Intelligence artificielle : démocratisation en vue, place à l'AI engineering - partie 4 - Conclusion

Auteurs :

Jérôme BESSON

Director

Contactez

5 minutes

Les entreprises qui ont expérimenté l’IA 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. Découvrez pourquoi l'enjeu aujourd'hui pour les entreprises n'est plus seulement la data science mais l'AI engineering, c'est-à-dire la discipline complémentaire qui permet la mise en production à l'échelle en toute confiance.

Plus uniquement une question de data science mais aussi une affaire d’ingénierie

Comme toute nouvelle technologie en plein essor, l’intelligence artificielle traverse une période d’incertitude. Passer d’un modèle expérimental à un modèle en production est difficile pour des raisons techniques, économiques et de confiance à l’exécution.

Notre conviction est que pour l’entreprise consommatrice d’IA à l’échelle, la question est et sera plus que jamais, avec sa démocratisation accélérée, une question d’AI Engineering. C’est-à-dire une problématique de maîtrise industrielle de la chaine de valeur de l'IA de bout en bout et pas seulement une question d’expertise pointue en ‘Data Science’. Cette prise de conscience ne peut se faire que si directions "Business & IT" comprennent bien le caractère singulier d'un modèle d'IA sur l'ensemble de son cycle de vie. Des spécificités qui portent un changement culturel non négligeable et pour lequel les 'data scientists' sont en première ligne. Il est essentiel en effet qu'ils sensibilisent et expliquent le caractère empirique de leur approche, exposent les limites de leurs compétences en matière d'opérationnalisation et d'exploitation de modèles. L'entreprise doit comprendre qu'il existe un fossé structurel entre la mise au point d'un modèle et sa mise en production et que ces deux activités nécessitent des savoir-faire et des outillages spécifiques et complémentaires. Que c'est bien en se dotant de ces deux types de compétence qu'elle pourra garantir la confiance de ses modèles en production. Une confiance qui doit être construite sur l'ensemble du spectre des activités au risque d'annihiler sinon tous les efforts faits en amont, voire de mettre en péril la performance et l'image de marque de l'entreprise.

Pour construire cette confiance dans l'IA et espérer pouvoir en bénéficier à l'échelle et pas seulement sur quelques usages emblématiques ou de niche, l’entreprise doit agir concomitamment à plusieurs niveaux.

Premièrement, poser un cadre partagé et outillé de gouvernance de sa ‘data science’ à l’échelle. Il convient de dissocier les modèles à faible sensibilité métier et technique à la main des ‘citizen data scientists’ des modèles stratégiques, par nature moins, voire peu nombreux. Pour ces derniers à très haute valeur stratégique, une gestion automatique via des 'Model pipelines' entièrement automatisés paraît faire peu sens où alors avec d'infinies précautions. Il convient plutôt de les gérer comme des projets, comme des applications spécifiques à l'instar de ce que font les géants d'internet. Si ces derniers utilisent déjà l'IA à l'échelle de façon distribuée et agile, il ne le font que pour leurs modèles les moins critiques si on en croit leurs différentes publications sur le sujet. Une maturité industrielle, ils en témoignent, qui n'est pas venue du jour au lendemain mais dont l'entreprise peut s'inspirer et bénéficier et qui s'articule toujours à un moment où un autre du cycle de vie des modèles par un passage forcé dans un sas de contrôle, de packaging et de déploiement automatisé.

Deuxièmement, une plateforme d’intelligence artificielle d’entreprise disjointe de la plateforme data d’entreprise. Cette dernière a pour seule vocation d’automatiser le cycle de vie des modèles d’IA : construction, validation, opérationnalisation, exploitation et amélioration continue. Pour la mettre en place, l'entreprise pourra s'appuyer avec discernement sur les plateformes Cloud types « ML-as-a-Services » dont le leitmotiv, la proposition de valeur est justement de démocratiser l’IA. Si ces plateformes vont dans la bonne direction, il faudra encore et pour un temps, passer par l’ajout d'une glue industrielle intégrant le cadre ‘data science’ spécifique de l’entreprise. En effet, la logique "boite noire/presse bouton" qui peut convenir pour des usages à faible sensibilité métier et technique et faible coût économique n'est plus adaptée dès lors que l'entreprise a besoin d'un contrôle strict sur tout ou partie de sa chaîne de valeur data science, sur son engagement de service et doit être en mesure d'expliquer toute prédiction, d'avoir des certitudes.

Cependant dans leur quête à la meilleure plateforme d'intelligence d'entreprise, les entreprises ne doivent pas succomber aux sirènes des solutions automatiques miracles ou des "platforms-as-a-service". Leur marketing draguent les 'data scientists', leur promettant une opérationnalisation de leur modèle en quelques clics et surtout et dangereusement faisant fis des règles spécifiques à l'entreprise et des équipes traditionnelles IT. Les entreprises doivent absolument mettre en place un bouclier, un socle méthodologique et applicatif le plus agnostique des technologies qu'elles emploient pour toujours rester en contrôle de ce qui passe en production, des coûts associées aux technologies utilisées afin de s’assurer que leurs modèles délivrent des résultats justes, actionnables, explicables et créateur de valeur pour l'entreprise au final. Il faut aussi qu'elles acceptent face au foisonnement technologique une certaine agilité dans leur choix de solutions. Elles ne doivent pas être arcboutées sur leur choix d'un jour. Sur certains usages elles devront clairement se reposer la question du "Make or Buy" quelques soient les investissements qu'elles aient pu faire par ailleurs. Question d'efficacité ('time-to-market') et d'efficience (valeur pour l'entreprise) et donc de compétitivité.

Troisièmement et non des moindres, la dissociation de deux profils complémentaires : ceux ‘who knows the maths’, les ‘data scientists’ que certains voient se transformer en « Machine Learning Developers » avec l’avènement des solutions d’Auto-ML capables d’adresser des problématiques de plus en plus complexes et ceux « who knows the IT », les ‘AI Engineers’ pendant des "Data Engineers" pour l'intelligence artificielle et garant de l'industrialisation de la confiance dans l'IA. Une nécessaire confiance qui passera aussi par la mise en place de rôle dédié à celle-ci, par exemple sous la forme de "trust builders". Dans leur course aux talents, les entreprises doivent cibler des profils ‘orientés résultats’, moins 'data scientists' et plus 'AI engineers' dans leurs compétences.

Si on se projette un cran plus loin, démocratisation oblige et confiance acquise, l’intelligence artificielle va s’inviter de façon transparente dans la boite à outils des développeurs comme un outil comme les autres. Ces derniers pourront l’exploiter sans aucune expertise ‘data science’, tout du moins sur des cas d'usage banalisés. Seuls les modèles ‘verticaux’ à forte valeur stratégique et non sur étagères requerront encore des expertises pointues et leur apport concurrentiel sera d'autant plus important qu'ils seront basés sur un savoir-faire, une expertise métier et des données que seule l'entreprise possédera. Caractère unique des données et maîtrise en propre des algorithmes au cœur du 'business' seront des facteurs concurrentiels décisifs.

Découvrez la première partie sur pourquoi peu de modèles d'IA dépassent le stade de l'expérimentation.

Comprenez dans la deuxième partie les caractéristiques qui font qu'un modèle d'IA n'est pas un objet logiciel comme les autres.

Explorez dans la troisième partie les atouts d'une plateforme d'intelligence d'entreprise dédiée complémentaire à votre plateforme de donnée et élément indispensable pour assurer la gouvernance de vos modèles d'IA à l'échelle.