Comment faire évoluer l'IA dans votre entreprise

Votre entreprise sera affectée par l'intelligence artificielle. Pour que l'IA fonctionne pour vous et non contre vous, vous devrez faire évoluer vos initiatives au-delà de la phase pilote et les intégrer dans vos opérations quotidiennes.

Les pionniers montrent la voie : ils utilisent l'IA pour augmenter la vitesse et la précision des processus de comptabilité fournisseurs et clients, résumer les dossiers juridiques et d'autres recherches, et ajouter une couche d'assurance à des tâches critiques telles que la lecture de rayons X. Ces dirigeants utilisent l'IA pour détecter la fraude au sein de millions de transactions financières et prendre des décisions rapides dans des entrepôts frénétiques et sur des étages de fabrication exigeants. Ils utilisent des chatbots d'IA pour gérer des appels d'assistance de plus en plus complexes et guider les commerciaux vers la meilleure étape suivante pour chaque client.

Et tout cela n'est que le début.

Pour chacune de ces victoires, cependant, l'organisation a dû travailler via un processus d'augmentation, rassemblant des outils et des personnes et faisant les ajustements techniques et culturels nécessaires pour que l'IA fonctionne dans le monde réel.

Ci-dessous, nous examinerons les nombreuses facettes du défi de la mise à l'échelle de l'IA pour les entreprises.

Qu'est-ce que l'IA évolutive ?

L'IA évolutive est la possibilité d'utiliser des algorithmes de machine learning (ML) ou des services d'IA générative pour accomplir des tâches quotidiennes à un rythme répondant à la demande de l'entreprise. Elle exige que les algorithmes et les modèles génératifs disposent de l'infrastructure et des volumes de données dont ils ont besoin pour fonctionner à la vitesse et à l'échelle requises. De plus, l'IA évolutive nécessite des données provenant de nombreux secteurs de l'entreprise suffisamment intégrées et complètes pour fournir aux algorithmes les informations nécessaires pour obtenir les résultats souhaités.

Il est tout aussi important que les personnes soient prêtes à utiliser les résultats de l'IA dans leur travail. Avec toutes ces exigences en place, l'IA évolutive peut aider les opérations commerciales à évoluer avec plus de rapidité, de sécurité, de précision, de personnalisation et même de créativité.

Points à retenir

• La mise à l'échelle de l'IA peut largement améliorer une grande variété d'opérations commerciales.
• Le succès implique de nombreux éléments de travail dans les domaines de la gestion des données, de la science des données et de la gestion des processus métier. Ceux-ci sont souvent regroupés sous le titre des opérations de machine learning (MLOps).
• Les MLOps peuvent inclure la création et l'entraînement de modèles de machine learning ou d'algorithmes actuels ou de grands modèles de langage (LLM) pour atteindre un objectif commercial.
• Les entreprises doivent prendre en compte la sécurité des données, la confidentialité des données et le reporting réglementaire lorsqu'elles intègrent l'IA dans leurs opérations quotidiennes.

Pourquoi est-il si difficile de faire évoluer l'IA ?

La mise à l'échelle de l'IA nécessite des investissements et de l'engagement. Elle nécessite de nouvelles compétences et technologies, une puissance de calcul robuste et des changements dans le fonctionnement de votre entreprise. La mise à l'échelle de l'IA va bien au-delà de la création et de l'entraînement de modèles. Cela implique de les intégrer dans des applications de production qui s'exécutent à grande échelle et fournissent aux utilisateurs professionnels des fonctionnalités de surveillance et de reporting.

Il y a six défis majeurs à relever sur votre parcours vers l'IA à grande échelle :

1. Données : les données sont l'élément vital de l'IA. Cela fait référence aux informations utilisées pour entraîner les algorithmes de ML ainsi qu'aux informations que ces algorithmes analysent pour fournir des résultats. Les données utilisées par les modèles de machine learning se présentent sous de nombreuses formes. Elles peuvent résider dans les lignes et les colonnes d'une base de données relationnelle ainsi que dans des documents texte, des images, des vidéos ou des réseaux sociaux.
   
   L'acquisition, l'organisation et l'analyse de jeux de données souvent massifs nécessitent une expertise en gestion des données et des investissements dans des outils et des services cloud, tels qu'un data lakehouse évolutif basé dans le cloud. La sécurité et la confidentialité des données sont les principales préoccupations de toute IA à grande échelle. Les données doivent être protégées contre les menaces externes et internes, tout comme les données sensibles stockées par toute entreprise. Les équipes des opérations d'IA ont une responsabilité supplémentaire : s'assurer que les informations sensibles dans les données d'entraînement n'apparaissent pas dans les sorties d'IA.


