Chris Hillman, directeur international de la science des données chez Teradata, a récemment constaté une attention accrue portée sur les coûts des équipes de science des données et d’intelligence artificielle, alors que les entreprises cherchent à prouver la valeur de leurs investissements dans ces technologies émergentes.
Cependant, il est convaincu que les scientifiques des données possèdent les compétences techniques nécessaires pour développer des modèles d’IA, et que ce sont souvent les parties prenantes commerciales qui entravent le succès des projets d’IA en ne comprenant pas le fonctionnement des modèles ou en ne transformant pas les recommandations en actions concrètes.
« Dans le domaine de la science des données, tout est un problème technique que nous résolvons avec de la technologie », a expliqué Hillman. « Mais je suis persuadé que beaucoup de raisons pour lesquelles ces projets ne s’intègrent pas dans les processus commerciaux sont essentiellement culturelles, politiques ou liées aux personnes — et non techniques. »
L’expérience de Teradata dans la construction de modèles pour divers clients internationaux indique que :
- Les dirigeants d’entreprise doivent comprendre l’IA pour soutenir et réussir les projets.
- Les dirigeants apprennent mieux à travers des exemples de cas d’utilisation plutôt que par des cours de « science des données 101 ».
- Les entreprises devraient réaliser des évaluations d’impact avant le lancement des projets d’IA.
Culture, politique et personnes : obstacles au succès des projets d’IA
Hillman soutient que l’échec des projets d’IA est souvent causé par les parties prenantes commerciales :
- Ne pas faire confiance aux résultats du modèle d’IA parce qu’elles n’ont pas été impliquées dans le processus.
- Ne pas réussir à transformer les résultats des modèles en processus et actions concrets.
Tant que les données sont fournies à une équipe de science des données et d’IA, a expliqué Hillman, le problème d’IA n’est pas technique. En réalité, les difficultés proviennent souvent d’une mauvaise compréhension de cette technologie par les parties prenantes commerciales et de leur incapacité à convertir les résultats de l’IA en actions commerciales.
Les dirigeants d’entreprise doivent s’impliquer dans le processus de développement de l’IA
Avec les bonnes données, l’équipe de Hillman peut former, tester et évaluer efficacement les modèles d’IA.
« Nous enregistrons les résultats de ce modèle quelque part, et c’est mission accomplie », a-t-il déclaré. « La production, c’est ce modèle qui fonctionne chaque mois et qui enregistre des données quelque part. »
Cependant, c’est à ce stade que les choses peuvent échouer.
« Cela échoue parce que les propriétaires d’entreprise doivent être impliqués dans le processus », a ajouté Hillman. « Ils doivent prendre ce score et décider : ‘quel est le signal ?’ Si je dis qu’il y a 90 % de probabilité de fraude, qu’est-ce que cela signifie réellement ? »
« Si le signal est de bloquer le paiement, et qu’ils décident de le faire, quelqu’un doit s’en occuper. Dans de nombreuses entreprises, cela implique au moins trois, voire quatre équipes : les ingénieurs de données, les scientifiques des données, les propriétaires d’entreprise et les développeurs d’applications. »
Cela peut se transformer en un processus dysfonctionnel, où les équipes échouent à communiquer efficacement, l’IA ne parvient pas à influencer les processus commerciaux, et l’IA ne crée pas la valeur escomptée.
Les propriétaires d’entreprise doivent comprendre le fonctionnement des modèles d’IA
L’essor de l’IA signifie que tous les dirigeants d’entreprise doivent savoir comment ces modèles sont créés et fonctionnent, a déclaré Hillman.
« Ils doivent comprendre les résultats, car ils doivent orienter le processus », a-t-il expliqué. « Ce sont eux qui doivent se demander : ‘Qu’est-ce que cela signifie pour mon client ou mes processus commerciaux ?’ »
Bien qu’une compréhension technique des algorithmes ne soit pas nécessaire, les dirigeants d’entreprise devraient saisir les mathématiques de base impliquées dans l’IA, comme la nature probabiliste des modèles d’IA. Les parties prenantes commerciales doivent comprendre pourquoi la précision des modèles d’IA diffère de ce que l’on attend des outils de reporting traditionnels.
