Stratégie d'IA réussie : une utopie sans des données de qualité

Pour répondre aux enjeux et difficultés économiques que nous connaissons depuis plusieurs mois, les entreprises doivent apprivoiser les technologies d'intelligence artificielle et d'automatisation.

Depuis le début de l’année 2023, les conditions macroéconomiques ne cessent de se durcir. Les prix de l'énergie n'ont jamais été aussi élevés, les perturbations de la chaîne d'approvisionnement sont passées du statut d'anomalie à celui d'habitude, et l'inflation reste un obstacle constant pour les consommateurs comme pour les entreprises. En conséquence, et pour faire face à ces perturbations de front, les chefs d'entreprise devront rechercher de nouvelles stratégies qui leur permettront de faire plus avec moins - en donnant aux employés la capacité d'agir et de réagir aux perturbations du marché avec les ressources de plus en plus réduites dont ils disposent.

Compte tenu de l'incertitude économique, nous verrons de plus en plus d'entreprises accélérer l'évolution numérique pour intégrer l'IA et la technologie d'automatisation comme solutions à ce défi d'efficacité. Néanmoins, comme beaucoup d'entre elles sont encore aux prises avec les défis fondamentaux liés aux données nécessaires pour embarquer efficacement ces outils, il faudra mettre davantage l'accent sur les stratégies de qualité des données et sur la maturité analytique pour réussir.

D’après une étude Alteryx, deux tiers des organisations françaises ne font pas suffisamment confiance à leurs propres données analytiques pour les utiliser dans la prise de décision. Dans de nombreux cas, cette situation est la marque du niveau relativement faible de maturité analytique observé dans les entreprises du monde entier. Si la plupart des informations commerciales dont disposent les chefs d'entreprise sont fournies par des feuilles de calcul manuelles, la raison pour laquelle les niveaux de confiance dans ces informations sont faibles devient plus évidente.

Si les capacités et les applications de l'IA ont certainement progressé ces dernières années, il n'en va pas de même de la compréhension par le marché de ce qu'est réellement l'IA. L'IA est un outil comme un autre - elle nous permet de faire plus avec moins. Elle nous permet de prendre des décisions plus intelligentes. Si le développement et l'utilisation de l'IA ne sont pas guidés par l'expertise et les connaissances humaines, il en résulte un risque accru que les modèles d'IA soient formés à partir d'ensembles de données inexacts, biaisés ou mal compris.

La bataille entre la stratégie héritée et l'orientation vers l'avenir

Le paysage commercial mondial est en train de lutter entre les stratégies héritées du passé et les stratégies percutantes d'aujourd'hui. Ces stratégies peuvent fonctionner comme prévu si les bons ingrédients sont réunis - à savoir une base solide de données définie par la flexibilité, l'accessibilité et une gouvernance efficace - mais elles dépendent aussi entièrement des travailleurs du savoir qualifiés qui sont censés utiliser ces outils et interagir avec eux.

Aujourd'hui, les entreprises disposent de plus en plus de données. S'il est de plus en plus facile d'effectuer des analyses sur ces données, le nombre d'entreprises qui s'efforcent de le faire n'a pas suivi le rythme de la demande d'intelligence générée par l'analytique. C'est dans cet avenir que les jeunes entreprises digital-native évoluent actuellement. C'est aussi l'avenir que les entreprises traditionnelles s'efforcent d'atteindre.

Les chefs d'entreprise savent que l'IA et l'automatisation sont la solution pour faire plus avec moins, mais malgré cela, leurs feuilles de route pour passer du point A au point B manquent d'un certain nombre d'étapes fondamentales pour s'assurer que des données de bonne qualité alimentent ces modèles d'IA. Prenons l'exemple des entreprises les plus prospères au monde : leur argument de vente unique (USP) n'est pas une réserve de liquidités ou un bien immobilier - ce sont leurs produits de données et leur capacité fondamentale à collecter, analyser et agir sur les données à grande échelle, ainsi qu’à les utiliser pour prendre des décisions meilleures et plus intelligentes.

L'IA : un outil centré sur l'homme au potentiel considérable

Qu'il s'agisse d'une pandémie, d'une catastrophe naturelle, d'un ransomware ou d'un investissement financier, la capacité à anticiper la prochaine crise et ses effets a un point commun - et ce n'est pas une boule de cristal. Elles nécessitent toutes la capacité d'exploiter les données avec rapidité et compétence. De bonnes informations, de bonnes données et la capacité de prendre de bonnes décisions grâce à l'analytique sont plus que jamais essentielles pour prévoir et mettre en œuvre des stratégies tournées vers l'avenir afin d'atténuer l'impact et de diminuer les risques.

Dans ce futur où l’IA sera de plus en plus forte, la superposition d'une technologie après l'autre ne suffira pas à répondre à la nécessité d'obtenir des informations plus rapidement et à plus grande échelle. L'utilisation efficace de toute technologie dépend toujours du facteur humain. Dans de nombreux cas, il peut s'agir d'un avantage net, permettant à l'ingéniosité humaine d'occuper le devant de la scène dans la prise de décision. Dans d'autres cas, comme nous le voyons aujourd'hui avec les équipes de Data Science, le facteur humain peut également agir comme un goulot d'étranglement pour la valeur de l'entreprise. Sans la capacité d'adapter efficacement les équipes aux besoins croissants de l'entreprise, les équipes de Data Science se retrouvent débordées et épuisées en raison de leur charge de travail excessive.

Avec un besoin accru d'analyser les données détenues par les entreprises, et l'incapacité de dimensionner les équipes de Data Science dans les entreprises pour réellement fournir ces informations, l’intégration plus poussée d’outils d'efficacité tels que les modèles d'IA devient plus claire et évidente pour les équipes dirigeantes.

Atténuer les biais de l'IA pour mettre en œuvre la stratégie de l'entreprise

La Data Science et l'éthique de l'IA sont inextricablement liées, et pourtant l'éthique des données n'a pas toujours obtenu l'attention qu'elle mérite au sein des entreprises. Plutôt que de s'appuyer sur une petite équipe d'experts en données, les entreprises doivent s'assurer que des personnes ayant des perspectives et des expériences diverses sont incluses dans tout projet d'IA, afin de fournir une assurance qualité à la source des données.

En faisant appel à des travailleurs du savoir diversifiés et qualifiés au niveau des données, les entreprises peuvent s'assurer que les personnes les plus proches du problème - et de l'ensemble de données - sont les mieux placées pour mettre en évidence les erreurs, les anomalies ou les malentendus au sein de ces données. Il en résulte une stratégie plus solide pour mettre en évidence les ensembles de données potentiellement biaisés avant que ces dernières ne soient introduites dans un modèle d'IA, risquant ainsi d’amplifier ce biais.

La démocratisation de l'intelligence décisionnelle pilotée par l'IA doit s'appuyer sur une base solide de maîtrise des données, ainsi que sur une formation et un perfectionnement adaptés, afin que les travailleurs du savoir puissent tirer le meilleur parti de ces outils. Les êtres humains et l'utilisation éthique des données doivent être au centre de toute innovation en matière d'IA. Dans le cas contraire, les organisations risquent de gaspiller des ressources en créant des produits d'IA défectueux, générant des résultats biaisés et inexacts. Les data scientists peuvent manquer de connaissance directe du domaine ou d'expérience personnelle pour reconnaître les incohérences ou les biais dans les ensembles de données. Les organisations doivent donc se concentrer sur la création d'une main-d'œuvre qui maîtrise les données et qui est consciente de leur éthique.