5 façons d'accélérer votre prochaine implémentation d'IA

La préparation et la mise en œuvre de projets d'intelligence artificielle peuvent être un voyage de plusieurs années. Selon les derniers chiffres, seuls 28% des répondants ont indiqué que avait dépassé l'étape de planification de l'IA au cours de la première année . Cela est dû à plusieurs facteurs, notamment la maturité relative de la technologie (du moins dans le nombre toujours croissant de cas d'utilisation du secteur), le niveau de complexité impliqué, par exemple les exigences en matière d'intégration, une expérience d'entreprise limitée et le manque de compétences internes, des préoccupations avec une partialité de l'intelligence artificielle ainsi que des problèmes de gouvernance, de risque et de conformité, des exigences étendues en matière de gestion du changement et plus encore.

En mettant autant l'accent sur la démonstration de gains rapides, dans le cadre de programmes d'innovation d'entreprise ou d'initiatives de transformation numérique, avoir un impact potentiel sur la réputation d’initiatives bien plus importantes que la leur. Alors que les DSI passent de «projets aux produits» dans leur approche de la gestion des produits, ces longs projets d'intelligence artificielle peuvent également retarder l'apparition de nouvelles versions de produits, internes ou externes, novatrices.

plus d’investissements dans des initiatives plus larges de transformation et d’innovation numériques, les DSI peuvent accélérer la mise en œuvre de l’intelligence artificielle de cinq manières différentes:

(Bien que nous nous concentrions sur les initiatives d’apprentissage automatique de l’IA avec des exemples de décision de prêt dans les services financiers, les recommandations s'appliquent à de nombreuses autres initiatives et industries de l'IA.)

1. Construisez ou achetez en fonction du fait que l'intelligence artificielle deviendra ou non une compétence essentielle de votre organisation

L'une des premières décisions à prendre est de savoir si vous souhaitez construire ou acheter. Bien que nous entendions beaucoup parler des différentes plates-formes, infrastructures et frameworks pour l'intelligence artificielle à construire soi-même, les héros méconnus sont souvent les vendeurs spécialisés dans l'IA de niche, qui offrent des services d'IA basés sur le cloud pouvant être rapidement formés et déployés pour votre propre compte. cas d'utilisation. La décision de construire ou d’acheter repose vraiment sur l’importance cruciale de l’intelligence artificielle pour votre organisation en tant que future compétence clé.

Par exemple, toutes les sociétés de services financiers devraient se préoccuper de la fracture numérique et financière imminente entre les IA. ”Et“ démunis ”(voir“ En adoptant une approche paradoxale de la stratégie commerciale et du déploiement technologique ”), toutes les entreprises n'ont pas besoin de créer leurs propres algorithmes en interne. Les plus petits magasins peuvent très efficacement se concentrer davantage sur les avantages et les résultats commerciaux de l'intégration de technologies d'IA tierces dans leurs flux de travail centraux, tels que la souscription de prêts, sans avoir à développer leur propre expertise interne en AI / ML.

2. En matière de données, «plus c'est plus, plus» et la qualité est la clé

On disait autrefois que le succès était synonyme de 10% d'inspiration et de 90% de transpiration. En ce qui concerne l'IA, une implémentation réussie nécessite souvent 10% d'IA et 90% de données. Tous les jeux de données utilisés pour entraîner les algorithmes AI / ML à refléter la prise de décision humaine doivent être aussi grands que possible et nettoyés autant que possible.

En termes simples, cela signifie que 10 000 lignes de données avec 1 000 attributs par ligne sont loin plus utile pour un algorithme ML que 1 000 lignes de données avec 100 attributs par ligne. Selon Marc Stein PDG de Underwrite.AI une société axée sur l'application des avances en matière d'IA afin de fournir aux prêteurs des modèles dynamiques et non linéaires de risque de crédit. aussi simple que «plus, c'est mieux». Le type de données et la quantité doivent être adaptés au type d'algorithme. L'apprentissage en profondeur nécessite l'efficacité d'un grand nombre d'enregistrements, tandis que les algorithmes basés sur des statistiques prennent mieux en charge des ensembles de données plus petits.

Si vous utilisez l'intelligence artificielle pour modéliser la prise de décision humaine, obtenez autant de données que vous pouvez, assurez-vous que chaque donnée Ce champ a une valeur et accorde une grande importance à la qualité et à la cohérence des données. Cela peut prendre beaucoup de temps, en particulier si vous utilisez plusieurs sources différentes, mais si vous le faites soigneusement dès le début, vous éviterez de nombreuses reprises coûteuses.

3. Consacrez du temps à la gestion du changement et à la formation sur la meilleure interprétation des résultats

Bien qu'il soit techniquement simple d'appeler une API d'intelligence artificielle pour transmettre un nouvel ensemble de données et recevoir un score, le plus difficile est la gestion du changement et la formation nécessaires pour permettre aux analystes commerciaux de mieux interpréter ces scores et d'intégrer le nouveau processus dans leur flux de travail quotidien.

