Logo Zéphyrnet

Comment relever le défi de niveau entreprise de la mise à l'échelle de l'IA 

Date :

Par le personnel d'IA Trends  

Les organisations qui se sont engagées à développer des projets d'IA et qui ont connu un certain succès doivent ensuite relever les défis liés à la mise à l'échelle réussie du projet pour l'entreprise.   

Pour profiter de tous les avantages, l'organisation doit aligner l'IA sur la stratégie commerciale, assurer une collaboration interfonctionnelle, investir dans les bons talents et la bonne formation et appliquer de solides pratiques en matière de données, suggère un récent compte rendu dans Fil technique  

Ce ne sont pas de petites tâches. Une récente enquête mondiale sur l'IA menée par McKinsey a constaté que la plupart des répondants qui se sont engagés dans l'IA gagnent de la valeur, mais certains atteignent une grande échelle, augmentent leurs revenus et font des économies de coûts que les autres.  

Une enquête distincte par Accenture ont constaté que les entreprises qui mettent à l'échelle l'IA de manière stratégique génèrent cinq fois le retour sur investissement par rapport aux entreprises qui ne sont pas en mesure d'évoluer. Environ 86% des dirigeants ont déclaré qu'ils ne s'attendaient pas à atteindre leurs objectifs de croissance à moins de pouvoir faire évoluer leur IA. En outre, les trois quarts des dirigeants de niveau C interrogés estiment que leur entreprise est susceptible de faire faillite si elle ne déploie pas de manière agressive l'IA dans l'ensemble de son organisation.   

Dans un certain contexte, McKinsey estime que l'IA ajoutera 13 billions de dollars à l'économie mondiale au cours de la prochaine décennie. La pleine valeur de l'IA ne peut se concrétiser que lorsque les entreprises ont compensé leurs coûts initiaux de développement de l'IA, avec des gains commerciaux substantiels grâce à son déploiement généralisé. Cependant, «la plupart des entreprises ont du mal à faire évoluer l'IA», indique le compte.  

Les principales raisons pour lesquelles la mise à l'échelle de l'IA est si difficile relèvent de quatre thèmes: la personnalisation, les données, le talent et la confiance, suggère l'auteur d'un compte récent dans VentureBeat  

Personnalisation: La plupart des modèles pour résoudre les problèmes d'IA-ML, apprentissage en profondeur et traitement du langage naturel par exemple-sont open source, librement accessibles à tous. Les équipes d'entreprise doivent personnaliser et former chaque modèle pour l'adapter au problème, aux données et au domaine spécifiques. Les paramètres du modèle doivent être optimisés pour s'aligner sur les indicateurs de performance clés de l'entreprise. Pour être déployés, les modèles doivent être intégrés dans l'architecture informatique existante.   

Ganesh Padmanabhan, vice-président, Développement commercial mondial et partenariats stratégiques, BeyondMinds

"Construire des systèmes d'IA à partir de zéro pour chaque problème et domaine nécessite donc une tonne de travail de personnalisation", a déclaré l'auteur, Ganesh Padmanabhan est VP, Global Business Development & Strategic Partnerships chez Au-delà des esprits. Basée à Tel Aviv, la société fournit un moteur d'IA modulaire destiné à résoudre des problèmes commerciaux réels. «Un élément clé de l'opérationnalisation de l'IA consiste à rendre le processus de personnalisation aussi efficace que possible», a-t-il déclaré.  

Dates: L'effort nécessaire pour exploiter, préparer et accéder aux données pour conduire des projets d'IA est souvent sous-estimé, et c'est la raison pour laquelle de nombreux projets d'IA échouent. Dans de nombreux cas, l'organisation se rend compte qu'elle manque de définitions de données standardisées ou de définitions de données appropriées, et elle a du mal avec les sources de données distribuées. «Cela lance un voyage de transformation de plusieurs années», a déclaré Padmanabhan. Des techniques avancées d'apprentissage automatique pour travailler avec des ensembles de données plus petits et des données plus bruyantes en production sont nécessaires pour mettre en production les projets pilotes d'IA.  

