La deuxième journée de l’exposition AI & Big Data et de la semaine de la transformation numérique à Londres a montré un marché en nette transition.
L’enthousiasme suscité par les modèles génératifs s’estompe. Les dirigeants d’entreprise sont désormais confrontés à la difficulté d’intégrer ces outils dans les piles actuelles. Les sessions de la deuxième journée se sont concentrées moins sur les grands modèles de langage que sur l’infrastructure nécessaire à leur exécution : traçabilité des données, observabilité et conformité.
La maturité des données détermine le succès du déploiement
La fiabilité de l’IA dépend de la qualité des données. DP Indetkar de Northern Trust a mis en garde contre le fait de permettre à l’IA de devenir un « robot de film B ». Ce scénario se produit lorsque les algorithmes échouent en raison de mauvaises entrées. Indetkar a souligné que la maturité analytique doit précéder l’adoption de l’IA. La prise de décision automatisée amplifie les erreurs plutôt que de les réduire si la stratégie de données n’est pas vérifiée.
Eric Bobek de Just Eat a soutenu ce point de vue. Il a expliqué comment les données et l’apprentissage automatique guident les décisions au niveau de l’entreprise mondiale. Les investissements dans les couches d’IA sont inutiles si la base de données reste fragmentée.
Mohsen Ghasempour de Kingfisher a également souligné la nécessité de transformer les données brutes en renseignements exploitables en temps réel. Les entreprises de vente au détail et de logistique doivent réduire la latence entre la collecte de données et la génération d’informations pour obtenir un retour sur investissement.
Mise à l’échelle dans des environnements réglementés
Les secteurs de la finance, de la santé et du droit ont une tolérance à l’erreur proche de zéro. Pascal Hetzscholdt de Wiley s’est adressé directement à ces secteurs.
Hetzscholdt a déclaré qu’une IA responsable dans les domaines scientifique, financier et juridique repose sur l’exactitude, l’attribution et l’intégrité. Les systèmes d’entreprise dans ces domaines ont besoin de pistes d’audit. Les atteintes à la réputation ou les amendes réglementaires rendent impossible la mise en œuvre de « boîtes noires ».
Konstantina Kapetanidi de Visa a souligné les difficultés liées à la création d’applications d’IA générative multilingues, utilisant des outils et évolutives. Les modèles deviennent des agents actifs qui exécutent des tâches plutôt que de simplement générer du texte. Permettre à un modèle d’utiliser des outils – comme interroger une base de données – crée des vecteurs de sécurité qui nécessitent des tests sérieux.
Parinita Kothari du Lloyds Banking Group a détaillé les exigences relatives au déploiement, à la mise à l’échelle, à la surveillance et à la maintenance des systèmes d’IA. Kothari a remis en question la mentalité du « déployer et oublier ». Les modèles d’IA nécessitent une surveillance continue, similaire à l’infrastructure logicielle traditionnelle.
Le changement dans les workflows des développeurs
Bien entendu, l’IA change fondamentalement la façon dont le code est écrit. Un panel composé d’intervenants de Valae, Charles River Labs et Knight Frank a examiné comment les copilotes d’IA remodèlent la création de logiciels. Bien que ces outils accélèrent la génération de code, ils obligent également les développeurs à se concentrer davantage sur la révision et l’architecture.
Ce changement nécessite de nouvelles compétences. Un panel composé de représentants de Microsoft, Lloyds et Mastercard a discuté des outils et de l’état d’esprit nécessaires aux futurs développeurs d’IA. Il existe un écart entre les capacités actuelles de la main-d’œuvre et les besoins d’un environnement augmenté par l’IA. Les dirigeants doivent planifier des programmes de formation garantissant que les développeurs valident suffisamment le code généré par l’IA.
Le Dr Gurpinder Dhillon de Senzing et Alexis Ego de Retool ont présenté des stratégies low-code et no-code. Ego a décrit l’utilisation de l’IA avec des plates-formes low-code pour créer des applications internes prêtes pour la production. Cette méthode vise à réduire le retard dans les demandes d’outillage internes.
Dhillon a fait valoir que ces stratégies accélèrent le développement sans nuire à la qualité. Pour les dirigeants, cela suggère une livraison de logiciels internes moins coûteuse si les protocoles de gouvernance restent en place.
Capacité de la main d’œuvre et utilité spécifique
L’ensemble du personnel commence à travailler avec des « collègues numériques ». Austin Braham d’EverWorker a expliqué comment les agents remodèlent les modèles de main-d’œuvre. Cette terminologie implique le passage d’un logiciel passif à des participants actifs. Les chefs d’entreprise doivent réévaluer les protocoles d’interaction homme-machine.
Paul Airey d’Anthony Nolan a donné un exemple d’IA apportant une valeur qui change littéralement la vie. Il a expliqué comment l’automatisation améliore l’appariement des donneurs et les délais de transplantation pour les greffes de cellules souches. L’utilité de ces technologies s’étend à la logistique vitale.
Un thème récurrent tout au long de l’événement est que les applications efficaces résolvent souvent des problèmes très spécifiques et très problématiques plutôt que de tenter d’être des solutions générales.
Gérer la transition
Les sessions du deuxième jour des événements co-localisés montrent que l’attention des entreprises s’est désormais déplacée vers l’intégration. La nouveauté initiale a disparu et a été remplacée par des exigences de disponibilité, de sécurité et de conformité. Les responsables de l’innovation devraient évaluer quels projets disposent de l’infrastructure de données nécessaire pour survivre au contact avec le monde réel.
Les organisations doivent donner la priorité aux aspects fondamentaux de l’IA : nettoyer les entrepôts de données, établir des garde-fous juridiques et former le personnel pour superviser les agents automatisés. La différence entre un déploiement réussi et un projet pilote au point mort réside dans ces détails.
Les dirigeants, pour leur part, devraient orienter les ressources vers les cadres d’ingénierie des données et de gouvernance. Sans eux, les modèles avancés ne parviendront pas à apporter de la valeur.
