Pourquoi vos projets d’IA générative échouent
Article publié le 27 Juin 2024 et traduit de https://gradientflow.com/why-your-generative-ai-projects-are-failing/ avec l’autorisation de l’auteur : Ben Jorica
Ben Lorica est un data scientist très respecté, ayant occupé des postes de direction chez O’Reilly Media (Chief Data Scientist, Président du programme de la Strata Data Conference, O’Reilly Artificial Intelligence Conference et TensorFlow World), chez Databricks, et en tant que conseiller auprès des startups. Il est coprésident de plusieurs conférences de premier plan du secteur : l’AI Conference, le NLP Summit, le Data+AI Summit, le Ray Summit et le K1st World. Il est l’hôte du podcast Data Exchange.
À mi-parcours de l’année 2024, il est temps de faire le point sur les progrès des entreprises dans leurs efforts pour exploiter le pouvoir de l’IA générative. Pour marquer cette occasion, j’ai parcouru de nombreuses enquêtes et discuté avec des personnes de plusieurs entreprises de divers secteurs.
Une tendance claire émerge : l’IA générative passe rapidement du statut de technologie expérimentale à celui d’essentiel pour les entreprises. McKinsey rapporte un taux d’adoption de l’IA générative de 65 %, tandis que Deloitte a constaté que de nombreuses organisations en bénéficient déjà de manière significative, notamment grâce aux grands modèles de langage (LLM).
L’adoption est stimulée à la fois de haut en bas et de bas en haut. La tendance “Bring Your Own AI » (BYOAI), mise en avant par Microsoft et LinkedIn, montre que de nombreux employés intègrent des outils d’IA personnels dans leurs flux de travail. Cet engouement conduit à des gains de productivité significatifs, comme le rapportent Asana et Anthropic.
Malgré l’excitation entourant l’IA générative, de nombreuses entreprises peinent encore à surmonter les complexités du développement de solutions robustes. En réalité, la création d’applications d’IA générative n’est pas une tâche facile : alors que la création d’un simple prototype est relativement simple, le développement d’une application robuste et déployable est une entreprise beaucoup plus complexe.
Les cas d’utilisation spécifiques exigent une attention méticuleuse aux détails ; par exemple, les applications internes peuvent tolérer des hallucinations occasionnelles de l’IA, tandis que les applications destinées aux clients sont généralement moins tolérantes à de telles erreurs. Des obstacles majeurs tels que la confiance et la gestion des risques, l’exactitude et la fiabilité des résultats de l’IA, représentent des barrières significatives à une adoption plus large. De plus, la qualité des données, l’interprétabilité des modèles et leur fiabilité présentent des défis considérables. Cet article s’appuie sur des enquêtes sectorielles et des conversations d’experts pour explorer ces problèmes critiques, fournissant aux équipes d’IA et aux entrepreneurs une compréhension complète du paysage actuel.
Principaux Défis
Des données de haute qualité sont cruciales pour des modèles d’IA précis. Pour y parvenir, une gouvernance efficace des données est essentielle afin d’assurer l’intégrité, la sécurité et la conformité des données. De plus, les modèles d’IA doivent produire constamment des résultats fiables dans divers cas d’utilisation et scénarios, car des résultats inexacts peuvent mener à une mauvaise prise de décision et à des dommages financiers ou de réputation potentiels.
Il est important de mettre en œuvre des cadres de gouvernance des données rigoureux et de surveiller en continu la qualité des données pour maintenir l’intégrité des entrées de l’IA. Utilisez des techniques avancées de validation des modèles et des audits de performance fréquents pour améliorer la précision et la fiabilité des modèles. Pour l’explicabilité et la réduction des biais, il est crucial d’investir dans des outils d’IA explicable (XAI) et de réaliser des audits de biais réguliers. De plus, il existe une opportunité pour les développeurs d’outils de créer des solutions plus sophistiquées qui fournissent des informations plus approfondies sur le comportement des modèles et garantissent la conformité aux normes éthiques.
