![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/tina-chace.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/akhilesh-kale.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/robyn-kiernan.jpg\")
Comprendre la lign\u00e9e Data : Explorer sa d\u00e9finition et son adoption croissante dans les organisations<\/h2><\/div>Dans le monde actuel du data-driven, il est plus important que jamais de comprendre le parcours du data, de son origine \u00e0 sa destination finale. Cette capacit\u00e9, appel\u00e9e lignage de data, offre une vue d'ensemble de la mani\u00e8re dont data circule dans une organisation, en d\u00e9taillant ses transformations et ses d\u00e9pendances tout au long du parcours. Le lignage de Data varie en termes de niveaux de complexit\u00e9, le \u201clignage grossier\u201d d\u00e9montrant les transformations de table \u00e0 table, et le \u201clignage fin\u201d se situant au niveau de l'attribut. Ces actifs peuvent \u00eatre cartographi\u00e9s dans des outils tels que Solidatus, fournissant une m\u00e9thode automatis\u00e9e pour cr\u00e9er une vue d'ensemble claire des sources, de la transformation et de l'utilisation de data. Chez Artefact, nos \u00e9quipes con\u00e7oivent et construisent des produits data et IA pour nos clients, jour apr\u00e8s jour, et le lignage aide nos clients \u00e0 r\u00e9pondre \u00e0 des questions telles que : \u201cQuels sont les syst\u00e8mes qui nous donnent ce solde client, car il semble inexact ?\u201d ou \u201cPourquoi mon mod\u00e8le de propension \u00e0 pr\u00eater \u00e0 mes clients donne-t-il des r\u00e9sultats diff\u00e9rents, en particulier le mercredi ?\u201d Nous suivons une m\u00e9thodologie m\u00e9ticuleusement structur\u00e9e en six \u00e9tapes pour d\u00e9ployer le lignage \u00e0 grande \u00e9chelle, en commen\u00e7ant par une \u00e9valuation compl\u00e8te du cas d'utilisation unique de l'entreprise et de sa valeur intrins\u00e8que. Ce processus aboutit \u00e0 une mise en \u0153uvre transparente, o\u00f9 la maintenance continue et l'adoption par les utilisateurs sont int\u00e9gr\u00e9es au c\u0153ur de la solution.<\/p>\n<\/div>
![\"Chart:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/Capture-decran-2024-11-21-115250.png\" "\\"Graphique")
<\/span><\/div>Les entreprises s'appuient sur le lignage data pour plusieurs raisons essentielles, la conformit\u00e9 r\u00e9glementaire et la gestion de la qualit\u00e9 data \u00e9tant au premier plan. Dans le secteur des services financiers, un lignage data robuste est essentiel pour r\u00e9pondre \u00e0 des exigences d'audit rigoureuses et \u00e0 des principes tels que le BCBS 239, garantissant le respect des r\u00e9glementations relatives \u00e0 la gouvernance, \u00e0 l'architecture data, \u00e0 l'agr\u00e9gation des risques data, \u00e0 l'exactitude, \u00e0 l'int\u00e9grit\u00e9 et \u00e0 la fr\u00e9quence des rapports sur les risques. Par exemple, dans le cas de la banque commerciale, l'\u00e9valuation d'un flux de rapports financiers sur les pr\u00eats hypoth\u00e9caires permet \u00e0 une entreprise de retracer les origines et la consommation de donn\u00e9es sensibles.<\/p>\n<\/div>
![\"solidatus](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/unnamed-3.png\" "\\"solidatus")
<\/span><\/div>Au-del\u00e0 de la conformit\u00e9, le lignage de data est un outil puissant pour am\u00e9liorer la qualit\u00e9 de data, permettant aux organisations de suivre les probl\u00e8mes de data, de valider l'exactitude et de maintenir la confiance dans leurs syst\u00e8mes d'information. Cet article se penche sur les subtilit\u00e9s du lignage data, en particulier le lignage grossier, et explore les raisons pour lesquelles il est devenu la pierre angulaire des strat\u00e9gies modernes de gestion du data.<\/p>\n<\/div>
L'essor rapide de l'IA dans les services financiers : Opportunit\u00e9s, d\u00e9fis et perspectives<\/h2><\/div>S'appuyant sur l'importance de comprendre data, l'intelligence artificielle (IA) transforme le paysage des services financiers modernes, en simulant l'intelligence humaine pour effectuer des t\u00e2ches n\u00e9cessitant un apprentissage et une prise de d\u00e9cision. Les applications de l'IA sont diverses et impactantes : l'IA conversationnelle, comme les chatbots, am\u00e9liore les interactions avec les clients ; les assistants de productivit\u00e9 rationalisent les flux de travail et automatisent les t\u00e2ches ; et l'analyse automatis\u00e9e des data acc\u00e9l\u00e8re la compr\u00e9hension d'ensembles de data complexes. En ao\u00fbt 2024, la loi sur l'IA de l'Union europ\u00e9enne a introduit de nouvelles r\u00e9glementations visant \u00e0 garantir une utilisation \u00e9thique de l'IA et \u00e0 prot\u00e9ger les droits des utilisateurs, soulignant l'\u00e9volution mondiale vers une mise en \u0153uvre responsable de l'IA. Cette \u00e9volution souligne la n\u00e9cessit\u00e9 croissante pour les organisations non seulement d'exploiter la puissance de l'IA, mais aussi de la g\u00e9rer avec une surveillance attentive, en compl\u00e9ment de leurs efforts en mati\u00e8re de lignage data et de gestion de la qualit\u00e9.<\/p>\n<\/div>
Si l'utilisation de l'IA g\u00e9n\u00e9rative open-source comme ChatGPT est possible pour un usage personnel, l'int\u00e9gration de l'IA dans une organisation et la g\u00e9n\u00e9ration d'une valeur r\u00e9elle pour l'entreprise est une autre paire de manches. La plupart des institutions financi\u00e8res sont engag\u00e9es dans une course effr\u00e9n\u00e9e \u00e0 la production de pilotes et de POC d'IA g\u00e9n\u00e9rative, mais elles n'engagent des fonds r\u00e9els que lorsqu'elles sont convaincues que les avantages potentiels sont fiables et que le produit convient \u00e0 la fois aux utilisateurs professionnels et aux utilisateurs techniques. De nombreuses institutions ont encore du mal \u00e0 faire \u00e9voluer ces technologies en raison de pr\u00e9occupations concernant la fiabilit\u00e9 (74%), l'adoption par les utilisateurs (60%)(1) et l'insuffisance de l'expertise technique (60%). Un cadre d'\u00e9volutivit\u00e9 de l'IA g\u00e9n\u00e9rique a \u00e9t\u00e9 \u00e9labor\u00e9 par Artefact afin de prendre en compte les dimensions essentielles de l'\u00e9volutivit\u00e9 : Pertinence des r\u00e9sultats, explicabilit\u00e9, \u00e9quit\u00e9\/pr\u00e9jug\u00e9s, latence, infrastructure, efficacit\u00e9 organisationnelle et exp\u00e9rience\/adoption par l'utilisateur.<\/p>\n<\/div>
