Logo Zéphyrnet

Mise à l'échelle de l'IA: les 4 défis auxquels vous devrez faire face

Date :

Les organisations de toutes tailles adoptent l'IA en tant que technologie de transformation pour alimenter leurs parcours de transformation numérique. Les défis liés à l'opérationnalisation de l'IA à grande échelle peuvent toujours sembler insurmontables, avec un grand nombre des projets échouant.

J'ai travaillé dans le Big Data et l'IA avec plusieurs organisations et j'ai vu des tendances claires sur les raisons pour lesquelles les efforts d'IA échouent après un début enthousiaste. Ce sont de grandes organisations bien établies qui ont fait un travail incroyable en obtenant le soutien de leur conseil d'administration, de leur C-suite, des parties prenantes de l'entreprise et même des clients pour se lancer dans des parcours de transformation basés sur l'IA. Ils ont très probablement mis en place une forme de centre d'excellence (CoE) pour l'IA, avec des recrutements clés à la fois dans des rôles de leadership et techniques, et ont démontré la promesse de l'IA, en utilisant quelques projets d'apprentissage automatique à une échelle limitée. Ensuite, ils passent à l'échelle d'un projet en production, et ils restent bloqués.

Les raisons pour lesquelles la mise à l'échelle de l'IA est si difficile semblent relever de quatre thèmes: la personnalisation, les données, le talent et la confiance.

Personnalisation. La résolution de problèmes avec l'apprentissage automatique (ML) pour générer des résultats commerciaux nécessite une personnalisation. La plupart des modèles de résolution de problèmes d'IA - ML, apprentissage en profondeur (DL) et traitement du langage naturel (NLP), par exemple - sont open source ou disponibles gratuitement. Et ces modèles eux-mêmes ne sont pas le facteur critique pour résoudre les problèmes de production. Votre équipe devra personnaliser et former chaque modèle pour l'adapter à votre problème, vos données et votre domaine spécifiques. Ensuite, vous devez optimiser les paramètres du modèle afin qu'ils s'alignent sur les résultats cibles / indicateurs de performance clés (KPI) de votre entreprise. Ensuite, pour déployer vos modèles, vous devez les intégrer dans votre architecture informatique existante. Construire des systèmes d'IA à partir de zéro pour chaque problème et domaine nécessite donc une tonne de travail de personnalisation. Ou, si vous optez plutôt pour acheter des solutions prêtes à l'emploi qui ne sont pas optimisées pour vos besoins spécifiques, vous faites des compromis sur les performances et les résultats. Les deux voies ont leurs avantages et leurs inconvénients, mais il est important de reconnaître que l'IA nécessite des personnalisations pour chaque projet et chaque problème d'entreprise, et qu'un élément clé de l'opérationnalisation de l'IA consiste à rendre le processus de personnalisation aussi efficace que possible.

Données. J'ai vu un certain nombre d'organisations échouer en matière d'IA parce qu'elles sous-estimaient les efforts nécessaires pour exploiter, préparer et accéder aux données pour conduire ces projets à l'échelle de la production, et cela devient un terrier de lapin. Dans la plupart de ces cas, ils se rendent compte qu'ils ne disposent pas de définitions de données standardisées ou d'une gestion des données appropriée, ou qu'ils ont du mal avec les sources de données distribuées. Cela lance un voyage de transformation de plusieurs années. Bien qu'il existe une tonne de projets Big Data pour gérer l'accès, l'organisation et la conservation de ces ensembles de données disparates, ceux-ci ne sont pas suffisants pour fournir une solution évolutive à ce problème. Des techniques avancées d'apprentissage automatique pour travailler avec des ensembles de données plus petits et des données plus bruyantes en production sont également nécessaires pour éliminer ce blocage dans la mise en production des pilotes d'IA. 

