{"id":5606,"date":"2019-06-03T16:21:28","date_gmt":"2019-06-03T15:21:28","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5606"},"modified":"2024-09-20T17:45:03","modified_gmt":"2024-09-20T16:45:03","slug":"the-benefits-of-an-in-house-ai-factory","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/fr\/blog\/the-benefits-of-an-in-house-ai-factory\/","title":{"rendered":"Les avantages d'une usine d'IA interne"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

ACTUALIT\u00c9S \/ TECHNOLOGIE DE L'AI<\/p>\n<\/div>

La compr\u00e9hension et l'exp\u00e9rience croissantes de artificial intelligence par les organisations peuvent sembler contradictoires compte tenu de l'absence de mise en \u0153uvre significative de l'IA dans la plupart des entreprises.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

La compr\u00e9hension et l'exp\u00e9rience croissantes de artificial intelligence par les organisations peuvent sembler contradictoires compte tenu de l'absence de mise en \u0153uvre significative de l'IA dans la plupart des entreprises. <\/b><\/p>\n

Dans cet article, nous examinerons \u00e0 la fois les raisons sous-jacentes de cette dichotomie et les conditions requises pour r\u00e9ussir.<\/b><\/p>\n

Les organisations qui mettent en \u0153uvre avec succ\u00e8s les technologies de l'IA voient \u00e9merger de nouveaux mod\u00e8les, notamment sous la forme d'une \u201cusine \u00e0 IA\u201d, combinaison de talents, de m\u00e9thodes et de technologies au service de l'ensemble de l'entreprise.<\/span><\/p>\n

L'innovation dans les technologies naissantes suit invariablement le \u201cHype Cycle\u201d de Gartner, qui identifie cinq \u00e9tapes du cycle de vie qui se chevauchent :<\/span><\/p>\n

    \n
  1. D\u00e9clencheur d'innovation<\/b>: \u00c0 ce stade, une technologie potentielle d\u00e9marre. Il peut y avoir des prototypes et beaucoup d'int\u00e9r\u00eat et de publicit\u00e9 de la part des m\u00e9dias, mais souvent il n'y a pas de produits commercialement viables disponibles.<\/span><\/li>\n
  2. Le pic des attentes exag\u00e9r\u00e9es<\/b>: \u00c0 ce stade, la technologie est mise en \u0153uvre ; elle produit un certain nombre de r\u00e9ussites, mais beaucoup plus d'\u00e9checs. Certaines entreprises adoptent la technologie, d'autres non.<\/span><\/li>\n
  3. Le creux de la d\u00e9sillusion<\/b>: L'int\u00e9r\u00eat commence \u00e0 s'estomper au fur et \u00e0 mesure que les d\u00e9fauts et les \u00e9checs sont r\u00e9v\u00e9l\u00e9s. Certains producteurs de la technologie abandonnent la course. Les investissements ne se poursuivent que si les fournisseurs survivants am\u00e9liorent leurs produits \u00e0 la satisfaction des utilisateurs.<\/span><\/li>\n
  4. La pente de l'illumination<\/b>: Les avantages de la technologie pour les entreprises sont de plus en plus \u00e9vidents. Un plus grand nombre d'entreprises la testent ; certaines entreprises fabriquent des produits de deuxi\u00e8me et troisi\u00e8me g\u00e9n\u00e9ration.<\/span><\/li>\n
  5. Plateau de productivit\u00e9<\/b>: La technologie est largement mise en \u0153uvre. Ses applications commerciales deviennent claires et l'adoption \u00e0 forte croissance commence.<\/span><\/li>\n<\/ol>\n

    Comme le montre le cycle, chaque phase de succ\u00e8s concret est pr\u00e9c\u00e9d\u00e9e d'une phase de d\u00e9sillusion. Trop de complications peuvent entraver la r\u00e9ussite de ces projets. L'enjeu de relever le d\u00e9fi de la <\/span>Intelligence artificielle<\/span> sont \u00e9lev\u00e9s : selon Accenture, les entreprises qui font bon usage de artificial intelligence pourraient voir leur rentabilit\u00e9 augmenter de plus de 30% ! \u00c0 cela s'ajoutent de nouvelles sources potentielles de revenus, qui peuvent r\u00e9sulter d'une exp\u00e9rience client am\u00e9lior\u00e9e ou d'un avantage concurrentiel accru.<\/span><\/p>\n

    Qu'est-ce que l'IA ? Quelle valeur peut-elle apporter aux entreprises ?<\/span><\/h3>\n