Dans le contexte de l'IA, la lign\u00e9e data offre une valeur commerciale significative en garantissant la transparence et la fiabilit\u00e9 des d\u00e9cisions data-driven. Aujourd'hui, plus de 75% des consommateurs s'inqui\u00e8tent des informations erron\u00e9es fournies par l'IA(2). L'IA est souvent qualifi\u00e9e de \u201cbo\u00eete noire\u201d, ce qui signifie que les utilisateurs finaux ne comprennent souvent pas les rouages qui produisent les r\u00e9sultats qu'ils utilisent r\u00e9guli\u00e8rement. Les syst\u00e8mes d'IA reposant de plus en plus sur des ensembles de data vastes et complexes, il est essentiel de comprendre les origines et les transformations de ces data pour pr\u00e9server l'exactitude et la fiabilit\u00e9 des donn\u00e9es. La lign\u00e9e de Data aide les organisations \u00e0 suivre et \u00e0 valider les data qui alimentent les mod\u00e8les d'IA, ce qui est essentiel pour optimiser les performances des mod\u00e8les et r\u00e9soudre des probl\u00e8mes tels que les biais ou les erreurs. En fournissant une piste d'audit claire, le lignage data favorise \u00e9galement la conformit\u00e9 aux r\u00e9glementations et am\u00e9liore le data governance, ce qui conduit finalement \u00e0 des applications d'IA plus inform\u00e9es, plus fiables et plus \u00e9thiques qui g\u00e9n\u00e8rent de meilleurs r\u00e9sultats pour l'entreprise.<\/p>\n<\/div>
La lign\u00e9e Data en action : Comment il aurait pu stimuler le d\u00e9veloppement de l'IA dans le monde r\u00e9el<\/h2><\/div>La lign\u00e9e Data est essentielle pour r\u00e9pondre aux exigences r\u00e9glementaires et l\u00e9gales en mati\u00e8re d'IA, en particulier dans le cadre de politiques telles que la loi californienne sur la protection de la vie priv\u00e9e des consommateurs (California Consumer Privacy Act, CCPA) et la loi Gramm-Leach-Bliley (Gramm-Leach-Bliley Act, GLBA). Prenons l'exemple d'un cas d'utilisation concernant la rotation des clients au sein d'une entreprise de services financiers. Dans ce cas, le syst\u00e8me ne disposait pas de pratiques normalis\u00e9es pour rendre anonymes les informations priv\u00e9es et n'avait pas de lign\u00e9e data pour suivre les flux data. Par cons\u00e9quent, l'enrichissement de data pour masquer les d\u00e9tails sensibles a \u00e9t\u00e9 effectu\u00e9 en derni\u00e8re \u00e9tape avec une gouvernance minimale. Cette approche compromettait non seulement la confidentialit\u00e9 des donn\u00e9es data, mais exposait \u00e9galement le syst\u00e8me \u00e0 des risques de non-conformit\u00e9. Si notre organisation partenaire avait dispos\u00e9 d'une solide base de donn\u00e9es data dans Solidatus, elle aurait pu savoir o\u00f9 le data \u00e9tait utilis\u00e9, capturer les transformations data, garantir une anonymisation correcte \u00e0 chaque \u00e9tape et r\u00e9pondre plus efficacement aux exigences r\u00e9glementaires, prot\u00e9geant ainsi la vie priv\u00e9e et am\u00e9liorant le data governance.<\/p>\n<\/div>
La majorit\u00e9 des organisations (80%) ont affirm\u00e9 que leur data \u00e9tait pr\u00eate \u00e0 \u00eatre utilis\u00e9e dans l'IA, mais plus de la moiti\u00e9 (52%)(3) ont rencontr\u00e9 des probl\u00e8mes de mise en \u0153uvre en raison de la qualit\u00e9 de leur data. La lign\u00e9e de Data est essentielle pour garantir la qualit\u00e9 de data dans le d\u00e9veloppement de l'IA, car elle fournit une vision claire de la mani\u00e8re dont data est obtenue, transform\u00e9e et utilis\u00e9e. Chez Artefact, nous comprenons l'imp\u00e9ratif de pr\u00e9paration et de qualit\u00e9 de data. Nous croyons en un mod\u00e8le d'exploitation de l'IA qui d\u00e9veloppe les exigences techniques en m\u00eame temps que la pr\u00e9paration et la gouvernance de data n\u00e9cessaires au d\u00e9ploiement d'une IA fiable \u00e0 grande \u00e9chelle. Nos \u00e9quipes ont travaill\u00e9 sur un mod\u00e8le de pr\u00e9diction du risque de cr\u00e9dit qui s'appuyait sur plusieurs tables data pour \u00e9valuer le risque de l'emprunteur. L'\u00e9quipe a d\u00e9couvert des incoh\u00e9rences entre ces tables lors de ses investigations pr\u00e9liminaires, telles que des divergences dans les formats data ou des informations obsol\u00e8tes. Ces incoh\u00e9rences auraient pour effet de fausser le mod\u00e8le et de g\u00e9n\u00e9rer une \u00e9valuation inexacte du risque. En mettant en \u0153uvre le lignage de data, l'organisation pourrait retracer les origines de data, identifier les incoh\u00e9rences et s'assurer que les transformations de data s'alignent sur les normes de qualit\u00e9. Cette transparence permet de corriger les probl\u00e8mes avant qu'ils n'aient un impact sur le mod\u00e8le, ce qui permet d'obtenir des pr\u00e9visions plus fiables et plus pr\u00e9cises et de maintenir l'int\u00e9grit\u00e9 globale du syst\u00e8me d'IA.<\/p>\n<\/div>
Le lignage de Data am\u00e9liore le d\u00e9bogage, l'am\u00e9lioration et la reproductibilit\u00e9 des mod\u00e8les d'IA en offrant une vue d\u00e9taill\u00e9e du parcours de data tout au long du processus de mod\u00e9lisation. Si un mod\u00e8le produit des r\u00e9sultats inattendus, data lineage permet de retracer la data \u00e0 travers toutes les \u00e9tapes, de la collecte au pr\u00e9traitement et \u00e0 l'ing\u00e9nierie des fonctionnalit\u00e9s. Cette visibilit\u00e9 permet aux scientifiques de data d'identifier l'origine des probl\u00e8mes ou des incoh\u00e9rences, ce qui facilite un d\u00e9bogage pr\u00e9cis et des am\u00e9liorations cibl\u00e9es. En outre, l\u201c\u201dadaptation au domaine\" est une m\u00e9thode courante qui consiste \u00e0 r\u00e9utiliser des composants d'algorithmes afin de r\u00e9duire le temps et les ressources n\u00e9cessaires \u00e0 l'\u00e9laboration d'un mod\u00e8le d'IA \u00e0 partir de z\u00e9ro. Le lignage est essentiel \u00e0 cette reproductibilit\u00e9 entre les diff\u00e9rentes it\u00e9rations et exp\u00e9riences, car il fournit la documentation et l'utilisation de data pour les algorithmes.<\/p>\n<\/div>
