Gartner Prédit le Prochain Chapitre de l'IA : Opportunités, Risques et Obstacles à l'Adoption

L'apprentissage automatique et l'intelligence artificielle approchent du pic des attentes exagérées dans un cycle de hype.

Lors d'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'affecter l'adoption, le développement et le déploiement.

Selon Krensky, le ML et l'IA approchent du pic des attentes exagérées dans un cycle de hype. La réalité augmentée et virtuelle ont déjà atteint le « creux de la désillusion », qui suit le pic, et les véhicules autonomes et les drones étaient passés le pic, mais n'ont pas encore touché le fond du cycle.

Cela dit, il reste une grande quantité d'industries inexploitées pour l'IA et le ML. « Seulement 40 % des meilleurs performeurs considèrent l'intelligence artificielle comme un game changer », a déclaré Krensky. « Il y a donc beaucoup d'espace vert dans beaucoup de types d'organisations différents, même des industries entières qui ne font que tremper 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 fondamentaux universitaires, scientifiques et d'entreprise. Plus de 90 % de l'industrie écrit les algorithmes et plateformes IA et 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 à travers 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 constante vers le cloud, tandis que 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 à construire le programme IA ou ML, évitant des alternatives moins chères comme les modèles pré-entraînés et l'infrastructure cloud, alors que les résultats seraient similaires.

« Nous devons nous habituer à ce que l'infrastructure d'apprentissage automatique soit dans le cloud et un ensemble en constante évolution de composants propriétaires et open-source comme nouvelle normale », a déclaré Krensky. « Chaque année, il y a un nouveau framework open-source dont nous ne parlions pas il y a deux ans et dont nous parlons tout le temps maintenant. »

En examinant comment l'IA est implémentée, Gartner a quatre modèles :

• Passer le relais — L'IA travaillera sur la partie fastidieuse de la tâche, et l'opérateur humain complétera le reste.
• Symbiose — L'IA est capable de compenser les faiblesses d'un humain, par exemple en traitant de vastes quantités de données en quelques secondes.
• Analytique augmentée — L'IA est utilisée comme formateur ou guide pour l'opérateur humain, fournissant des analyses ou des insights à partir des données. Un exemple pourrait être un récent projet d'IA qui a suggéré des mots ou phrases manquants dans des gravures grecques anciennes.
• Vérification de bon sens — L'IA effectue la plupart des fonctions, mais a un opérateur humain en standby pour surveiller les erreurs. Par exemple, un bot de support client qui transfère les cas difficiles à un humain.

Dans une enquête de Gartner, la plupart des dirigeants 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 sont dans leur poste depuis moins de deux ans.

En plus de cela, Gartner considère le succès d'un projet comme nécessitant plusieurs membres du personnel avec différentes expertises. Data scientists, data engineers, spécialistes ML et experts du domaine ont tous un rôle distinct à jouer dans le développement d'un projet IA ou ML, mais les organisations s'appuient fréquemment sur des data engineers aux connaissances larges.

Le deuxième plus grand défi était la compréhension des avantages et des usages de l'IA. Dans le webinaire, Krensky a recommandé que les organisations gèrent correctement le projet IA et n'investissent pas dans tous les domaines, mais se concentrent plutôt sur quelques zones clés qui ont du sens financièrement.

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