.avif)
.svg)
L'essor de l'IA générative
L'IA générative a connu son apogée avec le lancement de ChatGPT par OpenAI fin 2022. En cinq jours, il a atteint 1 million d'utilisateurs, un exploit qui a pris 3,5 ans à Netflix. Début 2023, GPT-4 était sur place, surpassant la plupart des humains aux examens standardisés et apparaissant sur presque tous les blogs, salles de conférence et fils LinkedIn du secteur. Roy Steunebrink explique :
Au début, cela ressemblait à une astuce numérique, mais lorsqu'elle a eu accès à des données en temps réel et à des fonctionnalités d'intégration, nous avons réalisé que nous ne recherchions pas simplement un outil. Nous étions confrontés à un changement de paradigme. »
Roy Steunebrink
Responsable du développement et de la mise en œuvre, vendredi
L'accessibilité a joué un rôle important dans ce changement. En intégrant un puissant modèle d'IA dans une interface de discussion simple, ChatGPT a démocratisé l'expérimentation. Tout à coup, n'importe qui, responsable marketing, responsable ou développeur junior, pouvait prototyper des idées grâce à l'IA. Mais la même facilité qui l'a rendu populaire l'a également rendue trompeuse.
Difficultés liées à la mise en œuvre de l'IA et comment les éviter
L'une des principales raisons pour lesquelles tant de projets d'IA ont été bloqués, et continuent de le faire, est l'hypothèse selon laquelle l'IA est prête à l'emploi. Spoiler : ça ne l'est pas. En fait, la plupart des projets d'IA ne génèrent pas de valeur commerciale, principalement en raison de mauvaises pratiques en matière de données et de l'absence de définitions claires des cas d'utilisation. Roy soutient que le véritable problème n'est pas l'IA, mais le manque de structure, de vision et de préparation dans la plupart des organisations.
Pour éviter ce sort, les entreprises ont idéalement besoin de quatre éléments fondamentaux :
1. Compétences essentielles en matière d'IA
Le succès de l'IA ne dépend pas uniquement des outils que vous utilisez, mais des personnes qui savent comment les utiliser. Les entreprises doivent soit développer des capacités d'IA en interne, soit collaborer avec des partenaires de confiance pour combler leurs lacunes en matière d'expertise.
L'ingénierie rapide, autrefois un concept marginal, est désormais une compétence de base. Cela nécessite de comprendre comment interagir efficacement avec les grands modèles de langage (LLM) pour obtenir des résultats cohérents, précis et sûrs. De même, la conception de systèmes agentiques, dans lesquels les agents d'IA accomplissent des tâches de manière autonome sur de multiples applications, exige une maîtrise des cadres d'orchestration, des intégrations d'outils et une autonomie responsable.
Selon le Rapport du Forum économique mondial sur l'avenir de l'emploi (2023), les compétences en IA, en apprentissage automatique et en mégadonnées figurent parmi les cinq compétences les plus demandées par les employeurs. Cependant, la pénurie de talents en matière d'IA reste un obstacle : Estimations de McKinsey que seulement 10 % des entreprises disposent des talents d'IA dont elles ont besoin pour faire évoluer leurs solutions de manière efficace.
En bref, pour rester compétitives, les organisations doivent améliorer les compétences de leurs équipes existantes, attirer des talents doués en IA ou travailler avec des fournisseurs spécialisés capables d'accélérer l'adoption tout en garantissant les meilleures pratiques.
2. Directives éthiques pour une utilisation sûre de l'IA
La mise en œuvre de l'IA sans supervision constitue un risque de conformité et de réputation imminent. La prochaine loi de l'UE sur l'IA, qui devrait entrer en vigueur en 2025, constituera le premier cadre réglementaire complet pour l'IA au monde. Il classe les systèmes d'IA en quatre catégories de risque : inacceptable, élevé, limité et minimal, et impose des exigences strictes en matière de transparence, de supervision humaine et de gouvernance des données.
En vertu du Règlement général sur la protection des données (RGPD), l'IA qui traite des données personnelles doit également respecter les principes d'équité, de responsabilité et d'explicabilité. Cela implique de donner aux utilisateurs le droit de comprendre et de contester les décisions automatisées, une préoccupation croissante dans les applications à haut risque telles que la notation de solvabilité, le recrutement ou la reconnaissance faciale.
Les entreprises doivent agir dès maintenant pour :
- Définissez des politiques d'utilisation acceptables pour les outils d'IA génératifs.
- Mettez en œuvre des protocoles de minimisation et d'anonymisation des données.
- Définissez des garde-fous internes pour l'accès aux modèles, l'audit et la responsabilité décisionnelle.
3. Une stratégie de données solide
Les données sont le carburant de tout système d'IA, mais toutes les données ne sont pas créées de la même manière. Si vos données sont incohérentes, mal étiquetées ou bloquées dans des silos organisationnels, l'IA ne sera pas simplement sous-performante, elle risque d'échouer complètement.
Des études récentes ont montré que jusqu'à 80 % du temps consacré aux projets d'IA est consacré à la préparation des données: nettoyage, déduplication, annotation et normalisation. Pire encore, près de 55 % des données collectées par les entreprises ne sont jamais utilisées, ce qui suggère des inefficiences généralisées dans la manière dont les données sont stockées et présentées.
Une stratégie de données d'IA réussie doit inclure :
- Meilleures pratiques en matière d'approvisionnement de données: sélection de jeux de données pertinents, représentatifs et spécifiques au domaine.
- Flux de travail d'annotation intelligents: combinaison de l'étiquetage assisté par machine automatique et de l'évaluation humaine pour garantir l'exactitude.
- Partage de données dans le cloud: permettant un accès sécurisé et en temps réel entre les équipes et les systèmes.
4. L'état d'esprit d'un investisseur en IA
L'IA n'est pas un achat ponctuel ; il s'agit d'une capacité stratégique qui s'accroît au fil du temps. Pourtant, de nombreuses organisations le considèrent comme une solution miracle. Cet état d'esprit à court terme explique pourquoi la plupart des initiatives d'IA sont bloquées après la phase pilote. Roy Steunebrink plaide pour une vision plus durable :
En matière d'IA, il faut de la patience, pas de panique. »
Roy Steunebrink
Responsable du développement et de la mise en œuvre, vendredi
Un retour sur investissement significatif de l'IA a tendance à se concrétiser en 3 à 5 ans, en particulier dans des secteurs complexes tels que l'industrie, la santé et la finance.
Pour réussir, les dirigeants doivent :
- Optez pour l'expérimentation et l'itération, en sachant que tous les projets pilotes ne fonctionneront pas.
- Allouez des budgets pour l'amélioration continue des modèles et la reconversion.
- Mesurez le succès non seulement en termes d'économies de coûts immédiates, mais aussi en termes de transformation à long terme des processus, d'expérience client et de capacité d'innovation.
Essentiellement, développer la maturité de l'IA, c'est comme construire un volant d'inertie ; cela commence lentement, puis s'accélère à chaque investissement intelligent.
.svg)
.svg)
.svg)
.svg)
.svg)