La r\u00e9ussite de l'IA : Comment Artefact et Solidatus r\u00e9volutionnent la gestion Data des institutions financi\u00e8res<\/h2><\/div>Artefact<\/a> et Solidatus <\/a>sont des partenaires collaboratifs, unis dans leur conviction qu'une gestion efficace de data est essentielle au succ\u00e8s de l'IA. Akhilesh Kale, l'un des responsables de Artefact dans le secteur des services financiers, affirme que \u201cla lign\u00e9e data est l'\u00e9pine dorsale de la confiance dans les institutions financi\u00e8res, fournissant cette int\u00e9grit\u00e9 qui est essentielle dans un paysage aussi complexe d\u00e9fini par ses pressions r\u00e9glementaires\u201d. L'accent mis sur l'int\u00e9grit\u00e9 de data est au c\u0153ur de la mani\u00e8re dont l'expertise de Artefact en mati\u00e8re d'ex\u00e9cution de data et d'IA compl\u00e8te l'environnement structur\u00e9 de Solidatus, qui aide \u00e0 g\u00e9rer et \u00e0 stocker la lign\u00e9e grossi\u00e8re. Ensemble, ils permettent aux institutions financi\u00e8res d'am\u00e9liorer la transparence de la source data pour les mod\u00e8les d'IA. Comme le souligne Phil Yeoman, anciennement chez Cardano, \u2019avec Solidatus, notre patrimoine data est d\u00e9sormais cartographi\u00e9, mod\u00e9lis\u00e9 et catalogu\u00e9. En une seule vue, je peux montrer aux entreprises o\u00f9 r\u00e9sident leurs data, comment elles circulent dans les syst\u00e8mes et les applications, quelles r\u00e8gles de qualit\u00e9 data s'appliquent et quelles data sont soumises au GDPR.\u201c Cette int\u00e9gration transparente des outils et des services souligne le pouvoir de transformation de la lign\u00e9e data pour l'IA. Elle simplifie la mise en conformit\u00e9, garantit une qualit\u00e9 de data de premier ordre et am\u00e9liore la pr\u00e9cision des mod\u00e8les en tra\u00e7ant data de l'origine \u00e0 la destination. Cette tra\u00e7abilit\u00e9 est inestimable pour r\u00e9pondre aux normes r\u00e9glementaires, telles que la CCPA et la GLBA, tout en aidant \u00e0 identifier les incoh\u00e9rences de data qui pourraient compromettre les mod\u00e8les d'IA. En outre, Lign\u00e9e data<\/a> simplifie le d\u00e9bogage, am\u00e9liore les performances des mod\u00e8les et garantit des r\u00e9sultats coh\u00e9rents et fiables.<\/p>\n<\/div>R\u00e9f\u00e9rences<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Statistiques et tendances de l'IA pour (2024)\u201d. Universit\u00e9 nationale, 30 mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 septembre 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Dans le monde actuel du data-driven, il est plus important que jamais de comprendre le parcours du data, de son origine \u00e0 sa destination finale. Cette capacit\u00e9, appel\u00e9e lignage de data, offre une vue d'ensemble de la mani\u00e8re dont data circule dans une organisation, en d\u00e9taillant ses transformations et ses d\u00e9pendances tout au long du parcours. Le lignage de Data varie en termes de niveaux de complexit\u00e9, le \u201clignage grossier\u201d d\u00e9montrant les transformations de table \u00e0 table, et le \u201clignage fin\u201d se situant au niveau de l'attribut. Ces actifs peuvent \u00eatre cartographi\u00e9s dans des outils tels que Solidatus, fournissant une m\u00e9thode automatis\u00e9e pour cr\u00e9er une vue d'ensemble claire des sources, de la transformation et de l'utilisation de data. Chez Artefact, nos \u00e9quipes con\u00e7oivent et construisent des produits data et IA pour nos clients, jour apr\u00e8s jour, et le lignage aide nos clients \u00e0 r\u00e9pondre \u00e0 des questions telles que : \u201cQuels sont les syst\u00e8mes qui nous donnent ce solde client, car il semble inexact ?\u201d ou \u201cPourquoi mon mod\u00e8le de propension \u00e0 pr\u00eater \u00e0 mes clients donne-t-il des r\u00e9sultats diff\u00e9rents, en particulier le mercredi ?\u201d Nous suivons une m\u00e9thodologie m\u00e9ticuleusement structur\u00e9e en six \u00e9tapes pour d\u00e9ployer le lignage \u00e0 grande \u00e9chelle, en commen\u00e7ant par une \u00e9valuation compl\u00e8te du cas d'utilisation unique de l'entreprise et de sa valeur intrins\u00e8que. Ce processus aboutit \u00e0 une mise en \u0153uvre transparente, o\u00f9 la maintenance continue et l'adoption par les utilisateurs sont int\u00e9gr\u00e9es au c\u0153ur de la solution.<\/p>\n<\/div>
<\/span><\/div>Les entreprises s'appuient sur le lignage data pour plusieurs raisons essentielles, la conformit\u00e9 r\u00e9glementaire et la gestion de la qualit\u00e9 data \u00e9tant au premier plan. Dans le secteur des services financiers, un lignage data robuste est essentiel pour r\u00e9pondre \u00e0 des exigences d'audit rigoureuses et \u00e0 des principes tels que le BCBS 239, garantissant le respect des r\u00e9glementations relatives \u00e0 la gouvernance, \u00e0 l'architecture data, \u00e0 l'agr\u00e9gation des risques data, \u00e0 l'exactitude, \u00e0 l'int\u00e9grit\u00e9 et \u00e0 la fr\u00e9quence des rapports sur les risques. Par exemple, dans le cas de la banque commerciale, l'\u00e9valuation d'un flux de rapports financiers sur les pr\u00eats hypoth\u00e9caires permet \u00e0 une entreprise de retracer les origines et la consommation de donn\u00e9es sensibles.<\/p>\n<\/div>
<\/span><\/div>Au-del\u00e0 de la conformit\u00e9, le lignage de data est un outil puissant pour am\u00e9liorer la qualit\u00e9 de data, permettant aux organisations de suivre les probl\u00e8mes de data, de valider l'exactitude et de maintenir la confiance dans leurs syst\u00e8mes d'information. Cet article se penche sur les subtilit\u00e9s du lignage data, en particulier le lignage grossier, et explore les raisons pour lesquelles il est devenu la pierre angulaire des strat\u00e9gies modernes de gestion du data.<\/p>\n<\/div>
