Comprendre et mettre en œuvre les workflows d'IA pour un training et un déploiement optimisés

L’intelligence artificielle (IA) a le potentiel de révolutionner les opérations commerciales et de changer la trajectoire de l’innovation dans tous les secteurs et à travers le monde.

Plus de 75 % de l’impact annuel total de l’IA générative se fera sentir spécifiquement dans les ventes, le marketing, la R&D produit, le génie logiciel et les opérations clients. Mais ces opportunités ne pourront se concrétiser que si l’IA est mise en œuvre de manière réfléchie et stratégique. 

La mise en œuvre de l’IA est un processus structuré qui exige des directeurs techniques, des directeurs des données et des directeurs informatiques qu’ils comprennent les nouvelles exigences technologiques, repensent leur stratégie d’infrastructure actuelle et évaluent les systèmes existants. Pour que l’IA ait un véritable impact, les responsables informatiques doivent bâtir une infrastructure répondant aux besoins de développement et de déploiement des modèles d’IA actuels et futurs.  

Pour ce faire, ils doivent examiner stratégiquement les étapes des workflows d’IA. Ceux-ci comprennent trois méthodes indépendantes de traitement des données : l’agrégation, l’entraînement et l’inférence. Il convient d’analyser le fonctionnement de chaque étape et les éléments fondamentaux nécessaires à leur bon déroulement. 

Les trois étapes des workflows d’IA et leur impact sur l’infrastructure IT  

Étape 1 : Agrégation des données

L’IA n’est performante que si les données sur lesquelles elle est entraînée sont de qualité. L’agrégation des données commence par une approche globale de collecte, de nettoyage, d’organisation et de stockage des données afin qu’elles puissent servir à entraîner et à alimenter une application d’IA d’entreprise. 

Pour que cette étape de pré-traitement fonctionne comme prévu, les responsables informatiques devraient suivre ces bonnes pratiques : 

1. Identifiez les sources de données : les grandes organisations produisent et collectent une quantité considérable de données : données clients, données opérationnelles, données financières, journaux réseau, recherches intranet ou encore données issues de capteurs IoT. Pour que l’IA puisse identifier intelligemment les informations et les réponses concernant une organisation, elle a besoin d’une vision globale de son environnement. La première étape consiste donc à localiser ces sources de données.
2. Rassemblez les données dans un système central : les responsables informatiques ont besoin d’un système leur permettant de centraliser les données provenant de sources, bases de données et points de terminaison disparates, et de les rassembler dans un hub ou un référentiel centralisé. Il peut s’agir, par exemple, d’adopter un système de planification des ressources de l’entreprise (ERP) ou un data lake connecté à diverses sources telles que des connexions directes aux bases de données, des interfaces de programmation d’applications (API) ou d’autres sources.
3. Nettoyez et organisez les données : même si les données sont centralisées, leur format peut rester hétérogène : elles peuvent être structurées (données spécifiques et uniformes issues d’une base de données), semi-structurées (organisées mais sans cadre de gouvernance) ou non structurées (types de données variés). Les responsables informatiques doivent mettre en œuvre des bonnes pratiques de gestion des données, notamment la standardisation des formats et des conventions de dénomination, la détection des erreurs et la suppression des données obsolètes ou dupliquées. Cette étape peut être à la fois chronophage et coûteuse.
4. Établissez une gouvernance des données : enfin, mettez en place un processus reproductible de gestion des données, définissant notamment leur protection et les personnes autorisées à y accéder. Ceci garantit la constance de la qualité de vos données dans le temps. Compte tenu du volume de données collectées, il est recommandé de les traiter en périphérie afin d’atténuer les effets de la gravité des données.

Étape 2 : Entraînement

Bien que les entreprises n’utilisent probablement que des modèles de base qu’elles complètent avec leurs propres données (plutôt que de créer et d’entraîner leurs propres modèles), il est important de comprendre cette étape du développement de l’IA.

Des ensembles de données organisés et propres sont indispensables à l’entraînement d’un modèle d’IA d’entreprise. Généralement, une entreprise utilise un modèle de base, comme GPT-4 d’OpenAI, puis l’affine avec des données internes afin que les connaissances de l’IA soient à la fois globales et spécifiques au domaine. Ce workflow d’entraînement peut se présenter comme suit :

1. Choisir le bon modèle : tous les modèles d’IA ne se valent pas et ne sont pas tous adaptés aux données spécifiques d’une organisation. Les responsables informatiques doivent d’abord définir le cas d’utilisation de l’IA : analyse de données ? Service client ? Efficacité opérationnelle ? Cela les guidera dans le choix de l’architecture, de l’algorithme et des paramètres d’IA les mieux adaptés à leurs besoins métiers.
2. Commencer par une tâche : ensuite, entraînez le nouveau modèle d’IA à réaliser une tâche spécifique à l’aide d’un ensemble de données d’entraînement issu de la phase d’agrégation. Cela permettra au modèle d’IA de commencer à reconnaître des schémas et des relations dans les données. Au fur et à mesure de son apprentissage, les personnes chargées de son entraînement pourront ajuster ses paramètres afin de le rendre plus précis et plus performant.
3. Tester et évaluer: continuez à tester le modèle afin de renforcer et approfondir ses connaissances. Étendez ses tests à d’autres ensembles de données et observez son adaptation, en l’ajustant si nécessaire. Évaluez ses performances tout au long du processus de test pour vous assurer qu’il fonctionne comme prévu et atteint les objectifs de précision, de rappel et autres indicateurs d’évaluation nécessaires.
4. Valider les performances : il est temps d’évaluer les performances de l’IA sur un nouvel ensemble de données de validation afin d’observer comment il a appris. C’est le moment d’affiner les paramètres et de préparer le modèle d’IA pour une utilisation en entreprise. 

