Faire entrer l'IA dans une entreprise

Les données sont maintenant communément assimilées au pétrole, une ressource naturelle qui alimente de nombreux aspects de nos vies. Cette notion de carburant m'a fait penser à une autre analogie pour les données: c'est la nourriture que nous devons tous soutenir et faire croître.

La nourriture est une ressource naturelle abondante qui, contrairement au pétrole, peut être cultivée de manière systématique. L'expérience de la ferme à la table implique la culture et la récolte d'aliments crus, le nettoyage et la préparation, la création de recettes passionnantes et, finalement, un délicieux repas. Ce processus a beaucoup en commun avec ce que nous devons faire avec les données pour en tirer le meilleur parti dans une entreprise.

Quel est le processus de la ferme à la table pour les données? Comment récolter des données disponibles partout et en extraire des informations exploitables? Entrons dans les détails.

Comme beaucoup d'entre nous commencent à comprendre, les données ont des racines et une gravité. Les données ont tendance à rester là où elles sont créées. Cela tend à attirer une croissance supplémentaire de données similaires dans son voisinage. Dans certains cas, il est demandé de rester dans des limites particulières. Les entreprises cherchent donc à extraire la valeur de toutes les données qu'elles ont et continuent de collecter sur place. Cela génère un réel besoin de capacités de calcul correspondantes pouvant extraire de la valeur. En ce qui concerne l'analogie de la préparation des aliments, cela concorde avec l'utilisation de produits alimentaires cultivés et achetés localement.

Permettre la collecte et la préparation des données

Alors, comment les entreprises adoptent-elles une architecture qui facilite la récolte et la préparation des données?

Une entreprise doit prendre des mesures. La formation et l'évaluation des modèles d'apprentissage automatique (ML) et d'apprentissage en profondeur (DL) s'apparentent à la préparation de recettes, tandis que le déploiement de modèles formés dans des applications choisies étapes de ce workflow. Il est toujours utile de comprendre les éléments technologiques nécessaires à chaque étape. Cela commence par la collecte de données brutes. Cela implique des capacités d'ingestion, de transformation et de stockage. Le traitement du volume, de la variété et de la vitesse des données avec une infrastructure appropriée est crucial. Les données structurées sont intégrées aux bases de données et aux entrepôts de données . Les données non structurées peuvent être intégrées aux grappes Hadoop. Des données semi-structurées plus spécialisées peuvent impliquer une combinaison de ces référentiels. Collectivement, ceux-ci sont incorporés dans une architecture de lac de données d'entreprise .

Le fait de disposer de toutes les données permet d'extraire et de préparer des ensembles de données spécifiques pouvant être utilisés pour former les modèles ML et DL. C'est là qu'un technicien en informatique entre en scène, apportant des outils appropriés pour nettoyer, masser et organiser les données et proposer des ensembles de données manucurés. Cela revient à laver, nettoyer et couper les matières premières et à regrouper et stocker les ingrédients qui entrent dans différentes recettes.

Taste-testing pour sélectionner les bons modèles

. Cela nécessite la possibilité de créer des tests de goût ou des travaux de calcul, avec différents degrés de variabilité dans les types de modèles, les paramètres, les ensembles de données et les mesures de performance. Un travail expérimental important est nécessaire pour créer des recettes qui plaisent au palais. Une infrastructure matérielle flexible et évolutive, des outils de gestion et d'orchestration simples à utiliser, des environnements puissants et des environnements de programmation permettent à l'équipe de science des données de sélectionner les bons modèles.

la phase d'inférence peut commencer. C'est là que le modèle est intégré au logiciel d'application qui cherche à adopter des analyses de nouvelle génération pour fournir de meilleures informations exploitables et générer un processus de prise de décision plus productif.

L'adoption de l'IA dans une entreprise doit suivre des leçons tirées des vagues d'adoptions technologiques passées, telles que l'informatique en nuage (il y a 6 à 8 ans) et Big Data (il y a trois ou quatre ans). Les principales leçons tirées de ces expériences ont été d’éviter de faire un projet unique de type «expérimentation scientifique». Plus de la moitié et autant que les trois quarts de ces projets ont échoué. La raison de cet échec ne concernait pas seulement la technologie. Sans impulser également des changements significatifs de processus et de culture au sein de l'entreprise, même les meilleures nouvelles technologies deviennent de simples curiosités qui ne sont jamais largement adoptées.

En résumé: choisissez une fonction métier comme cible pour le met en œuvre et le permet. Choisir une fonction métier, c'est comme choisir une cuisine sur laquelle se concentrer. Sélectionner une application revient à sélectionner une entrée.

Affiner en continu les recettes

Lancez un programme pilote. Apportez et préparez des données. Explorez des modèles adaptés aux algorithmes ML et DL sélectionnés grâce à la formation et à l'analyse comparative. C'est la sélection des recettes et des menus. Sélectionnez les modèles les mieux formés et proposez-les pour les intégrer à l'application sélectionnée. C'est ici que la consommation des résultats de toutes les étapes précédentes peut commencer. Les gens peuvent savourer de délicieux repas tout en réfléchissant au travail acharné qui a permis de tout rassembler de la ferme à la table. Bien entendu, il est nécessaire de continuer à perfectionner les modèles en fonction du retour d’expérience de son utilisation pour rester au fait d’un monde d’affaires en constante évolution.

Après avoir terminé avec succès la phase pilote et le mettre en production, le processus peut puis répétez avec l'application suivante. Et le suivant, et ainsi de suite.

Il y a quelques autres impératifs: il est crucial de demander des conseils et d’acquérir les compétences nécessaires. L'exploration des modèles ML / DL peut devenir un projet en soi. Il est très important de se concentrer sur le domaine d’application sélectionné qui nécessite des capacités d’IA.

Bien cuire

Amener l’IA dans l’entreprise peut sembler une tâche décourageante, un peu comme la cuisine connaître leur chemin dans une cuisine. Quelqu'un qui apprend juste à préparer des repas peut choisir de prendre des cours de cuisine avec un chef. De même, Lenovo a beaucoup à offrir aux entreprises qui entament l’adoption d’IA. À partir d’une évaluation consultative d’un domaine d’application cible, Lenovo Data Center Group peut alors fournir l’infrastructure, les outils associés et l’expérience de l’écosystème pour faire de votre voyage une entreprise intéressante.

Cet article a paru dans Center Newsroom et est republié avec sa permission.

<! – Comments ->