Produits et projets d’IA – en quoi sont-ils différents des autres ? | IA en affaires #49

Introduction à la gestion des produits d’IA

Les produits d’IA nécessitent un développement et une personnalisation constants, ce qui est différent des solutions technologiques traditionnelles.

• IA, intelligence artificielle – un nom général pour la capacité des machines à effectuer des tâches qui imitent le fonctionnement de la raison et de la créativité humaines, telles que la reconnaissance d’images, la compréhension du langage écrit et parlé, ou la prise de décisions basées sur les données disponibles,
• ML, apprentissage automatique – une sous-discipline de l’IA couvrant les processus par lesquels les machines apprennent des données et de l’expérience comment effectuer des tâches de manière plus efficace. L’unicité des produits basés sur l’apprentissage automatique (ML) vient du fait qu’ils ne sont pas préprogrammés, mais sont équipés de capacités d’apprentissage et d’adaptation. Dans des secteurs tels que la santé, l’IA contribue à des diagnostics plus précis, tandis que dans la finance, elle permet une analyse des risques plus sophistiquée,
• GenAI, intelligence artificielle générative – un nouveau domaine de ML impliquant des systèmes capables de créer du nouveau contenu, tel que du texte, des images, des vidéos, des modèles 3D ou de la musique, basé sur l’invention de l’utilisateur ou un but et des données d’entrée spécifiés par l’utilisateur, tels que des mots-clés, des requêtes ou des invites, ou des croquis ou des photos.

Planification des produits d’IA – de l’idée à la mise en œuvre

La planification d’un produit d’IA nécessite de poser une question clé dès le départ : Ce produit bénéficiera-t-il de l’ajout de capacités d’IA ?

La mise en œuvre d’un produit d’IA est risquée et coûteuse, et par conséquent, il est judicieux de commencer par définir le problème à résoudre par la mise en œuvre de l’IA, puis d’essayer de le résoudre de manière optimale. Peut-être en utilisant le brainstorming avec ChatGPT ou Google Bard, qui peuvent surprendre par leurs conseils sur le chemin optimal de développement du produit – pas nécessairement basé sur l’IA.

Cependant, si nous décidons d’ajouter de l’intelligence artificielle aux offres d’une entreprise, nous devons prendre en compte les spécificités du cycle de vie du projet d’IA. Après tout, les données de Gartner montrent que seulement 54 % des projets d’IA passent de la phase pilote à la production.

Cela est souvent dû aux prototypes très prometteurs qui peuvent être créés avec les outils d’IA disponibles aujourd’hui. D’un autre côté, il est très difficile d’atteindre une “qualité de production” et la répétabilité et la pertinence des résultats exigées par les parties prenantes.

Le cycle de vie des produits d’IA diffère des autres, cependant, non seulement en ce sens qu’il dépasse moins fréquemment la phase de concept. Là où le cycle de vie des produits traditionnels tend vers un déclin progressif de l’intérêt une fois que les ventes atteignent leur pic, les produits d’IA connaissent ce qu’on appelle l’effet “flywheel”. C’est un phénomène dans lequel un produit basé sur l’apprentissage automatique s’améliore à mesure qu’il est utilisé et que de nouvelles données sont collectées auprès des utilisateurs. Plus le produit est bon, plus les utilisateurs le choisissent, ce qui génère à son tour plus de données pour améliorer l’algorithme. Cet effet crée une boucle de rétroaction qui permet une amélioration continue et une mise à l’échelle des solutions basées sur l’IA.

Source : DALL-E 3, prompt : Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Cela en fait des produits avec un cycle de vie renouvelable. En d’autres termes, l’effet flywheel dans l’IA signifie que les améliorations continues entraînent des améliorations incrémentales des performances du produit. Par exemple :

• Formation itérative des modèles d’IA – par exemple, un modèle de prévision des ventes peut nécessiter une formation répétée pour atteindre une précision optimale, mais il devient de plus en plus parfait avec le temps,
• Gestion des arriérés de données – pour les applications de personnalisation de contenu, la collecte et l’analyse des données des utilisateurs peuvent être une priorité, ce qui conduira progressivement à des résultats de plus en plus pertinents.

