L'intelligence artificielle est-elle l'application clé de la gouvernance des données?

Pour les rares qui ne connaissent pas le terme «application tueur», nous commencerons par une définition. Merriam-Webster définit «l'application époustouflante» comme «une application informatique d'une telle valeur ou d'une telle popularité qu'elle assure le succès de la technologie à laquelle elle est associée». En termes simples, c'est la «chose». que vous devez avoir et utiliser, soit parce que vous le souhaitez, soit parce que tout le monde l’utilise. Et pour pouvoir l'utiliser, vous devez acquérir le périphérique sur lequel il s'exécute. L’application tueur est la «paille ultime» qui pousse les adoptants lents et ceux qui sont peu enclins à adopter la technologie pour finalement l’adopter. Si tous mes amis et ma famille utilisent la messagerie textuelle et que je suis le seul à être exclu, j'ai probablement besoin d'un téléphone portable et de commencer à envoyer des SMS – que cela soit ou non. Il est dit que la feuille de calcul était l'application phare pour les PC et le courrier électronique était l'application phare pour l'accès à Internet (bien qu'il y ait beaucoup de débats sur ces sujets).

Pendant de nombreuses années, nous savions que nous devions le faire, car c'était la bonne chose à faire, mais d'une manière ou d'une autre, il n'a jamais eu la priorité qu'il devrait avoir. C'était comme faire de l'exercice, utiliser de la soie dentaire ou manger des légumes (en fonction de vos préférences). Nous l'avons fait, mais pas nécessairement avec passion, ni aussi régulièrement ni aussi profondément que nous l'aurions dû.

Puis est venue l'intelligence artificielle (IA) sous toutes ses formes et pratiques: apprentissage automatique, apprentissage en profondeur, réseaux de neurones artificiels, apprentissage par renforcement. , réseaux accusatoires génératifs, analyse prédictive, systèmes de recommandation, traitement du langage naturel, etc. Toutes ces pratiques nécessitent des données. AI promet des avancées décisives dans les modèles commerciaux, l'expérience client, la personnalisation, la maintenance préventive, l'automatisation, l'efficacité et de nombreux autres domaines. Selon un rapport publié en septembre 2018 par McKinsey and Company, l'intelligence artificielle (IA) dynamisera l'économie mondiale de 13 000 milliards de dollars d'ici 2030, ajoutant environ 1,2% du PIB mondial par an. En bref, les entreprises qui ignorent l'IA le font à leurs risques et périls. Cela dit, étant donné que les enjeux sont si importants et que le risque d’être «dépassés» est très réel, peu d’entreprises ignorent l’IA. La question n’est pas de savoir si, mais comment appliquer l’intelligence artificielle.

Données erronées Bonne IA

Nous entendons souvent dire que les systèmes d’IA s’améliorent avec plus de données. C'est vrai. Mais ce que nous n'entendons pas souvent, c’est que les données doivent être de bonnes données (à moins que vous ne soyez un scientifique qui passe déjà 90% de son temps à nettoyer et à nettoyer les données – la recherche de bonnes données est votre vie). Avec les rapports sur les biais implicites et inconscients dans les modèles d'IA, nous commençons tout juste à entendre parler des implications des mauvaises données dans les modèles d'IA. L'intégration de l'IA dans de plus en plus de domaines au sein des entreprises, au fur et à mesure que la prise de décision se fonde davantage sur l'automatisation de l'IA, incitera davantage les entreprises à conserver des données erronées. conséquences de mauvaises données sur certains cas d'utilisation courants de l'IA

Prenons tout d'abord un exemple simple en utilisant des photos. Si nous formions un algorithme d’apprentissage automatique pour identifier les oranges et que nous étiquettions à tort un tas de pommes comme des oranges dans notre ensemble de données d’entraînement, le modèle «apprendra» à tort et pensera que les pommes sont des oranges. Appliquez ce concept à la reconnaissance faciale ou aux voitures autonomes. Les conséquences négatives potentielles sont évidentes.

Si nous construisons un système de recommandation et que nous utilisons le code de produit incorrect pour les achats des clients, nous pourrions finir par recommander les produits incorrects. à nos clients. Recommander de mauvais produits ou des produits inappropriés peut être plus dommageable pour la relation client que de ne recommander aucun produit.

Si nous mettons en place un système permettant de prévoir l'attrition des ressources humaines et que nous ne disposons pas de données fiables sur la rémunération, les heures supplémentaires et la vie professionnelle. l’équilibre, la satisfaction au travail, les promotions, etc., nous risquons de perdre de bonnes personnes qui auraient autrement été retenues si nous disposions de meilleures données pour notre modèle prédictif.

Si nous utilisons l’apprentissage automatique pour effectuer des prévisions prédictives pour notre chaîne d’approvisionnement sur les habitudes de consommation passées et si nous avons de mauvaises données sur les commandes de clients, nos prévisions seront fausses et nous pourrions avoir des achats et des stocks excessifs.

Si nous construisons un système d’IA pour prévoir le moment où les machines nécessiteront une maintenance, nous automatisons Envoi du technicien de service après-vente sur la base des prévisions du modèle d'IA, nous pourrions gaspiller beaucoup d'argent en envoyant des techniciens pour enquêter sur des machines saines.

Lorsque nous avons un système de personnalisation client et que nous avons de mauvaises données client, nous pourrions faire plus de mal que de bien (par exemple, dire «Bonjour Michael» à Michele). mauvaises données. Les conséquences des mauvaises données à l'ère de l'IA, de l'apprentissage automatique et de l'automatisation des décisions sont tout simplement trop lourdes.

Les données constituent un atout commercial précieux et doivent être traitées comme tel. De bonnes données constituent le fondement de l'IA et de l'apprentissage automatique. L'intelligence artificielle peut en fait être «l'application phare» qui pousse même les entreprises les plus lourdes à adopter une culture de données et à améliorer leur gouvernance et leur qualité des données.