L’AI Washing brouille le marché de l’Intelligence Artificielle

L’IA va au-delà du Machine Learning

Quand une technologie comporte une étiquette IA, les éditeurs se doivent de fournir une information précise sur le côté différentiateur de l’IA et en quoi cela apporte une réponse par rapport aux autres technologies, explique Jim Hare, vice-président chez Gartner. « Vous devez partir d’emblée du principe qu’il ne s’agit pas d’IA et laisser l’éditeur prouver le contraire. Comme dans le secteur du Big Data, où tous les éditeurs disent en faire. »

« Je constate également que d’une façon générale, tout ce qui est appelé Machine Learning est désormais associé à l’IA, alors qu’en réalité, cela n’apporte qu’une vision partielle de l’IA et résout un problème particulier », ajoute-t-il.

Les départements achats doivent tenir pour responsable les éditeurs en leur demandant de préciser leur définition de l’IA et de détailler ce qu’il y a vraiment sous le capot, commente encore l’analyste. Les clients doivent savoir en quoi le produit est supérieur à ce qui est disponible, avec, à l’appui des études de cas. Jim Hare va même jusqu’à recommander une démonstration en exploitant les données de l’entreprise.

Au-delà, l’éditeur doit également partager avec le client les techniques utilisées ou qu’il envisage d’utiliser à terme, ainsi que leur stratégie pour s’adapter à ce marché très changeant de l’IA, poursuit l’analyste.

Le second problème relevé par Gartner : la perception que le Machine Learning peut résoudre la majeure partie des problèmes. Et Le buzz sur des formes encore plus compliquées d’IA, comme le Deep Learning, a détourné les entreprises des autres approches, plus simples. « Beaucoup d’entreprises m’expliquent devoir mettre en place une stratégie autour de l’IA et une fois leur problème exposé, je leur réponds tout simplement que ce n’est pas nécessaire », explique encore Jim Hare. « Vous devez considérer une solution qui correspondent à votre problème et si le Machine Learning convient, c’est la bonne solution.  Même chose pour le Deep Learning, ou les réseaux neuronaux. »

N’utilisez pas l’IA si la BI convient

Les outils de BI s’appuient sur des données pour livrer des indicateurs via le reporting, l’analyse et la visualisation de données. On utilise cette information pour répondre à des questions. L’Intelligence Artificielle suit une approche différente : elle apporte elle-même des solutions aux problèmes, via les données et le calcul.

Pour répondre à une question spécifique, il convient d’utiliser les outils analytiques. Si vous ne connaissez pas la question à poser, on peut avoir recours à l’IA pour explorer les données et pouvoir évaluer les réponses sous plusieurs angles, explique Jana Eggers, CEO de Nara Logics, spécialiste de l’IA aux US, lors de la conférence TDWI Accelerate. Cela implique aussi de disposer d’experts pour passer en revue les résultats, effectuer des tests ou encore d’externaliser les traitements.

Avec un projet d’AI, vous maîtrisez vos objectifs, mais vous restez ouverts au fait de trouver d’autres moyens pour y parvenir, assure encore Jana Eggers.

L’IA n’est pas facile

L’autre point noir de l’IA est que les entreprises ne disposent pas de compétences pour évaluer et déployer les solutions, constate Gartner. Plus de 50% des répondants à une étude portant sur l’IA soutiennent que le manque de compétences est le premier frein à l’IA. Cela coïncide d’ailleurs avec un autre problème : celui de la pénurie de profils de data scientists.

Selon cette même étude, les entreprises rechercheraient des solutions d’IA pour améliorer la prise de décision et l’automatisation des processus. La plupart préfèrent acheter un outil packagé plutôt que d’avoir à en développer un. Ce qui nous ramène au problème de « l’IA Washing » : il est difficile de savoir quel outil propose réellement des fonctions d’IA.

Après avoir identifié le bon outil, les responsables des achats  doivent également prendre en compte les besoins en matière de gestion,  lance Jim Hare (Gartner). « Quels sont les besoins humains pour modifier le code, et maintenir les modèles sur le long terme ? Est-ce un service Cloud, géré par l’éditeur, ou l’entreprise doit-elle disposer de ressources compétentes pour le faire fonctionner ? »

« C’est une chose de le déployer, mais qui pour les affiner et entraîner les modèles ? IBM Watson par exemple nécessite beaucoup de travail et vous devez adapter le modèle pour répondre à un problème spécifique, puis l’alimenter en données. »

Les entreprises doivent aussi connaître quelles sont les ressourcesnécessaires pour faire fonctionner l’IA, ajoute-t-il. Des GPU peuvent ainsi être nécessaires et cela risque d’alourdir la facture. De plus, les outils d’IA dernier cri demandent de très grandes quantités de données. Leur stockage et son coût deviennent également une problématique clé.