveaux inférieurs. Les premiers partenaires européens du Cloud, Amazon (AWS), Microsoft (Azure), Google (GCP) et IBM, proposent tous différents niveaux d'abstraction qui permettent aux entreprises de “produire” de l'IA en interne (Google a récemment lancé un nouveau service universel managé appelé Anthos) ; ces solutions fonctionnent un peu comme les kits de chimie avec lesquels nous jouions lorsque nous étions enfants. Elles proposent un accès simple à des infrastructures spécifiquement conçues pour répondre aux besoins de l'entreprise. apprentissage automatique comme les TPU de Google, qui sont des services gérés permettant de concentrer les équipes sur des applications données.

Vous trouverez également de nombreux source ouverte (scikit-learn, TensorFlow, Pytorch) ainsi que des API propriétaires (reconnaissance d'image, de texte et de voix). Mais des problèmes peuvent survenir après les premiers succès, car seule une petite partie de ces tests aboutit en mode production, ce qui génère non seulement de la frustration, mais aussi, évidemment, des opportunités perdues.

La plupart des grandes organisations ont massivement investi dans la science Data, et à juste titre : en 2016, McKinsey annonçait que 250 000 scientifiques Data seraient nécessaires d'ici 2021 rien qu'aux États-Unis. Mais nous nous rendons compte aujourd'hui que ces profils, très axés sur les modèles data, les statistiques et les algorithmes, ne suffiront pas à transformer l'entreprise grâce à l'IA. Nous avons omis, par exemple, les précieux Data Engineer et Data Architectes dont les talents sont essentiels pour assurer le succès dans les années à venir, mais dont l'intégration dans les projets d'équipe reste à faire.

Un nouveau mode d'organisation se dessine peu à peu : L'usine d'intelligence artificielle, ou usine IA,
qui suit un certain nombre de principes directeurs simples mais cruciaux pour la réussite de ces initiatives. 

L'usine à IA commence par une gouvernance centralisée

L'idée est de mettre en commun et de coordonner les efforts d'investissement et de pilotage. Seul un très petit nombre de projets à forte valeur ajoutée de l'entreprise seront examinés par les sponsors les plus engagés dans leur réussite. La sélection de ces cas d'utilisation doit être extrêmement rigoureuse : en particulier, aucun projet ne doit voir le jour s'il ne respecte pas la simple loi des 10X (offrir un retour sur investissement de 10:1). Le succès et l'impact de chaque cas d'utilisation doivent être mesurables selon un KPI simple et compréhensible, et l'amélioration systématique de ce KPI doit être l'objectif principal du projet. raison d'être des équipes.

Des équipes spécialisées garantissent une organisation dédiée au projet

Popularisées par Spotify, les feature teams répondent aux enjeux de réduction des délais de mise sur le marché, de transversalité et de continuité des projets. Dirigée par un business manager, la feature team est composée d'un product owner, de data scientists, de data engineers et d'experts DevOps. L'inclusion de DevOps / IT dans la feature team assure une excellente supervision et une maintenance pérenne de la solution d'IA. Une “platform team” assure la cohérence technologique des briques déployées par les feature teams. Il est important de noter que ce modèle organisationnel fonctionne très bien à l'échelle (il y a jusqu'à 10 feature teams pour chaque “Tribe” chez Spotify).

Les avantages des équipes d'experts

  • Les équipes chargées des fonctionnalités sont mieux à même d'évaluer l'impact des décisions en matière de conception.. À la fin d'un sprint, l'équipe chargée des fonctionnalités aura construit une fonctionnalité de bout en bout, en parcourant tous les niveaux de la pile technologique de l'application. Cela permet aux membres d'en apprendre le plus possible sur les décisions qu'ils ont prises en matière de conception du produit (les utilisateurs aiment-ils la fonctionnalité telle qu'elle a été développée ?) et sur les décisions en matière de conception technique (cette approche de mise en œuvre a-t-elle bien fonctionné pour nous ?).
  • Les équipes d'experts réduisent le gaspillage engendré par les transferts. Transmettre le travail d'un groupe ou d'un individu à un autre est un gaspillage. Dans le cas d'une équipe de composants, il y a le risque que trop ou trop peu de fonctionnalités aient été développées, que les mauvaises fonctionnalités aient été développées, que certaines fonctionnalités ne soient plus nécessaires, etc.
  • Il permet de s'assurer que les bonnes personnes s'expriment. Parce qu'une équipe de développement comprend toutes les compétences nécessaires pour passer de l'idée à la fonctionnalité testée, elle s'assure que les personnes possédant ces compétences communiquent au moins une fois par jour.
  • Elle permet de se concentrer sur la fourniture de fonctionnalités. Il peut être tentant pour une équipe de retomber dans ses habitudes d'avant Scrum. Organiser les équipes autour de la livraison de fonctionnalités, plutôt qu'autour d'éléments architecturaux ou de technologies, permet de rappeler constamment que Scrum se concentre sur la livraison de fonctionnalités dans chaque sprint.

