Fermer

mai 9, 2022

La mise en œuvre de l’IA dans votre entreprise n’est pas parfaite – et ce n’est pas grave

La mise en œuvre de l’IA dans votre entreprise n’est pas parfaite – et ce n’est pas grave


J’aime les choses imparfaites. J’aime mon pull avec ses trous aux coudes, cette peinture que mon chat a parcourue pendant qu’elle séchait, ce code source que j’utilise pour mon doctorat et qui ne semble jamais s’exécuter comme je m’y attendais. J’aime bien ça, pourtant. L’imperfection rend les choses plus intéressantes.

Lorsque vous parlez d’affaires, cependant, il y a de l’argent à gagner – potentiellement beaucoup d’argent. Et contrairement à d’autres aspects de la vie, dans le monde des affaires, une petite imperfection peut entraîner des millions de dollars de pertes.

C’est effrayant. Ce qui est encore plus effrayant, c’est lorsque ces pertes se produisent parce que les ingénieurs commettent des erreurs en essayant de mettre en œuvre une nouvelle technologie en évolution rapide dont des risques personne ne comprend encore tout à fait et le règlements qui viennent juste d’être écrits. Si les chefs d’entreprise hésitent face à ce champ de mines potentiel, cela prouve simplement qu’ils sont humains.

Je parle de l’IA. Aussi effrayant que cela puisse être, de nombreuses personnes, y compris de nombreux chefs d’entreprise, restent incroyablement enthousiastes à propos de l’IA. Les avantages potentiels sont énormes car l’IA peut terminer des processus qui prenaient des heures en quelques secondes. Ce gain de temps est une amélioration de plusieurs ordres de grandeur. Compte tenu de ces rendements, il n’est pas étonnant que les entreprises affluent des milliards de dollars dans l’IA chaque année.

Malgré cet investissement massif, l’adoption de l’IA est encore instable. La difficulté vient non seulement de l’incertitude concernant les risques et les réglementations, mais aussi du fait que de nombreuses entreprises ne parviennent pas, du moins au début, à évaluer de manière réaliste les types de changements que l’IA peut et ne peut pas apporter.

La mentalité du tout ou rien

Larry Clark a partagé une anecdote dans revue de Harvard business qui résume parfaitement le problème. Il s’est entretenu avec un consultant dont le client faisait des prédictions correctes sur son secteur 25 % du temps. Le consultant les a informés qu’une solution d’IA pourrait faire monter ce chiffre jusqu’à 50 %. L’exécutif de l’équipe, cependant, a refusé de mettre en œuvre une solution qui était « mauvaise la moitié du temps ».

Un taux d’échec de 50 % est, sans aucun doute, énorme dans la plupart des cas. Mais cela aurait quand même été deux fois mieux que la solution existante !

De nombreux dirigeants sont déçus lorsqu’ils constatent que l’IA ne révolutionnera pas leur entreprise du jour au lendemain. Mais comme Kevin Kelly, rédacteur en chef fondateur de Filaire, Mets-le: « Le futur arrive très lentement et puis tout d’un coup. »

Je pense que cette règle s’applique à de nombreux domaines de la technologie, et en particulier à l’IA. Bien sûr, de grands nouveaux développements se profilent à l’horizon, mais vous ne pouvez pas vous attendre à ce qu’ils se produisent demain. Les bonnes choses ont besoin de temps pour se développer. Même dans le monde trépidant de la technologie, la patience est une vertu.

Les dirigeants ne devraient donc pas être mécontents lorsque l’IA ne transforme pas soudainement leur entreprise en le prochain Google. En fait, si une nouvelle solution d’IA apporte de nombreuses petites améliorations au fil du temps, cela peut de toute façon être plus précieux à long terme. Une grande perturbation a tendance à altérer d’autres processus commerciaux qui étaient standard jusqu’à présent, et ce bouleversement peut finir par être une décision risquée malgré les avantages d’une grande vague de perturbations.

L’IA n’est pas toujours la meilleure solution. Image de l’auteur

Si vous avez déjà travaillé avec l’IA, vous avez sans doute entendu parler de concepts tels que l’exactitude, la précision, le rappel, le score F1, le sous-ajustement, le surajustement, les faux positifs et les faux négatifs. Mais la plupart des chefs d’entreprise vous considéreront comme un extraterrestre si vous venez vers eux avec un jargon technique comme celui-là. Les cadres accordent plus d’importance aux résultats qu’aux détails techniques.

Ron Glozman, qui a fondé une entreprise qui développe des solutions d’IA pour le secteur de l’assurance, a fait ce point précis. Ce qui compte vraiment, c’est de savoir si la solution d’IA facilite les choses pour les travailleurs humains, réduit les coûts ou augmente les marges. Que vous obteniez ou non des résultats spectaculaires sur le plan technique importe peu tant que votre solution améliore le statu quo dans votre entreprise.

