Des implémentations qui changent la vie comme l’imagerie diagnostique médicale et les véhicules autonomes aux cas d’utilisation modestes tels que les assistants virtuels ou les aspirateurs robots – l’intelligence artificielle est mise à profit pour résoudre un nombre incroyable de problèmes.
Malgré efforts généralisés de mise en œuvre de l’IACependant, le développement d’outils d’IA efficaces est encore loin d’être facile. Les équipes peuvent s’attendre à rencontrer de nombreux obstacles en cours de route.
Les données sont l’un des éléments les plus importants du développement d’un algorithme d’IA. N’oubliez pas que ce n’est pas parce que les données sont générées plus rapidement que jamais que les bonnes données sont faciles à trouver.
Des données de mauvaise qualité, biaisées ou incorrectement annotées peuvent (au mieux) ajouter une autre étape. Ces étapes supplémentaires vous ralentiront, car les équipes de science des données et de développement doivent les parcourir pour accéder à une application fonctionnelle.
Au pire, des données défectueuses peuvent saboter une solution au point qu’elle ne peut plus être récupérée. Tu n’y crois pas? C’est exactement comme ça qu’Amazon a dépensé années à construire un outil de recrutement sexiste que l’entreprise finirait par abandonner.
Juste de commencer
Une fois que vous disposez de données de haute qualité, votre travail est loin d’être terminé. Au lieu de cela, vous devrez le convertir dans un format lisible par machine – un processus qui comporte de nombreux défis.
Dans des secteurs hautement réglementés comme la finance et la santé, par exemple, les données devront être soigneusement dépersonnalisées pour garantir qu’elles respectent les normes de confidentialité.
Si vous recherchez des données internationales, vous devrez également respecter les lois sur le partage de données qui régissent les pays d’origine des données. Le processus ressemble à un pointage des i et à un croisement des t – mais le respect des données exigera une connaissance approfondie d’un paysage réglementaire complexe.
Croiser les chiffres
Bien sûr, les données ne sont rien sans une équipe pour les transformer en informations susceptibles d’informer un modèle d’IA.
Si votre organisation ne dispose pas d’une équipe de science des données formée en interne, vous devrez peut-être embaucher ou sous-traiter ces capacités.
Même si vous avez une équipe d’ingénieurs expérimentés sur votre liste, le temps nécessaire pour annoter les données brutes peut entraver le développement d’algorithmes.
Les employés ne sont pas susceptibles de subir une réduction de salaire simplement parce que vous leur faites effectuer un travail de moindre valeur.
Ces obstacles ajoutent certainement de la complexité au processus de développement, mais ils ne devraient pas être des facteurs décisifs. Au lieu de cela, un plan bien conçu peut vous aider à éviter certains de ces obstacles tout en supprimant les autres un à la fois au fur et à mesure qu’ils apparaissent.
3 étapes pour surmonter les obstacles courants au développement d’applications d’IA
N’OUBLIEZ PAS: Maximisez l’efficacité et les résultats
Le processus de développement de l’IA est itératif, chaque itération vise à améliorer la précision et la portée du modèle. Lorsque vous commencez à planifier le déroulement de votre propre parcours de développement, concentrez-vous sur les trois étapes suivantes.
1. Trouvez le bon partenaire pour les tâches principales
L’approvisionnement, l’annotation et la désidentification des données peuvent consommer plus de 80% du temps d’un data scientist.
Tirer parti de l’expertise du bon partenaire peut économiser énormément de temps et d’énergie pour votre équipe d’IA. Vous voulez permettre à votre équipe d’utiliser les compétences pour lesquelles vous les payez au lieu d’exécuter des fonctions banales de nettoyage de données.
En plus de vous assurer que votre équipe est libre de mettre à profit ses meilleures compétences, un partenaire expérimenté peut vous aider à trouver le contenu de la plus haute qualité pour former votre modèle de données IA.
Gartner Research prédit que 85% des implémentations d’IA jusqu’en 2022 produira des erreurs de sortie en raison d’un biais dans l’entrée. Avec le bon partenaire qui vous aide à trouver et à annoter les données, vous pouvez éviter un scénario coûteux où «les déchets en génèrent des déchets».
2. Aligner les parties prenantes sur des cas d’utilisation clairs et les besoins des clients
Construire une solution d’IA est un investissement considérable qui nécessitera de nombreux participants aux rôles variés.
Avoir un large éventail d’expériences et de perspectives est essentiel pour une mise en œuvre réussie de l’IA, mais seulement si ces parties prenantes sont alignées sur l’objectif du projet.
Les écarts existants entre les différentes perceptions du résultat idéal ne font que se creuser au fur et à mesure que le processus de développement progresse, il est donc important de prendre le temps d’étouffer ces malentendus dès le début.
Passez du temps avec toutes les parties prenantes et les équipes pour établir des objectifs et des critères de réussite clairement définis. Ce petit investissement initial vous coûtera du temps et de l’argent, mais il vous fera économiser tous les deux à long terme en gardant les participants alignés pendant toute la durée du projet.
3. Faites les choses correctement, une implémentation à la fois
L’IA est extrêmement puissante, mais ce n’est pas une solution miracle; il existe encore de nombreux problèmes commerciaux pour lesquels l’IA n’est pas une solution appropriée. Au lieu de jeter l’intelligence artificielle au mur et de voir ce qui colle, les organisations devraient commencer par prioriser les cas d’utilisation qui ont le plus de sens.
Cherchez-vous à filtrer une grande quantité de données? L’IA est une excellente option. Si vous essayez de repérer des modèles, il est tout aussi performant et le logiciel peut évoluer pour surpasser facilement des millions d’analystes humains.
Commencez par des implémentations d’IA simples ou éprouvées qui offrent le chemin le plus simple et le plus rapide vers un gain, et utilisez l’expérience acquise grâce à ces entreprises pour des projets futurs plus complexes.
Conclusion
Créer une application d’IA n’est pas facile, mais les récompenses potentielles sont énormes. Gardez une compréhension claire des écueils potentiels que votre équipe pourrait rencontrer tout au long du processus.
Vos pièges potentiels incluent les problèmes d’approvisionnement et d’annotation des données, les pénuries de personnel, les lacunes en matière de compétences et le manque d’alignement vers un objectif commun.
Construisez un plan qui tient compte de ces obstacles. Commencez par les trois étapes ci-dessus et vous serez sur la bonne voie pour une mise en œuvre efficace de l’IA.
Crédit d’image: Scott Graham; unsplash, merci!
L’article 3 étapes pour surmonter les obstacles courants au développement d’applications d’IA est apparu en premier sur zimo news.
