Les entreprises se heurtent à des obstacles dans la mise en œuvre de l'IA en raison des contraintes liées aux données

Il y a quelques années, le paysage des technologies d'entreprise était dominé par le mot à la mode "Big Data", qui faisait référence à l'accumulation massive d'informations par les organisations et promettait de mettre au jour de nouvelles approches opérationnelles et de suggérer des orientations stratégiques optimales.

Ce qui est de plus en plus clair aujourd'hui, c'est que les défis rencontrés par les entreprises pour exploiter efficacement les Big Data persistent, et c'est l'émergence d'une nouvelle technologie - l'IA - qui remet ces mêmes questions au centre des préoccupations. Si l'on ne s'attaque pas aux problèmes fondamentaux qui ont affecté le Big Data, les mises en œuvre de l'IA sont vouées à l'échec.

Qu'est-ce qui empêche l'IA de réaliser son potentiel ?

La plupart des obstacles proviennent des ressources de données elles-mêmes. Pour comprendre le problème, il suffit de considérer les diverses sources d'information utilisées au cours d'une journée de travail normale.

Dans une petite ou moyenne entreprise (PME) :

• Les feuilles de calcul enregistrées sur les ordinateurs portables des utilisateurs, dans Google Sheets ou dans le stockage en nuage d'Office 365.
• La plateforme de gestion de la relation client (CRM).
• La correspondance par courriel entre collègues, clients et fournisseurs.
• Les documents Word, les fichiers PDF et les formulaires en ligne.
• Les applications de messagerie instantanée.

Dans une grande entreprise :

• Toutes les sources susmentionnées, plus
• Les systèmes de planification des ressources de l'entreprise (ERP).
• Flux de données en temps réel.
• Les lacs de données.
• Des bases de données distinctes supportant diverses applications autonomes.

Il est important de noter que cette brève liste n'est pas exhaustive et qu'elle n'a pas vocation à l'être. Son but est de montrer que, même en cinq points, les informations peuvent être dispersées à une douzaine d'endroits. Ce que le Big Data exigeait - et exige encore souvent - et ce dont les initiatives d'IA dépendent également, c'est une méthode pour unifier ces éléments disparates afin que les algorithmes informatiques puissent les interpréter efficacement.

Dans le Hype Cycle 2024 de Gartner pour l'intelligence artificielle, les données prêtes pour l'IA étaient placées sur la pente ascendante, avec un délai estimé à deux à cinq ans avant d'atteindre le "plateau de productivité". Étant donné que les systèmes d'IA reposent sur l'exploration et l'extraction de données, la majorité des organisations - à l'exception des plus grandes - ne disposent pas de l'infrastructure de base nécessaire. Par conséquent, elles pourraient ne pas bénéficier du soutien de l'IA avant un à quatre ans.

Le principal défi du déploiement de l'IA est le même que celui qui a entravé les initiatives de Big Data tout au long du cycle de l'engouement - depuis le déclenchement de l'innovation, le pic des attentes exagérées, le creux de la désillusion, la pente de l'illumination, jusqu'au plateau de la productivité. Les données existent sous de multiples formats ; elles peuvent être incohérentes ; elles peuvent suivre des normes différentes ; elles peuvent être inexactes ou biaisées ; elles peuvent contenir des informations très sensibles, ou être obsolètes et non pertinentes.

Le processus de transformation des données pour les rendre prêtes pour l'IA reste tout aussi essentiel aujourd'hui - si ce n'est plus - que jamais auparavant. Les entreprises qui visent un avantage précoce peuvent expérimenter les nombreuses plateformes de traitement des données disponibles. En suivant des recommandations communes, elles pourraient commencer par des projets limités et discrets qui serviraient de bancs d'essai pour évaluer l'efficacité des technologies émergentes.

L'un des principaux avantages des systèmes modernes de préparation et d'assemblage des données est qu'ils sont spécifiquement conçus pour organiser les ressources d'information d'une organisation en vue de leur utilisation par les plateformes de création de valeur de l'IA. Par exemple, ils peuvent intégrer des garde-fous soigneusement codés pour garantir la conformité des données et empêcher les utilisateurs d'accéder à des informations biaisées ou commercialement sensibles.

Néanmoins, la création de ressources de données cohérentes, sécurisées et bien structurées reste un défi permanent. Comme les organisations accumulent de plus en plus de données dans le cadre de leurs activités quotidiennes, le maintien de ressources de données à jour et accessibles est un effort continu. Alors que le Big Data peut souvent être considéré comme un actif statique, les données destinées à la consommation de l'IA doivent être préparées et traitées en temps aussi réel que possible.

Par conséquent, les organisations doivent trouver un équilibre délicat entre les opportunités, les risques et les coûts. Le choix du bon fournisseur ou de la bonne plateforme n'a jamais été aussi critique pour l'entreprise moderne.

(Source : "Inside the business school" par Darien et Neil est sous licence CC BY-NC 2.0).

Vous souhaitez en savoir plus sur l'IA et le big data auprès des meilleurs experts du secteur ? Participez à l'exposition AI & Big Data à Amsterdam, en Californie et à Londres. Cet événement complet fait partie de TechEx et se tient au même endroit que d'autres rassemblements technologiques de premier plan. Cliquez ici pour plus d'informations.

AI News vous est présenté par TechForge Media. Découvrez d'autres événements et webinaires à venir sur les technologies d'entreprise ici.