2. Processus : le redimensionnement de l'IA est un processus itératif qui implique au moins trois groupes :
   
   
   1. Experts dans chaque opération commerciale importante, qu'il s'agisse du service client, de la logistique d'expédition, de la conception de produits, de la radiologie ou de la comptabilité.
   2. L'équipe informatique, qui intègre, sécurise et standardise les données opérationnelles et assemble la puissance de calcul et les réseaux nécessaires.
   3. L'équipe de data science, qui crée des fonctionnalités de machine learning, sélectionne le modèle et ajuste les paramètres jusqu'à ce que l'IA soit prête à être déployée et augmentée. Vos experts en opérations commerciales travailleront avec des data scientists pour s'assurer que les résultats de l'IA sont conformes aux directives. Les équipes doivent étudier la génération augmentée par récupération (RAG) qui permet d'optimiser la sortie d'un LLM en fonction des données de l'organisation sans modifier le modèle sous-jacent lui-même.


3. Outils : la collection d'outils utilisés pour faire évoluer l'IA se décline en trois types : les outils que les data scientists utilisent pour créer des modèles de machine learning, les outils utilisés par l'équipe informatique pour gérer les données et prendre en charge des algorithmes gourmands en calcul, et les outils qui aident les hommes d'affaires à utiliser les résultats de l'IA dans leurs tâches quotidiennes. La création d'un modèle de ML unique peut nécessiter une douzaine de systèmes spécialisés, souvent assemblés par des praticiens de la science des données à partir d'une grande variété d'outils open source et propriétaires.
   
   Plus récemment, les entreprises de technologie ont organisé des outils de data science, de gestion des données et d'opérations d'IA dans des plateformes intégrées pour faire évoluer l'IA. L'effort est communément appelé opérations de machine learning, ou MLOps, et comprend des outils pour créer, maintenir et surveiller l'IA, ainsi que des rapports sur ses résultats aux parties prenantes internes et aux régulateurs.


4. Talents : l'expertise nécessaire pour concevoir, entraîner et déployer des modèles de machine learning prend du temps à acquérir, c'est pourquoi il est difficile et cher d'embaucher des personnes possédant des connaissances approfondies dans le domaine de l'IA. C'est pourquoi, jusqu'à présent, ce sont les géants de la technologie qui créent des plateformes d'IA et les grandes organisations à l'avant-garde de la technologie qui sont prêtes à payer pour obtenir de l'expertise en IA.
   
   Désormais, les plateformes de MLOps sont disponibles en tant que services cloud et les LLM sont disponibles via des appels d'API. Cela ouvre l'IA à davantage d'entreprises. Il y aura toujours un besoin d'expertise en gestion des données et en science des données, mais les services d'IA disponibles par l'intermédiaire des fournisseurs de cloud pourraient réduire le besoin pressant d'embaucher des personnes possédant une expertise approfondie en matière de création de modèles d'IA.


5. Portée : lorsqu'il est temps d'aller au-delà du pilotage de l'IA dans un coin de l'entreprise, quelle est l'ampleur de la tâche à accomplir ? Idéalement, votre initiative d'IA sera suffisamment importante pour faire une différence notable dans les opérations, que ce soit en termes de délais d'expédition, d'expérience client ou d'autres résultats mesurables. Mais les premiers efforts en matière d'IA à grande échelle ne doivent pas être si complexes ni si liés aux résultats pour que vous soyez tenté de les interrompre en cas de mauvaise passe plutôt que de risquer une perturbation. Commencez plus petit dans un domaine où le problème ne causera pas trop de dommage. La portée des initiatives d'IA deviendra plus ambitieuse à mesure que l'expertise et la confiance se développeront au sein de votre organisation.


6. Temps : Près de 80 % des projets d'IA ne vont jamais au-delà de la validation du concept, selon CompTIA et ceux qui réussissent prennent entre 3 et 36 mois, selon leur portée et leur complexité. Ce temps est consacré à la sélection et au déploiement de modèles, ainsi qu'à la surveillance des résultats de l'IA dans un environnement contrôlé.
   
   Les décideurs doivent également prendre en compte le temps et les efforts nécessaires pour fournir les données dont un système d'IA à grande échelle a besoin. Les data scientists et les équipes informatiques devront acquérir, intégrer, stocker, préparer et diffuser des données via des algorithmes de machine learning et surveiller les résultats. Une liste croissante d'outils et de bibliothèques open source, ainsi que de logiciels d'automatisation et de services cloud peuvent aider à accélérer ce cycle. Au fur et à mesure que le domaine mûrit, les outils aussi.