Talent: Ingénieurs ML et data scientists qui combinent des compétences statistiques (ML), une expertise du domaine et une expérience en développement logiciel «La nécessité de créer une équipe retarde la réalisation de votre valeur avec l'IA», a-t-il déclaré, ajoutant: «Il faut des années pour que ces équipes commencent à produire de vrais résultats. Certaines organisations renforcent les équipes internes d'IA avec des partenaires externes, pour un parcours pilote-production plus rapide, a-t-il suggéré.   

Confiance: Étant donné les craintes que l'IA puisse rendre les emplois obsolètes, les systèmes d'IA doivent être conçus avec une collaboration homme-machine à la base. «Pour une adoption à grande échelle de l'IA au sein d'une organisation, vous avez besoin de l'adhésion, du soutien et de l'intégration de plusieurs processus métier, systèmes informatiques et flux de travail des parties prenantes», a déclaré Padmanabhan.  

Le maintien de la conformité avec l'audit interne et les exigences réglementaires est un domaine en évolution rapide, également nécessaire. Toute décision biaisée prise par l'IA de la boîte noire peut présenter un risque. «C'est un obstacle critique que même les équipes les plus avancées se heurteront lorsqu'elles essaieront de faire évoluer l'IA dans leurs organisations», a-t-il déclaré.  

«Culture de travail cloisonnée» autour de la gestion des données doit aller  

Une partie de l'effort de mise à l'échelle de l'IA dans l'entreprise peut nécessiter une transformation d'une «culture de travail cloisonnée», en particulier autour de la gestion des données, suggère le fondateur d'une entreprise qui aide les entreprises à accélérer l'adoption de l'IA.   

Sumanth Vakada, fondateur et PDG, Qualetics Data Machines

"La mise à l'échelle de l'IA dans les entreprises nécessite de rassembler les activités, la technologie et les données », a déclaré Sumanth Vakada, fondateur et PDG de Qualétique Machines de données, basées à Skillman, NJ, dans un poste de blog. "Les données organisationnelles doivent être déverrouillées pour garantir leur libre circulation dans toute l'organisation. Cela ne peut pas se produire dans une culture de travail cloisonnée et les organisations doivent constituer une équipe interdisciplinaire pour stimuler l'IA dans les organisations », suggère-t-il.  

L'effort doit combiner plusieurs flux de données provenant d'équipes de travail, d'applications, de clients, de produits et de services. «Chacun de ces domaines est capable de générer des données qui ont un impact latéral sur d'autres domaines», a déclaré Vakada, ajoutant que l'obstacle doit être surmonté pour tirer parti des données interfonctionnelles. 

Si elle n'est pas en place, l'organisation qui tente de faire évoluer l'IA a besoin d'un «modèle de gouvernance de l'IA», avec l'adhésion de la C-suite, l'alignement sur la stratégie commerciale et la structuration du rôle et des responsabilités d'exécution. Une approche efficace est un «hub and spoke: modèle avec le hub prenant la responsabilité de la stratégie et de la planification, et de petites équipes dans divers départements gérant l'exécution, suggère-t-il. 

«La mise à l'échelle de l'IA aujourd'hui donne aux entreprises une longueur d'avance non seulement dans la cueillette des fruits bas de l'automatisation et de l'intelligence, mais aussi dans le renforcement des capacités pour l'avenir», a déclaré Vakada. 

Lire les articles et informations sources in Fil technique, dans les rapports de McKinsey et  Accenturein VentureBeat et dans le blog du Qualétique Machines de données.

Commander PrimeXBT
Échangez avec les partenaires CFD officiels de l'AC Milan
Le moyen le plus simple de trader la crypto.
Source : https://www.aitrends.com/infrastructure-for-ai/how-to-meet-the-enterprise-grade-challenge-of-scaling-ai/

spot_img

Dernières informations

spot_img