Gartner :L'avenir de l'IA et les défis

L'apprentissage automatique et l'intelligence artificielle approchent du stade des attentes gonflées maximales dans un cycle de battage médiatique.

Dans un webinaire, l'analyste directeur de Gartner, Peter Krensky, a décrit l'état actuel de l'apprentissage automatique et de l'intelligence artificielle, les cinq prochaines années, et certains des défis susceptibles d'avoir un impact sur l'adoption, le développement et le déploiement.

Selon Krensky, ML et AI se rapprochent du pic des attentes gonflées dans un cycle de battage médiatique. La réalité augmentée et virtuelle a déjà atteint le "creux de la désillusion", qui suit le pic, et les véhicules autonomes et les drones ont dépassé le pic, mais n'ont pas encore atteint le bas du cycle.

Cela dit, il existe encore un grand nombre d'industries inexploitées pour l'IA et le ML. "Seuls 40 % des plus performants considèrent l'intelligence artificielle comme un élément qui change la donne", a déclaré Krensky. "Donc, il y a beaucoup d'espaces verts dans de nombreux types d'organisations, même des industries entières qui ne font que plonger leurs orteils dans ce qui est possible avec l'apprentissage automatique."

L'un des facteurs en faveur du développement continu de l'IA et du ML est l'alignement entre les concepts de base académiques, scientifiques et d'entreprise. Plus de 90 % de l'industrie écrivent des algorithmes et des plates-formes d'IA et de ML en Python, beaucoup utilisent les mêmes bibliothèques open source (Apache, TensorFlow) et la même infrastructure cloud (AWS, Azure).

Cet alignement conduit à une plus grande synergie au sein de l'industrie, ce qui pourrait être précieux lors du recrutement de talents à l'avenir.

Dans l'ensemble de l'industrie, il y a une migration régulière vers le cloud, tandis qu'environ 30 à 45 % continuent d'exécuter l'IA ou le ML sur site. Dans de nombreux cas, Krensky pense que les organisations dépensent trop pour construire le programme d'IA ou de ML, évitant des alternatives moins chères comme les modèles pré-formés et l'infrastructure cloud, alors que les résultats seraient similaires.

"Nous devons nous habituer à l'infrastructure d'apprentissage automatique dans le cloud et à un ensemble en constante évolution de composants propriétaires et open source comme la nouvelle norme", a déclaré Krensky. "Chaque année, il y a un nouveau cadre open source dont nous ne parlions pas. il y a environ deux ans et maintenant nous parlons tout le temps.

En examinant comment l'IA est mise en œuvre, Gartner propose quatre modèles :

• Passez le relais :l'IA s'occupera de la partie fastidieuse de la tâche, et l'opérateur humain se chargera du reste.
• Symbiose :l'IA est capable de couvrir les faiblesses d'un humain, par exemple en traitant de grandes quantités de données en quelques secondes.
• Analyse augmentée :l'IA est utilisée comme formateur ou guide pour l'opérateur humain, fournissant des analyses ou des informations à partir des données. Un exemple de cela pourrait être un récent projet d'IA qui suggérait des mots ou des phrases manquants dans des gravures grecques anciennes.
• Contrôle d'intégrité :l'IA exécute la plupart des fonctions, mais dispose d'un opérateur humain en attente pour surveiller les erreurs. Par exemple, un bot de support client qui transmet les cas difficiles à un humain.

Dans une enquête réalisée par Gartner, la plupart des chefs d'entreprise ont déclaré que les compétences du personnel étaient le principal défi pour l'adoption de l'IA et du ML, à 56 %. Krensky a mentionné dans le webinaire que la plupart des développeurs ML sont jeunes, ont moins de cinq ans d'expérience et travaillent depuis moins de deux ans.

En plus de cela, Gartner voit le succès d'un projet comme ayant plusieurs membres du personnel avec une expertise différente. Les scientifiques des données, les ingénieurs des données, les spécialistes du ML et les experts du domaine ont tous un rôle distinct à jouer dans le développement d'un projet d'IA ou de ML, mais les organisations s'appuient souvent sur des ingénieurs des données possédant de vastes connaissances.

Le deuxième plus grand défi consistait à comprendre les avantages et les utilisations de l'IA. Dans le webinaire, Krensky a recommandé aux organisations de gérer correctement le projet d'IA et de ne pas investir dans tous les domaines, en se concentrant plutôt sur quelques zones clés qui ont un sens financier.

La portée et la qualité des données sont le troisième plus grand défi et celui qui, selon Krensky, devrait être en tête de liste. Sans une bonne gestion des données, des contrôles de qualité et une gouvernance des données, un projet d'IA ou de ML est beaucoup plus susceptible d'échouer.