Certaines formes d'IA peuvent produire des décisions automatisées, telles qu'une décision de type «oui» ou «non» pour un nouveau prêt basé sur le crédit. Dans l’histoire, les algorithmes ML fournissent souvent une réponse plus subtile. Cette réponse devra peut-être être utilisée en conjonction avec les processus humains existants pour prendre la meilleure décision pour le prêt. À titre d'exemple, le «score» de l'IA peut être une note allant de «A» à «D» et «F». «A» et «F» peuvent être des décisions clairement définies «Oui» ou «Non» qui peuvent être entièrement automatisées pour une prise de décision en temps réel, mais les notes «B» à «D» peuvent toujours nécessiter un souscripteur humain à la boucle .

Tout comme vous passez du temps à former des analystes à l’utilisation d’un nouveau modèle financier et à la meilleure manière d’interpréter les résultats du modèle, il en va de même pour les résultats basés sur l’IA. Les analystes métier peuvent avoir besoin de passer plusieurs semaines, voire un mois, à observer les résultats obtenus avec les algorithmes ML, afin de disposer d’une base de référence quant à la meilleure interprétation des scores. Si vous travaillez avec un fournisseur d'IA, ce dernier peut vous aider à interpréter les résultats et à former les employés à tirer le meilleur parti du nouveau système.

Selon M. Stein, il est essentiel de: Comprenez que l'IA n'est pas magique. Il s’agit simplement d’un processus permettant de discerner des tendances dans les comportements passés qui permettent des prévisions plus précises pour l’avenir. Cela ne peut réussir que si une entreprise a un problème clairement défini et un indicateur de succès facilement compréhensible. Par exemple, «Nous devons réduire les défauts de remboursement des prêts, mesurés par un taux de perte» ou «Nous devons augmenter le taux de conversion par rapport au taux actuel de 32,5%», etc. Si vous ne comprenez pas bien le problème, vous ne comprendrez pas non plus la solution.

4. Adoptez une approche hypothèse et test par opposition à succès ou échec

Comme chaque implémentation d’IA est unique, il est important de commencer chaque projet avec un état d’esprit «hypothèse et test» plutôt que de considérer les projets comme des succès ou des échecs. En formulant des hypothèses à chaque étape et en prenant les leçons de chaque étape pour la prochaine itération, vous pouvez rapidement affiner votre déploiement d'intelligence artificielle jusqu'à ce qu'il devienne une solution viable pouvant produire des résultats significatifs.

Alors que l'approche des hypothèses et des tests rallonge le déploiement du projet Parfois, l’avantage est que vous ajustez continuellement la solution afin d’intégrer les leçons tirées de la vie réelle, de répondre aux besoins des clients et des employés et de passer continuellement à l’analyse de rentabilisation la plus convaincante qui rendra votre solution durable.

5. Intégrez et intégrez toutes les formes d'automatisation dans votre vision future

Lorsque vous vous lancez dans les premiers projets pilotes d'IA, preuves de concept ou MVP, gardez à l'esprit que la vision future de votre organisation en ce qui concerne l'IA à l'échelle de l'entreprise fusion de plusieurs types d'automatisation, allant de processus entièrement manuels à ceux utilisant l'automatisation de processus robotique (RPA) jusqu'à une intelligence artificielle plus sophistiquée. Il s’agit souvent de réinventer les processus d’entreprise, puis d’appliquer le meilleur outil pour le travail à chaque nouvelle étape. Le simple fait d'insérer RPA ou AI dans des processus métier existants inchangés risque de manquer à l'art du possible.

Un autre facteur important est le transfert entre chaque outil. Cela peut être humain à machine ou machine à machine. En optimisant les transferts et en les rendant rapides, homogènes et fiables, vous pouvez encore améliorer vos processus métiers futurs pour qu'ils soient aussi rentables et concurrentiels que vos objectifs commerciaux et le marché l’indiquent.

La bonne nouvelle est que les implémentations d’IA peut être accéléré, mais il ne s'agit pas nécessairement de devenir plus intelligent en matière d'IA. Il s'agit de faire les bons choix, tels que construire ou acheter, de devenir obsédé par la qualité des données (ainsi que des clients), de consacrer suffisamment de temps à la gestion du changement et à l'implication rapide de l'entreprise, en adoptant une approche «hypothèse et test», et en fin de compte, associez plusieurs techniques d'automatisation à votre vision future.

Si votre projet d'intelligence artificielle prend beaucoup de temps, soyez patient et maintenez le cap. Vous pourrez peut-être également utiliser certaines des recommandations ci-dessous pour accélérer votre course vers la ligne d'arrivée. Bien sûr, tout comme la transformation numérique, cette course n'est jamais terminée

Cet article est publié dans le cadre du réseau des contributeurs IDG. Vous souhaitez vous inscrire?