« Si je vais voir le directeur financier avec un rapport et qu’il me demande ‘quelle est sa précision ?’, et que je réponds ‘environ 78 % de précision’, je serais probablement remercié », a déclaré Hillman. « Mais pour un modèle d’IA, 78 % de précision, c’est bon. Dès qu’il dépasse 50 % de précision, vous êtes déjà gagnant. »
« Nous avons eu des clients qui ont imposé des exigences en disant : ‘nous voulons ce modèle, et nous voulons 100 % de précision sans faux positifs.’ Et nous devons leur dire : ‘eh bien, nous ne pouvons pas le faire, car c’est impossible.’ Et si vous obtenez ce type de modèle, vous avez fait quelque chose de mal. »
Les cas d’utilisation : des outils efficaces pour former les dirigeants d’entreprise aux modèles d’IA
Hillman ne pense pas que les propriétaires d’entreprise devraient suivre des cours de « science des données 101 », qui pourraient être « inutiles » pour eux en pratique. Au lieu de cela, il a déclaré que les cas d’utilisation de l’IA peuvent être utilisés pour démontrer comment fonctionnent les modèles d’IA de manière beaucoup plus efficace pour les professionnels du secteur.
« Je pense qu’une approche axée sur les cas d’utilisation est définitivement meilleure pour les personnes du côté commercial, car elles peuvent s’y identifier et ainsi s’engager dans la conversation », a-t-il déclaré.
Conseils pour garantir que votre projet d’IA soit réellement opérationnel
Hillman a proposé plusieurs recommandations aux propriétaires d’entreprise pour s’assurer que leurs projets d’IA passent de l’idée et de la preuve de concept à la production :
Réaliser une évaluation d’impact
Une évaluation d’impact doit être effectuée dès le départ. Cette évaluation doit inclure des considérations clés, telles que les raisons pour lesquelles l’entreprise poursuit le projet d’IA et les avantages commerciaux détaillés.
« Je ne vois que très rarement cela dans les spécifications initiales », a noté Hillman.
En réalité, les évaluations d’impact sont souvent lancées lorsque le projet est déjà en cours ou après que le travail technique soit terminé, ce qui peut contribuer à ce que les projets soient mis de côté et ne parviennent pas à entrer en production.
Choisir les bons cas d’utilisation
Bien que les modèles de transformateurs aient gagné en popularité avant le lancement de ChatGPT, le battage médiatique causé par le lancement du chatbot par OpenAI a poussé les entreprises à lancer des projets d’IA générative pour rester pertinentes. Cela a conduit à des choix de cas d’utilisation qui peuvent être mal orientés.
Hillman demande souvent aux entreprises si elles peuvent « plutôt créer un rapport », car il existe généralement des moyens plus simples d’atteindre les objectifs commerciaux que de créer un modèle d’IA. Il a déclaré que les modèles d’IA échouent souvent à se lancer en raison de l’absence d’une évaluation d’impact ou parce que le cas d’utilisation était inapproprié.
Avoir un sponsor commercial solide
Les projets d’IA sont mieux soutenus lorsqu’ils disposent d’un sponsor commercial solide pour les faire avancer. Un champion commercial peut s’assurer que l’impact potentiel d’un projet d’IA est compris par les autres équipes de l’entreprise et garantir qu’elles collaborent pour intégrer les données d’IA dans les processus.
« L’informatique peut posséder le budget pour la technologie, et quelqu’un d’autre peut gérer les données, ainsi que les aspects de sécurité et de confidentialité, mais en réalité, l’impulsion doit toujours venir du côté commercial », a déclaré Hillman.
