IBM révèle que près de la moitié des défis liés à l’adoption de l’IA se concentrent sur la complexité des données (24 %) et la difficulté à intégrer et à faire évoluer les projets (24 %). Même s’il peut être opportun pour les spécialistes du marketing de « lui apposer un suffixe GPT et de l’appeler IA », les entreprises qui s’efforcent de véritablement mettre en œuvre et intégrer L’IA et le ML sont confrontés à un double défi : premièrement, c’est difficile et coûteux, et deuxièmement, parce que c’est difficile et coûteux, il est difficile de trouver les « bacs à sable » nécessaires pour permettre l’expérimentation et prouver les « pousses vertes » de valeur qui justifierait des investissements supplémentaires. Bref, l’IA et le ML sont inaccessibles.
Des données, des données, partout
L’histoire montre que la plupart des changements d’activité semblent au premier abord difficiles et coûteux. Cependant, le temps et les ressources consacrés à ces efforts ont porté leurs fruits pour les innovateurs. Les entreprises identifient de nouveaux actifs et utilisent de nouveaux processus pour atteindre de nouveaux objectifs, parfois ambitieux et inattendus. L’atout au centre de l’engouement pour l’IA, ce sont les données.
Le monde explose de données. Selon un rapport 2020 de Seagate et IDC, au cours des deux prochaines années, les données des entreprises devraient augmenter à un taux de croissance annuel de 42,2 %. Et pourtant, seulement 32 % de ces données sont actuellement exploitées.
Une gestion efficace des données (stockage, étiquetage, catalogage, sécurisation, connexion et interrogation) ne manque pas de défis. Une fois ces défis surmontés, les entreprises devront identifier les utilisateurs non seulement suffisamment compétents techniquement pour accéder à ces données et les exploiter, mais également capables de le faire de manière globale.
Les entreprises se retrouvent aujourd’hui à confier à des analystes de variétés variées un travail ciblé et fondé sur des hypothèses. Le raccourci est résumé dans un refrain commun : « Je demande généralement aux analystes d’extraire un sous-ensemble de données et d’y exécuter des tableaux croisés dynamiques. »
Pour éviter la vision tunnel et utiliser les données de manière plus complète, cette analyse basée sur des hypothèses est complétée par la business intelligence (BI), où les données à grande échelle sont affinées dans des rapports, des tableaux de bord et des visualisations. Mais même dans ce cas, l’ampleur vertigineuse des tableaux et des graphiques exige que la personne qui les examine ait une idée précise de ce qui compte et de ce qu’elle doit rechercher – encore une fois, qu’elle soit fondée sur des hypothèses – afin de donner un sens au monde. Autrement, les êtres humains ne pourraient tout simplement pas gérer la surcharge cognitive.
Le moment est opportun pour l’IA et le ML. Idéalement, cela signifierait de nombreuses équipes de data scientists, d’ingénieurs de données et d’ingénieurs ML capables de fournir de telles solutions, à un prix qui s’intègre parfaitement dans les budgets informatiques. Idéalement également, les entreprises sont prêtes à disposer de la bonne quantité de technologie ; Infrastructure de GPU, de calcul et d’orchestration pour créer et déployer des solutions d’IA et de ML à grande échelle. Mais tout comme lors des révolutions économiques d’autrefois, ce n’est pas le cas.
Des solutions inaccessibles
Le marché propose une prolifération de solutions basées sur deux approches : ajouter encore plus d’intelligence et d’informations aux outils BI existants ; et rendre de plus en plus facile le développement et le déploiement de solutions ML, dans le domaine en pleine croissance des opérations ML, ou MLOps.