L'essor rapide de l'IA dans les services financiers : Opportunit\u00e9s, d\u00e9fis et perspectives<\/h2><\/div>S'appuyant sur l'importance de comprendre data, l'intelligence artificielle (IA) transforme le paysage des services financiers modernes, en simulant l'intelligence humaine pour effectuer des t\u00e2ches n\u00e9cessitant un apprentissage et une prise de d\u00e9cision. Les applications de l'IA sont diverses et impactantes : l'IA conversationnelle, comme les chatbots, am\u00e9liore les interactions avec les clients ; les assistants de productivit\u00e9 rationalisent les flux de travail et automatisent les t\u00e2ches ; et l'analyse automatis\u00e9e des data acc\u00e9l\u00e8re la compr\u00e9hension d'ensembles de data complexes. En ao\u00fbt 2024, la loi sur l'IA de l'Union europ\u00e9enne a introduit de nouvelles r\u00e9glementations visant \u00e0 garantir une utilisation \u00e9thique de l'IA et \u00e0 prot\u00e9ger les droits des utilisateurs, soulignant l'\u00e9volution mondiale vers une mise en \u0153uvre responsable de l'IA. Cette \u00e9volution souligne la n\u00e9cessit\u00e9 croissante pour les organisations non seulement d'exploiter la puissance de l'IA, mais aussi de la g\u00e9rer avec une surveillance attentive, en compl\u00e9ment de leurs efforts en mati\u00e8re de lignage data et de gestion de la qualit\u00e9.<\/p>\n<\/div>
Si l'utilisation de l'IA g\u00e9n\u00e9rative open-source comme ChatGPT est possible pour un usage personnel, l'int\u00e9gration de l'IA dans une organisation et la g\u00e9n\u00e9ration d'une valeur r\u00e9elle pour l'entreprise est une autre paire de manches. La plupart des institutions financi\u00e8res sont engag\u00e9es dans une course effr\u00e9n\u00e9e \u00e0 la production de pilotes et de POC d'IA g\u00e9n\u00e9rative, mais elles n'engagent des fonds r\u00e9els que lorsqu'elles sont convaincues que les avantages potentiels sont fiables et que le produit convient \u00e0 la fois aux utilisateurs professionnels et aux utilisateurs techniques. De nombreuses institutions ont encore du mal \u00e0 faire \u00e9voluer ces technologies en raison de pr\u00e9occupations concernant la fiabilit\u00e9 (74%), l'adoption par les utilisateurs (60%)(1) et l'insuffisance de l'expertise technique (60%). Un cadre d'\u00e9volutivit\u00e9 de l'IA g\u00e9n\u00e9rique a \u00e9t\u00e9 \u00e9labor\u00e9 par Artefact afin de prendre en compte les dimensions essentielles de l'\u00e9volutivit\u00e9 : Pertinence des r\u00e9sultats, explicabilit\u00e9, \u00e9quit\u00e9\/pr\u00e9jug\u00e9s, latence, infrastructure, efficacit\u00e9 organisationnelle et exp\u00e9rience\/adoption par l'utilisateur.<\/p>\n<\/div>
Dans le contexte de l'IA, la lign\u00e9e data offre une valeur commerciale significative en garantissant la transparence et la fiabilit\u00e9 des d\u00e9cisions data-driven. Aujourd'hui, plus de 75% des consommateurs s'inqui\u00e8tent des informations erron\u00e9es fournies par l'IA(2). L'IA est souvent qualifi\u00e9e de \u201cbo\u00eete noire\u201d, ce qui signifie que les utilisateurs finaux ne comprennent souvent pas les rouages qui produisent les r\u00e9sultats qu'ils utilisent r\u00e9guli\u00e8rement. Les syst\u00e8mes d'IA reposant de plus en plus sur des ensembles de data vastes et complexes, il est essentiel de comprendre les origines et les transformations de ces data pour pr\u00e9server l'exactitude et la fiabilit\u00e9 des donn\u00e9es. La lign\u00e9e de Data aide les organisations \u00e0 suivre et \u00e0 valider les data qui alimentent les mod\u00e8les d'IA, ce qui est essentiel pour optimiser les performances des mod\u00e8les et r\u00e9soudre des probl\u00e8mes tels que les biais ou les erreurs. En fournissant une piste d'audit claire, le lignage data favorise \u00e9galement la conformit\u00e9 aux r\u00e9glementations et am\u00e9liore le data governance, ce qui conduit finalement \u00e0 des applications d'IA plus inform\u00e9es, plus fiables et plus \u00e9thiques qui g\u00e9n\u00e8rent de meilleurs r\u00e9sultats pour l'entreprise.<\/p>\n<\/div>
La lign\u00e9e Data en action : Comment il aurait pu stimuler le d\u00e9veloppement de l'IA dans le monde r\u00e9el<\/h2><\/div>La lign\u00e9e Data est essentielle pour r\u00e9pondre aux exigences r\u00e9glementaires et l\u00e9gales en mati\u00e8re d'IA, en particulier dans le cadre de politiques telles que la loi californienne sur la protection de la vie priv\u00e9e des consommateurs (California Consumer Privacy Act, CCPA) et la loi Gramm-Leach-Bliley (Gramm-Leach-Bliley Act, GLBA). Prenons l'exemple d'un cas d'utilisation concernant la rotation des clients au sein d'une entreprise de services financiers. Dans ce cas, le syst\u00e8me ne disposait pas de pratiques normalis\u00e9es pour rendre anonymes les informations priv\u00e9es et n'avait pas de lign\u00e9e data pour suivre les flux data. Par cons\u00e9quent, l'enrichissement de data pour masquer les d\u00e9tails sensibles a \u00e9t\u00e9 effectu\u00e9 en derni\u00e8re \u00e9tape avec une gouvernance minimale. Cette approche compromettait non seulement la confidentialit\u00e9 des donn\u00e9es data, mais exposait \u00e9galement le syst\u00e8me \u00e0 des risques de non-conformit\u00e9. Si notre organisation partenaire avait dispos\u00e9 d'une solide base de donn\u00e9es data dans Solidatus, elle aurait pu savoir o\u00f9 le data \u00e9tait utilis\u00e9, capturer les transformations data, garantir une anonymisation correcte \u00e0 chaque \u00e9tape et r\u00e9pondre plus efficacement aux exigences r\u00e9glementaires, prot\u00e9geant ainsi la vie priv\u00e9e et am\u00e9liorant le data governance.<\/p>\n<\/div>
La majorit\u00e9 des organisations (80%) ont affirm\u00e9 que leur data \u00e9tait pr\u00eate \u00e0 \u00eatre utilis\u00e9e dans l'IA, mais plus de la moiti\u00e9 (52%)(3) ont rencontr\u00e9 des probl\u00e8mes de mise en \u0153uvre en raison de la qualit\u00e9 de leur data. La lign\u00e9e de Data est essentielle pour garantir la qualit\u00e9 de data dans le d\u00e9veloppement de l'IA, car elle fournit une vision claire de la mani\u00e8re dont data est obtenue, transform\u00e9e et utilis\u00e9e. Chez Artefact, nous comprenons l'imp\u00e9ratif de pr\u00e9paration et de qualit\u00e9 de data. Nous croyons en un mod\u00e8le d'exploitation de l'IA qui d\u00e9veloppe les exigences techniques en m\u00eame temps que la pr\u00e9paration et la gouvernance de data n\u00e9cessaires au d\u00e9ploiement d'une IA fiable \u00e0 grande \u00e9chelle. Nos \u00e9quipes ont travaill\u00e9 sur un mod\u00e8le de pr\u00e9diction du risque de cr\u00e9dit qui s'appuyait sur plusieurs tables data pour \u00e9valuer le risque de l'emprunteur. L'\u00e9quipe a d\u00e9couvert des incoh\u00e9rences entre ces tables lors de ses investigations pr\u00e9liminaires, telles que des divergences dans les formats data ou des informations obsol\u00e8tes. Ces incoh\u00e9rences auraient pour effet de fausser le mod\u00e8le et de g\u00e9n\u00e9rer une \u00e9valuation inexacte du risque. En mettant en \u0153uvre le lignage de data, l'organisation pourrait retracer les origines de data, identifier les incoh\u00e9rences et s'assurer que les transformations de data s'alignent sur les normes de qualit\u00e9. Cette transparence permet de corriger les probl\u00e8mes avant qu'ils n'aient un impact sur le mod\u00e8le, ce qui permet d'obtenir des pr\u00e9visions plus fiables et plus pr\u00e9cises et de maintenir l'int\u00e9grit\u00e9 globale du syst\u00e8me d'IA.<\/p>\n<\/div>
