Construire une vision pour l’intelligence artificielle en temps réel

Par George Trujillo, stratège principal des données, DataStax

J’ai récemment eu une conversation avec un cadre supérieur qui venait d’arriver dans une nouvelle organisation. Il avait essayé de recueillir de nouvelles informations sur les données, mais était frustré par le temps que cela prenait. (Cela vous semble familier ?) Après avoir guidé son équipe de direction à travers les sauts de données, les flux, les intégrations et le traitement sur différents logiciels d’ingestion, bases de données et plates-formes analytiques, ils ont été choqués par la complexité de leur architecture de données et de leur pile technologique actuelles. Il était évident que les choses devaient changer pour que l’organisation puisse exécuter rapidement en temps réel.

Les données sont un élément clé lorsqu’il s’agit de formuler des recommandations et des décisions précises et opportunes en temps réel, en particulier lorsque les organisations tentent de mettre en œuvre l’intelligence artificielle en temps réel. L’IA en temps réel consiste à traiter des données pour prendre des décisions dans un laps de temps donné. La fenêtre de temps peut être exprimée en minutes, secondes ou millisecondes, selon le cas d’utilisation. L’IA en temps réel rassemble des données en continu et des algorithmes d’apprentissage automatique pour prendre des décisions rapides et automatisées ; les exemples incluent les recommandations, la détection des fraudes, la surveillance de la sécurité et les chatbots.

Beaucoup de choses doivent se passer dans les coulisses pour réussir et obtenir des résultats commerciaux tangibles. L’architecture sous-jacente doit inclure diffusion d’événements technologie, bases de données hautes performances et magasins de fonctionnalités d’apprentissage automatique. Tout cela doit fonctionner de manière cohérente dans un écosystème en temps réel et prendre en charge la vitesse et l’échelle nécessaires pour réaliser les avantages commerciaux de l’IA en temps réel.

Ce n’est pas facile. La plupart des architectures de données actuelles ont été conçues pour le traitement par lots avec des modèles d’analyse et d’apprentissage automatique exécutés sur des entrepôts de données et des lacs de données. L’IA en temps réel nécessite un état d’esprit différent, des processus différents et une vitesse d’exécution plus rapide. Dans cet article, je partagerai des idées sur l’alignement de la vision et du leadership, ainsi que sur la réduction de la complexité pour rendre les données exploitables pour fournir des solutions d’IA en temps réel.

Une étoile polaire IA en temps réel

Plus d’une fois, j’ai vu des cadres supérieurs complètement alignés sur la mission tandis que leurs équipes se battaient dans des guerres d’usure subtiles mais intenses à travers différentes technologies, silos et croyances sur la façon d’exécuter la vision.

Une vision claire de l’exécution d’une stratégie d’IA en temps réel est une étape essentielle pour aligner les cadres et les chefs de secteur d’activité sur la manière dont l’IA en temps réel augmentera la valeur commerciale de l’organisation.

Le plan d’exécution doit provenir d’une vision partagée qui offre de la transparence et comprend la définition d’une longue liste de méthodologies, de piles technologiques, de portée, de processus, d’impacts interfonctionnels, de ressources et de mesures avec suffisamment de détails pour que les équipes interfonctionnelles aient suffisamment de direction pour collaborer et travailler ensemble pour atteindre des objectifs opérationnels.

Les modèles d’apprentissage automatique (algorithmes qui parcourent les données pour reconnaître des modèles ou prendre des décisions) reposent sur la qualité et la fiabilité des données créées et maintenues par les développeurs d’applications, les ingénieurs de données, les SRE et les gestionnaires de données. La qualité de la collaboration de ces équipes déterminera la vitesse à laquelle elles fourniront des solutions d’IA en temps réel. Alors que le temps réel devient omniprésent dans l’organisation, plusieurs questions commencent à se poser :

• Comment les équipes interfonctionnelles sont-elles en mesure de prendre en charge la vitesse du changement, l’agilité et la qualité des données pour l’IA en temps réel, à mesure que les modèles ML évoluent ?
• Sur quel niveau d’alerte, d’observabilité et de profilage peut-on compter pour garantir la confiance de l’entreprise dans les données ?
• Comment les analystes et les scientifiques des données trouvent-ils, accèdent-ils et comprennent-ils le contexte des données en temps réel ?
• Comment la dérive des données, des processus et des modèles est-elle gérée pour la fiabilité ?
• Les équipes en aval peuvent créer une dérive stratégique sans stratégie d’exécution clairement définie et gérée ; la stratégie reste-t-elle cohérente, évolue-t-elle ou commence-t-elle à dériver ?
• L’IA en temps réel est un projet scientifique jusqu’à ce que les avantages pour l’entreprise soient réalisés. Quelles mesures sont utilisées pour comprendre l’impact commercial de l’IA en temps réel ?

À mesure que la portée augmente, le besoin d’un alignement général augmente également

La croissance de l’IA en temps réel dans l’organisation a un impact sur la stratégie d’exécution. Les nouveaux projets ou initiatives, comme l’ajout d’appareils intelligents pour l’efficacité opérationnelle, l’amélioration des recommandations de produits en temps réel ou l’ouverture de nouveaux modèles commerciaux pour le temps réel, ont tendance à être exécutés à la périphérie d’une organisation—par des experts spécialisés, des évangélistes et d’autres individus qui innovent.

Le bord est loin du centre de gravité des affaires, loin des intérêts enracinés, du capital politique acquis et de la façon de penser traditionnelle.

La périphérie a moins d’inertie, il est donc plus facile de faciliter l’innovation, de nouvelles façons de penser et des approches novatrices par rapport aux secteurs d’activité traditionnels d’une organisation, à la pensée institutionnelle et à l’infrastructure existante. La transformation de l’entreprise se produit lorsque l’innovation à la périphérie peut se déplacer dans les lignes centrales de l’entreprise telles que les opérations, le commerce électronique, le service client, le marketing, les ressources humaines, les stocks et l’expédition/réception.

