1° Apprentissage Automatique
Au cœur des IA génératives, comme ChatGPT et les robots de discussion qui
génèrent des textes. Ces systèmes fonctionnent à partir d’énormes quantités de
textes. Vous les téléchargez sur Internet, afin que l’on donne à ChatGPT quelques
mots en entrée (Input), le modèle puisse prédire le mot suivant (Output). Ces
modèles appelés, Grands Modèles Linguistiques (LLM), génèrent de
nouveaux textes en prédisant à plusieurs reprises quel est le mot suivant qu’ils
devraient sortir.
2° Comment les grands modèles linguistiques
sont construits ?
En utilisant l’apprentissage supervisé pour entraîner un modèle à prédire à
plusieurs reprises le mot suivant. Ce sont les données qui lui permettent de
vraiment bien fonctionner.
Apprentissage supervisée = mappages d’entrées – sorties de A à B
Ex : Si un système d’OA a lu sur Internet telle que : « Ma boisson préférée est le
thé à bulle au litchi ».
Alors la phrase unique serait transformée en un grand nombre de points de
données A et B, pour que le modèle apprenne à prédire le mot suivant.
Cette phrase est transformée en plusieurs entrées A et sorties B, pour que le
modèle apprenne avec quelques mots en entrée, quel est le mot suivant.
Lorsque vous entraîner un grand système d’UA sur une grande quantité de
données, soit des centaines de milliards, voir plus, vous obtenez un modèle de
langage volumineux comme ChatGPT. Celui-ci, qui à partir d’une première partie
de texte, appelée « l’invit », est très efficace pour générer des mots
supplémentaires en réponse à cette invit.
Mais dans ces informations, il manque des explications sur la manière dont le
modèle apprend à suivre les instructions au lieu de simplement prédire le mot
suivant trouvé sur Internet. Et également, comment les développeurs font en
sorte que le modèle soit moins susceptible de générer des sorties inappropriées,
telles que celles qui présentent une discrimination ou qui distribue des
instructions nuisibles.
Pour plus d’infos, voir le cours « les appels à l’IA générative pour tous » : au cœur
des LLM se trouve cette technologie qui apprend à partir de nombreuses données
pour prédire quel sera le mot suivant grâce à l’apprentissage supervisé.
En résumé, l’apprentissage supervisée apprend simplement les entrées, les
sorties ou les mappages A à B.
En somme, pour atteindre un niveau de performances élevées, vous avez besoin
de deux choses :
1/ Une grande quantité de données. On parle parfois de mégadonnées/ Big Data;
2/ Être capable d’entraîner un très grand réseau de neurones (Large Neural
Networks). L’essor des ordinateurs rapides, de la loi de Moore, aussi l’essor des
processeurs spécialisés (ex : processeurs graphiques ou GPU) ont permis à un
grand nombre de compagnies de former de grands réseaux de neurones sur une
quantité de données assez importante afin d’obtenir de très bonnes
performances et de générer de la valeur commercial.
C’est également ce type de mise à l’échelle augmentant la quantité de données
et la taille des modèles qui a joué un rôle déterminant dans la récente avancée
dans la formation de systèmes d’IA génératifs, y compris les grands modèles de
langage.
3 ° Qu’est-ce qu’une donnée ?
Les données sont importantes pour créer des systèmes d’IA. Mais que sont-elles ?
Dans le cas, ci-dessus, on a la taille et le nombre de chambres de la maison, et
on veut savoir quel sera son prix.
Il est aussi possible que le prix devienne A et que la taille et le nombre de
chambre deviennent B. Cela dans le cas où l’on aurait une certaine somme
d’argent et que l’on souhaiterait savoir ce que l’on pourrait acheter avec cela.
C’est à nous de choisir ce qui sera A et ce qui sera B afin d’en tirer parti pour
notre entreprise.
Un autre exemple : Vous souhaitez créer un système d’IA afin de reconnaître les
chats sur les photos.
Vous pouvez donc collecter un ensemble de données où l’entrée A est un
ensemble d’images différentes et la sortie B sont des étiquettes.
Demander à l’IA d’entrer une image A et de demander en sortie B de dire si c’est
un chat ou non.
Les données sont importantes, mais comment les obtenir ?
1/ Par l’étiquetage manuel : par exemple, en demandant à quelqu’un de
sélectionner les images de chat dans la liste proposée.
Nous obtenons un ensemble de données (data set) pour créer un détecteur de
chat. Pour y parvenir, il faudrait des centaines de milliers de photos.
2/ Une autre manière d’avoir un ensemble de données, c’est d’observé le
comportement d’utilisation ou d’autres types de comportements.
Ex : Vous gérez un site Internet qui vend des produits en ligne (e-commerce web
site). Vous offrez des choses aux utilisateurs à différents tarifs, et vous observez
s’ils achètent ou non votre produit. Ces observations du comportement des
utilisateurs donnent le tableau ci-dessous.
Ex : Il est aussi possible d’observer le comportement des machines.
Si vous faites fonctionner une grosse machine dans une usine, et que vous
souhaitez prédire si une machine est sur le point de tomber en panne ou de
présenter un défaut, il suffit d’observer le comportement de la machine pour
enregistrer un ensemble de données comme dans le tableau ci-dessus.
Pour savoir si votre machine est sur le point de tomber en panne, choisir les 3
premières colonnes en entrée A (machine, T° and pressure) ans machine fault en
sortie B. Ce qui permettrait une maintenance préventive de votre machine.
3/ Possibilité aussi d’obtenir des données en les téléchargeant d’in site
web/partnership.
Ainsi, si votre application a besoin d’un type de données que vous téléchargez
simplement sur le web, en tenant compte des licences et des droits d’auteur,
cela pourrait être un bon moyen de démarrer une application.
