L'IA et le ML passent de termes commerciaux à des applications d'entreprise plus larges. Les efforts autour de la stratégie et de l’adoption rappellent les cycles et les points d’inflexion de la stratégie cloud des entreprises, lorsque les entreprises n’avaient plus le choix de migrer vers le cloud, mais seulement la question de savoir quand et comment le faire.
Les stratégies de mise en œuvre de l'intelligence artificielle et de l'apprentissage automatique suivent le même modèle d'évolution à mesure que les entreprises construisent leur approche. Dans cet article, nous verrons comment maximiser le potentiel de l’intelligence artificielle et de l’apprentissage automatique.
Selon un rapport de recherche, près des deux tiers des décideurs technologiques d'entreprise ont déjà, sont actuellement ou envisagent d'étendre l'application de l'intelligence artificielle. Ce travail et ces efforts sont motivés par les lacs de données d'entreprise au sein d'entreprises qui sont largement restées inactives en raison de la conformité et du stockage à faible coût, tirant parti de ces riches référentiels pour permettre à l'IA de répondre aux questions que nous ne posons pas, ou que nous ne savons peut-être pas quelles questions poser. .
Les dépenses consacrées aux systèmes centrés sur l'IA devraient dépasser 300 milliards de dollars d'ici 2026, et dans les années à venir, les entreprises de tous les secteurs continueront d'adopter les technologies d'IA et d'apprentissage automatique, transformant leurs processus et modèles commerciaux de base pour tirer parti des systèmes d'apprentissage automatique pour améliorer leurs performances. opérations et améliorer la rentabilité. Alors que les chefs d’entreprise commencent à élaborer des plans et des stratégies pour tirer le meilleur parti de cette technologie, ils doivent se rappeler que le chemin vers l’adoption de l’intelligence artificielle et de l’apprentissage automatique est un voyage et non une course.
Il est important que les chefs d'entreprise et leurs chefs de projet prennent d'abord le temps de définir et d'articuler clairement le problème ou le défi spécifique qu'ils souhaitent que l'IA résolve. plus les objectifs sont précis, plus grandes sont les chances de succès de la mise en œuvre de l’IA.
Une fois les cas d'utilisation clairement définis, l'étape suivante consiste à garantir que les processus et systèmes existants peuvent capturer et suivre les données nécessaires pour effectuer l'analyse requise.
Beaucoup de temps et d'efforts sont consacrés à l'ingestion et à la conservation des données. Les entreprises doivent donc s'assurer de capturer une quantité suffisante de bonnes données, avec les bonnes variables ou caractéristiques, telles que l'âge, le sexe ou l'origine ethnique. Lorsque les organisations donnent la priorité aux programmes de gouvernance des données, elles doivent garder à l’esprit l’importance de la qualité et de la quantité des données pour obtenir des résultats positifs.
Il peut être tentant pour une entreprise de se lancer tête première dans un exercice de création de modèle, mais il est crucial que celui-ci commence par un exercice d'exploration rapide des données pour valider ses hypothèses et sa compréhension des données. En tirant parti de l’expertise en la matière et des connaissances commerciales d’une organisation, nous pouvons déterminer si les données racontent la bonne histoire.
Un tel exercice aidera également les entreprises à comprendre quelles caractéristiques variables importantes devraient ou pourraient être, et quel type de classification des données devrait être créée en entrée de tout modèle potentiel.
Pour assurer le succès des modèles d'IA, l'équipe de direction doit rassembler différentes idées et perspectives. Cela nécessite de recruter et d’inclure du personnel issu du plus large éventail possible de populations, en tenant compte de facteurs démographiques et sociaux tels que le sexe, la race et la neurodiversité.
Les écarts de compétences restent importants dans l'industrie technologique et les entreprises, mais le recrutement et la fidélisation d'employés de tous horizons peuvent atténuer ce phénomène et garantir que les modèles d'IA sont aussi inclusifs et exploitables que possible. Prenez le temps de vous comparer à l’industrie et d’identifier les domaines où une plus grande représentation est nécessaire.
Au lieu de se concentrer sur l'objectif ultime que l'hypothèse devrait atteindre, il est préférable de se concentrer sur l'hypothèse elle-même. L'exécution de tests pour déterminer quelles variables ou fonctionnalités sont les plus importantes validera les hypothèses et améliorera leur exécution.
L'implication de divers experts métiers et domaines est essentielle, car leurs commentaires constants jouent un rôle important dans la validation et la garantie d'un consensus entre toutes les parties prenantes. En fait, étant donné que le succès de tout modèle d’apprentissage automatique dépend d’une ingénierie réussie des fonctionnalités, les experts en la matière sont toujours plus précieux que les algorithmes lorsqu’il s’agit d’obtenir de meilleures fonctionnalités.
En définissant des indicateurs de performance, les résultats de différents algorithmes peuvent être évalués, comparés et analysés pour améliorer davantage un modèle spécifique. Par exemple, l’exactitude de la classification constituerait une bonne mesure de performance lorsqu’il s’agit de cas d’utilisation de la classification.
Pour entraîner et évaluer l'algorithme, les données doivent être divisées en un ensemble d'entraînement et un ensemble de test. Selon la complexité de l'algorithme, cela peut être aussi simple que de choisir une répartition aléatoire des données, par exemple 60 % pour la formation et 40 % pour les tests, ou cela peut impliquer un processus d'échantillonnage plus complexe.
Comme pour tester les hypothèses, des experts métier et du domaine doivent être impliqués pour valider les résultats et s'assurer que tout avance dans la bonne direction.
Une fois le modèle construit et vérifié, il doit être mis en production. En commençant par un déploiement limité sur quelques semaines ou quelques mois, les utilisateurs professionnels peuvent fournir des commentaires continus sur le comportement et les résultats du modèle, qui peuvent ensuite être déployés auprès d'un public plus large.
Pour diffuser les résultats au public approprié, des outils et des plateformes appropriés doivent être sélectionnés pour automatiser la collecte de données et les systèmes correspondants doivent être établis. La plate-forme doit fournir plusieurs interfaces pour répondre aux différents niveaux de besoins de connaissances des utilisateurs finaux de l'entreprise. Par exemple, un analyste commercial peut souhaiter effectuer une analyse plus approfondie basée sur les résultats du modèle, tandis qu'un utilisateur final occasionnel souhaitera peut-être uniquement interagir avec les données via des tableaux de bord et des visualisations.
Une fois qu'un modèle est publié et déployé pour être utilisé, il doit être surveillé en permanence car en comprenant son efficacité, l'entreprise sera en mesure de mettre à jour le modèle si nécessaire.
Les modèles peuvent devenir obsolètes pour plusieurs raisons. Les évolutions du marché peuvent entraîner des changements dans l’entreprise elle-même et dans son modèle économique. Les modèles sont construits sur des données historiques afin de prédire les résultats futurs, mais à mesure que la dynamique du marché s'écarte de la façon dont une entreprise a toujours mené ses activités, les performances du modèle peuvent se détériorer. Il est donc important de se rappeler quels processus doivent être suivis pour garantir que le modèle reste à jour.
L'intelligence artificielle passe rapidement du battage médiatique à la réalité dans l'espace de l'entreprise, avec un impact significatif sur les opérations et l'efficacité de l'entreprise. Prendre le temps d’élaborer dès maintenant un plan de mise en œuvre permettra à l’entreprise de mieux se positionner pour récolter d’autres avantages.
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!