Intégrer l’IA aux systèmes existants est un défi : les processus existants doivent être adaptés sans perturber les opérations. La scalabilité est un autre obstacle, car maintenir une haute performance et une efficacité coût devient complexe à mesure que les solutions d’IA se développent. La surveillance continue et la maintenance posent également des difficultés constantes, car les modèles d’IA nécessitent une supervision régulière pour garantir leur précision, leur fiabilité et leur alignement avec les objectifs commerciaux.
Adopter une infrastructure scalable et optimiser les modèles pour le rapport coût-performance peut faciliter une adoption plus large de l’IA. La mise en œuvre de processus réguliers de surveillance et de maintenance, ainsi que des outils pour la gestion des versions et le déploiement des modèles, peut aider à maintenir la précision et l’alignement des systèmes d’IA avec les objectifs commerciaux au fil du temps. De plus, il existe des opportunités pour développer des solutions qui simplifient l’intégration, l’échelle et la surveillance des applications d’IA, soutenant ainsi les équipes d’IA dans le dépassement de ces défis.
Les préoccupations liées aux coûts sont particulièrement répandues, notamment parmi la grande distribution qui nécessitent des systèmes d’IA réactifs pour les interactions avec les clients. Les retards de déploiement sont également fréquents, avec seulement 25 % des investissements prévus dans l’IA générative entièrement mis en œuvre et 20 % des entreprises signalant des retards importants.
Les stratégies de gestion des coûts, telles que l’utilisation de solutions basées sur le cloud et l’optimisation de l’allocation des ressources, peuvent atténuer les dépenses élevées de mise en œuvre. Pour minimiser les retards de déploiement, les équipes devraient se concentrer sur la rationalisation des processus, l’automatisation des tâches lorsque cela est possible et garantir une communication et une collaboration efficaces. De plus, investir dans des programmes de formation et d’éducation peut aider les équipes à surmonter la courbe d’apprentissage abrupte associée aux initiatives d’IA générative.
Définir des indicateurs clairs liés aux objectifs commerciaux est un obstacle, de nombreuses équipes négligeant de recueillir des données de référence avant le déploiement ou de réévaluer les progrès de manière périodique. L’importance d’incorporer les retours des employés est souvent sous-estimée, ce qui freine les efforts d’amélioration continue. De plus, les équipes d’IA oublient fréquemment la valeur non financière créée par l’IA, comme les expériences client améliorées et l’efficacité opérationnelle accrue. Enfin, établir des protocoles de test robustes pour déterminer quand un modèle d’IA générative est vraiment prêt pour le déploiement reste un défi constant.
Adopter une approche holistique de la création de valeur qui prend en compte les impacts financiers et non financiers peut offrir une vue plus équilibrée des avantages de l’IA. Avec l’abondance des outils de développement d’applications LLM, la création de prototypes fonctionnels n’a jamais été aussi facile pour les développeurs. Cependant, il y a un besoin croissant d’outils d’évaluation et de test améliorés pour aider les équipes à évaluer leurs applications d’IA. Les créateurs d’outils ont une opportunité de créer de nouvelles solutions simplifiant ces processus, facilitant ainsi la mesure de l’impact, la collecte des retours et l’évaluation de la préparation des modèles.
Un manque généralisé de culture et de compétences en IA parmi les employés freine la mise en œuvre et l’utilisation réussie des technologies d’IA. La résistance au changement, alimentée par la peur du remplacement des emplois et la méfiance envers les outils d’IA, complique encore les efforts d’intégration. De plus, de nombreuses organisations rencontrent des difficultés en raison du manque de vision stratégique et de gouvernance, ce qui conduit à une adoption difficile et à des pratiques inconsistantes qui compromettent les avantages potentiels des initiatives d’IA.
Pour relever ces défis, les organisations doivent investir dans des programmes de formation et de perfectionnement en IA pour leur personnel, favorisant une culture d’apprentissage continu et d’adaptabilité. Une base solide de données de haute qualité, associée à la priorité des cas d’utilisation ayant un fort taux de succès et à des pratiques de gouvernance transparentes, peut considérablement améliorer le retour sur investissement et la confiance dans les applications d’IA.