Le lignage de Data am\u00e9liore le d\u00e9bogage, l'am\u00e9lioration et la reproductibilit\u00e9 des mod\u00e8les d'IA en offrant une vue d\u00e9taill\u00e9e du parcours de data tout au long du processus de mod\u00e9lisation. Si un mod\u00e8le produit des r\u00e9sultats inattendus, data lineage permet de retracer la data \u00e0 travers toutes les \u00e9tapes, de la collecte au pr\u00e9traitement et \u00e0 l'ing\u00e9nierie des fonctionnalit\u00e9s. Cette visibilit\u00e9 permet aux scientifiques de data d'identifier l'origine des probl\u00e8mes ou des incoh\u00e9rences, ce qui facilite un d\u00e9bogage pr\u00e9cis et des am\u00e9liorations cibl\u00e9es. En outre, l\u201c\u201dadaptation au domaine\" est une m\u00e9thode courante qui consiste \u00e0 r\u00e9utiliser des composants d'algorithmes afin de r\u00e9duire le temps et les ressources n\u00e9cessaires \u00e0 l'\u00e9laboration d'un mod\u00e8le d'IA \u00e0 partir de z\u00e9ro. Le lignage est essentiel \u00e0 cette reproductibilit\u00e9 entre les diff\u00e9rentes it\u00e9rations et exp\u00e9riences, car il fournit la documentation et l'utilisation de data pour les algorithmes.<\/p>\n<\/div>
La r\u00e9ussite de l'IA : Comment Artefact et Solidatus r\u00e9volutionnent la gestion Data des institutions financi\u00e8res<\/h2><\/div>Artefact<\/a> et Solidatus <\/a>sont des partenaires collaboratifs, unis dans leur conviction qu'une gestion efficace de data est essentielle au succ\u00e8s de l'IA. Akhilesh Kale, l'un des responsables de Artefact dans le secteur des services financiers, affirme que \u201cla lign\u00e9e data est l'\u00e9pine dorsale de la confiance dans les institutions financi\u00e8res, fournissant cette int\u00e9grit\u00e9 qui est essentielle dans un paysage aussi complexe d\u00e9fini par ses pressions r\u00e9glementaires\u201d. L'accent mis sur l'int\u00e9grit\u00e9 de data est au c\u0153ur de la mani\u00e8re dont l'expertise de Artefact en mati\u00e8re d'ex\u00e9cution de data et d'IA compl\u00e8te l'environnement structur\u00e9 de Solidatus, qui aide \u00e0 g\u00e9rer et \u00e0 stocker la lign\u00e9e grossi\u00e8re. Ensemble, ils permettent aux institutions financi\u00e8res d'am\u00e9liorer la transparence de la source data pour les mod\u00e8les d'IA. Comme le souligne Phil Yeoman, anciennement chez Cardano, \u2019avec Solidatus, notre patrimoine data est d\u00e9sormais cartographi\u00e9, mod\u00e9lis\u00e9 et catalogu\u00e9. En une seule vue, je peux montrer aux entreprises o\u00f9 r\u00e9sident leurs data, comment elles circulent dans les syst\u00e8mes et les applications, quelles r\u00e8gles de qualit\u00e9 data s'appliquent et quelles data sont soumises au GDPR.\u201c Cette int\u00e9gration transparente des outils et des services souligne le pouvoir de transformation de la lign\u00e9e data pour l'IA. Elle simplifie la mise en conformit\u00e9, garantit une qualit\u00e9 de data de premier ordre et am\u00e9liore la pr\u00e9cision des mod\u00e8les en tra\u00e7ant data de l'origine \u00e0 la destination. Cette tra\u00e7abilit\u00e9 est inestimable pour r\u00e9pondre aux normes r\u00e9glementaires, telles que la CCPA et la GLBA, tout en aidant \u00e0 identifier les incoh\u00e9rences de data qui pourraient compromettre les mod\u00e8les d'IA. En outre, Lign\u00e9e data<\/a> simplifie le d\u00e9bogage, am\u00e9liore les performances des mod\u00e8les et garantit des r\u00e9sultats coh\u00e9rents et fiables.<\/p>\n<\/div>R\u00e9f\u00e9rences<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Statistiques et tendances de l'IA pour (2024)\u201d. Universit\u00e9 nationale, 30 mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 septembre 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
S'appuyant sur l'importance de comprendre data, l'intelligence artificielle (IA) transforme le paysage des services financiers modernes, en simulant l'intelligence humaine pour effectuer des t\u00e2ches n\u00e9cessitant un apprentissage et une prise de d\u00e9cision. Les applications de l'IA sont diverses et impactantes : l'IA conversationnelle, comme les chatbots, am\u00e9liore les interactions avec les clients ; les assistants de productivit\u00e9 rationalisent les flux de travail et automatisent les t\u00e2ches ; et l'analyse automatis\u00e9e des data acc\u00e9l\u00e8re la compr\u00e9hension d'ensembles de data complexes. En ao\u00fbt 2024, la loi sur l'IA de l'Union europ\u00e9enne a introduit de nouvelles r\u00e9glementations visant \u00e0 garantir une utilisation \u00e9thique de l'IA et \u00e0 prot\u00e9ger les droits des utilisateurs, soulignant l'\u00e9volution mondiale vers une mise en \u0153uvre responsable de l'IA. Cette \u00e9volution souligne la n\u00e9cessit\u00e9 croissante pour les organisations non seulement d'exploiter la puissance de l'IA, mais aussi de la g\u00e9rer avec une surveillance attentive, en compl\u00e9ment de leurs efforts en mati\u00e8re de lignage data et de gestion de la qualit\u00e9.<\/p>\n<\/div>