Talent. La plupart des organisations dans lesquelles j'ai vu des projets d'IA échouent à faire évoluer les ingénieurs ML et les data scientists embauchés et se sont rendu compte qu'il était impossible de trouver quelqu'un qui possède une combinaison de compétences statistiques (ML), d'expertise dans le domaine (à la fois dans le domaine commercial et dans le domaine des processus. ) et une expérience en développement de logiciels. Ainsi, en utilisant la conception organisationnelle classique, ils essaient de contourner ce problème. Bien que vous finissiez par former une formidable capacité en interne si vous pouvez conserver et développer ce talent très convoité, la nécessité de créer une équipe retarde la réalisation de votre valeur avec l'IA. Cela affecte votre capacité à innover assez rapidement. J'appelle cela le «débit de l'IA», le nombre de projets d'IA qui peuvent être mis en production. Il faut des années à ces équipes pour commencer à produire de vrais résultats. Les organisations plus performantes ont introduit une approche écosystémique holistique pour faire évoluer les talents en augmentant les équipes internes d'IA avec des partenaires externes pour concevoir un chemin pilote-production plus rapide et améliorer le débit de l'IA.

La confiance. Les gens du monde entier ont des sentiments mitigés à l'égard de l'IA et craignent qu'elle ne rende leur travail obsolète ou inutile. La conception de systèmes d'IA qui mettent l'accent sur la collaboration homme-machine est donc fondamentale pour faire évoluer l'IA dans ces organisations. Bien que l'automatisation complète grâce à l'IA puisse être la solution à de nombreux défis commerciaux, les processus les plus percutants et à alpha élevé restent ceux que les humains gèrent. 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 d'entreprise, systèmes informatiques et flux de travail des parties prenantes. La mise en œuvre de l'IA dans les processus métier introduit également une variété de risques. L'un des risques concerne les performances commerciales dans les cas où l'impact commercial du système d'IA n'est pas clair, ce qui coûte du temps, des ressources et des coûts d'opportunité aux organisations. Un autre risque est le maintien de la conformité avec l'audit interne et les exigences réglementaires, un domaine en grande partie en évolution rapide. Un troisième type de risque est lié à la réputation, avec la crainte que des décisions biaisées ou prises par des algorithmes de boîte noire puissent avoir un impact négatif sur les expériences des parties prenantes. Il s'agit d'un obstacle critique que même les équipes les plus avancées rencontreront lorsqu'elles tenteront de faire évoluer l'IA dans leurs organisations.

Pour surmonter les défis que j'ai décrits ici, il faut plus que de la technologie et des outils. Cela implique une combinaison de processus organisationnels, la capacité de faire participer différentes équipes et la collaboration active avec un écosystème organisé de partenaires internes et externes. Le $15.7 billions l'opportunité avec l'IA est devant nous, mais elle nous oblige à nous rassembler en tant qu'industrie pour résoudre ces défis clés. J'explorerai ces domaines dans de futurs articles en mettant l'accent sur le partage de certaines meilleures pratiques.

Ganesh Padmanabhan est VP, Global Business Development & Strategic Partnerships chez Au-delà des esprits. Il est également membre de la Monde cognitif Think Tank sur l'IA d'entreprise.

VentureBeat

La mission de VentureBeat est d'être une place de ville numérique permettant aux décideurs techniques d'acquérir des connaissances sur la technologie transformatrice et d'effectuer des transactions. Notre site fournit des informations essentielles sur les technologies de données et les stratégies pour vous guider dans la conduite de vos organisations. Nous vous invitons à devenir membre de notre communauté, pour accéder:

  • des informations à jour sur les sujets qui vous intéressent
  • nos newsletters
  • contenu de leader d'opinion fermé et accès à prix réduit à nos événements prisés, tels que Transform
  • fonctionnalités de mise en réseau, et plus

Devenir membre

Source : https://venturebeat.com/2021/02/14/scaling-ai-the-4-challenges-youll-face/

spot_img

Dernières informations

spot_img