L’accès non autorisé à des données de la vie privée et l’utilisation abusive des informations sensibles représentent des obstacles majeurs à l’adoption plus large de l’IA générative, car ils érodent la confiance et peuvent entraîner des violations réglementaires. Des pratiques d’IA responsables et éthiques sont cruciales pour garantir que les développements s’alignent sur les valeurs sociétales et éviter les conséquences imprévues. De plus, les impacts négatifs potentiels sur la société, tels que le déplacement des emplois et l’élargissement des écarts de compétences, présentent des défis importants qu’il convient de relever pour assurer une transition inclusive vers un avenir axé sur l’IA.
Les équipes doivent envisager des mesures robustes en matière de confidentialité et de sécurité des données, telles que le chiffrement, les contrôles d’accès et les audits réguliers. L’adoption de cadres et de directives pour une IA responsable, comme ceux proposés par le NIST, peut aider à atténuer les risques. De plus, investir dans des programmes de reconversion et de perfectionnement peut atténuer les préoccupations liées à la suppression des emplois.
À la lumière de ces défis et opportunités, voici des recommandations clés pour les équipes d’IA afin d’assurer des mises en œuvre réussies d’IA générative :
Développer une Stratégie de Données Complète pour l’IA Générative : Mettez en œuvre des stratégies solides en ingénierie et gestion des données pour exploiter efficacement les données non structurées. Investissez dans des outils qui simplifient l’ingestion, le nettoyage et l’enrichissement des données, en assurant une intégration fluide avec les flux de travail de modélisation IA.
Prioriser les Cas d’Utilisation Pratiques et Déployables : Concentrez-vous sur le déploiement de solutions d’IA pratiques et spécifiques aux cas d’utilisation qui répondent à de réels besoins commerciaux, notamment dans des domaines comme les applications basées sur le texte, où des résultats tangibles peuvent être obtenus rapidement. Les secteurs technologique et de la vente au détail ont démontré les taux de succès les plus élevés.
Personnaliser les Solutions d’IA pour la Valeur Commerciale : Adaptez les modèles d’IA aux périmètres métiers spécifiques et exploitez les données propriétaires pour améliorer les performances. La personnalisation répond non seulement aux besoins uniques des applications, mais offre également un avantage concurrentiel en générant des résultats supérieurs. Les enquêtes confirment que les performeurs de haut niveau sont plus susceptibles de mettre en œuvre des solutions d’IA personnalisées, soulignant l’importance de cette stratégie. Cela nécessite des données spécifiques au domaine et l’utilisation stratégique de techniques comme le réglage fin et la Génération Augmentée par Récupération (RAG) pour offrir une performance exceptionnelle et répondre aux exigences uniques des entreprises.
Adopter une Approche Agile et Itérative : Mettez en œuvre des solutions d’IA en utilisant des méthodologies agiles, en commençant par des projets pilotes simples et en les développant progressivement en fonction des apprentissages et des réussites. Surveillez, évaluez et adaptez continuellement les initiatives d’IA en fonction des retours du monde réel et des besoins commerciaux évolutifs. Cette approche itérative permet une flexibilité, réduit les risques et garantit que les solutions d’IA restent alignées avec les exigences et priorités changeantes.
Établir des Indicateurs Clairs et Recueillir des Retours : Définissez des indicateurs mesurables liés aux objectifs commerciaux pour suivre l’impact des initiatives d’IA. Recueillez des données de référence avant le déploiement et réévaluez périodiquement les progrès. La collecte et l’intégration des retours des employés sont cruciales pour l’amélioration continue et la pertinence dans le monde réel.
Mettre l’Accent sur l’IA Responsable et Construire la Confiance : Intégrez des considérations éthiques et des stratégies de gestion des risques à chaque étape du cycle de vie de l’IA. Assurez-vous que les équipes techniques comprennent la gestion des risques et intègrent des tests. Adoptez des pratiques éthiques et des stratégies de gestion des risques dans le développement de l’IA.
[…] BIG DATA PARIS 2020 […]