publicité

Pourquoi se précipiter dans l'IA est un mauvais calcul


Avis d'expert : Les entreprises qui ne prennent pas les précautions nécessaires avec l'intelligence artificielle s'attireront des ennuis. Rien ne sert donc de courir…

 

Étant donné le battage médiatique entourant l'intelligence artificielle (IA), les organisations pourraient être tentées de se lancer dans des initiatives d'IA sans faire le travail préparatoire nécessaire.

Le fait est que beaucoup de choses peuvent mal tourner avec l'IA, et plus vite les organisations s'en rendent compte et prennent des précautions pour éviter les problèmes, mieux c'est.

Outils et techniques ne sont rien

L'intelligence artificielle sous toutes ses formes va imprégner de plus en plus les différents aspects de l'entreprise, souligne Anthony Scriffignano, vice-président et data scientist en chef chez Dun & Bradstreet, un fournisseur de services analytiques d’aide aux entreprises dans l’amélioration de leur performance commerciale.

« Les défis pour les dirigeants vont bien au-delà des outils et des techniques d'intelligence artificielle, y compris le maintien des connaissances, le perfectionnement des compétences existantes et l'acquisition et la rétention des talents » estime Scriffignano. « Peut-être maintenant plus que jamais, il est important pour les dirigeants d'avoir une vision à long terme de l'évolution de l'IA. »

Les organisations et leurs équipes de data science doivent éviter de se précipiter pour essayer chaque nouvelle méthode d'IA simplement du fait de l'attrait pour la nouveauté, met en garde Scriffignano. Il est important plutôt d'inculquer une compréhension des conditions préalables, de la formulation des problèmes, des biais et d'autres principes analytiques essentiels à toute analyse de données.

« Partir d’une méthode ou d'un outil est généralement une mauvaise idée » considère Scriffignano. « On ne peut pas simplement faire du machine learning avec de nouveaux outils et de nouvelles technologies. » Les entreprises doivent à  la place comprendre les types de problèmes auxquels elles sont confrontées et déterminer les approches appropriées avant de se précipiter pour appliquer une solution technologique.

Prenons l'exemple d'une organisation qui cherche à comprendre le sentiment sur les réseaux sociaux et comment ce sentiment est influencé par les campagnes de marketing et les activités de vente.

« Il existe de nombreux outils d'analyse des sentiments, de clustering et d'autres techniques. Il serait tentant de se précipiter et d'essayer un ou plusieurs de ces outils. »

Toutes les données ne sont pas bonnes à prendre

Mais les entreprises doivent d'abord se poser quelques questions de qualification : Existe-t-il des données suffisantes et facilement disponibles ? Les données sont-elles suffisamment stables pour que les conclusions soient valides ? Y a-t-il une raison de penser que l'avenir peut être extrapolé à partir de données antérieures ? L'entreprise a-t-elle le droit d'utiliser les données nécessaires ?

« Ne pas répondre à de telles questions à l'avance pourrait miner l'effort tout aussi rapidement - sinon plus rapidement - que n'importe quel problème technique » insiste Anthony Scriffignano.

Chaque fois qu'il existe beaucoup d'informations d’historique, les entreprises peuvent être confrontées au défi des « fausses données » ou des biais.

« Un exemple évident de fausses données serait les faux avis - des organisations qui se notent elles-mêmes, des concurrents qui notent leur concurrence durement et faussement, et/ou d'autres qui agissent par rancune et tentent de miner le succès d'une entreprise » détaille le data scientist. « Il existe beaucoup de sites populaires où les 'utilisateurs' peuvent donner leur avis sur les produits et services. »

D'autres exemples de fausses données peuvent inclure des performances financières falsifiées, de fausses déclarations publicitaires et des informations destinées à influencer le résultat des élections ou le comportement du marché.

Les entreprises doivent être conscientes de l'existence de ces types de données trompeuses lorsqu'elles se consacrent à l'IA.

Article "Why plunging into AI is a bad idea" traduit et adapté par besthostingsearch.com

A lire aussi :

Comment le machine learning et la data science confèrent à Bloomberg un avantage concurrentiel

Pour le directeur technologique de Bloomberg, Shawn Edwards, une forte maîtrise en matière d'IA aide la société à créer...

Articles relatifs

Contenus sponsorisés

Contenus partenaires

Réagissez à l'article

Connectez vous ou Enregistrez-vous pour commencer la discussion
publicité