Étape 3: Inférence

Le moment est venu de mettre l’IA au travail ! À ce stade, le modèle d’IA est prêt à être déployé dans diverses applications et cas d’utilisation, où il exploitera ses capacités d’inférence pour effectuer des prédictions ou prendre des décisions sur de nouveaux ensembles de données.

Cependant, ne vous contentez pas de déployer l’IA et de la laisser fonctionner sans contrôle. Mettez en place un processus de validation continue pour garantir la précision du modèle d’IA et sa capacité à fournir des résultats exploitables, et surtout pour vous prémunir contre toute « hallucination » susceptible d’avoir un impact sur l’activité. Ce processus de surveillance d’un algorithme en production est communément appelé observabilité du modèle.

Par exemple, la Harvard Business Review explique en détail comment Morgan Stanley dispose d’un ensemble de 400  questions clés dont les réponses sont connues, que l’équipe utilise pour tester en permanence la précision de son IA. Si la façon dont l’IA répond à ces questions clés change, elle sait qu’elle doit réajuster le modèle.

Surmonter les défis liés aux workflows d’IA

Idéalement, le processus de mise en œuvre de l’IA en entreprise se déroule sans accroc, de la stratégie des données à l’entraînement jusqu’au déploiement. Toutefois, les responsables informatiques doivent être conscients des défis suivants lors de sa mise en œuvre.

• Mauvaise qualité des données : l’efficacité de l’IA dépend de la qualité des données utilisées pour son entraînement. Des données non structurées ou non formatées, voire un manque de données à l’échelle de l’organisation, empêcheront le modèle d’IA d’apprendre et de fonctionner correctement. Selon le « Global AI Adoption Index 2023 d’IBM », la « trop grande complexité des données » constitue le deuxième obstacle majeur à une adoption réussie de l’IA. C’est pourquoi il est essentiel de mettre en place au préalable un plan de gestion des données, comme indiqué précédemment.
• Manque de matériel : pour faire fonctionner l’IA rapidement et efficacement, il est indispensable de disposer d’un matériel informatique capable de répondre à ces exigences ; son insuffisance affectera les performances et la vitesse. Le calcul haute performance (HPC) est la solution idéale pour répondre aux besoins d’IA des entreprises, notamment lors de l’inférence, phase critique en termes de latence, en alimentant les environnements de simulation et de modélisation grâce au traitement parallèle. De plus, il occupe un espace bien moindre que le matériel traditionnel.
• Infrastructure déficiente : outre le matériel, l’IA a besoin d’une infrastructure adaptée. Cela inclut une densité de puissance adéquate, qui, pour l’IA, peut être cinq à dix fois supérieure à celle des systèmes gérés par des infrastructures traditionnelles. Avec cette augmentation de la puissance de calcul, les workflows d’IA nécessiteront également un refroidissement spécialisé pour les data centers.
• Explosion des coûts : les investissements en IA peuvent s’avérer coûteux pour une organisation, tant au niveau du développement que de l’infrastructure et du matériel sous-jacents. Pour optimiser les coûts de l’IA, il est essentiel de veiller à ce que les déploiements et les projets soient alignés sur les objectifs stratégiques et que les cas d’utilisation contribuent à la croissance et à l’impact de l’organisation. Les preuves de concept (POC) sont souvent utilisées pour démontrer la valeur ajoutée quantifiable avant le lancement d’un projet.
• Opérations informatiques complexes : les workflows d’IA nécessitent bon nombre de nouvelles considérations opérationnelles informatiques, notamment une approche stratégique de la gestion des données et de l’interconnectivité, du temps pour l’entraînement, ainsi qu’une infrastructure et un matériel adaptés. Cela inclut également une approche stratégique de la gestion d’équipe et la nécessité de s’assurer de la présence d’experts au sein du personnel pour gérer les nouveaux déploiements d’IA, en particulier lorsque, selon le rapport IBM mentionné ci-dessus, « le manque de compétences, d’expertise ou de connaissances en IA » constitue le principal obstacle à une adoption réussie de l’IA. 

Construire les fondations de l’IA d’entreprise

L’IA d’entreprise offre aujourd’hui d’immenses opportunités, qui ne pourront se concrétiser qu’avec une mise en œuvre réussie. Cela commence par l’élaboration d’un programme stratégique d’agrégation de données permettant de collecter, de traiter et de stocker efficacement les données. Il faut ensuite utiliser ces données pour entraîner le modèle d’IA afin qu’il se familiarise avec les connaissances, les schémas et les relations statistiques propres au domaine. Enfin, il est essentiel de prévoir un plan d’évaluation des performances et de suivi des indicateurs après le déploiement et l’utilisation concrète de l’IA. 

Ces trois étapes des workflows d’IA constituent la base sur laquelle les entreprises vont développer leur innovation.

Vous souhaitez savoir comment mettre en œuvre l’IA pour propulser votre organisation vers l’avenir ? Téléchargez dès aujourd’hui le document « L’IA pour les responsables informatiques : déployer une infrastructure informatique évolutive ».