Si l'utilisation de l'IA g\u00e9n\u00e9rative open-source comme ChatGPT est possible pour un usage personnel, l'int\u00e9gration de l'IA dans une organisation et la g\u00e9n\u00e9ration d'une valeur r\u00e9elle pour l'entreprise est une autre paire de manches. La plupart des institutions financi\u00e8res sont engag\u00e9es dans une course effr\u00e9n\u00e9e \u00e0 la production de pilotes et de POC d'IA g\u00e9n\u00e9rative, mais elles n'engagent des fonds r\u00e9els que lorsqu'elles sont convaincues que les avantages potentiels sont fiables et que le produit convient \u00e0 la fois aux utilisateurs professionnels et aux utilisateurs techniques. De nombreuses institutions ont encore du mal \u00e0 faire \u00e9voluer ces technologies en raison de pr\u00e9occupations concernant la fiabilit\u00e9 (74%), l'adoption par les utilisateurs (60%)(1) et l'insuffisance de l'expertise technique (60%). Un cadre d'\u00e9volutivit\u00e9 de l'IA g\u00e9n\u00e9rique a \u00e9t\u00e9 \u00e9labor\u00e9 par Artefact afin de prendre en compte les dimensions essentielles de l'\u00e9volutivit\u00e9 : Pertinence des r\u00e9sultats, explicabilit\u00e9, \u00e9quit\u00e9\/pr\u00e9jug\u00e9s, latence, infrastructure, efficacit\u00e9 organisationnelle et exp\u00e9rience\/adoption par l'utilisateur.<\/p>\n<\/div>
Dans le contexte de l'IA, la lign\u00e9e data offre une valeur commerciale significative en garantissant la transparence et la fiabilit\u00e9 des d\u00e9cisions data-driven. Aujourd'hui, plus de 75% des consommateurs s'inqui\u00e8tent des informations erron\u00e9es fournies par l'IA(2). L'IA est souvent qualifi\u00e9e de \u201cbo\u00eete noire\u201d, ce qui signifie que les utilisateurs finaux ne comprennent souvent pas les rouages qui produisent les r\u00e9sultats qu'ils utilisent r\u00e9guli\u00e8rement. Les syst\u00e8mes d'IA reposant de plus en plus sur des ensembles de data vastes et complexes, il est essentiel de comprendre les origines et les transformations de ces data pour pr\u00e9server l'exactitude et la fiabilit\u00e9 des donn\u00e9es. La lign\u00e9e de Data aide les organisations \u00e0 suivre et \u00e0 valider les data qui alimentent les mod\u00e8les d'IA, ce qui est essentiel pour optimiser les performances des mod\u00e8les et r\u00e9soudre des probl\u00e8mes tels que les biais ou les erreurs. En fournissant une piste d'audit claire, le lignage data favorise \u00e9galement la conformit\u00e9 aux r\u00e9glementations et am\u00e9liore le data governance, ce qui conduit finalement \u00e0 des applications d'IA plus inform\u00e9es, plus fiables et plus \u00e9thiques qui g\u00e9n\u00e8rent de meilleurs r\u00e9sultats pour l'entreprise.<\/p>\n<\/div>
La lign\u00e9e Data en action : Comment il aurait pu stimuler le d\u00e9veloppement de l'IA dans le monde r\u00e9el<\/h2><\/div>La lign\u00e9e Data est essentielle pour r\u00e9pondre aux exigences r\u00e9glementaires et l\u00e9gales en mati\u00e8re d'IA, en particulier dans le cadre de politiques telles que la loi californienne sur la protection de la vie priv\u00e9e des consommateurs (California Consumer Privacy Act, CCPA) et la loi Gramm-Leach-Bliley (Gramm-Leach-Bliley Act, GLBA). Prenons l'exemple d'un cas d'utilisation concernant la rotation des clients au sein d'une entreprise de services financiers. Dans ce cas, le syst\u00e8me ne disposait pas de pratiques normalis\u00e9es pour rendre anonymes les informations priv\u00e9es et n'avait pas de lign\u00e9e data pour suivre les flux data. Par cons\u00e9quent, l'enrichissement de data pour masquer les d\u00e9tails sensibles a \u00e9t\u00e9 effectu\u00e9 en derni\u00e8re \u00e9tape avec une gouvernance minimale. Cette approche compromettait non seulement la confidentialit\u00e9 des donn\u00e9es data, mais exposait \u00e9galement le syst\u00e8me \u00e0 des risques de non-conformit\u00e9. Si notre organisation partenaire avait dispos\u00e9 d'une solide base de donn\u00e9es data dans Solidatus, elle aurait pu savoir o\u00f9 le data \u00e9tait utilis\u00e9, capturer les transformations data, garantir une anonymisation correcte \u00e0 chaque \u00e9tape et r\u00e9pondre plus efficacement aux exigences r\u00e9glementaires, prot\u00e9geant ainsi la vie priv\u00e9e et am\u00e9liorant le data governance.<\/p>\n<\/div>
La majorit\u00e9 des organisations (80%) ont affirm\u00e9 que leur data \u00e9tait pr\u00eate \u00e0 \u00eatre utilis\u00e9e dans l'IA, mais plus de la moiti\u00e9 (52%)(3) ont rencontr\u00e9 des probl\u00e8mes de mise en \u0153uvre en raison de la qualit\u00e9 de leur data. La lign\u00e9e de Data est essentielle pour garantir la qualit\u00e9 de data dans le d\u00e9veloppement de l'IA, car elle fournit une vision claire de la mani\u00e8re dont data est obtenue, transform\u00e9e et utilis\u00e9e. Chez Artefact, nous comprenons l'imp\u00e9ratif de pr\u00e9paration et de qualit\u00e9 de data. Nous croyons en un mod\u00e8le d'exploitation de l'IA qui d\u00e9veloppe les exigences techniques en m\u00eame temps que la pr\u00e9paration et la gouvernance de data n\u00e9cessaires au d\u00e9ploiement d'une IA fiable \u00e0 grande \u00e9chelle. Nos \u00e9quipes ont travaill\u00e9 sur un mod\u00e8le de pr\u00e9diction du risque de cr\u00e9dit qui s'appuyait sur plusieurs tables data pour \u00e9valuer le risque de l'emprunteur. L'\u00e9quipe a d\u00e9couvert des incoh\u00e9rences entre ces tables lors de ses investigations pr\u00e9liminaires, telles que des divergences dans les formats data ou des informations obsol\u00e8tes. Ces incoh\u00e9rences auraient pour effet de fausser le mod\u00e8le et de g\u00e9n\u00e9rer une \u00e9valuation inexacte du risque. En mettant en \u0153uvre le lignage de data, l'organisation pourrait retracer les origines de data, identifier les incoh\u00e9rences et s'assurer que les transformations de data s'alignent sur les normes de qualit\u00e9. Cette transparence permet de corriger les probl\u00e8mes avant qu'ils n'aient un impact sur le mod\u00e8le, ce qui permet d'obtenir des pr\u00e9visions plus fiables et plus pr\u00e9cises et de maintenir l'int\u00e9grit\u00e9 globale du syst\u00e8me d'IA.<\/p>\n<\/div>
Le lignage de Data am\u00e9liore le d\u00e9bogage, l'am\u00e9lioration et la reproductibilit\u00e9 des mod\u00e8les d'IA en offrant une vue d\u00e9taill\u00e9e du parcours de data tout au long du processus de mod\u00e9lisation. Si un mod\u00e8le produit des r\u00e9sultats inattendus, data lineage permet de retracer la data \u00e0 travers toutes les \u00e9tapes, de la collecte au pr\u00e9traitement et \u00e0 l'ing\u00e9nierie des fonctionnalit\u00e9s. Cette visibilit\u00e9 permet aux scientifiques de data d'identifier l'origine des probl\u00e8mes ou des incoh\u00e9rences, ce qui facilite un d\u00e9bogage pr\u00e9cis et des am\u00e9liorations cibl\u00e9es. En outre, l\u201c\u201dadaptation au domaine\" est une m\u00e9thode courante qui consiste \u00e0 r\u00e9utiliser des composants d'algorithmes afin de r\u00e9duire le temps et les ressources n\u00e9cessaires \u00e0 l'\u00e9laboration d'un mod\u00e8le d'IA \u00e0 partir de z\u00e9ro. Le lignage est essentiel \u00e0 cette reproductibilit\u00e9 entre les diff\u00e9rentes it\u00e9rations et exp\u00e9riences, car il fournit la documentation et l'utilisation de data pour les algorithmes.<\/p>\n<\/div>