Pourquoi l'IA évolutive est-elle si importante ?

Bien que la mise à l'échelle de l'IA soit difficile, les chefs d'entreprise parient que les défis et les coûts initiaux finiront par être compensés par des gains commerciaux. Selon McKinsey, l'IA ajoutera environ 13 billions de dollars à l'économie mondiale d'ici 2030. Il y a plusieurs raisons à cela. Premièrement, pour tirer parti de l'IA, davantage d'entreprises vont entreprendre des projets de « transformation numérique » où elles pourront utiliser leurs données pour devenir plus innovantes et compétitives dans l'économie numérique. L'IA aggravera ces avantages concurrentiels et conduira à de nouvelles innovations. Les entreprises qui ont déjà fait évoluer l'IA voient des avantages tels qu'une plus grande satisfaction clients et une meilleure productivité de leur personnel, ainsi qu'une utilisation plus efficace de leurs ressources telles que les navires, les camions, les équipements de fabrication et les entrepôts.

Comment faire évoluer l'IA dans votre entreprise

Faire entrer l'IA dans le monde difficile des opérations commerciales peut être intimidant, mais cela en vaut la peine pour le bon projet. Commencez par la data science, où les bibliothèques d'algorithmes de machine learning peuvent être adaptées pour répondre aux objectifs de votre entreprise. C'est également un bon conseil si vous utilisez des API pour accéder à de grands modèles de langage fournis par des fournisseurs tels qu'OpenAI et Cohere et les entraîner.

L'étape suivante consiste à rechercher et à ingérer les jeux de données sur lesquels votre IA sera entraînée. Ils peuvent être constitués de données internes ou externes ou d'un mélange des deux. Pour que l'IA fonctionne dans un contexte commercial, rassemblez les parties prenantes et les défenseurs, qu'ils soient dans le service client, la finance, le juridique ou tout autre service. Ces défenseurs travailleront avec l'équipe de science des données, afin que les formateurs vivent « un jour dans la vie » des personnes dans la fonction commerciale cible. Ces défenseurs travailleront ensuite avec leurs collègues ou partenaires pour aider à se préparer au processus axé sur l'IA et favoriseront une large adoption lors de son lancement. Avec des modèles de machine learning, des flux de données et des processus métier alignés, il est temps de faire évoluer l'IA dans votre entreprise.

7 bonnes pratiques pour faire évoluer l'IA

L'augmentation de l'utilisation de l'IA dans un processus métier présente de nombreux défis. Voici les bonnes pratiques pour vous aider à réussir :

1. Concentrez-vous sur le cycle de vie des données

Pour que les data scientists puissent créer des modèles de machine learning et que l'entreprise puisse faire évoluer ces modèles, il doit exister une structure de données qui intègre et mette à jour les sources de données et fournisse un format sécurisé et standardisé.

2. Standardisez et rationalisez les MLOp

Choisissez une plateforme de MLOps qui corresponde aux compétences de vos équipes de data science et d'opérations de machine learning ainsi qu'à votre infrastructure informatique ou à celle de votre fournisseur cloud principal.

3. Créez une équipe d'IA collaborative et multidisciplinaire

Les initiatives d'IA s'étendent aux différentes disciplines et départements. Rassemblez les parties prenantes de toute l'entreprise pour vous aider.

4. Choisissez les projets initiaux susceptibles de réussir

L'intégration de l'IA à n'importe quel processus métier est une entreprise complexe. Commencez par un projet qui donne une victoire rapide et ouvre la voie à des projets futurs plus ambitieux. Envisagez de créer un centre d'excellence en IA pour assurer votre réussite.

5. Plan de gouvernance et de reportabilité

Choisissez des outils pour la gestion des données, la data science et les opérations commerciales qui ont une gouvernance intégrée. Comprenez les réglementations pertinentes en matière de sécurité et de confidentialité, et intégrez la conformité et la reportabilité dans votre processus.

6. Suivez les modèles de bout en bout

Recherchez des fonctionnalités susceptibles de vous aider à suivre la vitesse et le coût de vos résultats d'IA, ainsi que le raisonnement qui les sous-tend et leur valeur pour les utilisateurs finaux.

