.avif)
.svg)
L'essor de l'IA générative
L'IA générative a connu son heure de gloire avec le lancement de ChatGPT par OpenAIà la fin de l'année 2022. En l'espace de cinq jours, it a atteint un million d'utilisateurs, un exploit qui avait pris 3,5 ans à Netflix. Au début de l'année 2023, GPT-4 est entré en scène, surpassant la plupart des humains dans les examens standardisés et faisant surface dans presque tous les blogs de l'industrie, les salles de réunion et les discussions sur LinkedIn. Roy Steunebrink explique :
Au début, nous avions l'impression qu'it s'agissait d'un gadget numérique, mais lorsqu'it a eu accès aux données en temps réel et aux capacités d'intégration, nous avons réalisé que nous n'avions pas affaire à un simple outil, mais à un changement de paradigme. Il s'agissait d'un changement de paradigme".
Roy Steunebrink
Responsable du développement et de la mise en œuvre, Friday
L'accessibilité a joué un rôle important dans ce changement. En intégrant un puissant modèle d'IA dans une simple interface de chat, ChatGPT a démocratisé l'expérimentation. Soudain, tout le monde, qu'il s'agisse d'un spécialiste du marketing, d'un directeur ou d'un développeur débutant, pouvait prototyper des idées à l'aide de l'IA. Mais la même facilité qui a rendu l'it populaire l it a également rendu trompeur.
Les défis de la mise en œuvre de l'IA et comment les éviter
L'une des principales raisons pour lesquelles tant de projets d'IA ont échoué, et échouent encore, est l'hypothèse selon laquelle l'IA est prête à l'emploi. Spoiler : itn'est pas le cas. En fait, la plupart des projets d'IA ne parviennent pas à générer de la valeur commerciale, en grande partie à cause de mauvaises pratiques en matière de données et de l'absence de définitions claires des cas d'utilisation. Selon M. Roy, le vrai problème n'est pas l'IA, itle manque de structure, de vision et de préparation de 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 seulement des outils utilisés, mais aussi des personnes qui savent les utiliser. Les entreprises doivent soit développer des capacités d'IA en interne, soit collaborer avec des partenaires de confiance pour combler les lacunes en matière d'expertise.
L'ingénierie rapide, qui était autrefois un concept marginal, est aujourd'hui une compétence essentielle. It exige 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 des agents d'intelligence artificielle accomplissent de manière autonome des tâches dans de multiples applications, exige de maîtriser les cadres d'orchestration, les intégrations d'outils et l'autonomie responsable.
Selon le rapport Future of Jobs du Forum économique mondial (2023), les compétences en matière d'IA, d'apprentissage automatique et de big data figurent parmi les cinq plus demandées par les employeurs. Cependant, la pénurie de talents en matière d'IA reste un goulet d'étranglement : McKinsey estime que seulement 10 % des entreprises disposent des talents en IA dont elles ont besoin pour mettre à l'échelle les solutions de manière efficace.
En bref, pour rester compétitives, les organisations doivent renforcer les compétences des équipes existantes, attirer des talents compétents en matière d'IA ou travailler avec des fournisseurs spécialisés qui peuvent accélérer l'adoption tout en garantissant les meilleures pratiques.
2. Lignes directrices éthiques pour une utilisation sûre de l'IA
La mise en œuvre de l'IA sans surveillance est un risque de conformité et de réputation qui ne demande qu'à se produire. La future loi européenne sur l'IA, dont l'application devrait débuter en 2025, constituera le premier cadre réglementaire complet au monde pour l'IA. It 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 surveillance humaine et de gouvernance des données.
En vertu du règlement général sur la protection des donnéesGDPR, l'IA qui traite des données personnelles doit également adhérer aux principes d'équité, de responsabilité et d'explicabilité. Il s'agit notamment d'offrir aux utilisateurs le droit de comprendre et de contester les décisions automatisées, une préoccupation croissante dans les applications à haut risque telles que l'évaluation du crédit, l'embauche ou la reconnaissance faciale.
Les entreprises doivent agir maintenant pour :
- Définir des politiques d'utilisation acceptable pour les outils d'IA générative.
- Mettre en œuvre des protocoles de minimisation et d'anonymisation des données.
- Établir des garde-fous internes pour l'accès aux modèles, l'audit et la responsabilité des décisions.
3. Une stratégie solide en matière de données
Les données sont le moteur de tout système d'IA, mais toutes les données ne sont pas égales. Si vos données sont incohérentes, mal étiquetées ou enfermées dans des silos organisationnels, l'IA ne se contentera pas d'être moins performante, it 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 inefficacités généralisées dans la manière dont les données sont stockées et mises en surface.
Une stratégie de données d'IA réussie doit comprendre les éléments suivants :
- Meilleures pratiques en matière d'approvisionnement en données: sélection d'ensembles de données pertinents, représentatifs et spécifiques à un domaine.
- Flux de travail d'annotation intelligents: combiner l'étiquetage assisté par ML et l'examen humain pour garantir la précision.
- Partage de données dans le nuage: accès sécurisé et en temps réel entre les équipes et les systèmes.
4. Un état d'esprit d'investisseur en IA
L'IA n'est pas un achat unique ; it'est une capacité stratégique qui se développe au fil du temps. Pourtant, de nombreuses organisations it considèrent comme une solution rapide. Cet état d'esprit à court terme explique pourquoi la plupart des initiatives en matière d'IA s'arrêtent après la phase pilote. Roy Steunebrink préconise une vision plus durable :
Lorsqu'it s'agit d'IA, il faut faire preuve de patience et non de panique"
Roy Steunebrink
Responsable du développement et de la mise en œuvre, Friday
Un retour sur investissement significatif de l'IA a tendance à se matérialiser sur 3 à 5 ans, en particulier dans des secteurs complexes tels que la fabrication, la santé et la finance.
Pour réussir, les dirigeants doivent
- Accepter l'expérimentation et l'itération, en sachant que tous les projets pilotes ne fonctionneront pas.
- Allouer des budgets pour l'amélioration continue des modèles et le recyclage.
- Mesurer le succès non seulement en termes d'économies immédiates, mais aussi en termes de transformation des processus à long terme, d'expérience client et de capacité d'innovation.
Essentiellement, le développement de la maturité de l'IA s'apparente à la construction d'un volant d'inertie ; it commence lentement, puis s'accélère avec chaque investissement intelligent.
.svg)
.svg)
.svg)
.svg)
.svg)