    L'IA, qui n'en est qu'\u00e0 ses d\u00e9buts, est un ensemble de sciences tr\u00e8s th\u00e9oriques ; elle doit cependant \u00eatre envisag\u00e9e par les entreprises dans une optique de r\u00e9duction des co\u00fbts, et non \u00e0 travers le prisme de l'innovation (syndrome du \u201cdernier mot \u00e0 la mode\u201d). Comment les entreprises peuvent-elles tirer une valeur r\u00e9elle de ces exp\u00e9riences d'IA ? Comment r\u00e9ussir \u00e0 \u201cpasser \u00e0 l'\u00e9chelle\u201d ? Notre r\u00e9ponse passe par de nouveaux cadres organisationnels o\u00f9 l'on parle d\u201c\u201dusines \u00e0 IA\".<\/span><\/p>\n

    Aujourd'hui, de plus en plus d'algorithmes et de \u201cproduits d'intelligence\u201d se retrouvent sur les \u00e9tag\u00e8res. Du moins aux niveaux inf\u00e9rieurs. Les premiers partenaires europ\u00e9ens du Cloud, Amazon (AWS), Microsoft (Azure), Google (GCP) et IBM, proposent tous diff\u00e9rents niveaux d'abstraction qui permettent aux entreprises de \u201cproduire\u201d de l'IA en interne (Google a r\u00e9cemment lanc\u00e9 un nouveau service universel manag\u00e9 appel\u00e9 Anthos) ; ces solutions fonctionnent un peu comme les kits de chimie avec lesquels nous jouions lorsque nous \u00e9tions enfants. Elles proposent un acc\u00e8s simple \u00e0 des infrastructures sp\u00e9cifiquement con\u00e7ues pour r\u00e9pondre aux besoins de l'entreprise. <\/span>apprentissage automatique<\/span> comme les TPU de Google, qui sont des services g\u00e9r\u00e9s permettant de concentrer les \u00e9quipes sur des applications donn\u00e9es.<\/span><\/p>\n

    Vous trouverez \u00e9galement de nombreux\u00a0<\/span>source ouverte<\/span>\u00a0(scikit-learn, TensorFlow, Pytorch) ainsi que des API propri\u00e9taires (reconnaissance d'image, de texte et de voix). Mais des probl\u00e8mes peuvent survenir apr\u00e8s les premiers succ\u00e8s, car seule une petite partie de ces tests aboutit en mode production, ce qui g\u00e9n\u00e8re non seulement de la frustration, mais aussi, \u00e9videmment, des opportunit\u00e9s perdues.<\/span><\/p>\n

    La plupart des grandes organisations ont massivement investi dans la science Data, et \u00e0 juste titre : en 2016, McKinsey annon\u00e7ait que 250 000 scientifiques Data seraient n\u00e9cessaires d'ici 2021 rien qu'aux \u00c9tats-Unis. Mais nous nous rendons compte aujourd'hui que ces profils, tr\u00e8s ax\u00e9s sur les mod\u00e8les data, les statistiques et les algorithmes, ne suffiront pas \u00e0 transformer l'entreprise gr\u00e2ce \u00e0 l'IA. Nous avons omis, par exemple, les pr\u00e9cieux Data Engineer et Data Architectes dont les talents sont essentiels pour assurer le succ\u00e8s dans les ann\u00e9es \u00e0 venir, mais dont l'int\u00e9gration dans les projets d'\u00e9quipe reste \u00e0 faire.<\/span><\/p>\n

    Un nouveau mode d'organisation se dessine peu \u00e0 peu : L'usine d'intelligence artificielle, ou usine IA,<\/span>
    \n<\/span>qui suit un certain nombre de principes directeurs simples mais cruciaux pour la r\u00e9ussite de ces initiatives.\u00a0<\/span><\/p>\n

    L'usine \u00e0 IA commence par une gouvernance centralis\u00e9e<\/span><\/h3>\n

    L'id\u00e9e est de mettre en commun et de coordonner les efforts d'investissement et de pilotage. Seul un tr\u00e8s petit nombre de projets \u00e0 forte valeur ajout\u00e9e de l'entreprise seront examin\u00e9s par les sponsors les plus engag\u00e9s dans leur r\u00e9ussite. La s\u00e9lection de ces cas d'utilisation doit \u00eatre extr\u00eamement 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 succ\u00e8s et l'impact de chaque cas d'utilisation doivent \u00eatre mesurables selon un KPI simple et compr\u00e9hensible, et l'am\u00e9lioration syst\u00e9matique de ce KPI doit \u00eatre l'objectif principal du projet. <\/span>raison d'\u00eatre<\/span><\/i> des \u00e9quipes.<\/span><\/p>\n

    Des \u00e9quipes sp\u00e9cialis\u00e9es garantissent une organisation d\u00e9di\u00e9e au projet<\/span><\/h3>\n

