Voici les principales conclusions du rapport :
Les entreprises adhèrent à l’IA/ML, mais ont du mal à évoluer dans l’ensemble de l’organisation. La grande majorité (93 %) des répondants ont plusieurs projets d’IA/ML expérimentaux ou en cours d’utilisation, les grandes entreprises étant susceptibles d’avoir un déploiement plus important. Une majorité (82 %) déclare que l’investissement dans le ML augmentera au cours des 18 prochains mois et lie étroitement l’IA et le ML aux objectifs de revenus. Pourtant, la mise à l’échelle est un défi majeur, tout comme l’embauche de travailleurs qualifiés, la recherche de cas d’utilisation appropriés et la démonstration de la valeur.
Le succès du déploiement nécessite une stratégie de talents et de compétences. Le défi va plus loin que d’attirer des scientifiques de données de base. Les entreprises ont besoin de talents hybrides et de traducteurs pour guider la conception, les tests et la gouvernance de l’IA/ML, ainsi que d’une stratégie de main-d’œuvre pour garantir que tous les utilisateurs jouent un rôle dans le développement technologique. Les entreprises compétitives doivent offrir des opportunités, une progression et des impacts clairs aux travailleurs qui les distinguent. Pour l’ensemble de la main-d’œuvre, le perfectionnement et l’engagement sont essentiels pour soutenir les innovations en IA/ML.
Les centres d’excellence (CoE) fournissent une base pour un déploiement à grande échelle, équilibrant le partage de technologies avec des solutions sur mesure. Les entreprises dotées de capacités matures, généralement les grandes entreprises, ont tendance à développer des systèmes en interne. Un centre d’excellence fournit un modèle en étoile, avec des conseils de base en ML dans toutes les divisions pour développer des solutions largement déployables aux côtés d’outils sur mesure. Les équipes ML doivent être incitées à se tenir au courant des développements rapides de la science des données AI/ML.
La gouvernance de l’IA/ML nécessite des opérations de modèle robustes, y compris la transparence et la provenance des données, une prévision réglementaire et une IA responsable. L’intersection de plusieurs systèmes automatisés peut entraîner des risques accrus, tels que des problèmes de cybersécurité, une discrimination illégale et une macrovolatilité, pour les outils avancés de science des données. Les régulateurs et les groupes de la société civile examinent l’IA qui affecte les citoyens et les gouvernements, en accordant une attention particulière aux secteurs d’importance systémique. Les entreprises ont besoin d’une stratégie d’IA responsable basée sur la provenance complète des données, l’évaluation des risques et les vérifications et contrôles. Cela nécessite des interventions techniques, telles que le signalement automatisé des défauts ou des risques du modèle IA/ML, ainsi que des réformes sociales, culturelles et autres réformes commerciales.
Télécharger le rapport
Ce contenu a été produit par Insights, la branche de contenu personnalisé de MIT Technology Review. Il n’a pas été rédigé par la rédaction de MIT Technology Review.
