C2 CONVERSATIONS: Les 3 éléments d’un projet d’IA réussi

Présenté par IBM
idées à emporter ritika gunnar
Alors que les organisations modernes adoptent massivement l’apprentissage automatique pour optimiser, automatiser et améliorer leurs prévisions (par exemple pendant une pandémie mondiale), l’IA se révèle être un précieux avantage concurrentiel.

Ritika Gunnar, VP, Données, Services d’expertise en IA et apprentissage, compte 21 années de service à IBM. Dans le cadre de ses fonctions, elle a collaboré avec des milliers d’entreprises et d’organisations de domaines et de provenances variées, et elle a observé que les projets d’IA efficaces intègrent toujours 3 éléments de base.

1. Une bonne culture
2. Un bon processus
3. De bonnes données

 

La culture, point de départ

Il faut éviter de sous-estimer l’importance de la culture. «La culture est un des éléments clés pour intégrer et mettre à l’échelle des projets d’IA», nous dit Ritika. Votre entreprise ne peut se contenter d’avoir des équipes de chercheurs ou de spécialistes des données.

«Il faut que tous les membres des équipes adhèrent au projet, et ce, dès le début.»

Puisque les projets d’IA prennent forme au cours de nombreuses itérations, il est important de développer des projets selon une approche à la fois ascendante et descendante afin d’habiliter vos équipes à échouer. Elle suggère de rechercher l’adhésion de ceux qui utiliseront et géreront les applications de production. La trajectoire des compétences [en IA] [s’applique] à tous les membres de l’organisation; il s’agit d’une transformation culturelle.»

 

Question de réflexion: De quelle façon intégrez-vous l’IA dans votre organisation?

 

Se préparer au(x) changement(s)

Les données et les processus évoluent au cours de la création d’applications d’IA réussies, donc il est judicieux de gérer votre projet différemment, explique Ritika. «Pour ce faire, vous avez besoin de capacités itératives, prestes et expérimentales que seule l’agilité peut vous procurer.»

Dans un même ordre d’idée, puisque l’IA est un élément en constante évolution qui apprend, comprend et progresse selon les données qu’elle assimile, les entreprises doivent concevoir une excellente architecture de données pour générer une IA utile et efficace.

«Dans ce sens, le processus de développement change lui aussi; nous ne travaillons pas avec quelque chose de statique, explique Ritika. Les collaborateurs qui ont conçu une application d’IA doivent maintenant comprendre que son caractère évolutif doit être pris en compte à toutes les étapes de développement, des tests et de la production.»

Et enfin, quoi qu’on en dise, les données sont la base de toute la structure.

L'IA que vous développez n'a d'égal que les données qui l'ont formée. – ritika gunna

Une fois les données acquises, les entreprises performantes vont procéder à l’itération de leurs processus. «Se donner le temps d’itérer les processus et les solutions, de les mettre en œuvre et de les perfectionner est essentiel», nous dit Ritika. Vous devez lancer des projets qui sont importants pour votre organisation, sans jamais négliger leur itération.

Elle nous met en garde: «Ne commencez pas par le problème le plus complexe puisque le succès sera ardu. Commencez avec des problèmes qui sont plus faciles à résoudre et qui vous permettront de comprendre comment les processus, les applications et la gestion de l’entreprise doivent changer.»

Commencez par le commencement, élaborez les fondations de votre fonction d’IA et mettez sur pied ce que Ritika appelle «un centre d’excellence» en IA afin de mettre la culture, les processus et les projets à l’échelle de votre organisation.

«Les entrepreneurs doivent se lancer et exploiter ces nouvelles technologies numériques et d’IA, explique Ritika. [C’est] le seul moyen d’assurer sa pertinence, puis de demeurer compétitif… alors mettez à profit les technologies d’IA du jour.»

 

C2 CONVERSATIONS – LIVE On répond à vos questions

Lors de la session C2 CONVERSATION – LIVE qui a eu lieu le 27 mai, Ritika Gunnar a répondu à des questions d’actualité de l’auditoire. Voici quelques-unes des questions auxquelles elle a répondu après la diffusion en direct:

À quand l’adoption de masse de l’utilisation de l’IA? La pandémie affecte-t-elle le développement de la technologie de l’IA à court terme?

«Il y a environ 5 ou 7 ans, on utilisait l’apprentissage automatique pour des engagements de preuve de concept et des scénarios de différenciation, mais on ne parlait pas d’applications de masse. Or je suis fermement convaincue que nous avons entamé la décennie de l’IA omniprésente; elle sera intégrée dans toutes nos activités et tout ce avec quoi nous interagissons sera intégré à l’IA.

Jusqu’à présent, la pandémie a eu comme effet d’accélérer drastiquement l’adoption de l’IA au sein des entreprises. En matière d’utilisation, ce changement de priorités et de paysage d’affaires engendre des économies, de la gestion des risques et l’optimisation du partage d’informations. Selon nos observations, l’IA semble être davantage utilisée dans ces trois domaines, à un rythme effréné.

L’adoption exponentielle de l’IA va devenir plus fréquente puisque les informations et les données doivent être diffusées aux entreprises, aux clients et aux employés plus rapidement.»

 

Est-il possible pour des entreprises qui possèdent de petits ensembles de données d’être concurrentielles en matière d’IA? Quelles technologies ou solutions recommanderiez-vous à des petites entreprises ou des start-ups?

«Aucune quantité d’IA ne peut compenser un manque de données. De nombreux clients avec qui nous travaillons éprouvent des difficultés, non pas avec une carence de données, mais plutôt avec le manque de données accessibles. C’est pourquoi il est crucial d’élaborer une architecture de données adéquate. Dans d’autres cas, par contre, les ensembles de données exhaustifs n’existent tout simplement pas. Et construire des modèles d’apprentissage automatique de toutes pièces avec une quantité limitée de données est d’une grande difficulté, voire impossible.

