Publié à l'origine sur data-economy.com.
L'intelligence artificielle existe depuis des décennies, mais ce n'est qu'au cours des dix dernières années qu'elle a profondément pénétré le monde de l'entreprise avec une vague de nouvelles applications.
João Marques Lima s'entretient avec Greg Benson, professeur d'informatique et scientifique en chef chez SnapLogic, pour découvrir comment l'IA, et en particulier l'apprentissage automatique, transforme les entreprises dans le monde entier.
Le marché mondial du Machine Learning (ML) était évalué à environ 1,58 milliard de dollars en 2017 et devrait atteindre environ 20,83 milliards de dollars en 2024, avec un taux de croissance annuel composé de 44,06 % entre 2017 et 2024, selon Zion Market Research.
L'apprentissage automatique est une application de l'intelligence artificielle qui permet aux applications logicielles d'être plus précises dans la prédiction des résultats sans être définitivement programmées.
De nombreux experts en intelligence artificielle ont émis l'idée que d'ici 2050, toutes les tâches intellectuelles accomplies par les humains pourront être réalisées par la technologie de l'intelligence artificielle.
Les applications courantes de la technologie de l'apprentissage automatique sont les services financiers, les soins de santé, les administrations publiques, le marketing et les ventes, les transports, le pétrole et le gaz, la fabrication, la bio-informatique, l'anatomie computationnelle et bien d'autres encore.
L'adoption de cette technologie par le marché suscite autant de craintes que d'opportunités, et même les gouvernements prennent rapidement des mesures pour prendre des décisions communes et concertées sur la manière dont nous devrions utiliser l'IA dans la société d'aujourd'hui et de demain.
L'exemple le plus récent est la création du Partenariat mondial pour l'IA, fondé par le président français Emmanuel Macron et le premier ministre canadien Justin Trudeau.
Alors que le monde s'éveille aux opportunités - et aux éventuelles difficultés - qui l'attendent, le Dr Benson de SnapLogic discute de l'impact sur les entreprises.
Quels sont les obstacles à l'adoption de la ML par les entreprises ?
Les entreprises sont confrontées à plusieurs obstacles majeurs lorsqu'il s'agit d'adopter l'apprentissage automatique, notamment le fait que le processus d'apprentissage automatique peut sembler décourageant pour de nombreuses organisations en raison de sa nature imprévisible et expérimentale. De nombreuses organisations ont du mal à comprendre ce qui est nécessaire pour entreprendre l'apprentissage automatique.
Lorsque les équipes informatiques commencent à examiner les données pour déployer des algorithmes d'apprentissage automatique, la plupart d'entre elles ne connaissent probablement pas le type de données nécessaires. Il faut donc procéder à de nombreuses explorations avant que les décideurs informatiques et commerciaux aient une idée des données qui seront utiles et des algorithmes d'apprentissage automatique qui fonctionneront le mieux pour résoudre un problème particulier.
Par exemple, presque toutes les entreprises ont des politiques qui limitent l'accès à certaines informations par des départements ou des employés spécifiques, mais elles doivent comprendre que l'apprentissage automatique est alimenté par toutes sortes de données.
Par conséquent, l'accès à ces données pour que les algorithmes puissent les utiliser peut être une étape cruciale pour toute forme d'apprentissage automatique.
Parmi les autres défis techniques, citons la possibilité d'automatiser l'accès aux données. Lorsque les organisations ont formulé des politiques claires qui permettent un accès facile aux données en temps réel, elles doivent réfléchir à la manière de mettre en place un canal ou un pipeline afin d'accéder aux données.
Les organisations doivent également s'assurer de la disponibilité de données constantes en temps réel. Les modèles d'apprentissage automatique ne doivent pas être formés sur un seul ensemble fixe de données, et les organisations doivent donc les configurer de manière à ce qu'ils puissent entraîner à nouveau leurs modèles pour s'adapter au comportement changeant des données et des systèmes avec lesquels ils travaillent. En outre, il y a, bien sûr, un problème majeur de pénurie de talents.
Comment surmonter ces obstacles ?
L'accès à certains types de données pose problème, en particulier lorsque différents groupes d'employés ou d'autres parties prenantes interviennent à des moments différents pour travailler sur des projets.
Les organisations devraient donc envisager de filtrer d'abord toute information potentiellement sensible des données afin que le reste puisse être utilisé pour déployer des algorithmes d'apprentissage automatique.
Un autre problème à résoudre est de savoir comment répondre à la demande de scientifiques des données.
Si l'on peut se réjouir de l'augmentation du nombre de scientifiques des données sur le lieu de travail, il faut encore consacrer beaucoup de temps à leur formation, de sorte que l'offre ne suit toujours pas la demande croissante.
Mais ce que nous commençons à voir, c'est que de plus en plus de personnes qui ont été formées dans d'autres domaines, comme les analystes commerciaux seniors et les ingénieurs logiciels, développent de plus en plus leurs connaissances en science des données et en apprentissage automatique, ce qui peut aider à combler ce fossé.