Une méthodologie spécifique : L'IA allégée

L'IA allégée est une méthodologie qui réduit l'incertitude quant à l'efficacité et à l'applicabilité des solutions d'IA. Les modèles ne sont jamais parfaits et doivent être testés en situation réelle. La méthode consiste en une boucle d'amélioration continue de cycles courts qui comprennent la formulation d'hypothèses, l'identification de data pertinentes, la construction et le test d'un ou plusieurs modèles, suivis du déploiement sur un périmètre de test et de la collecte des commentaires des utilisateurs.

Le cycle est répété avec la formulation de nouvelles hypothèses, de nouvelles data, etc. Cette méthode permet de tester en situation réelle, puis d'améliorer les cas non explorés, jusqu'à atteindre un niveau de satisfaction jugé acceptable par l'organisation pour lancer la production.

... ainsi qu'une infrastructure adaptée

Le déploiement doit être envisagé dès les premiers jours du projet afin d'éviter de repartir de zéro dans un environnement technique différent.

La création de nouveaux silos data doit également être évitée en utilisant au maximum les lacs et les puits data existants de l'organisation. Les applications d'IA doivent être construites dans une logique d'architecture orientée services.

Les technologies de conteneurisation et d'orchestration telles que Docker et Kubernetes permettent une gestion simplifiée des écosystèmes de microservices, facilitant l'utilisation des modèles d'IA via des API utilisables par toutes les divisions de l'organisation.

... et travailler sur la transformation et l'adoption internes

Bien que de nombreuses entreprises partagent déjà un espace commun, l'absence de partage d'un modèle opérationnel commun compromet la réussite des projets d'IA. Par exemple, un “Chatbot” appartenant à un site web commercial devrait faire partie intégrante du parcours de vente, plutôt que d'être considéré comme un silo d'acquisition distinct, ce qui n'est souvent pas le cas. Lorsque les différents départements d'une entreprise adoptent les mêmes technologies, le succès de l'IA est bien plus probable.

Les étapes de la réussite d'un projet d'IA

#1 Définissez votre objectif en matière d'IA  

2. Remettez-le en place avec Data

#3 Impliquez vos experts en la matière en interne.

#4 Mesurer le résultat et non la production

#5 Répétez rapidement !

Enfin, un défi éthique de plus en plus important

On a vu récemment l'exemple d'Alexa et la mauvaise surprise de son écoute (nécessaire et planifiée pour améliorer l'apprentissage supervisé). Les réglementations seront toujours en retard sur la technologie. Il est important que les entreprises qui utilisent artificial intelligence comprennent les défis éthiques de ces solutions. Sept principes éthiques directeurs ont été publiés par le comité d'experts indépendants mandaté par la Commission européenne : L'IA au service de l'humanité, digne de confiance, qui respecte les data privées, transparente, non discriminatoire, dédiée à l'amélioration du bien commun, et enfin, avec une responsabilité humaine clairement définie.

Un nombre croissant d'organisations décident d'appliquer ces principes pour extraire la valeur de l'IA : Carrefour a récemment annoncé le lancement de son laboratoire d'intelligence artificielle en partenariat avec Google, et Walmart a annoncé le lancement de sa “Cloud Factory” à Austin avec Microsoft. Il ne fait aucun doute que ces nouveaux modes d'organisation, axés sur la valeur et pragmatiques dans leur approche de l'innovation, seront plus fréquemment déployés avec succès dans les années à venir.