Bien sûr, les scientifiques des données continueront à formuler leurs objectifs dans un jargon technique, car cela leur est utile. Cependant, pour traduire ce jargon en termes commerciaux, les dirigeants doivent travailler en étroite collaboration avec les scientifiques des données, les impliquer dans les opérations commerciales et ne jamais cesser de leur demander comment la performance des différentes métriques techniques pourrait avoir un impact sur l’entreprise dans son ensemble.

Cependant, ce qui complique les choses, c’est le fait que les spécialistes des données sont très demandés. De nombreuses entreprises manquent donc de personnel dans ce domaine. Par conséquent, de nombreux scientifiques des données avec trop de projets dans leurs assiettes doivent donner la priorité aux analyses approfondies et ne trouvent pas le temps de réfléchir beaucoup à la partie commerciale de leur travail.

Pour éviter cette situation, embauchez des scientifiques des données avant d’en avoir réellement besoin et offrez une formation interne aux nouveaux membres de l’équipe. L’ajout de formation au sein de l’entreprise nécessite bien sûr un investissement initial, mais il y a deux gros avantages à le faire. Tout d’abord, la formation interne permet aux data scientists de se familiariser avec les spécificités de l’entreprise dès le premier jour. Deuxièmement, ce type de formation est particulièrement attrayant pour les jeunes candidats qui apportent souvent de nouvelles idées et n’exigent pas des salaires aussi élevés que ceux de leurs pairs plus âgés. Un programme de formation interne rigoureux peut prendre un certain temps à mettre en place, mais il sera payant à long terme.

La précision n’est pas tout

Les algorithmes d’apprentissage automatique doivent être aussi précis que possible, n’est-ce pas ? Après tout, nous ne voulons pas que nos machines fassent de mauvais jugements et, par exemple, classent à tort une tumeur cancéreuse comme une tumeur bénigne. Cette notion semble juste, mais la précision n’est pas toujours l’objectif. Laisse-moi expliquer.

Tout d’abord, il y a le risque de surentraînement. Un modèle d’IA peut si bien apprendre un ensemble de données qu’il discerne même de petits détails qui ne sont pas réellement pertinents pour le résultat. Par exemple, considérez une solution d’IA qui classe un ensemble de données avec de nombreuses espèces animales différentes. Imaginons en outre que cet ensemble de données ne contienne qu’un seul type de chats, de chiens et de girafes. Mais il contient également deux types de singes : noir et orange.

Que se passe-t-il si vous entraînez trop bien ce modèle pour qu’il ne reconnaisse pas seulement un singe pour un singe, mais sache également s’il est noir ou orange ? Cela peut sembler sympa, mais cela devient problématique si vous testez le modèle sur une photo d’un singe gris. Comment le modèle classera-t-il cet animal ? Un chat? Un chien gris ?

Dans cet exemple, le risque de mal classer de nouvelles données est survenu parce que le modèle est devenu trop précis pendant la formation. Pour éviter ce problème, les scientifiques des données et les dirigeants d’entreprise doivent se soucier un peu moins de la précision lors de la formation et beaucoup plus des performances lors des tests. La perfection n’est pas le but ici.

Dans l’exemple de tumeur ci-dessus, cela signifierait permettre à l’algorithme de mal classer les tumeurs pendant l’entraînement. Ce recalibrage pourrait signifier viser une précision de 90% au lieu de 98. Ensuite, lorsque l’algorithme sera déployé dans la vie réelle, il sera mieux préparé à classer une tumeur qui ne ressemble à aucune de celles qu’il a vues au stade de la formation. C’est primordial car rencontrer un point de données différent des autres arrive souvent. De plus, vous donnez à l’algorithme une chance d’améliorer sa précision dans la vie réelle car chaque nouveau point de données est réinjecté dans le système et aide à le recycler.

https://i0.wp.com/miro.medium.com/max/1400/1*aWLXcWZhNFGQDQQv3g-7jw.jpeg?w=660&ssl=1

Allez-y étape par étape. Image de l’auteur

L’étape de la formation n’est pas le seul endroit où les cadres doivent tempérer leurs ambitions. Comme l’écrit Jon Reilly pour Dataversitéles entreprises ont tendance à lancer l’IA sur d’énormes problèmes et à attendre des résultats significatifs.

