Intelligence artificielle : démocratisation en vue, place à l’AI Engineering - partie 1

Auteurs :

Jérôme BESSON

Directeur

Contactez

5 minutes

Les entreprises qui ont expérimenté l’IA (Intelligence Artificielle) sont aujourd’hui à un point d’inflexion et s’interrogent sur comment franchir le cap de l’expérimentation. Nombre de projets tagués IA ne passent en effet pas en production alors que les technologies se démocratisent et les pratiques se répandent. Dans cette première partie, comprenez pourquoi un nombre alarmant de modèles développés pourtant avec l’intention de basculer en production ne sont jamais opérationnalisés.

#Vers une démocratisation de l’Intelligence Artificielle (IA)

.

L’intelligence artificielle a le vent en poupe et est en passe de se banaliser dans la boîte à outils des développeurs, tout du moins pour les modèles à faible sensibilité métier et technique.

Une démocratisation accélérée par les plateformes Cloud ‘Big Data’ & ‘AI’ et les technologies associées (‘Container, serverless…’), l’avènement des solutions d’automatisation (‘Augmented Data Science / AutoML / Driverless ML’) et l’arrivée à maturité des environnements intégrés (‘Data Science Studio’).

Une pléthore de technologies et solutions qui permettent aujourd’hui à des non spécialistes du domaine (‘Citizen data scientists’) de produire des modèles de premier niveau déployables en production comme s’il s’agissait de composants logiciels comme les autres.

Pour autant, seuls les géants du digital revendiquent faire de l’intelligence artificielle à l’échelle. Les entreprises quant à elles bataillent encore à l'utiliser même de façon marginale. Un retard qui ne trouve pas tant sa source dans la complexité des technologies (ou l’absence de compétences), mais dans une mauvaise compréhension des singularités, des caractéristiques uniques de l’intelligence artificielle. Des spécificités uniques qui ne permettent pas de créer la confiance fonctionnelle coté équipe métier et technique coté SI.

Si les causes sont multifactorielles, les ‘data scientists’ gagneraient à faire le travail d’éducation et de pédagogie indispensable pour démystifier les problématiques pouvant altérer la confiance dans un modèle d'IA et les moyens pour la garantir. Un effort souvent négligé qui crée une aversion naturelle à la confiance dans l'IA auprès des non-initiés, souvent décideurs du 'Go Live'.

# Les ‘data scientists’ sous pression

.

Portés par un marché ultra-dynamique qui en a fait leur pré-carré et les a installé sur un piédestal, les ‘data scientists’, souvent auto-proclamés où auréolés d’un diplôme labellisé comme tel, entretiennent un voile de mystère sur leur discipline, renforcé par une terminologie emblématique : ‘machine learning, deep learning, reinforcement learing, imitation learning, federated learning, transfer learning…’. Une nébuleuse intellectuelle qu’ils ne cherchent d’ailleurs pas à dissiper, au risque de perdre de leur aura et suprématie. Cette légitimité de fait, est pourtant de plus en plus challengée et ce, pour différentes raisons.

D’abord leur difficulté croissante à expliciter de façon intelligible leurs modèles aux métiers. Ensuite leur détachement apparent, en tout cas pour partie, des problématiques de performances et sécurité à l’exécution. Mais également une non prise en considération des coûts de construction et d’exploitation de leurs modèles à l’échelle et de leur intégration au système d’information. Enfin et non des moindres, une réticence à accepter la supériorité de la machine dans l’automatisation de certaines de leurs activités (choix des données d’entrainement et de validation, préparation automatique, choix des algorithmes, sélection des variables, détermination des paramètres et hyper-paramètres, détection des biais, qualité du code…).

