Qu'est-ce qui freine les progrès de l'intelligence artificielle ? Ou est-ce un problème de données ?

Une nouvelle enquête menée par Forrester Consulting pour le compte de Capital One montre que le manque de bases de données solides et de flux de données solides empêche les entreprises de progresser davantage en matière d'apprentissage automatique et d'intelligence artificielle.

Selon un nouveau rapport récemment publié par Capital One, "Actionable Machine Learning Achieves Key Business Outcomes", bien que les entreprises aient obtenu un certain succès dans la mise en production de l'apprentissage automatique (ML) et de l'intelligence artificielle (IA), mais Ils feraient de plus grands progrès si les problèmes de gestion des données ne les gênaient pas.

Le rapport est basé en partie sur une enquête Forrester menée en juillet de cette année auprès de 150 décideurs en matière de gestion des données en Amérique du Nord, qui a révélé que 73 % des décideurs estiment que la transparence, la traçabilité et l'explicabilité des flux de données sont des obstacles à la gestion des données. l’opérationnalisation des applications d’apprentissage automatique et d’IA. L'enquête a également révélé que 57 % des personnes interrogées ont déclaré que les silos internes entre leurs data scientists et leurs opérateurs commerciaux entravaient le déploiement de l'apprentissage automatique.

David Kang, vice-président senior et responsable de l'analyse des données chez Capital One, a déclaré : "Nous en sommes encore au stade où les algorithmes d'apprentissage automatique eux-mêmes ne sont pas un obstacle au succès des gens". Commissions Capital One Lors de la réalisation de cette enquête, ils pensaient que le plus grand défi se concentrerait sur l'opérationnalisation de l'apprentissage automatique. Avec le développement des applications de machine learning et d’intelligence artificielle, le MLOps (machine learning opérations) est devenu une discipline indépendante, et c’est aussi un domaine dans lequel Capital One investit.

Mais lorsque ce rapport a été publié, les décideurs en matière de données étaient surtout préoccupés par le manque de progrès dans la construction d'une base de données solide, y compris l'ingénierie et l'infrastructure des données, a déclaré Kang.

"À certains égards, c'est décevant. Mais à d'autres égards, ce n'est pas surprenant, car l'exploitation des données à grande échelle nécessite une concentration soutenue sur la réflexion et la refonte de la capacité de chacun dans l'écosystème des données - comment produire et consommer, comment. pour gérer les données de différentes manières. Le processus de transformation de l’écosystème des données est toujours en cours. Ce n’est pas quelque chose que l’on fait une seule fois et qu’on oublie. »

L’enquête de Capital One est similaire aux conclusions d’autres études récentes. Ces études ont révélé que les problèmes de gestion des données ralentissaient le rythme et l’ampleur de l’adoption de l’apprentissage automatique et de l’intelligence artificielle. Il s'agit notamment d'un rapport du MIT Technology Review commandé par Databricks en septembre qui a souligné les dangers d'une mauvaise gestion des données sur l'intelligence artificielle ; et d'une étude IDC commandée par Collibra en août qui a révélé qu'il existe une corrélation entre les entreprises présentant des caractéristiques « intelligentes en matière de données » telles que comme le catalogage des données, l'héritage, la gestion et la gouvernance de la qualité, ainsi que le succès sur le marché.

S’il y a un thème commun à ces études, c’est que, même si la sophistication des technologies existantes d’apprentissage automatique et d’intelligence artificielle augmente rapidement, les entreprises découvrent qu’elles n’ont pas suffisamment bien effectué certains travaux de gestion des données de base qui sont nécessaires pour y parvenir. avancées technologiques.

Les entreprises peuvent constater qu'une application de ML ou d'IA a un impact positif sur une preuve de concept (POC) limitée, mais ne parviennent pas à prendre les mesures nécessaires pour garantir un déploiement fluide dans une production réelle plus large.

Cela peut prendre un certain temps avant que la technologie que vous souhaitez développer ne commence à avoir un impact sur le marché. La tentation est toujours là pour ces concepts de commencer à produire des résultats, puis de se retrouver soudainement quelque part avec un tas de silos de données et un tas d'autres défis en matière d'infrastructure d'ingénierie des données.

La science des données est encore une discipline relativement nouvelle et de nombreuses entreprises ont du mal à pourvoir les offres d'emploi. Le rapport de Capital One révèle que 57 % des personnes interrogées ont déclaré avoir l'intention de recourir à des partenariats pour combler les lacunes parmi les praticiens de la science des données. Kang a déclaré que le manque d'expertise interne rend également plus critique pour les entreprises la mise en place d'une infrastructure de données de base, ce qui facilite la construction de cas d'utilisation de ML et d'IA plus avancés et leur répétition.

L'enquête de Capital One a également révélé d'autres problèmes qui ralentissent l'adoption de l'apprentissage automatique et de l'intelligence artificielle. L'entreprise a constaté que 36 % des personnes interrogées ont cité « des ensembles de données volumineux, diversifiés et déroutants » comme un obstacle majeur, et 38 % ont cité les risques liés à l'IA comme le principal défi. 38 % ont cité les silos de données au sein de l’organisation et des partenaires de données externes comme un défi à la maturité du machine learning.

Les « contretemps » de la gestion des données ne semblent pas ralentir les investissements dans l’IA et l’apprentissage automatique (du moins pas encore). L'enquête de Capital One révèle que 61 % des décideurs prévoient d'ajouter de nouvelles capacités et applications d'apprentissage automatique au cours des trois prochaines années. Plus de la moitié (53 %) des personnes interrogées donnent actuellement la priorité à l'exploitation du machine learning pour améliorer l'efficacité de leur entreprise.

Alors, pourquoi les entreprises utilisent-elles l'apprentissage automatique ? Un autre élément intéressant de l'enquête est que la détection automatisée des anomalies est le principal cas d'utilisation de l'apprentissage automatique, avec 40 % des personnes interrogées le signalant comme leur principal cas d'utilisation. Cela a trouvé un écho auprès de Kang, qui a aidé Capital One à créer un système de détection d'anomalies basé sur l'apprentissage automatique.

Les autres principaux cas d'utilisation du ML et de l'IA incluent : les mises à jour automatisées des applications et de l'infrastructure (39 %) et le respect des nouvelles exigences réglementaires et de confidentialité pour une IA responsable et éthique (39 %).

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!