    Popularis\u00e9es par Spotify, les feature teams r\u00e9pondent aux enjeux de r\u00e9duction des d\u00e9lais de mise sur le march\u00e9, de transversalit\u00e9 et de continuit\u00e9 des projets. Dirig\u00e9e par un business manager, la feature team est compos\u00e9e 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 p\u00e9renne de la solution d'IA. Une \u201cplatform team\u201d assure la coh\u00e9rence technologique des briques d\u00e9ploy\u00e9es par les feature teams. Il est important de noter que ce mod\u00e8le organisationnel fonctionne tr\u00e8s bien \u00e0 l'\u00e9chelle (il y a jusqu'\u00e0 10 feature teams pour chaque \u201cTribe\u201d chez Spotify).<\/span><\/p>\n

    Les avantages des \u00e9quipes d'experts<\/span><\/h3>\n
      \n
    • Les \u00e9quipes charg\u00e9es des fonctionnalit\u00e9s sont mieux \u00e0 m\u00eame d'\u00e9valuer l'impact des d\u00e9cisions en mati\u00e8re de conception.<\/b>. \u00c0 la fin d'un sprint, l'\u00e9quipe charg\u00e9e des fonctionnalit\u00e9s aura construit une fonctionnalit\u00e9 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 d\u00e9cisions qu'ils ont prises en mati\u00e8re de conception du produit (les utilisateurs aiment-ils la fonctionnalit\u00e9 telle qu'elle a \u00e9t\u00e9 d\u00e9velopp\u00e9e ?) et sur les d\u00e9cisions en mati\u00e8re de conception technique (cette approche de mise en \u0153uvre a-t-elle bien fonctionn\u00e9 pour nous ?).<\/span><\/li>\n
    • Les \u00e9quipes d'experts r\u00e9duisent le gaspillage engendr\u00e9 par les transferts.\u00a0<\/b>Transmettre le travail d'un groupe ou d'un individu \u00e0 un autre est un gaspillage. Dans le cas d'une \u00e9quipe de composants, il y a le risque que trop ou trop peu de fonctionnalit\u00e9s aient \u00e9t\u00e9 d\u00e9velopp\u00e9es, que les mauvaises fonctionnalit\u00e9s aient \u00e9t\u00e9 d\u00e9velopp\u00e9es, que certaines fonctionnalit\u00e9s ne soient plus n\u00e9cessaires, etc.<\/span><\/li>\n
    • Il permet de s'assurer que les bonnes personnes s'expriment.<\/b>\u00a0Parce qu'une \u00e9quipe de d\u00e9veloppement comprend toutes les comp\u00e9tences n\u00e9cessaires pour passer de l'id\u00e9e \u00e0 la fonctionnalit\u00e9 test\u00e9e, elle s'assure que les personnes poss\u00e9dant ces comp\u00e9tences communiquent au moins une fois par jour.<\/span><\/li>\n
    • Elle permet de se concentrer sur la fourniture de fonctionnalit\u00e9s.<\/b>\u00a0Il peut \u00eatre tentant pour une \u00e9quipe de retomber dans ses habitudes d'avant Scrum. Organiser les \u00e9quipes autour de la livraison de fonctionnalit\u00e9s, plut\u00f4t qu'autour d'\u00e9l\u00e9ments architecturaux ou de technologies, permet de rappeler constamment que Scrum se concentre sur la livraison de fonctionnalit\u00e9s dans chaque sprint.<\/span><\/li>\n<\/ul>\n

      Une m\u00e9thodologie sp\u00e9cifique : L'IA all\u00e9g\u00e9e<\/span><\/h3>\n

      L'IA all\u00e9g\u00e9e est une m\u00e9thodologie qui r\u00e9duit l'incertitude quant \u00e0 l'efficacit\u00e9 et \u00e0 l'applicabilit\u00e9 des solutions d'IA. Les mod\u00e8les ne sont jamais parfaits et doivent \u00eatre test\u00e9s en situation r\u00e9elle. La m\u00e9thode consiste en une boucle d'am\u00e9lioration continue de cycles courts qui comprennent la formulation d'hypoth\u00e8ses, l'identification de data pertinentes, la construction et le test d'un ou plusieurs mod\u00e8les, suivis du d\u00e9ploiement sur un p\u00e9rim\u00e8tre de test et de la collecte des commentaires des utilisateurs.<\/span><\/p>\n

      Le cycle est r\u00e9p\u00e9t\u00e9 avec la formulation de nouvelles hypoth\u00e8ses, de nouvelles data, etc. Cette m\u00e9thode permet de tester en situation r\u00e9elle, puis d'am\u00e9liorer les cas non explor\u00e9s, jusqu'\u00e0 atteindre un niveau de satisfaction jug\u00e9 acceptable par l'organisation pour lancer la production.<\/span><\/p>\n

