Fermer

août 28, 2019

Analyse, éthique et IA – Et alors?


50% d’ici 2022! Ce pourcentage choquant est le nombre projeté de processus opérationnels qui seront entièrement automatisés d’ici 2022, comparé à la moyenne actuelle de 30% d’automatisation des processus. La plupart des avantages de la transformation numérique sont rendus possibles par l'augmentation des tâches grâce à l'intelligence artificielle (AI) ou à l'automatisation robotique des processus (RPA).

Analyse prédictive a évolué ces dernières années, passant de la science des données basée sur des règles à la science des données avancée, en ajoutant récemment des modèles d'apprentissage automatique et d'IA qui analysent les données, émettent des hypothèses, apprennent et fournissent des prévisions d'une ampleur et d'une profondeur de détail impossibles à tous les analystes humains.

de telles quantités de données dans des processus automatisés ont déjà un impact considérable sur les entreprises et la société. De nombreux analystes ont prévu qu'environ 70% des données utilisées par une entreprise proviendraient d'appareils Internet des objets (IoT) et de flux de données externes, autrement dit de sources externes non transactionnelles.

peut être à la fois une bénédiction et une préoccupation majeure. C'est une bénédiction, par exemple, quand l'IA et l'analyse prédictive utilisent le Big Data pour surveiller les conditions [de croissance] aidant ainsi un agriculteur indien, africain ou chinois à prendre des décisions quotidiennes lui permettant de déterminer s'il sera capable de le faire. nourrir sa famille. Cependant, cela peut aussi être une préoccupation réelle lorsque des informations biaisées sont appliquées et que les résultats sont largués à toute vitesse via les médias sociaux.

Cela soulève la question suivante: que se passe-t-il lorsque transparence et qualité des données, propriété, et la gouvernance est insuffisante?

Une question essentielle que les entreprises doivent se poser concerne leur compétence en monétisation de données: les données sont-elles l'actif principal que je monétise? Ou bien les données sont-elles le liant qui relie les processus qui ont permis le succès de mes produits ou services? ( Voir l'un de mes blogs précédents pour plus de détails à ce sujet. )

Cela est d'autant plus urgent que les entreprises commencent à utiliser des sources de données tierces pour former leurs algorithmes, données dont elles connaissent relativement peu de choses. Les entreprises doivent poser des questions critiques telles que:

  • Quelle est la qualité des données internes et externes que nous utilisons pour former et saisir des algorithmes?
  • Quelles polarisations inconnues et non intentionnelles nos données pourraient-elles entraîner dans des algorithmes? Comment les machines sauront-elles leurs biais si nous ne partageons pas la façon dont les algorithmes aboutissent aux réponses?
  • Quel sera l’impact de cette automatisation sur notre entreprise, nos collaborateurs et notre société? Comment détecter et atténuer rapidement les impacts imprévus?

En termes de responsabilité et de propriété, cela pose la question de la création d'algorithmes dans une boîte noire. Comment l'intelligence artificielle parvient-elle à ses décisions et à ses recommandations? Et qui, au sein de notre organisation, est responsable de ce processus (et lorsque les choses se gâtent avec des résultats inattendus, qui est responsable)?

Déjà, 22% des entreprises américaines ont attribué une partie de leurs bénéfices à l'IA et à des cas avancés d'infection par l'IA. analyses prédictives. Selon une étude récente SAP réalisée en collaboration avec l'unité intelligente de The Economist, les entreprises qui exploitent le plus l'apprentissage automatique ont connu une croissance moyenne de 43% supérieure à celles qui n'utilisent pas du tout l'IA et le ML – ou n'utilisent pas bien l'IA

L'un de leurs secrets: Ils traitent les données comme un actif de la même manière que les organisations traitent les actifs d'inventaire, de flotte et de fabrication. Ils commencent par une gouvernance claire des données avec la propriété et la responsabilité des dirigeants. Peu importe la puissance de l’algorithme, des données d’entraînement insuffisantes limiteront l’efficacité de l’intelligence artificielle et de l’analyse prédictive .

En résumé

Quels en sont les avantages? Nous devons appliquer des principes de gouvernance propres à garantir la transparence sur la manière dont l'intelligence artificielle et l'analyse prédictive répondent à leurs besoins. La transparence, la qualité des données, la propriété et la gouvernance font la différence pour réussir avec ceci.

Voici une question (empruntée à l'intelligence artificielle de John C. Havens ) à laquelle réfléchir pour réfléchir à la manière de traiter. les données, un atout pour la réussite des analyses prédictives et de l'intelligence artificielle: Comment les machines sauront-elles ce que nous valorisons si nous n'énonçons pas (et ne possédons pas) ce que nous valorisons nous-mêmes?

En savoir plus sur la manière dont SAP prend en charge la gestion des modèles et la data intelligence .
  • Vous souhaitez en savoir plus sur le traitement des données comme un atout? Écoutez cette interview sur Podcast de TechTalk UK.
  • Lisez l'article « Stratégie de données d'entreprise ».
  • Cet article a paru à l'origine dans la SAP Analytics blog et est republié avec autorisation.




    Source link