Surmonter les Défis : Pourquoi les Entreprises Ont du Mal à Opérationnaliser l'IA au AI Summit NY 2023

Le déploiement de modèles d'IA générative représente un défi majeur pour les entreprises souhaitant passer de simples preuves de concept à une opérationnalisation efficace à grande échelle. Selon les experts de l'industrie présents au AI Summit New York 2023, surmonter ces obstacles commence par l'identification des points de blocage.

Un des principaux défis est l'acquisition et la gestion des bonnes données. Sesh Iyer, directeur général et partenaire senior chez BCG, a souligné l'importance d'un pipeline de données durable comprenant des métadonnées bien organisées. Les modèles d'IA générative prospèrent grâce à une large base de données, ce qui oblige les entreprises à affiner leurs bases de connaissances pour maximiser le potentiel des modèles de langage. Gaurav Dhama, directeur du développement produit IA chez Mastercard, a également mis en avant l'importance d'une gestion optimisée des données.

Établir un cadre de gouvernance efficace pour gérer les risques inhérents à l'IA générative constitue un autre obstacle significatif. Un « problème de confiance » omniprésent existe parmi les dirigeants concernant les risques de sécurité, les questions de droits d'auteur et le potentiel d'inexactitudes générées par l'IA. Lucinda Linde, scientifique des données senior chez Ironside, a souligné ces préoccupations, indiquant que les dirigeants doivent naviguer prudemment dans ces risques pour adopter pleinement cette technologie.

La pénurie de professionnels qualifiés capables d'exploiter efficacement l'IA générative est un autre obstacle. De nombreuses organisations ont encore des difficultés à identifier la valeur commerciale et le retour sur investissement (ROI) de leurs initiatives IA, tandis que les coûts fluctuants liés à l'IA générative contribuent à l'incertitude continue.

Étant donné la nature encore émergente de l'IA générative, Vik Scoggins, qui dirige la stratégie et le développement de produits IA/ML chez Coinbase, a observé : « Ce n'est pas encore un chemin balisé. » Cette situation exige des entreprises qu'elles abordent l'IA générative avec précaution. Dhama prévoit que l'IA générative restera en « phase copilote » pendant une période prolongée, en particulier dans des secteurs très réglementés comme les services financiers, où la supervision humaine demeurera essentielle.

De plus, des vulnérabilités de sécurité peuvent découler de l'utilisation de l'IA générative, notamment lors de tâches de codage. Comme l'a noté Dhama, l'expertise de ceux qui mettent en œuvre ces outils est primordiale. Linde a conseillé aux entreprises de commencer à déployer l'IA générative en interne pour améliorer la productivité et l'efficacité des employés, suggérant qu'une utilisation initiale dans des fonctions administratives pourrait préparer le terrain pour une mise en œuvre plus large lorsque la confiance au sein de l'organisation grandit.

Malgré les défis associés à l'adoption de nouvelles technologies, les gains de productivité potentiels offerts par l'IA générative sont convaincants. Iyer estime que les organisations pourraient connaître des améliorations d'efficacité allant de 10 % à 90 %.

Un autre aspect critique de l'utilisation efficace de l'IA générative est la diversification des technologies. Linde a souligné l'importance d'employer plusieurs modèles d'IA générative, malgré la prévalence de la technologie d'OpenAI dans les applications actuelles. Les récents bouleversements impliquant le PDG d'OpenAI, Sam Altman, illustrent les risques de dépendance à un seul fournisseur.

Explorer divers modèles est essentiel, car différents systèmes excellent dans différents domaines. Linde a noté que des modèles émergents, tels que Mistral, ont montré des performances exceptionnelles et devraient être envisagés dans le cadre d'une stratégie plus large. Dhama a renchéri, plaidant pour une variété de systèmes afin de renforcer la résilience.

Lors de la conception d'un cadre d'IA générative, des considérations clés incluent la précision, la latence et le coût. Pour se démarquer sur un marché où de nombreuses entreprises utilisent des modèles fondamentaux similaires, les intervenants ont souligné que le facteur différenciant réside dans la qualité des données sous-jacentes. Comme l'a succinctement déclaré Dhama, « C'est dans les données, pas dans le modèle. »

Maximiser la valeur tirée de l'IA générative nécessite une intersection stratégique des insights commerciaux et de l'exécution opérationnelle, avec une forte emphasis sur la gestion des bonnes données. Iyer a conclu par un rappel puissant : « Si vous avez les données, vous gagnez. »