L’une des façons dont les organisations utilisent les derniers algorithmes d’IA pour les aider à grandir et à prospérer est l’adoption de modèles d’IA privés pour aligner leurs stratégies commerciales.
La différenciation entre l’IA privée et l’IA publique est importante dans ce contexte – la plupart des organisations se méfient à juste titre d’autoriser l’accès public à l’AIS à ce qui sont des ensembles de données sensibles, tels que les informations RH, les données financières et les détails de l’histoire opérationnelle.
Il va de soi que si une IA reçoit des données spécifiques sur lesquelles fonder ses réponses, sa sortie sera plus pertinente et sera donc plus efficace pour aider les décideurs à juger comment stratégiquement. L’utilisation de moteurs de raisonnement privé est la manière logique dont les entreprises peuvent obtenir les meilleurs résultats de l’IA et garder leur propriété intellectuelle en sécurité.
Les données spécifiques à l’entreprise et la possibilité de régler un modèle d’IA local donnent aux organisations la capacité de fournir des prévisions sur mesure et un réglage opérationnel qui sont plus ancrés dans la réalité quotidienne du travail d’une entreprise. Un journal de la stratégie de Deloitte appelle l’IA privée comme une «boussole sur mesure» et permet l’utilisation de données internes comme avantage concurrentiel, et Accenture décrit l’AIS comme «prête à fournir le soulèvement économique le plus important et le changement de travail depuis les révolutions agricoles et industrielles».
Il existe cependant la possibilité que, comme les affaires traditionnelles, en utilisant des données historiques tirées de plusieurs années d’opérations à travers l’entreprise, peut renforcer la prise de décision dans les modèles du passé. McKinsey affirme que les entreprises risquent de «refléter leur passé institutionnel dans l’ambre algorithmique». La Harvard Business Review reprend une partie de la complexité technique, déclarant que l’acte de personnalisation d’un modèle afin que ses activités soient plus pertinentes pour l’entreprise soient difficiles, et peut-être, par conséquent, pas une tâche à entreprendre par tout sauf le plus alphabétisé par l’IA à un niveau de science des données et de programmation.
Le MIT Sloane établit un équilibre entre les fervents défenseurs et les voix conservatrices pour une IA privée dans les stratégies commerciales. Il conseille que l’IA soit considérée comme un copilote, et exhorte un questionnement et une vérification continus de la sortie d’IA, en particulier lorsque les enjeux sont élevés.
Croire en la révolution
Cependant, les décideurs qui envisagent de poursuivre cette ligne de conduite (monter sur la vague de l’IA, mais le faire d’une manière privée et soucieuse de la sécurité) peuvent souhaiter considérer les motivations de ces sources de conseils qui préconisent fortement l’activation de l’IA de cette manière.
Deloitte, par exemple, construit et gère des solutions d’IA pour les clients utilisant des infrastructures personnalisées telles que ses offres d’usine en tant que service, tandis qu’Accenture a des pratiques dédiées à la stratégie d’IA de ses clients, telles que l’accentuation appliquée. Il s’associe à AWS et Azure, en construisant des systèmes AI sur mesure pour les entreprises du Fortune 500, entre autres, et Deloitte est partenaire d’Oracle et de Nvidia.
Avec « Skin in the Game », des phrases telles que «le changement (…) le plus important pour le travail depuis les révolutions agricoles et industrielles» et une «boussole sur mesure» sont inspirantes, mais les motivations des vendeurs peuvent ne pas être entièrement altruistes.
Les défenseurs de l’IA en général soulignent à juste titre la capacité des modèles à identifier les tendances et les sous-courants statistiques beaucoup plus efficacement que les humains. Compte tenu de la masse de données à la disposition de l’entreprise moderne, comprenant des informations internes et disponibles à l’extérieur, avoir des logiciels qui peuvent analyser les données à grande échelle est un avantage incroyable. Au lieu de créer manuellement une analyse d’énormes référentiels de données – qui prennent du temps et de la proue d’erreur – l’IA peut voir à travers la balle et la surface des idées réelles et exploitables.
Poser les bonnes questions
De plus, les modèles d’IA peuvent interpréter les requêtes formulées dans un langage normal et faire des prédictions basées sur des informations empiriques, qui, dans le contexte des IA privées, sont très pertinentes pour l’organisation. Le personnel relativement non qualifié peut interroger les données sans avoir de compétences en analyse statistique ou en langages de requête de base de données, et obtenir des réponses qui auraient autrement impliqué plusieurs équipes et compétences tirées de toute l’entreprise. Cette économie de temps seule est considérable, permettant aux organisations de se concentrer sur la stratégie, plutôt que de former les points de données nécessaires et d’interroger manuellement les informations qu’ils ont réussi à recueillir.
McKinsey et Gartner mettent en garde, cependant, de la confiance excessive et de l’obsolescence des données. Sur ce dernier, les données historiques peuvent ne pas être pertinentes pour les stratégies, surtout si les enregistrements remontent à plusieurs années. La confiance excessive est peut-être mieux appelée dans le contexte de l’IA en tant qu’opérateurs qui faisaient confiance aux réponses de l’IA sans aucun doute, sans plonger indépendamment dans les détails des réponses, ou dans certains cas, en prenant comme des réponses à des requêtes mal en phase.
Pour tout algorithme logiciel, les phrases humaines telles que «Basez vos résultats sur nos données historiques» sont ouvertes à l’interprétation, contrairement, par exemple, «basez vos résultats sur les données de vente des douze derniers mois, en ignorant les valeurs aberrantes qui diffèrent de la moyenne de plus de 30%, bien que les instancent à considérer.»
Logiciel d’expérience
Les organisations pourraient poursuivre des solutions d’IA privées aux côtés des plateformes de renseignement commercial existantes et existantes. Les organisations commerciales SAP ont près de 30 ans, mais un jeune par rapport à SAS Business Intelligence qui existe depuis avant qu’Internet ne devienne courant dans les années 1990. Même les nouveaux arrivants relatifs tels que Microsoft Power BI représente au moins une décennie de développement, d’itération, de commentaires des clients et d’utilisation du monde réel dans l’analyse commerciale. Il semble donc judicieux que le déploiement de l’IA privé sur les données commerciales soit considéré comme un ajout à la boîte à outils du stratégie, plutôt que comme une solution miracle qui remplace les outils «traditionnels».
Pour les utilisateurs d’une IA privée qui ont la capacité d’auditer et de modifier les entrées et les algorithmes intérieurs de leur modèle, il est important de conserver le contrôle et la surveillance humaine – tout comme avec des outils comme la suite Business Intelligence d’Oracle. Il existe certains scénarios où le traitement intelligent et le fait d’agir sur les données en temps réel (mécanismes de tarification en ligne, par exemple) donne à l’analyse d’IA un avantage concurrentiel sur les plates-formes BI en place. Mais l’IA n’a pas encore transformé en un couteau magique à l’armée suisse pour la stratégie commerciale.
Jusqu’à ce que l’IA destiné à l’analyse des données d’entreprise soit tel que développé, itéré, endurci et mûr que certaines des plates-formes BI incontournables du marché, les premiers adoptants pourraient tempérer l’enthousiasme des fournisseurs de services d’IA et d’IA avec une expérience pratique et un œil critique. L’IA est un nouvel outil et un avec beaucoup de potentiel. Cependant, il reste de première génération dans ses formes actuelles, publiques et privées.
(Source de l’image: «Il s’agit de règles et de stratégie» de Pshutterbug est concédé sous licence CC par 2.0.)
