7 considérations pour maximiser le retour sur investissement des investissements en IA/ML

Motivées par de multiples facteurs, les entreprises de presque tous les secteurs adoptent de plus en plus intelligence artificielle (IA) et l’apprentissage automatique (ML) pour améliorer l’efficacité, la rentabilité et l’expérience client tout en améliorant la prise de décision fondée sur des preuves. Les volumes sans cesse croissants de données disponibles, structurées et non structurées, combinés aux innovations continues dans le domaine des logiciels et des infrastructures capables de gérer efficacement de gros volumes de données, facilitent cette adoption.

La mise en œuvre de la technologie IA et des solutions ML peut nécessiter des investissements importants. Sur la base de notre expérience couvrant plusieurs secteurs, nous avons identifié des considérations clés qui peuvent aider toute mise en œuvre de l’IA/ML à être beaucoup plus efficace, conduisant à une adoption réussie (par rapport à la technologie de l’IA « en attente ») et à un meilleur retour sur investissement .

Identification des défis commerciaux : La première étape vers une mise en œuvre réussie de toute solution d’IA ou de ML consiste à identifier les défis commerciaux que l’organisation tente de relever via l’IA/ML et à obtenir l’adhésion de toutes les parties prenantes clés. Être précis sur le résultat souhaité et hiérarchiser les cas d’utilisation motivés par les impératifs commerciaux et les critères de succès quantifiables d’une implémentation d’IA/ML est utile pour créer la feuille de route pour y parvenir.

Disponibilité des données: Suffisamment de données historiques, pertinentes pour le défi commercial à relever, doivent être disponibles pour construire le modèle AI/ML. Les organisations peuvent se trouver dans des situations où ces données ne sont peut-être pas encore disponibles. Dans ce cas, l’organisation doit développer et exécuter un plan pour commencer à collecter des données pertinentes et se concentrer sur d’autres défis commerciaux qui peuvent être pris en charge par la science des données disponible. Ils peuvent également explorer la possibilité d’exploiter des données tierces.

Préparation des données et ingénierie des fonctionnalités : C’est l’une des étapes les plus importantes dans le développement d’un modèle d’IA efficace. Dans cette étape – en plus du nettoyage habituel des données, de l’intégration des données, de l’utilisation d’outils d’IA tels que le traitement du langage naturel pour incorporer des données structurées, d’une ingénierie de fonctionnalités judicieuse et créative, de la création des données d’entraînement et de test, etc. – il est également important de consulter les parties prenantes de l’entreprise et l’équipe juridique pour s’assurer que les données/fonctionnalités utilisées dans le modèle sont conformes à tous les cadres réglementaires et lois pertinents (par exemple, Fair Lending). Il est également important d’incorporer la « sagesse existante » dans cette étape. Par exemple, si l’objectif est de construire un modèle de détection des fraudes, les schémas de fraude courants déjà connus de l’unité d’enquête de l’organisation doivent être incorporés. En plus d’améliorer l’efficacité du modèle, cela renforce la confiance des utilisateurs finaux de la solution, facilitant ainsi l’adoption du modèle.

Sélection d’une approche de modélisation appropriée : Pour un défi commercial donné, il est courant de constater que plusieurs algorithmes d’IA et de ML sont applicables. Souvent, l’algorithme ou le modèle le plus simple avec moins de paramètres peut être un meilleur choix (en supposant que les performances des différents modèles sont similaires). Une étape particulièrement importante de ce processus consiste à prendre en compte l’explicabilité du modèle – le modèle sélectionné est-il capable de fournir des explications et un raisonnement compréhensibles par l’homme et en anglais simple derrière ses décisions ? Dans certaines industries réglementées, les raisons des décisions prises par un analyste ou un algorithme sont une exigence. De nombreux algorithmes d’IA/ML sont, par nature, des « boîtes noires » en ce sens que les facteurs contributifs au résultat du modèle ne sont pas clairs. Les packages d’explicabilité des modèles, tels que LIME ou SHAP, peuvent fournir des explications compréhensibles par l’homme dans de telles situations.

Stratégie d’opérationnalisation : Avoir une clarté sur la manière dont les prédictions et les informations de l’IA/ML s’intègrent dans les opérations quotidiennes est clairement nécessaire pour une mise en œuvre réussie. Comment l’organisation prévoit-elle d’utiliser les scores/insights du modèle ? Où se situe le modèle IA/ML dans le flux de travail opérationnel ? Comment les informations/le score du modèle seront-ils consommés dans le processus ? Va-t-il complètement remplacer certains des processus manuels actuels, ou sera-t-il utilisé pour assister les analystes dans leur prise de décision ? La solution sera-t-elle implémentée dans le cloud ou sur site ? Comment les données entreront et sortiront de la solution AI/ML une fois mise en œuvre ? Existe-t-il un plan financé pour l’achat du matériel et des logiciels nécessaires ? Avoir une feuille de route bien définie qui répond à ces questions contribuera grandement à garantir que la solution sera opérationnalisée et ne restera pas sur l’étagère.

Approche de mise en œuvre progressive : Le facteur humain est l’un des obstacles rencontrés dans tout effort de mise en œuvre de l’IA/ML. Les gens sont souvent mal à l’aise avec des changements soudains et dramatiques dans leurs processus existants. Une approche de mise en œuvre progressive peut aider à atténuer ces préoccupations. Nous suggérons souvent une phase pilote, dans laquelle la solution AI/ML fonctionne en parallèle avec le processus existant, afin que les équipes concernées aient la possibilité de comparer les résultats des deux et de se familiariser avec le nouveau processus.

Formation, compétences et habilitation : Bien sûr, il est important de constituer des équipes expertes dans divers domaines de l’espace AI/ML. Assurez-vous que les compétences et les ressources nécessaires pour soutenir le fonctionnement de la solution AI/ML sont disponibles. Tout déficit de compétences doit être comblé soit en formant les ressources existantes, soit en faisant appel à de nouvelles ressources dotées des compétences appropriées.

Réfléchir à chacune de ces recommandations et avoir une stratégie claire dès le début pour y répondre augmentera considérablement les chances de succès et le retour sur investissement de toute mise en œuvre d’IA/ML.

En savoir plus sur notre service d’intelligence artificielle et pratique des technologies émergentes.

Connectez-vous avec les auteurs:

Scott Laliberté

Directeur général – Responsable mondial des technologies émergentes, Protiviti

Lucas Lau

Directeur principal – Responsable de l’apprentissage automatique et de l’IA, Protiviti

Arun Tripathi

Directeur – Machine Learning et IA, Protiviti