Étant donné que l'apprentissage automatique est, en fait, un logiciel, il s'agit d'un domaine avec lequel de nombreux ingénieurs en logiciel sont déjà familiarisés. Ils peuvent également se former eux-mêmes grâce à l'énorme quantité de matériel et de ressources qui sont facilement disponibles pour les aider à se mettre à niveau.
En outre, les entreprises disposent d'analystes informatiques qui ont de l'expérience dans la gestion des bases de données. Même s'ils ne sont pas programmeurs, ils ont l'esprit analytique et peuvent donc tirer parti de l'apprentissage automatique grâce à l'autoformation.
Tous ces développements s'inscrivent dans une tendance très positive, puisque les outils et les plateformes commencent à permettre à un plus grand nombre d'utilisateurs de s'engager dans l'apprentissage automatique et de le rendre utile pour eux.
Quelles sont les principales idées fausses que les entreprises se font du ML ?
Je vois deux principales idées fausses sur la ML, qui ont trait à la complexité et aux capacités de la ML. Tout d'abord, les entreprises pensent souvent que la ML est très complexe et qu'il faut des doctorants pour tirer profit d'une mise en œuvre de la ML.
En réalité, il existe de nombreux algorithmes de ML relativement simples qui peuvent être appliqués aux données des entreprises pour fournir des prédictions ou des classifications.
D'autre part, il existe une conception irréaliste selon laquelle la ML est une panacée pour tous les problèmes de l'entreprise. L'idéal est de comprendre les capacités réalistes de différents algorithmes de ML bien compris et de les associer aux bonnes données commerciales afin d'en tirer une valeur réelle.
Comment les entreprises peuvent-elles se cyberprotéger lorsqu'elles utilisent la ML ?
Il s'agit d'un domaine actif de la recherche en sécurité et du développement de produits dans lequel la ML peut être utilisée pour identifier les comportements anormaux et indésirables des systèmes, tels que la fraude, l'intrusion et le vol de données. Les fournisseurs de produits de sécurité proposent une gamme de produits basés sur la ML pour détecter les attaques de systèmes.
À moins d'être une grande entreprise disposant de ressources considérables, il ne sera probablement pas rentable de mettre en place des ML en interne pour la cyberprotection.
Comment les entreprises peuvent-elles combler le déficit de compétences en science des données ?
Les entreprises de toutes tailles devraient collaborer avec les universités ou créer des programmes d'apprentissage pour attirer de nouveaux talents.
Un autre moyen de combler le déficit de compétences consiste pour les entreprises à investir dans des technologies qui soulageront les professionnels de l'informatique. Disposer des bonnes données pour déployer des algorithmes de Machine Learning est un processus incroyablement chronophage - beaucoup de temps est en effet consacré à essayer d'accéder et de passer au crible d'énormes volumes de données désorganisées avec un codage manuel, ce qui laisse peu de temps aux professionnels de l'informatique pour se concentrer sur des tâches à plus forte valeur ajoutée.
Les organisations doivent investir dans des technologies capables d'automatiser les pipelines de données, de donner à tous les départements un accès régulier aux données en temps réel, et de rendre les processus de Machine Learning aussi transparents que possible, avec peu ou pas de codage nécessaire.
Quels seront les avantages pour les entreprises d'investir davantage dans les technologies émergentes et la formation professionnelle ?
Les entreprises peuvent considérer que l'investissement dans les technologies émergentes leur sera bénéfique de deux manières : soit pour prendre de l'avance sur leurs concurrents, soit pour éviter que leur organisation ne devienne obsolète.
Les entreprises doivent suivre et même devancer les tendances technologiques pour non seulement offrir une meilleure expérience et une utilisation plus efficace de leurs ressources, mais aussi pour continuer à fournir les services que leurs utilisateurs et leurs clients attendent.
Par exemple, de nombreuses organisations ont encore du mal à traiter d'énormes volumes de données à grande échelle parce qu'elles s'appuient sur des technologies obsolètes et des systèmes de données sur site.
Elles doivent donc investir dans des outils tels que cloud et l'apprentissage automatique qui peuvent automatiser le traitement des données pour le rendre aussi transparent que possible afin de tirer le meilleur parti de leurs données.
En fin de compte, d'une manière ou d'une autre, toutes les organisations devront adopter l'apprentissage automatique tout simplement parce que cela deviendra une attente afin que les applications et les services puissent mieux anticiper ce que leurs utilisateurs tentent de faire et fournir des recommandations ou des prédictions qui leur permettent d'atteindre leurs objectifs plus rapidement.
Cela ne s'applique pas seulement à l'investissement dans les technologies, mais aussi à la formation des compétences. Les entreprises doivent s'assurer que les personnes sont bien formées à l'utilisation de ces technologies, mais aussi continuer à les aider à développer leurs compétences afin d'exploiter tout le potentiel de ces technologies émergentes.
