Intelligence artificielle, l’heure du passage à l’échelle

Publish date:

Convaincues des enjeux business et de la dimension profondément « transformante » des technologies d’intelligence artificielle, les entreprises françaises ont massivement investi ces derniers mois dans l’IA (825 k€ en moyenne pour les entreprises de plus de 1000 salariés). Cette récente accélération des usages de l’IA en entreprise s’explique par la conjonction de trois phénomènes majeurs.

Quelles étapes pour le déploiement d’un projet d’intelligence artificielle d’envergure ?
Le premier concerne la disponibilité d’outils d’IA pour les utilisateurs métiers, à l’instar des plateformes de création de chatbots ou encore des solutions intégrées de conception et déploiement des modèles d’IA.

Le deuxième phénomène est la montée en compétences globale des équipes, facilitée par l’émergence de nouveaux modèles organisationnels visant à généraliser les usages de l’IA. Selon les entreprises, il s’agira d’ »AI Labs », « AI squads » ou encore « centres de compétences IA ». Ces structures permettent une collaboration renforcée entre métiers, data scientists, experts solutions IA et représentants de la DSI autour de la mise en oeuvre d’expérimentations. Ces travaux étant également accélérés grâce à la mise à disposition gratuite d’un nombre toujours accru de produits d’IA, à l’instar des modèles pré-entraînés accessibles aujourd’hui sur la plupart des frameworks et bibliothèques open-source de machine learning.

Enfin, le troisième est lié à la maturité des usages clients (le chatbot d’EDF traite aujourd’hui environ 20 000 conversations par semaine) et une acceptation accrue de l’IA de la part des collaborateurs qui perçoivent à présent les bénéfices offerts par ces technologies (au Crédit Mutuel, l’IA recueille un taux de satisfaction utilisateurs de l’ordre de 90 %).

Mais les modèles actuels de mise en oeuvre de l’IA sont parfois limités
Ainsi nombre d’entreprises ont mené ces derniers mois de (très) nombreuses expérimentations sur l’ensemble des grands domaines de l’IA, principalement autour du conversationnel, du prédictif et de l’aide à la décision, ou encore de l’automatisation des processus. Si certains de ces projets ont été menés avec succès (on pense par exemple aux outils du conseiller chez CIC Crédit Mutuel), de nombreux autres ont été conduits dans une logique opportuniste, voire par simple mimétisme (mon concurrent à un chatbot, il me faut le mien).

Trop souvent, des projets d’IA sont lancés uniquement pour tester une technologie et sont confrontés à deux écueils. D’abord, une absence de véritable besoin utilisateur auquel le cas d’usage d’IA répondrait. Ensuite, des conditions de passage à l’échelle et de maintenance des produits d’IA insuffisamment anticipées (intégration au legacy, conditions de gestion des données sensibles, besoins en ressources technologiques et humaines pour assurer le run…). Il découle de ces expérimentations, trop souvent lancées en ordre dispersé, inefficience économique, résultats décevants et plus largement un risque de « gadgétisation » de l’IA.

Aussi, nous constatons aujourd’hui un certain essoufflement dans la dynamique d’expérimentation de l’IA au sein des entreprises…

Lire la suite

 

Articles associés

Intelligence Artificielle

Intelligence Artificielle : tirer les bénéfices des cas concrets

Sebastien Guibert
Date icon 28 janvier 2019

Parmi les technologies de l’IA, le machine learning est une révolution pour de nombreux...

Intelligence Artificielle

Repousser les limites de l’automatisation RPA grâce à l’Intelligence Artificielle

Fabrice Perrier
Date icon 22 janvier 2019

Alors que les premiers robots RPA arrivent en production, la question des limites de la...

Cookies

En continuant à naviguer sur le site web, vous acceptez l'utilisation des cookies

Pour changer la configuration des cookies sur votre ordinateur ou obtenir davantage d’information, veuillez consulter la page Données personnelles

Fermer

Fermer les informations cookies