Lorsque nous aidons nos clients à élaborer leurs projets d’IA, nous utilisons souvent des modèles pré-entraînés. Nous avons déjà effectué les lourdes tâches visant à former un modèle général avec des jeux de données massifs. Nous élaborons les modèles conçus pour intégrer les données des clients spécifiques à un scénario ou une industrie. De cette façon, nous pouvons former des modèles hautement performants avec moins de données.

De nombreuses petites entreprises bénéficient grandement de ce modèle. Par exemple, nombreux sont nos clients qui connaissent présentement une très forte augmentation du volume de demandes d’employés ou de clients, telle que leur personnel ou leurs équipes de service à la clientèle ne sont pas en mesure d’y répondre. En une semaine, nous pouvons mettre en place une instance de l’assistant Watson pour répondre aux questions les plus fréquentes des clients en rapport avec les fermetures dues à la COVID-19, les procédures d’affaires et bien plus. Les modèles pré-entraînés d’assistant d’IA nous permettent d’offrir une valeur ajoutée aux affaires de nos clients.»

 

Parlez-nous de votre cheminement. À quels défis avez-vous eu à faire face et comment les avez-vous surmontés? Comment incitez-vous plus de femmes à s’investir dans votre domaine?

«Au cours de mon cheminement, j’en suis venue à croire que la diversité — dans un sens large, pas seulement en terme de sexe — est essentielle au développement d’une IA de qualité. J’ai vu comment les membres de mon équipe d’origines et de contextes différents, dont les points de vue diffèrent du mien, peuvent se remettre en question et se lancer des défis les uns les autres pour faire émerger les meilleures idées. De plus, la diversité des équipes de développement et de mise en œuvre permet d’éviter au biais humain de s’immiscer dans la technologie.

Si nous désirons accueillir un plus grand nombre de femmes en IA — et favoriser la diversité sur tous les plans — nous devons célébrer celle que nous avons déjà. Nous devons nous assurer que les personnes appartenant à divers groupes et provenant de contextes divers évoluent dans des communautés technologiques caractérisées par le soutien, où elles se sentent à l’aise de poser des questions, de faire des erreurs et d’explorer des sentiers moins connus, puisque ce sont toutes des dimensions nécessaires de l’apprentissage. Ces systèmes de soutien sont essentiels. Notre devoir est de créer une culture où les individus sentent qu’ils peuvent constamment repousser leurs limites.»

(*Pour en lire davantage sur ce sujet, cliquez ici.)

 

Que pouvons-nous faire pour construire une IA inclusive?

«Je me fie sur les 3 “C”: communauté, confiance et curiosité continue. Tout d’abord, vous devez pouvoir créer la communauté. Quel que soit votre parcours, si vous êtes un néophyte de l’IA, vous devez trouver une communauté avec laquelle vous êtes à l’aise et à laquelle vous pouvez vous identifier. Ensuite, vous devez avoir un sentiment de confiance inné — la capacité de vous voir jouer ces rôles. Et une curiosité continue. Le délai de mise en œuvre de nouvelles technologies dans une entreprise est de trois à quatre ans, alors que pour l’IA, c’est de 18 à 24 mois. Si vous n’êtes pas continuellement en train d’apprendre, vous risquez de perdre toute pertinence. La soif du progrès dans notre domaine est donc toujours extrêmement importante.

Ces 3 “C” sont essentiels pour maximiser l’inclusivité. Favoriser des programmes comme Women in AI ou P-Tech aide à développer une plus grande diversité technologique, et nous voyons à quel point ils sont transformateurs.»

(*Lisez les réflexions de Ritika sur l’essor des femmes en apprentissage automatique ici.)

 

Comment remédiez-vous au problème du démarrage à froid?

«Je pense qu’il est possible de résoudre de nombreux problèmes liés à l’offre de technologies grâce à cette équation: résultats positifs = compétences/expertise + technologie + méthodologie.

Produire des résultats pour nos clients va bien au-delà du service rendu, de la technologie et des techniques que nous avons mises en œuvre pour élaborer une solution. Nous devons avoir les bons systèmes en place pour assurer la performance de notre technologie. Parmi ces systèmes, on compte également les membres de nos équipes; les bonnes personnes doivent non seulement comprendre la technologie, mais aussi les problèmes d’affaires qu’ils tentent de résoudre. Vous devez être en mesure de définir le problème dans un niveau de détails qui traduit une profonde connaissance de l’industrie et une approche centrée sur les résultats. Les bons experts peuvent examiner vos données et vous demander: Y a-t-il des lacunes? Quels problèmes pouvons-nous anticiper? Où et à quel moment devrons-nous faire intervenir une personne dans ce processus? Comment allons-nous faire le suivi et mesurer le rendement?

En d’autres mots, les experts doivent mettre en place une méthodologie articulée autour d’une approche centrée sur les données et la conception. De cette façon, vous avez des systèmes en place pour remédier au problème lorsqu’un algorithme bute contre un problème comme celui du démarrage à froid.»

 

INNOVATION SUR DEMANDE

Explorez les thèmes de l’IA et des transformations en profondeur avec cette liste de vidéos présentées par IBM.

 

Écoutez la Conversation complète avec Ritika Gunnar

Des questions? Des commentaires? Écrivez-nous à editorial@c2.biz

 

 

Remerciements spéciaux: gouvernement Canada, gouvernement Québec, Ville de Montréal