En résumé, la gestion de projet d’IA nécessite de la flexibilité et une préparation à l’amélioration continue. Par conséquent, les chefs de projet d’IA doivent être prêts à répondre à des exigences changeantes et à ajuster constamment les stratégies.

Comprendre les données et leur rôle dans le développement de produits d’IA

Le rôle des données dans le développement de produits d’IA est crucial. McKinsey estime que les modèles d’IA générative pourraient générer des bénéfices économiques allant jusqu’à 4,4 trillions de dollars par an. Cependant, atteindre une part de ce gâteau nécessite une gestion de données de qualité.

Par exemple, pour qu’un système de recommandation de produits de commerce électronique fonctionne bien, la qualité des données sur le comportement des clients est cruciale. Non seulement vous aurez besoin de la bonne quantité de données, mais aussi de leur bonne segmentation et mise à jour, et surtout, d’une capacité habile à tirer des conclusions des informations collectées.

Lors de la création d’un produit d’IA basé sur les données, il est tout aussi important de maintenir l’impartialité des données. Par exemple, dans les algorithmes d’IA utilisés dans le recrutement ou l’assurance, les données ne doivent pas contenir de biais implicites – basés sur le sexe ou la localisation – qui pourraient conduire à de la discrimination.

Il convient de noter qu’une gestion appropriée des données nécessite non seulement une expertise technique, mais aussi une prise de conscience de son impact sur la performance des produits d’IA.

Les problèmes les plus courants lors de la gestion de produits basés sur l’IA

La gestion des produits d’IA implique des défis qui nécessitent des compétences spécifiques et une conscience éthique. Parmi les problèmes les plus importants, il convient de mentionner :

• Développement des compétences en IA – par exemple, un chef de produit dans l’industrie de l’IA doit comprendre les bases de l’apprentissage automatique pour travailler efficacement avec l’équipe technique,
• Orientation à jour sur les exigences légales – les réglementations sur les produits d’IA émergent à peine, donc vous devez être orienté pour ajuster en permanence les politiques et réglementations de votre entreprise concernant l’utilisation du produit d’IA,
• Intégration de l’IA dans les systèmes existants – intégrer une intelligence artificielle avancée dans les systèmes informatiques existants peut poser des défis technologiques et organisationnels,
• Mise à l’échelle des solutions d’IA – pour les start-ups technologiques, développer un prototype d’IA en un produit à grande échelle nécessite des ressources, du temps et de l’expertise, ce qui peut également poser problème en raison de l’offre relativement faible et de la forte demande de spécialistes,
• Maintenir l’engagement des utilisateurs – pour une application qui utilise l’IA pour personnaliser le contenu, s’adapter constamment aux préférences changeantes des utilisateurs est essentiel pour les garder engagés,
• Aborder les dilemmes éthiques – par exemple, dans une application d’IA pour le suivi de la santé, la confidentialité et la sécurité des données des utilisateurs sont une priorité.

Produits d’IA – résumé

En résumé, la gestion de projets et de produits d’IA nécessite une compréhension des défis et des opportunités uniques que la technologie apporte. Comprendre le rôle des données, être capable de gérer des équipes et des projets ainsi que de rester conscient des aspects éthiques de l’IA sont essentiels. Les produits d’IA ouvrent de nouveaux horizons pour les entreprises, mais ils nécessitent la bonne approche et les bonnes compétences.

Pour les start-ups, il est important de se concentrer sur la définition claire du problème que le produit d’IA est censé résoudre et de constituer une équipe avec les bonnes connaissances et expériences en IA. Il est également judicieux de se concentrer sur la construction de systèmes d’IA éthiques et transparents qui respectent les attentes des utilisateurs et les réglementations.

Si vous aimez notre contenu, rejoignez notre communauté de abeilles actives sur Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.