L’IA Générative et les Données : Commencer Petit pour Réussir

L’intelligence artificielle générative (IA générative) est en train de révolutionner de nombreux secteurs, du marketing à la santé en passant par la finance. Mais pour réussir dans ce domaine en constante évolution, les entreprises doivent adopter la bonne approche. Plutôt que de vouloir tout faire d’un coup, il est préférable de commencer petit, en se concentrant sur des cas d’usage spécifiques et en utilisant les bonnes données.

L’importance des données non structurées

Comme le souligne Chet Kapoor, PDG de DataStax, « Il n’y a pas d’IA sans données, pas d’IA sans données non structurées, et pas d’IA sans données non structurées à grande échelle ». Les données non structurées, comme les emails, les documents, les images et les vidéos, représentent en effet plus de 80% des données d’entreprise. Mais elles sont souvent sous-exploitées car difficiles à analyser et à intégrer dans des modèles d’IA.

Pour tirer parti de cette mine d’or, les entreprises doivent mettre en place des pipelines de données adaptés, capables de collecter, nettoyer et organiser ces données hétérogènes. C’est un défi technique et organisationnel majeur, qui nécessite des compétences pointues en data engineering et en IA.

Prioriser le fit produit-marché

Mais avant de se lancer dans de grands projets d’infrastructure de données, Vanessa Larco de NEA conseille aux entreprises de se poser les bonnes questions : quel problème cherche-t-on à résoudre ? Quelles données sont vraiment nécessaires pour y parvenir ?

« Remontez de ce que vous essayez d’accomplir – que cherchez-vous à résoudre et quelles sont les données dont vous avez besoin ? Trouvez ces données, où qu’elles se trouvent, puis utilisez-les dans ce but. »

Vanessa Larco, NEA

L’objectif est de prioriser le fit produit-marché plutôt que l’évolutivité à tout prix. Commencer par de petits projets pilotes bien ciblés permet de valider la valeur métier de l’IA générative, avant d’investir massivement dans les données et l’infrastructure.

Une approche itérative et pragmatique

George Fraser de Fivetran abonde dans ce sens. Pour lui, il faut « résoudre uniquement les problèmes que l’on a aujourd’hui ». Plutôt que de vouloir anticiper tous les besoins futurs, il vaut mieux avancer pas à pas :

« Les coûts d’innovation se situent toujours à 99% dans les choses que vous avez construites et qui n’ont pas fonctionné, pas dans les choses qui ont fonctionné et pour lesquelles vous auriez aimé avoir planifié l’évolutivité à l’avance. »

George Fraser, Fivetran

C’est une approche pragmatique, qui permet d’apprendre en faisant et d’ajuster sa stratégie IA en fonction des retours du terrain. Les équipes IA doivent ainsi travailler main dans la main avec les métiers pour identifier les cas d’usage les plus porteurs et itérer rapidement sur les prototypes.

L’ère « Angry Birds » de l’IA générative

Chet Kapoor compare la situation actuelle à « l’ère Angry Birds de l’IA générative ». Comme au début des smartphones, on voit émerger de nombreuses applications IA intéressantes mais pas encore révolutionnaires. C’est une phase d’apprentissage nécessaire, pendant laquelle les entreprises mettent en place les bonnes équipes et les bonnes pratiques.

Mais pour Kapoor, la véritable transformation arrivera dès l’année prochaine:

« L’année prochaine est ce que j’appelle l’année de la transformation, lorsque les gens commenceront à créer des applications qui changeront réellement la trajectoire de l’entreprise pour laquelle ils travaillent. »

Chet Kapoor, DataStax

Pour y parvenir, les entreprises devront capitaliser sur leurs premières expériences et déployer l’IA générative à plus grande échelle. Cela passera par une industrialisation des pipelines de données, une démocratisation des outils d’IA auprès des métiers et une gouvernance renforcée des modèles.

En conclusion

L’IA générative représente un potentiel immense pour les entreprises, à condition d’adopter la bonne approche :

  • Commencer par des cas d’usage ciblés avant de vouloir tout révolutionner
  • Prioriser le fit produit-marché et la valeur métier de l’IA
  • Mettre en place des équipes et des pipelines de données adaptés
  • Apprendre en faisant et itérer rapidement sur les prototypes
  • Préparer l’industrialisation et le passage à l’échelle de l’IA générative

En suivant ces principes, les entreprises pourront tirer le meilleur parti de cette technologie fascinante et construire les applications IA qui réinventeront leur secteur. La route est encore longue, mais les opportunités n’ont jamais été aussi grandes.

author avatar
MondeTech.fr

À lire également