Une initiative d’IA en temps réel est un projet scientifique jusqu’à ce qu’elle démontre une valeur commerciale. Les avantages commerciaux tangibles tels que l’augmentation des revenus, la réduction des coûts d’efficacité opérationnelle et une meilleure prise de décision doivent être partagés avec l’entreprise.

L’expansion de l’IA de la périphérie vers les principales unités commerciales nécessite des efforts continus dans la gestion des risques et du changement, la démonstration de la valeur et de la stratégie, et le renforcement de la culture autour des données et de l’IA en temps réel. Il ne faut pas déplacer l’IA plus profondément au cœur d’une organisation sans métriques et résultats qui démontrent la valeur commerciale qui a été obtenue grâce à l’IA au niveau actuel. Les résultats commerciaux sont la monnaie d’échange de l’IA pour se développer dans une organisation.

Une plateforme de données en temps réel

Ici, nous voyons l’état actuel de la plupart des écosystèmes de données par rapport à la pile de données en temps réel nécessaire pour assurer le succès de l’IA en temps réel :

DataStax

Les dirigeants sont confrontés à des défis dans l’exécution d’une vision unifiée et partagée dans ces environnements. Les données en temps réel n’existent pas en silos ; il circule dans deux directions à travers un écosystème de données. Les données utilisées pour former les modèles ML peuvent exister dans des caches mémoire, le magasin de données opérationnelles ou dans les bases de données analytiques. Les données doivent remonter à la source pour fournir des instructions aux appareils ou pour fournir des recommandations à une application mobile. Un écosystème de données unifié permet cela en temps réel.

DataStax

Au sein de l’écosystème de données en temps réel, le cœur de la prise de décision en temps réel est constitué des données de diffusion en temps réel, du magasin de fonctionnalités ML et du moteur de fonctionnalités ML. Réduire la complexité ici est essentiel.

DataStax

J’ai souligné comment les données pour la prise de décision en temps réel circulent dans les deux sens entre les sources de données, les données en continu, les bases de données, les plateformes de données analytiques et le cloud. Les fonctionnalités d’apprentissage automatique contiennent des données utilisées pour former des modèles d’apprentissage automatique et à utiliser comme données d’inférence lorsque les modèles sont exécutés en production. Les modèles en temps réel qui prennent des décisions en temps réel nécessitent un écosystème qui prend en charge la vitesse et l’agilité pour mettre à jour les modèles existants et mettre de nouveaux modèles en production dans les dimensions de données indiquées ci-dessous.

DataStax

Un écosystème de données en temps réel comprend deux composants principaux : la plate-forme d’ingestion de données qui reçoit des messages et des flux d’événements en temps réel, et le magasin de données opérationnelles qui intègre et conserve les événements en temps réel, les données opérationnelles et les données de fonctionnalité d’apprentissage automatique. Ces deux cœurs fondamentaux doivent être alignés pour l’agilité à la périphérie, sur site, dans le cloud hybride et dans les clouds multifournisseurs.

La complexité des plates-formes de données disparates ne prendra pas en charge la vitesse et l’agilité auxquelles les données doivent fonctionner pour prendre en charge l’IA en temps réel. La modification des critères, les nouvelles données et l’évolution des conditions des clients peuvent entraîner une obsolescence rapide des modèles d’apprentissage automatique. Le pipeline de données circule dans les caches mémoire, les tableaux de bord, les flux d’événements, les bases de données et les plates-formes analytiques qui doivent être mises à jour, modifiées ou imprégnées de nouveaux critères de données. La complexité de l’écosystème de données a un impact sur la vitesse d’exécution précise de ces mises à jour.

Une plate-forme d’ingestion de données unifiée et polyvalente et un magasin de données opérationnelles réduisent considérablement le nombre de langages technologiques que les équipes doivent parler et la complexité de travailler avec des flux de données en temps réel dans l’écosystème. Une pile unifiée améliore également la capacité à faire évoluer l’IA en temps réel dans une organisation. Comme mentionné précédemment, la réduction de la complexité améliore également la cohésion des différentes équipes prenant en charge l’écosystème de données en temps réel.

Les nouvelles initiatives d’IA en temps réel doivent examiner la bonne pile de technologies de données à travers le prisme de ce qu’il faut pour prendre en charge l’évolution des modèles d’apprentissage automatique fonctionnant en temps réel. Cela ne nécessite pas nécessairement de supprimer et de remplacer les systèmes existants. Minimisez les perturbations en exécutant de nouvelles données via un écosystème de données actualisé, agile et en temps réel et migrez lentement des plates-formes de données vers la pile d’IA en temps réel selon les besoins.

Emballer

Faire passer l’IA en temps réel de la périphérie de l’innovation au centre de l’entreprise sera l’un des plus grands défis pour les organisations en 2023. Une vision partagée, portée par le leadership et une pile de données unifiée en temps réel, sont des facteurs clés pour favoriser l’innovation. avec l’IA en temps réel. Développer une communauté autour de l’innovation avec l’IA en temps réel rend le tout plus fort que les parties – et c’est le seul moyen pour l’IA d’apporter des résultats commerciaux tangibles.

Découvrez comment DataStax permet l’IA en temps réel.

À propos de George Trujillo :

George est stratège principal des données chez DataStax. Auparavant, il a constitué des équipes hautement performantes pour des initiatives axées sur la valeur des données dans des organisations telles que Charles Schwab, Overstock et VMware. George travaille avec des CDO et des responsables de données sur l’évolution continue des stratégies de données en temps réel pour leur écosystème de données d’entreprise.