La r\u00e9ussite de l'IA : Comment Artefact et Solidatus r\u00e9volutionnent la gestion Data des institutions financi\u00e8res<\/h2><\/div>Artefact<\/a> et Solidatus <\/a>sont des partenaires collaboratifs, unis dans leur conviction qu'une gestion efficace de data est essentielle au succ\u00e8s de l'IA. Akhilesh Kale, l'un des responsables de Artefact dans le secteur des services financiers, affirme que \u201cla lign\u00e9e data est l'\u00e9pine dorsale de la confiance dans les institutions financi\u00e8res, fournissant cette int\u00e9grit\u00e9 qui est essentielle dans un paysage aussi complexe d\u00e9fini par ses pressions r\u00e9glementaires\u201d. L'accent mis sur l'int\u00e9grit\u00e9 de data est au c\u0153ur de la mani\u00e8re dont l'expertise de Artefact en mati\u00e8re d'ex\u00e9cution de data et d'IA compl\u00e8te l'environnement structur\u00e9 de Solidatus, qui aide \u00e0 g\u00e9rer et \u00e0 stocker la lign\u00e9e grossi\u00e8re. Ensemble, ils permettent aux institutions financi\u00e8res d'am\u00e9liorer la transparence de la source data pour les mod\u00e8les d'IA. Comme le souligne Phil Yeoman, anciennement chez Cardano, \u2019avec Solidatus, notre patrimoine data est d\u00e9sormais cartographi\u00e9, mod\u00e9lis\u00e9 et catalogu\u00e9. En une seule vue, je peux montrer aux entreprises o\u00f9 r\u00e9sident leurs data, comment elles circulent dans les syst\u00e8mes et les applications, quelles r\u00e8gles de qualit\u00e9 data s'appliquent et quelles data sont soumises au GDPR.\u201c Cette int\u00e9gration transparente des outils et des services souligne le pouvoir de transformation de la lign\u00e9e data pour l'IA. Elle simplifie la mise en conformit\u00e9, garantit une qualit\u00e9 de data de premier ordre et am\u00e9liore la pr\u00e9cision des mod\u00e8les en tra\u00e7ant data de l'origine \u00e0 la destination. Cette tra\u00e7abilit\u00e9 est inestimable pour r\u00e9pondre aux normes r\u00e9glementaires, telles que la CCPA et la GLBA, tout en aidant \u00e0 identifier les incoh\u00e9rences de data qui pourraient compromettre les mod\u00e8les d'IA. En outre, Lign\u00e9e data<\/a> simplifie le d\u00e9bogage, am\u00e9liore les performances des mod\u00e8les et garantit des r\u00e9sultats coh\u00e9rents et fiables.<\/p>\n<\/div>R\u00e9f\u00e9rences<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Statistiques et tendances de l'IA pour (2024)\u201d. Universit\u00e9 nationale, 30 mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 septembre 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
La lign\u00e9e Data est essentielle pour r\u00e9pondre aux exigences r\u00e9glementaires et l\u00e9gales en mati\u00e8re d'IA, en particulier dans le cadre de politiques telles que la loi californienne sur la protection de la vie priv\u00e9e des consommateurs (California Consumer Privacy Act, CCPA) et la loi Gramm-Leach-Bliley (Gramm-Leach-Bliley Act, GLBA). Prenons l'exemple d'un cas d'utilisation concernant la rotation des clients au sein d'une entreprise de services financiers. Dans ce cas, le syst\u00e8me ne disposait pas de pratiques normalis\u00e9es pour rendre anonymes les informations priv\u00e9es et n'avait pas de lign\u00e9e data pour suivre les flux data. Par cons\u00e9quent, l'enrichissement de data pour masquer les d\u00e9tails sensibles a \u00e9t\u00e9 effectu\u00e9 en derni\u00e8re \u00e9tape avec une gouvernance minimale. Cette approche compromettait non seulement la confidentialit\u00e9 des donn\u00e9es data, mais exposait \u00e9galement le syst\u00e8me \u00e0 des risques de non-conformit\u00e9. Si notre organisation partenaire avait dispos\u00e9 d'une solide base de donn\u00e9es data dans Solidatus, elle aurait pu savoir o\u00f9 le data \u00e9tait utilis\u00e9, capturer les transformations data, garantir une anonymisation correcte \u00e0 chaque \u00e9tape et r\u00e9pondre plus efficacement aux exigences r\u00e9glementaires, prot\u00e9geant ainsi la vie priv\u00e9e et am\u00e9liorant le data governance.<\/p>\n<\/div>
La majorit\u00e9 des organisations (80%) ont affirm\u00e9 que leur data \u00e9tait pr\u00eate \u00e0 \u00eatre utilis\u00e9e dans l'IA, mais plus de la moiti\u00e9 (52%)(3) ont rencontr\u00e9 des probl\u00e8mes de mise en \u0153uvre en raison de la qualit\u00e9 de leur data. La lign\u00e9e de Data est essentielle pour garantir la qualit\u00e9 de data dans le d\u00e9veloppement de l'IA, car elle fournit une vision claire de la mani\u00e8re dont data est obtenue, transform\u00e9e et utilis\u00e9e. Chez Artefact, nous comprenons l'imp\u00e9ratif de pr\u00e9paration et de qualit\u00e9 de data. Nous croyons en un mod\u00e8le d'exploitation de l'IA qui d\u00e9veloppe les exigences techniques en m\u00eame temps que la pr\u00e9paration et la gouvernance de data n\u00e9cessaires au d\u00e9ploiement d'une IA fiable \u00e0 grande \u00e9chelle. Nos \u00e9quipes ont travaill\u00e9 sur un mod\u00e8le de pr\u00e9diction du risque de cr\u00e9dit qui s'appuyait sur plusieurs tables data pour \u00e9valuer le risque de l'emprunteur. L'\u00e9quipe a d\u00e9couvert des incoh\u00e9rences entre ces tables lors de ses investigations pr\u00e9liminaires, telles que des divergences dans les formats data ou des informations obsol\u00e8tes. Ces incoh\u00e9rences auraient pour effet de fausser le mod\u00e8le et de g\u00e9n\u00e9rer une \u00e9valuation inexacte du risque. En mettant en \u0153uvre le lignage de data, l'organisation pourrait retracer les origines de data, identifier les incoh\u00e9rences et s'assurer que les transformations de data s'alignent sur les normes de qualit\u00e9. Cette transparence permet de corriger les probl\u00e8mes avant qu'ils n'aient un impact sur le mod\u00e8le, ce qui permet d'obtenir des pr\u00e9visions plus fiables et plus pr\u00e9cises et de maintenir l'int\u00e9grit\u00e9 globale du syst\u00e8me d'IA.<\/p>\n<\/div>