Ce n’est pas encore ainsi que fonctionne l’IA. Au lieu de cela, cela fonctionne mieux sur des tâches plus petites et très spécialisées dans lesquelles un gros volume de données doit être traité d’une manière ou d’une autre. Commencez à intégrer l’IA à des tâches qui deviendront trop répétitives pour les humains, puis construisez-la à partir de là. Considérez ceci comme une approche ascendante. Les approches descendantes sont difficiles à maîtriser avec l’IA d’aujourd’hui. On est encore assez loin de l’IA capable de transférer des connaissances d’un domaine à l’autre, et encore plus loin de l’intelligence généralisée. Actuellement, il est beaucoup plus facile d’enseigner à une machine comment effectuer des tâches ennuyeuses et répétitives à une vitesse fulgurante que de lui faire accomplir une tâche complexe, même s’il y a suffisamment de temps à portée de main. Cela n’empêche pas que cette situation puisse changer à l’avenir.

Si les dirigeants veulent vraiment mettre en œuvre l’IA dans la mesure du possible, ils doivent se souvenir du classique Règle des 80/20, qui indique que 20 % de vos outils et ressources génèrent 80 % de votre production. Concentrez-vous d’abord sur ces outils et ressources pour vous assurer que vos solutions ont le plus grand impact possible.

Là encore, il vaut mieux commencer par les parties les plus faciles que de repenser toute l’entreprise en algorithme d’IA. Vous devez donner la priorité à l’intégration de solutions patchwork qui fonctionnent réellement plutôt qu’à une grande solution globale trop compliquée pour être déployée efficacement.

Les entreprises hésitantes perdront

Comme pour toute nouvelle technologie qui arrive au grand public, les premiers utilisateurs sont ceux qui récolteront tout l’argent. La bonne nouvelle est qu’il n’est pas encore trop tard pour se lancer dans l’IA.

Ce n’est pas une excuse pour perfectionner méticuleusement votre modèle d’IA et le vivre cinq ans plus tard. Malgré tous les obstacles que j’ai mentionnés (et il y en a d’autres à côté de ceux-ci), de plus en plus d’entreprises voient les avantages potentiels de l’IA et s’y lancent maintenant, même si les choses sont petites ou boguées au début.

Et c’est la bonne approche. La technologie est suffisamment nouvelle pour que nous n’ayons pas encore testé toutes les niches et tous les cas périphériques. Vous devriez tester des solutions à moitié cuites, puis les itérer. Si vous ne poussez pas régulièrement vos mises à jour d’IA et ne les mettez pas à la disposition de toutes les parties prenantes, vous risquez de manquer des leçons clés.

Ce problème m’est arrivé pendant mes études. Je travaillais sur une procédure pour traiter une grande quantité de données d’une manière plus efficace qu’auparavant. La procédure était ma partie du projet, alors j’ai pensé que je la développerais et la perfectionnerais seule dans la mesure du possible avant de la partager avec mon équipe.

Lorsque je l’ai finalement partagé après trois mois, j’ai réalisé à partir des commentaires de mes collègues que j’avais raté certaines idées clés. J’avais réussi par moi-même à rendre le code trois fois plus efficace que l’ancienne version. Cependant, après avoir mis en œuvre les idées de mes collègues, l’amélioration n’a pas été triplée mais quintuplée. Même si mon travail était un projet de recherche public et non une entreprise, et même s’il n’y avait pratiquement pas d’argent en jeu, l’idée d’avoir perdu plusieurs semaines en ne parlant pas à mes collègues plus tôt me pique toujours.

Les entreprises qui visent la perfection trop tôt ou qui n’ont pas encore décidé de mettre en œuvre l’IA seront laissées pour compte. Paradoxalement, vous devez être capable de refuser vos ambitions et de vous asseoir avec une solution imparfaite si vous voulez vous retrouver en tête du peloton.

https://i0.wp.com/miro.medium.com/max/1400/1*rQICAuHQEj8yqB1WLI4Ghg.jpeg?w=660&ssl=1

Ne vous inquiétez pas trop du code imparfait. Image de l’auteur

Les solutions imparfaites sont inconfortables parce que vous ne pouvez jamais rentrer du travail en voiture et prétendre que votre travail est entièrement, totalement terminé. Il y a toujours un bug à trouver, un ajustement à faire, une fonctionnalité à ajouter.

Vous devrez apprendre à aimer cette réalité si vous avez besoin de l’IA pour votre entreprise. Cette règle ne concerne pas seulement les affaires, bien sûr. De nombreuses situations de la vie fonctionnent mieux avec un pragmatisme grossier plutôt qu’avec des processus parfaitement orchestrés qui échouent dès que le bus a une minute de retard, métaphoriquement parlant.

Ce n’est pas une excuse pour être paresseux ou pour ne faire que le strict minimum nécessaire pour suivre la concurrence. Faites toujours de votre mieux. N’oubliez pas que le meilleur est souvent loin d’être parfait.

Cet article est initialement paru sur Intégré.




Source link