Tirer une valeur commerciale de l'IA : éviter l'hiver de l'IA (gén)
Dans une certaine mesure, cela peut simplement s'expliquer par le fait que les gens cherchent d'autres sujets à aborder, mais je pense que c'est un peu plus profond que cela. Alors qu'au cours des deux dernières années, peu de gens osaient remettre en question le fait que l'IA était vouée à de grandes choses, nous entendons aujourd'hui davantage de voix dissidentes - ou du moins interrogatives. À titre d'exemple, un échantillon pas très scientifique fait apparaître les préoccupations suivantes : La tromperie de l'IA générative, l'envahissement des listes de lecture par l'IA, la "tricherie" de l'IA dans les tests de référence des jeux et, enfin, la remise en question de l'idée de "pensée" de l'IA générative.
Dans certains cas, ces histoires sont liées à des malentendus fondamentaux sur le fonctionnement de l'IA ou de l'IA générative (Gen AI), à des attentes quant à ses capacités ou à certaines applications antisociales pour lesquelles elle a été utilisée.
Toutefois, il semble qu'à mesure que les gens se familiarisent avec les technologies d'IA générique en particulier, on assiste à une sorte de prise de recul et d'évaluation de ce qui s'est passé pendant que nous étions excessivement enthousiasmés par cette nouvelle technologie. C'est une chose saine à faire et, comme pour les cycles précédents d'innovation en matière d'IA, cela a donné lieu à des questions sensées sur la valeur réelle atteinte par l'IA. Par exemple, une enquête a révélé que depuis 2021, il y a eu une réduction du nombre de projets d'IA déployés ainsi qu'une réduction du retour sur investissement (ROI). Une autre enquête a révélé que, bien que l'IA générique soit le principal type de solution d'IA déployée dans les organisations, l'un des principaux obstacles à la mise en œuvre des techniques d'IA est "l'estimation et la démonstration de la valeur". Ce que ces enquêtes ne disent pas, c'est que l'IA (générique) ne fonctionne pas, qu'elle ne peut pas faire de choses remarquables ou qu'elle n'a aucune valeur ; elles soulignent plutôt la nécessité d'identifier plus soigneusement le problème commercial à résoudre et la manière dont il se traduit par une valeur pour l'entreprise.
Il se peut que cette situation se manifeste plus publiquement parce que la technologie de l'IA générique est beaucoup plus accessible que l'IA ou la ML traditionnelle et que, de ce fait, beaucoup plus de personnes et d'organisations ont été habilitées à l'essayer par elles-mêmes. Par conséquent, comment ceux d'entre nous qui se lancent dans des projets d'IA (générique) peuvent-ils s'appuyer sur les expériences, les succès et les échecs des projets d'IA et de ML du passé et en tirer des enseignements ? Dans cet article et dans les suivants, je tenterai de mettre en évidence certains des enseignements essentiels à la réussite des projets d'IA, mais précisons d'abord ce que nous entendons par "IA" et "IA générique" et, à un niveau élevé, comment elles fonctionnent.
Dans le cas des approches traditionnelles - ou "anciennes" - de l'IA, telles que l'apprentissage automatique, les algorithmes fonctionnent d'une manière spécifique : avec une configuration et une direction appropriées, ils peuvent produire une inférence à partir d'un ensemble de données d'entrée. Construire un modèle en premier lieu est une tâche qui requiert des compétences, des connaissances et de la créativité. Cependant, le plus grand défi semble être de savoir comment assembler les éléments qui peuvent être résolus à l'aide de la ML de manière à fournir une solution globale au problème de l'entreprise. Les problèmes des entreprises ne s'adaptent pas souvent à une solution de ML prête à l'emploi. Ils ne sont pas organisés comme une compétition Kaggle, où le data scientist chanceux du projet doit optimiser un algorithme à partir d'un csv soigné de données d'entrée, la sortie de 1 ou de 0 (ou 0,2, 0,7, 0,9, etc.) générée par l'algorithme résolvant comme par magie le problème de l'entreprise. Ce n'est pas que ces entrées, sorties et modèles intermédiaires ou algorithmes ne puissent pas résoudre un problème commercial. Il s'agit simplement d'identifier et de structurer correctement le cas d'utilisation de l'entreprise, et d'intégrer les résultats obtenus dans une solution globale qui résoudra alors le problème de l'entreprise.
L'IA générative est également limitée par la nécessité de s'assurer que la solution prête à l'emploi (modèle de base, tel qu'un grand modèle de langage) peut être modifiée de manière à ce que le "texte d'entrée / texte de sortie" puisse se comporter comme l'exige le problème de l'entreprise. Les approches courantes de l'adaptation comprennent l'ingénierie de l'invite et la génération augmentée de recherche (RAG), en plus des divers contrôles et équilibres qui peuvent être nécessaires pour promouvoir la prévisibilité du comportement et pour réduire les risques de comportement indésirable. Par conséquent, comme pour l'"ancienne IA", l'IA générative doit également être intégrée dans une solution globale.
Quelle est donc cette solution globale et comment résout-elle le problème de l'entreprise ? Avant même cela, nous devons comprendre en quoi consiste réellement le problème de l'entreprise et commencer à nous demander s'il peut être résolu utilement à l'aide de l'IA ou si d'autres approches pourraient être plus appropriées. Il est impossible de savoir tout cela à l'avance, mais il y a des choses que nous pouvons faire pour arriver à ce stade, les étapes utiles étant de comprendre le problème de l'entreprise, de parler aux parties prenantes et de faire correspondre la solution à la logique de l'entreprise. Je discuterai plus en détail de chacun de ces aspects, ainsi que de quelques considérations finales sur la gestion des projets d'IA, dans la série d'articles qui suit.