7. Utilisez les bons outils

Pour faire évoluer l'IA dans votre entreprise, vous aurez besoin d'un ensemble d'outils qui permettent aux data scientists de travailler facilement avec des ingénieurs informatiques et aux deux groupes de travailler avec les hommes d'affaires sur les problèmes de gouvernance et de conformité de l'IA. Les plateformes de data science basées sur le cloud peuvent donner aux équipes d'analystes de données un endroit où créer, entraîner, déployer et gérer des modèles de machine learning et des blocs-notes, des environnements de calcul interactifs qui combinent l'exécution du code avec la visualisation des données et les commentaires textuels. La clé est de fournir des espaces où les formateurs peuvent expérimenter des modèles, les développer et faire évoluer leur utilisation.

Faites évoluer l'IA avec Oracle

Lorsque vous souhaitez faire évoluer l'IA dans votre entreprise, Oracle Cloud Infrastructure (OCI) est un choix intelligent. Il peut vous aider à obtenir les avantages de l'IA de la manière la plus logique pour votre entreprise et adaptée à vos besoins. Vous trouverez une gamme d'applications SaaS avec des modèles de machine learning intégrés et des services d'IA disponibles, ainsi qu'une infrastructure de pointe pour créer, entraîner et déployer des modèles de machine learning à grande échelle. Oracle facilite également l'accès aux modèles d'IA générative basés sur les LLM de pointe de Cohere.

Pour les data scientists, une plateforme de data science entièrement gérée aide à construire, former, déployer et gérer des modèles de machine learning à l'aide de Python et d'autres outils open source. Oracle propose une infrastructure basée sur JupyterLab pour expérimenter des modèles, les développer et augmenter l'entraînement des modèles avec des GPU NVIDIA et une formation distribuée. Le cloud est idéal pour l'entraînement d'une IA générative, notamment pour des applications conversationnelles et des modèles de diffusion.

Avec OCI, vous pouvez mettre les modèles en production et les maintenir en bonne santé grâce aux fonctionnalités d'opérations de machine learning, telles que les pipelines automatisés, les déploiements de modèles et la surveillance des modèles. Contactez Oracle dès aujourd'hui ou essayez ces services gratuitement.

L'IA grand public attire peut-être la plus grande partie de l'attention, mais les entreprises mettent activement en place l'IA et le machine learning. Les plateformes technologiques et les processus métier émergent rapidement pour aider à faire évoluer l'IA d'entreprise, permettant à davantage de projets de passer de la validation de concept à la production à grande échelle. Des défis restent à relever mais les entreprises qui les surmonteront obtiendront une efficacité, une précision, une sécurité des données, une personnalisation et une innovation améliorées.

FAQ sur l'évolution de l'IA

Comment faire évoluer un produit d'IA ?

La mise à l'échelle d'un produit d'IA est un effort d'équipe impliquant des parties prenantes de toute l'entreprise. Il s'agit notamment d'experts en science des données, de professionnels de la gestion des données et de l'informatique, ainsi que de personnes ayant une connaissance approfondie des processus métier dans lesquels le produit d'IA sera utilisé. Souvent, une plateforme de MLOps aidera à rassembler ce groupe pour concevoir, entraîner, déployer et affiner les algorithmes de machine learning.

Comment faire évoluer une start-up d'IA ?

La mise à l'échelle d'une start-up d'IA repose sur la prise des bonnes décisions tôt concernant l'acquisition de données, les modèles de machine learning ou les LLM, et l'infrastructure de calcul, on-premises ou dans le cloud. Les start-ups doivent se procurer un grand nombre de GPU pour entraîner de grands jeux de données et exécuter une infrastructure d'IA complexe avec les performances et la fiabilité nécessaires pour obtenir des résultats en temps opportun.

Quelle est l'évolutivité d'un système d'IA ?

Un système d'IA évolutif a suffisamment de vitesse et de précision pour pouvoir évoluer dans le monde complexe des opérations commerciales. Ces systèmes vont au-delà de l'étape expérimentale ou de la preuve de concept et sont capables de s'adapter pour s'adresser à un groupe d'utilisateurs.

Qu'est-ce que l'évolutivité de l'IA ?

Le terme « redimensionnement » désigne tout service à forte intensité de calcul susceptible d'évoluer pour répondre aux besoins de l'entreprise. Si une application a besoin de plus de ressources informatiques, l'infrastructure informatique qui prend en charge l'application doit se développer. Dans certains cas, la mise à l'échelle fait également référence à la réduction lorsque l'infrastructure n'est pas nécessaire. Par exemple, certaines applications ont des pics saisonniers ou trimestriels en cours d'utilisation. Une infrastructure cloud évolutive peut évoluer pour répondre à ces besoins, puis évoluer pour que l'entreprise ne paie pas pour l'infrastructure qu'elle n'utilise pas.