Ils ne sont pas les seuls fautifs de ce scepticisme, voire méfiance qui commence à s’installer dans les entreprises. La faute également à la passivité des directions métiers leurrées par le « buzz » marché et avides de tirer bénéfice de la révolution IA sans en comprendre les fondamentaux. La faute enfin aux directions des systèmes d’information qui par manquent de compréhension fine du produit ‘data science’ ne sont pas en mesure d’apporter une réponse viable à la mise en production et exploitation des modèles d’IA et comptent à tort sur les ‘data scientists’ pour faire le ‘last mile’ dans une logique ‘You build, You Run’, là où ces derniers sont dans une logique ‘throw it over the wall’.

#Un changement profond de paradigme à intégrer

.

Si de nombreuses entreprises ont validé l’apport de l’intelligence artificielle, très peu sont allées jusqu’à l’activation de plusieurs modèles en production, tout du moins sur des modèles sensibles d’un point de vue métier (ex : ‘Credit Risk scoring’). Plusieurs raisons expliquent ce fossé entre nombre d’expérimentations et activations opérationnelles lorsque la valeur métier a été démontrée. Les modèles d’intelligence artificielle posent en effet de nouvelles problématiques :

Une problématique de données. Les modèles d’apprentissage supervisés nécessitent d’avoir des volumes considérables de données (même si des techniques pour en réduire la frugalité existent) et surtout non entachées de biais (‘social, ethnical…’). Associée à celle-ci vient également une problématique de ressource et de temps. Entrainer un modèle peut se compter en minutes, jours, semaines ou mois.

Une problématique d’explicabilité. Là où les systèmes experts basaient leur prédiction sur une dizaine de variables et des arbres de décision logiques, les modèles d’intelligence artificielle travaillent eux sur des centaines, des milliers, voire des millions de variables auto-déterminées.

Une problématique de faisabilité et de conduite du changement métier. Les prédictions proposées peuvent induire des changements profonds de processus (‘human task automation…’), avoir des impacts organisationnels forts (‘human resources flexibility, skills availability…’) et nécessiter des aménagements physiques importants (‘premises, equipments…’) que l’entreprise n’est pas en mesure de mettre en œuvre opérationnellement.

Une problématique de confiance. Les modèles ne sont pas basés sur une intelligence logique mais statistique et leur performance se dégradent inexorablement dans le temps.

Une problématique technologique pour répondre aux modalités d’invocation (‘on the fly, batch or stream inference’) et exigences de niveaux de services attendus (‘scalabilty, low latency…’).

Une problématique d’intégration au système d’information. Le modèle en lui-même n’a pas de valeur. Sa valeur réside dans la transparence, la robustesse, la sécurité et la simplicité de son intégration applicative. Un domaine où l’API s’érige comme le modèle dominant.

Une problématique de supervision pour s’assurer que la valeur métier attendue est bien au rendez-vous. Il s’agit non seulement d’observer et de surveiller le comportement du modèle mais de corréler ses prédictions à des indicateurs métiers plus complexes (‘sales performance, drop in decision error…’).

Une problématique économique car si la mise au point d’un modèle efficace peut déjà être très coûteuse, voire économiquement irréaliste, son exploitation peut l’être encore plus dès lors qu’une infrastructure haute performance dédiée est nécessaire (‘serverless, ai processor…’). Transformer un modèle expérimental en un modèle de production nécessite des investissements conséquents qu’il faut anticiper.

Enfin, et non des moindres une problématique de compétences. Celles nécessaires à la mise au point du modèle ne sont pas les mêmes que celles nécessaires à son opérationnalisation, sa mise en production et son exploitation. Également critique, la synergie obligatoire à avoir entre toutes les compétences requises.

Ne manquez pas la suite dans notre prochaine article où nous apporterons les spécificités des modèles d'IA qui en font un composant logiciel pas comme les autres.

Pour aller plus loin, découvrez une des interventions de Sentelis pour la filiale spécialiste des technologies de l’information d’un groupe international banque-assurance ; Sentelis a réalisé l’opérationnalisation de modèles de ‘machine learning’ (Intelligence artificielle) produits par le ‘Lab Data Science'.

Intéressé(e) par l'intelligence artificielle, contactez-nous ?