Le lignage de Data am\u00e9liore le d\u00e9bogage, l'am\u00e9lioration et la reproductibilit\u00e9 des mod\u00e8les d'IA en offrant une vue d\u00e9taill\u00e9e du parcours de data tout au long du processus de mod\u00e9lisation. Si un mod\u00e8le produit des r\u00e9sultats inattendus, data lineage permet de retracer la data \u00e0 travers toutes les \u00e9tapes, de la collecte au pr\u00e9traitement et \u00e0 l'ing\u00e9nierie des fonctionnalit\u00e9s. Cette visibilit\u00e9 permet aux scientifiques de data d'identifier l'origine des probl\u00e8mes ou des incoh\u00e9rences, ce qui facilite un d\u00e9bogage pr\u00e9cis et des am\u00e9liorations cibl\u00e9es. En outre, l\u201c\u201dadaptation au domaine\" est une m\u00e9thode courante qui consiste \u00e0 r\u00e9utiliser des composants d'algorithmes afin de r\u00e9duire le temps et les ressources n\u00e9cessaires \u00e0 l'\u00e9laboration d'un mod\u00e8le d'IA \u00e0 partir de z\u00e9ro. Le lignage est essentiel \u00e0 cette reproductibilit\u00e9 entre les diff\u00e9rentes it\u00e9rations et exp\u00e9riences, car il fournit la documentation et l'utilisation de data pour les algorithmes.<\/p>\n<\/div>
La r\u00e9ussite de l'IA : Comment Artefact et Solidatus r\u00e9volutionnent la gestion Data des institutions financi\u00e8res<\/h2><\/div>Artefact<\/a> et Solidatus <\/a>sont des partenaires collaboratifs, unis dans leur conviction qu'une gestion efficace de data est essentielle au succ\u00e8s de l'IA. Akhilesh Kale, l'un des responsables de Artefact dans le secteur des services financiers, affirme que \u201cla lign\u00e9e data est l'\u00e9pine dorsale de la confiance dans les institutions financi\u00e8res, fournissant cette int\u00e9grit\u00e9 qui est essentielle dans un paysage aussi complexe d\u00e9fini par ses pressions r\u00e9glementaires\u201d. L'accent mis sur l'int\u00e9grit\u00e9 de data est au c\u0153ur de la mani\u00e8re dont l'expertise de Artefact en mati\u00e8re d'ex\u00e9cution de data et d'IA compl\u00e8te l'environnement structur\u00e9 de Solidatus, qui aide \u00e0 g\u00e9rer et \u00e0 stocker la lign\u00e9e grossi\u00e8re. Ensemble, ils permettent aux institutions financi\u00e8res d'am\u00e9liorer la transparence de la source data pour les mod\u00e8les d'IA. Comme le souligne Phil Yeoman, anciennement chez Cardano, \u2019avec Solidatus, notre patrimoine data est d\u00e9sormais cartographi\u00e9, mod\u00e9lis\u00e9 et catalogu\u00e9. En une seule vue, je peux montrer aux entreprises o\u00f9 r\u00e9sident leurs data, comment elles circulent dans les syst\u00e8mes et les applications, quelles r\u00e8gles de qualit\u00e9 data s'appliquent et quelles data sont soumises au GDPR.\u201c Cette int\u00e9gration transparente des outils et des services souligne le pouvoir de transformation de la lign\u00e9e data pour l'IA. Elle simplifie la mise en conformit\u00e9, garantit une qualit\u00e9 de data de premier ordre et am\u00e9liore la pr\u00e9cision des mod\u00e8les en tra\u00e7ant data de l'origine \u00e0 la destination. Cette tra\u00e7abilit\u00e9 est inestimable pour r\u00e9pondre aux normes r\u00e9glementaires, telles que la CCPA et la GLBA, tout en aidant \u00e0 identifier les incoh\u00e9rences de data qui pourraient compromettre les mod\u00e8les d'IA. En outre, Lign\u00e9e data<\/a> simplifie le d\u00e9bogage, am\u00e9liore les performances des mod\u00e8les et garantit des r\u00e9sultats coh\u00e9rents et fiables.<\/p>\n<\/div>R\u00e9f\u00e9rences<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Statistiques et tendances de l'IA pour (2024)\u201d. Universit\u00e9 nationale, 30 mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 septembre 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Artefact<\/a> et Solidatus <\/a>sont des partenaires collaboratifs, unis dans leur conviction qu'une gestion efficace de data est essentielle au succ\u00e8s de l'IA. Akhilesh Kale, l'un des responsables de Artefact dans le secteur des services financiers, affirme que \u201cla lign\u00e9e data est l'\u00e9pine dorsale de la confiance dans les institutions financi\u00e8res, fournissant cette int\u00e9grit\u00e9 qui est essentielle dans un paysage aussi complexe d\u00e9fini par ses pressions r\u00e9glementaires\u201d. L'accent mis sur l'int\u00e9grit\u00e9 de data est au c\u0153ur de la mani\u00e8re dont l'expertise de Artefact en mati\u00e8re d'ex\u00e9cution de data et d'IA compl\u00e8te l'environnement structur\u00e9 de Solidatus, qui aide \u00e0 g\u00e9rer et \u00e0 stocker la lign\u00e9e grossi\u00e8re. Ensemble, ils permettent aux institutions financi\u00e8res d'am\u00e9liorer la transparence de la source data pour les mod\u00e8les d'IA. Comme le souligne Phil Yeoman, anciennement chez Cardano, \u2019avec Solidatus, notre patrimoine data est d\u00e9sormais cartographi\u00e9, mod\u00e9lis\u00e9 et catalogu\u00e9. En une seule vue, je peux montrer aux entreprises o\u00f9 r\u00e9sident leurs data, comment elles circulent dans les syst\u00e8mes et les applications, quelles r\u00e8gles de qualit\u00e9 data s'appliquent et quelles data sont soumises au GDPR.\u201c Cette int\u00e9gration transparente des outils et des services souligne le pouvoir de transformation de la lign\u00e9e data pour l'IA. Elle simplifie la mise en conformit\u00e9, garantit une qualit\u00e9 de data de premier ordre et am\u00e9liore la pr\u00e9cision des mod\u00e8les en tra\u00e7ant data de l'origine \u00e0 la destination. Cette tra\u00e7abilit\u00e9 est inestimable pour r\u00e9pondre aux normes r\u00e9glementaires, telles que la CCPA et la GLBA, tout en aidant \u00e0 identifier les incoh\u00e9rences de data qui pourraient compromettre les mod\u00e8les d'IA. En outre, Lign\u00e9e data<\/a> simplifie le d\u00e9bogage, am\u00e9liore les performances des mod\u00e8les et garantit des r\u00e9sultats coh\u00e9rents et fiables.<\/p>\n<\/div> (1) Prestianni, Timothy. \u201c131 Statistiques et tendances de l'IA pour (2024)\u201d. Universit\u00e9 nationale, 30 mai 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n (2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 septembre 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\nR\u00e9f\u00e9rences<\/h2><\/div>