Alors que de plus en plus d’entreprises déploient des initiatives d’intelligence artificielle (IA) pour aider à transformer leurs activités, les domaines clés où les projets peuvent dérailler deviennent clairs. De nombreux problèmes peuvent être évités grâce à une planification avancée, mais il existe plusieurs obstacles cachés que les entreprises ne voient pas souvent avant qu’il ne soit trop tard.
Avec un besoin de rapidité, les organisations doivent également reconnaître le fait que près de la moitié des projets d’IA ne dépassent jamais le stade de la preuve de concept. Le blâme peut aller dans de nombreuses directions, telles que des équipes manquant des compétences nécessaires ou une collaboration faible ou nulle entre les scientifiques des données, les informaticiens et les parties prenantes de l’entreprise. Cependant, il existe d’autres raisons pour lesquelles les projets se retrouvent dans la pile d’échecs de l’IA.
#1 Regarder les coûts monter en flèche en raison de la gravité des données
De nombreuses équipes d’IA supposent automatiquement que le choix d’une infrastructure basée sur le cloud pour leurs modèles est le meilleur choix en termes de coût et de rapidité. Bien que cela puisse être le cas pour les expériences ou les prototypes initiaux, des problèmes peuvent survenir lorsque les entreprises tentent d’étendre la formation à l’IA pour développer un modèle prêt pour la production ou lorsqu’elles voient la taille des ensembles de données augmenter de façon exponentielle pour alimenter les algorithmes d’IA.
Avec des ensembles de données de plus en plus complexes, le problème de la gravité des données peut faire sombrer un projet d’IA avec des coûts ingérables si l’infrastructure où les données sont générées n’est pas à proximité de l’infrastructure où les modèles d’IA doivent être formés. Les données créées sur site (telles que les données financières privées) ou en périphérie (telles que la robotique ou les véhicules autonomes) peuvent entraîner des dépenses de stockage lourdes et un ralentissement inutile du flux de travail des développeurs lorsqu’elles doivent être déplacées vers le cloud pour la formation.
Les équipes doivent s’assurer que les ressources de calcul utilisées pour la formation sont situées aussi près que possible des données. Cela peut signifier uniquement sur site, uniquement dans le cloud (si les données sont générées dans le cloud), ou même des modèles de cloud hybride où le prototypage précoce et léger est effectué dans le cloud, puis déplacé sur site ou vers un centre de données en colocation en tant que modèles et ensembles de données. croître.
#2 Traiter l’IA comme un simple projet logiciel parmi d’autres
De nombreuses entreprises supposent que l’IA étant essentiellement un logiciel, elles peuvent facilement gérer son développement sur une infrastructure informatique, de réseau et de stockage existante, car elles l’ont déjà fait avec d’autres projets de développement de logiciels. Mais avec sa dépendance à des ensembles de données croissants, son flux de travail itératif et hautement récursif et ses algorithmes à forte intensité de calcul, le développement de l’IA est essentiellement un cas d’utilisation informatique haute performance et nécessite des disciplines et une expertise dans cette infrastructure spécialisée.
« C’est comme si quelqu’un qui avait l’habitude de conduire une fourgonnette pour aller chercher ses enfants à l’école ou courir à l’épicerie recevait maintenant les clés d’une Ferrari, et il disait ‘Je sais comment faire ça, c’est juste conduire' », déclare Matthew Hull, vice-président des ventes mondiales de centres de données IA chez NVIDIA.
« Bien que l’IA soit à la base un logiciel, c’est une bête très différente, et les gens doivent passer du temps à apprendre les différences nuancées entre l’intelligence artificielle à chaque couche et l’élaboration d’un programme spécifique. »
# 3 Avoir une mentalité de « réglez-le et oubliez-le »
Les entreprises pensent souvent qu’une fois qu’un modèle est réussi, elles peuvent simplement le maintenir en production et passer au projet suivant.
« La réalité est que l’IA évolue et évolue avec le temps », déclare Hull. « Vous devez adapter la taille des modèles et le nombre de cas d’utilisation, et vous devez planifier à l’avance cette évolutivité. Si vous vous enfermez dans un ensemble de solutions et ne planifiez pas la croissance de l’infrastructure et des données, vous ne réussirez pas.
La réalité est qu’à mesure que les données de production changent au fil du temps, les entreprises doivent s’assurer que leurs applications peuvent fournir une précision prédictive de plus en plus élevée, ce qui nécessite une infrastructure capable de suivre le rythme. Une stratégie d’IA réussie implique une planification à court, moyen et long termes, ainsi que le suivi et la progression à travers ces étapes pour développer les workflows d’IA.
#4 Choisir de faire cavalier seul
Avec beaucoup de choses en jeu autour de l’IA, de nombreuses entreprises placent tout le fardeau sur le dos de leurs data scientists et développeurs. Ils hésitent souvent à contacter des experts externes qui ont mené des projets similaires et finissent par s’enliser ou s’engager sur la voie d’essayer d’embaucher une expertise coûteuse en science des données.
Selon Hull, les entreprises doivent trouver une expertise externe digne de confiance auprès de différentes organisations, qu’il s’agisse de compléter l’expertise en science des données, de concevoir la bonne infrastructure optimisée pour l’IA ou de mettre en œuvre des MLOps dans leur flux de travail. Des entreprises comme NVIDIA proposent des systèmes, une infrastructure, une expertise en IA et un écosystème informatique complet spécialement conçus pour permettre aux entreprises de mieux réussir à concrétiser davantage de leurs précieuses idées d’IA dans des déploiements de production complets.
Les partenaires experts peuvent également vous aider à éviter les autres erreurs cachées abordées dans cet article et vous mettre sur la voie d’une IA réussie.
Cliquez sur ici pour en savoir plus sur les moyens de réussir votre stratégie d’IA avec les systèmes NVIDIA DGX, optimisés par les processeurs graphiques principaux DGX A100 Tensor et les processeurs AMD EPYC.
À propos de Keith Shaw :
Keith est un journaliste numérique indépendant qui écrit sur des sujets technologiques depuis plus de 20 ans.
Source link