      ... ainsi qu'une infrastructure adapt\u00e9e<\/span><\/h3>\n

      Le d\u00e9ploiement doit \u00eatre envisag\u00e9 d\u00e8s les premiers jours du projet afin d'\u00e9viter de repartir de z\u00e9ro dans un environnement technique diff\u00e9rent.<\/span><\/p>\n

      La cr\u00e9ation de nouveaux silos data doit \u00e9galement \u00eatre \u00e9vit\u00e9e en utilisant au maximum les lacs et les puits data existants de l'organisation. Les applications d'IA doivent \u00eatre construites dans une logique d'architecture orient\u00e9e services.<\/span><\/p>\n

      Les technologies de conteneurisation et d'orchestration telles que Docker et Kubernetes permettent une gestion simplifi\u00e9e des \u00e9cosyst\u00e8mes de microservices, facilitant l'utilisation des mod\u00e8les d'IA via des API utilisables par toutes les divisions de l'organisation.<\/span><\/p>\n

      ... et travailler sur la transformation et l'adoption internes<\/span><\/h3>\n

      Bien que de nombreuses entreprises partagent d\u00e9j\u00e0 un espace commun, l'absence de partage d'un mod\u00e8le op\u00e9rationnel commun compromet la r\u00e9ussite des projets d'IA. Par exemple, un \u201cChatbot\u201d appartenant \u00e0 un site web commercial devrait faire partie int\u00e9grante du parcours de vente, plut\u00f4t que d'\u00eatre consid\u00e9r\u00e9 comme un silo d'acquisition distinct, ce qui n'est souvent pas le cas. Lorsque les diff\u00e9rents d\u00e9partements d'une entreprise adoptent les m\u00eames technologies, le succ\u00e8s de l'IA est bien plus probable.<\/span><\/p>\n

      Les \u00e9tapes de la r\u00e9ussite d'un projet d'IA<\/span><\/h3>\n

      #1 D\u00e9finissez votre objectif en mati\u00e8re d'IA \u00a0<\/b><\/p>\n

      2. Remettez-le en place avec Data<\/b><\/p>\n

      #3 Impliquez vos experts en la mati\u00e8re en interne.<\/b><\/p>\n

      #4 Mesurer le r\u00e9sultat et non la production<\/b><\/p>\n

      #5 R\u00e9p\u00e9tez rapidement !<\/b><\/p>\n

      Enfin, un d\u00e9fi \u00e9thique de plus en plus important<\/span><\/h3>\n

      On a vu r\u00e9cemment l'exemple d'Alexa et la mauvaise surprise de son \u00e9coute (n\u00e9cessaire et planifi\u00e9e pour am\u00e9liorer l'apprentissage supervis\u00e9). Les r\u00e9glementations seront toujours en retard sur la technologie. Il est important que les entreprises qui utilisent artificial intelligence comprennent les d\u00e9fis \u00e9thiques de ces solutions. Sept principes \u00e9thiques directeurs ont \u00e9t\u00e9 publi\u00e9s par le comit\u00e9 d'experts ind\u00e9pendants mandat\u00e9 par la Commission europ\u00e9enne : L'IA au service de l'humanit\u00e9, digne de confiance, qui respecte les data priv\u00e9es, transparente, non discriminatoire, d\u00e9di\u00e9e \u00e0 l'am\u00e9lioration du bien commun, et enfin, avec une responsabilit\u00e9 humaine clairement d\u00e9finie.<\/span><\/p>\n

      Un nombre croissant d'organisations d\u00e9cident d'appliquer ces principes pour extraire la valeur de l'IA : Carrefour a r\u00e9cemment annonc\u00e9 le lancement de son laboratoire d'intelligence artificielle en partenariat avec Google, et Walmart a annonc\u00e9 le lancement de sa \u201cCloud Factory\u201d \u00e0 Austin avec Microsoft. Il ne fait aucun doute que ces nouveaux modes d'organisation, ax\u00e9s sur la valeur et pragmatiques dans leur approche de l'innovation, seront plus fr\u00e9quemment d\u00e9ploy\u00e9s avec succ\u00e8s dans les ann\u00e9es \u00e0 venir.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

      La compr\u00e9hension et l'exp\u00e9rience croissantes de artificial intelligence par les organisations peuvent sembler contradictoires compte tenu de l'absence de mise en \u0153uvre significative de l'IA dans la plupart des entreprises.<\/p>","protected":false},"featured_media":5607,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5606","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog\/5606","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media\/5607"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/media?parent=5606"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-category?post=5606"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/fr\/wp-json\/wp\/v2\/blog-language?post=5606"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}