Comment transformer l'échec de l'IA en succès de l'IA

décembre 4, 2021 Par admin 0
Comment transformer l'échec de l'IA en succès de l'IA

Crédit d'image: Andriy Onufriyenko/Getty Images

Écoutez les DSI, les CTO et d'autres cadres supérieurs et cadres sur les données et les stratégies d'IA au Sommet sur l'avenir du travail ce 12 janvier 2022. En savoir plus

L'entreprise se précipite tête baissée vers des analyses et des processus basés sur l'IA. Cependant, sur la base du taux de réussite jusqu'à présent, il semble qu'il y aura une courbe d'apprentissage abrupte avant qu'il ne commence à apporter des contributions notables à la plupart des opérations de données.

Alors que des histoires positives commencent à émergent, il n'en reste pas moins que la plupart des projets d'IA échouent. Les raisons varient, mais en fin de compte, il s'agit d'un manque d'expérience avec la technologie, qui s'améliorera très certainement avec le temps. En attendant, il pourrait être utile d'examiner certains des points douloureux qui conduisent à l'échec de l'IA pour, espérons-le, aplanir la courbe d'apprentissage et raccourcir sa durée.

Fonctions cachées de l'IA

À un niveau fondamental, selon le chercheur Dan Hendrycks de l'UC Berkeley, un problème clé est que les scientifiques des données n'ont toujours pas une compréhension claire du fonctionnement de l'IA. S'adressant à IEEE Spectrum, il note qu'une grande partie du processus de prise de décision reste un mystère, donc lorsque les choses ne fonctionnent pas, il est difficile de déterminer ce qui n'a pas fonctionné. En général, cependant, lui et d'autres experts notent que seule une poignée de limitations de l'IA sont à l'origine de nombreux échecs.

L'un d'eux est la fragilité – la tendance de l'IA à bien fonctionner lorsqu'un Le modèle défini est observé, mais échoue ensuite lorsque le modèle est modifié. Par exemple, la plupart des modèles peuvent assez bien identifier un autobus scolaire, mais pas lorsqu'il est renversé sur le côté après un accident. Dans le même temps, les IA peuvent rapidement «oublier» les anciens modèles une fois qu'elles ont été formées pour en détecter de nouveaux. Les choses peuvent également mal tourner lorsque l'utilisation par l'IA de la logique brute et du calcul des nombres l'amène à des conclusions qui défient le bon sens.

Un autre facteur contribuant à l'échec de l'IA est qu'il représente un si énorme changement dans la façon dont les données sont utilisées que la plupart des organisations doivent encore s'y adapter sur le plan culturel. Mark Montgomery, fondateur et PDG du développeur de plateformes d'IA KYield, Inc., note que peu d'organisations ont un solide champion de l'IA au niveau exécutif, ce qui permet à l'échec de remonter de manière organique. Ceci, à son tour, conduit à une mauvaise gestion des données au départ, ainsi qu'à des projets mal définis qui deviennent difficiles à opérationnaliser, en particulier à grande échelle. Peut-être que certains des projets qui émergent de cette manière seront couronnés de succès, mais il y aura beaucoup d'échecs en cours de route.

Effacer les objectifs

Pour aider à minimiser ces problèmes, les entreprises doivent éviter trois pièges clés, déclare Bob Friday, vice-président et CTO de Juniper's Entreprise axée sur l'IA. Tout d'abord, n'entrez pas là-dedans avec des idées vagues sur le retour sur investissement et d'autres mesures clés. Au début de chaque projet, les dirigeants doivent définir clairement à la fois les coûts et les avantages. Sinon, vous ne développez pas l'IA, mais vous jouez simplement avec un nouveau jouet brillant. Dans le même temps, il devrait y avoir un effort concerté pour développer les compétences nécessaires en IA et en gestion des données pour produire des résultats positifs. Et enfin, n'essayez pas de créer des environnements d'IA en interne. Le moyen le plus rapide et le plus fiable d'être opérationnel consiste à mettre en œuvre une solution intégrée conçue par des experts, à la fois flexible et évolutive.

Mais peut-être la chose la plus importante à garder à l'esprit , explique Daniel Faggella, responsable de la recherche d'Emerj, est que l'IA n'est pas l'informatique. Au lieu de cela, il représente une nouvelle façon de travailler dans la sphère numérique, avec de tout nouveaux processus et attentes. Une différence clé est que si l'informatique est déterministe, l'IA est probabiliste. Cela signifie que les actions entreprises dans un environnement informatique sont largement prévisibles, alors que celles de l'IA ne le sont pas. Par conséquent, l'IA nécessite beaucoup plus de soins et d'alimentation en amont dans la phase de conditionnement des données, puis un suivi sérieux de la part d'équipes et de dirigeants qualifiés pour s'assurer que les projets ne dérapent pas ou peuvent être remis sur les rails rapidement s'ils le font.

L'entreprise pourrait également bénéficier d'une réévaluation de la signification d'un échec et de son impact sur la valeur globale de ses déploiements d'IA. Comme l'a dit un jour Dale Carnegie, « Le découragement et l'échec sont deux des tremplins les plus sûrs vers le succès. »

En d'autres termes, la seule façon de vraiment échouer avec l'IA est de ne pas apprendre de vos erreurs et essayez, réessayez.

VentureBeat

La mission de VentureBeat est d'être une place de ville numérique pour que les décideurs techniques acquièrent des connaissances sur la technologie transformatrice et effectuent des transactions. Notre site fournit des informations essentielles sur les technologies et les stratégies de données pour vous guider dans la gestion de vos organisations. Nous vous invitons à devenir membre de notre communauté, pour accéder à :

  • des informations à jour sur les sujets qui vous intéressent

nos newsletters contenu de leader d'opinion et accès à prix réduit à nos événements prisés, tels que Transformer 2021: En savoir plus

    Fonctionnalités de mise en réseau, et plus encore

    Devenir membre