Intégration et mise en production de l'AI

De nombreuses organisations ont produit avec succès des modèles d'AI utiles via une analyse ad hoc, en particulier dans les départements d'analyse de données qui fournissent une aide à la décision. Un défi majeur consiste à prendre les modèles produits via une analyse ad hoc et à permettre à ces modèles d'AI d'être utilisés par l'organisation au sens large. Les entreprises permettant à une organisation entière de tirer parti de l'AI obtiendront un avantage significatif.

Cet article explorera comment intégrer l'AI au sein d'une organisation par le biais de la productionnalisation.

Identifier un modèle d'IA approprié pour une utilisation en production

Un modèle d'intelligence artificielle ou d'apprentissage automatique adapté à un usage en production est tout modèle qui produit des informations précieuses ou qui donne un résultat pratique. Supposons que de tels modèles doivent être constamment exécutés manuellement par des data scientists. Dans ce cas, il est très probable que le processus ne soit pas industrialisé et qu'il ne soit accessible qu'à quelques employés techniques.

Un modèle est industrialisé lorsqu'il est utilisé quotidiennement dans les processus opérationnels normaux (BAU). Par conséquent, s'il est exécuté de manière ad hoc, il n'est pas accessible à l'organisation dans son ensemble.

Intégrer l'AI dans les processus opérationnels habituels (BAU)

Un problème de longue date avec l'intelligence artificielle et l'apprentissage automatique, et même les modèles statistiques plus anciens, est que peu de personnes au sein d'une organisation y ont accès. Il y a plusieurs raisons à cela, bien que la plus courante soit l'obstacle technique à franchir pour utiliser de tels modèles et la configuration informatique nécessaire pour exécuter ces modèles'.

Avec l'avènement du navigateur Web et les fonctionnalités continues intégrées au navigateur, il est possible de fournir de telles capacités aux utilisateurs qui peuvent avoir besoin d'utiliser le modèle simplement en ayant accès à un navigateur Web. La raison en est que la configuration informatique requise peut être abstraite dans un serveur distant tandis qu'une interface utilisateur peut être affichée pour expliquer comment exécuter et interagir avec le modèle. Ainsi, cela permettra, à l'avenir, non seulement l'intelligence artificielle mais bien d'autres fonctions informatiques d'être mises à la disposition de davantage de personnes, quelles que soient leurs capacités techniques.

Industrialisation des modèles d'AI en systèmes d'AI

Un système d'intelligence artificielle est un système qui utilise un modèle d'IA ou plusieurs modèles d'IA pour atteindre le résultat souhaité. La différence entre les deux n'est pas évidente pour de nombreuses organisations, car la direction a tendance à considérer que la capacité d'exécuter l'IA équivaut à disposer de capacités d'IA. Un système correctement architecturé et conçu est nécessaire pour garantir que l'IA agit dans le respect d'une bonne gouvernance.

Une façon simple de décrire la distinction entre les deux consiste à examiner les fonctions professionnelles derrière chaque étape du processus. Les informaticiens développent des techniques d'IA. Les data scientists utilisent des techniques d'IA et les appliquent à des problèmes au sein de l'organisation, et, à partir d'un modèle fiable, les ingénieurs logiciels construisent ensuite des systèmes robustes qui utilisent à la fois les techniques d'IA et la manière dont elles sont appliquées.

À l'ère moderne, l'ingénierie logicielle construirait généralement des logiciels web qui utilisent cette IA via des processus backend tout en présentant un frontend convivial avec une interface utilisateur riche. Ainsi, cela permet aux utilisateurs d'utiliser l'intelligence artificielle comme un data scientist sans nécessiter d'expertise technique. À l'avenir, cela est important car l'IA doit être démocratisée compte tenu du grand avantage qu'elle procure à ceux qui y ont accès.

Exploiter l'AI et le Cloud

Les modèles d'intelligence artificielle ont tendance à s'exécuter sur des superordinateurs, ce qui est très courant dans le domaine de la recherche. Les superordinateurs sont coûteux et difficiles d'accès, étant donné que de nombreux projets différents sont en concurrence pour du temps de calcul. Une alternative consiste à exploiter la puissance de l'informatique distribuée dans le cloud comme solution de remplacement.

L'informatique en nuage fournit de la puissance de calcul et du stockage à la demande, et peut également être mise à l'échelle dynamiquement. L'avantage est que les organisations ne sont pas tenues d'investir massivement dans la construction et la maintenance de ladite infrastructure. Un obstacle pour les organisations souhaitant accéder à l'intelligence artificielle dans le passé était l'accès à une vaste puissance de calcul et de stockage. Avec un accès plus aisé à ces ressources, il est désormais pratique pour les organisations de tirer parti de l'intelligence artificielle.

Alors que les organisations migrent leur infrastructure et leurs systèmes existants vers le cloud et adoptent une stratégie axée sur le cloud, il sera logique que les décideurs stratégiques explorent où d'autres infrastructures cloud peuvent apporter leur aide. L'intelligence artificielle figurera parmi les sujets de discussion lors de l'exploration des capacités futures.

Présentation et affichage des résultats de l'AI à l'ensemble de l'organisation

Les modèles et systèmes d'intelligence artificielle produisent des résultats qui nécessitent qu'un individu les interprète et prenne des mesures. À l'avenir, les systèmes d'intelligence artificielle pourront également suggérer des mesures à prendre. Cependant, il appartient encore très largement aux décideurs de décider de la marche à suivre dans l'état actuel des choses.

Les techniques existantes de présentation et de visualisation des données, telles que l'utilisation de suites de reporting de business intelligence et de tableaux de bord d'analyse de données, notamment Tableau et Power BI, continueront d'être utilisées et étendues. Des visualisations personnalisées continueront également d'être développées, comme celles observées dans les cartes auto-organisatrices (SOM), pour permettre aux utilisateurs de donner du sens aux résultats de l'AI.

Étant donné que les systèmes d'intelligence artificielle peuvent traiter bien plus de variables que ce qui est compréhensible pour un individu, il est essentiel que de tels résultats soient compréhensibles pour une personne et que de tels résultats et leurs implications associées soient compris.

Interpréter l'AI et exploiter les résultats de l'AI

Les systèmes d'intelligence artificielle, ou tout système, produisent généralement des sorties. Compte tenu de la complexité des résultats, ils ne doivent pas être mal interprétés ni soumis à des biais dans les données. Il y a eu de nombreux cas de rapports d'AI avec des préjugés injustifiés simplement parce que les données à partir desquelles elle a appris contenaient des ensembles de caractéristiques biaisés ou limités.

Les organisations utilisant les résultats de l'AI doivent restreindre l'interprétation au domaine des experts en la matière qui travaillent dans un domaine donné afin de garantir une perspective équilibrée. Adopter une telle approche aidera également à garantir que les résultats de l'AI sont fiables et complets. Nous considérons également comme essentiel de prendre en compte la portée des actions entreprises sur la base des résultats de l'AI, et celle-ci devrait se situer dans un domaine limité et étroit pour garantir que les actions de l'AI sont sûres.

Contactez-nous aujourd'hui pour une consultation gratuite sur la façon dont le Telemus AI™ peut être intégré à votre organisation.