Et si vous travaillez avec un partenaire, par exemple dans une usine. Il se peut
qu’il ait déjà collecté un ensemble de données volumineux sur les machines, les
T° et les pressions.
Les données sont importantes mais parfois exagérées et utilisées à mauvais
escient.
Utilisations abusives les plus courantes et les mauvaises façons de
penser les data.
1/ Collecter des données en entreprises, puis passer ensuite à la mise
en place de l’IA dans l’entreprise.
Au contraire, dès que l’entreprise a commencé à collecter des données,
elle doit commencer à les transmettre à une équipe IA, qui pourra
donner des informations/feedback à l’équipe IT de l’entreprise du type
de données à collecter et les types d’infrastructures informatiques à
continuer à développer.
Ex : Peut-être qu’une équipe d’IA peut examiner les données de votre usine et
dire, au lieu de collecter les données de cette grosse machine juste toutes les
10mn, mais de le faire toutes les minutes. Cela permettrait de faire un meilleur
travail en créant un système de maintenance préventive pour vous. IL y a
beaucoup de va et vient entre les équipes de l’UT et de l’IA.
Le conseil est de recueillir les commentaires de l’IA plutôt, car elle peut
aider à orienter le développement de l’infrastructure informatique.
2/ Les PDG qui se disent qu’ils ont tellement de données qu’une équipe
IA peut les valoriser. Et cela ne fonctionne pas toujours, car les équipes
IA ne peuvent pas forcément les transformer comme par mage en
valeur.
Conseil : n’envoyer pas des données aux équipes IA en pensant qu’elles
seront utiles. Il ne suffit pas d’investir dans l’accumulation de données,
il faut qu’une équipe IA puisse les analyser. Cette équipe IA peut aider à
réfléchir sue les données qui sont réellement les plus précieuses. Enfin,
les données sont désordonnées ; Vous avez sûrement entendu les
expressions « garbage in » et « garbage out ». Si vous avez de
mauvaises données, l’IA apprendra des choses inexactes.
Exemple de problèmes liés aux données :
Il est possible d’avoir des étiquettes ou des données incorrectes.
Ex : La 2nde maison ne se vendra pas pour 0.0001 dollars.
Ou les données peuvent également avoir des valeurs manquantes
(unknown). Dans ce cas, l’équipe IA devra déterminer comment nettoyer
les données ou comment traiter ces étiquettes incorrectes et/ou ces
valeurs manquantes.
Il existe aussi plusieurs types de données.
Ex 1 : Vous entendez parfois parler d’images, d’audio, de texte. Ce
sont des types de données que les humains trouvent très faciles à
interpréter. C’est ce qu’on appelle des données non structurées.
Certains types de techniques d’UA peuvent fonctionner avec des images
pour reconnaître les chats, du con pour reconnaître les paroles ou du texte
pour comprendre si un e-mail est du SPAM.
Ex 2 : Vous avez également les données structurées, qui sont
essentiellement des données stockées dans une feuille de calcul géante.
Soit toues les données chiffrées.
Les techniques de traitement des données non structurées sont
légèrement différentes des techniques de traitement des données
structurées.
Les germes de l’IA sont aujourd’hui principalement utilisés pour générer des
données non structurées (texte, images et sons), plutôt que des données
structurées.
En revanche, l’apprentissage supervisé peut très bien fonctionner pour les deux
types de données.
4 ° La terminologie de l’IA
MACHINE LEARNING
1/ Si vous souhaitez créer une application qui aide les gens à fixer les prix des
maisons, cela comprendrait les 4 premières colonnes en entrée A et la colonne
des prix en sortie B.
Ce serait un système d’apprentissage automatique (Machine Learning) qui
apprend les aux sorties, mappage de A vers B. L’apprentissage automatique
aboutit donc souvent à un système d’IA opérationnel. Soit un logiciel qui a toute
heure du jour et de la nuit, peut automatiquement saisir A, les propriétés de
maisons et en sortir B, les prix.
Donc un système d’UA qui dessert des dizaines ou des centaines de milliers de
millions d’utilisateurs, il s’agit généralement d’un système d’apprentissage
automatique (Machine learning).
DAT SCIENCE
2/ Vous pourriez aussi souhaiter demander à une équipe d’IA d’analyser
l’ensemble de données afin d’en extraire des informations. Donc une équipe
pourrait en arriver à une conclusion du genre :
- Savez-vous que vous avez 2 maisons d’1 taille similaire et d’1 superficie
similaire.
- Si la maison compte 3 chambres, elle est beaucoup plus cher que la
maison qui n’en compte que 2, même si la superficie est la même.
- Ou, saviez-vous que les maisons récemment rénovées sont soumises à une
prime de 15%. Et, cela pourrait vous aider à prendre des décisions telles
que, pour une superficie similaire. Souhaitez-vous construire une superficie
de 2 ou 3 chambres afin de maximiser la valeur ?
- Ou vaut-il la peine d’investir dans la rénovation d’une maison dans l’espoir
que la rénovation augmente le prix auquel vous pouvez vendre une
maison ?
Exemples de projets de sciences de données (Data Science), dans lequel les
résultats d’un projet de sciences de données est un ensemble d’informations qui
peuvent vous aider à prendre des décisions commerciales, tels que le type de
maison à construire ou l’opportunité d’investir dans la rénovation.
DEFINITIONS :
Machine learning : C’est le domaine d’études qui permet aux
ordinateurs sans être explicitement programmés (Arthur Samuel, 1959).
Donc, un projet d’apprentissage automatique aboutit souvent à un
logiciel qui s’exécute et produit B, étant donné A.
Data science : En revanche, la science des données est une science qui
permet d’extraire des connaissances et des informations à partir
des données. Le résultat d’un projet de science de données est souvent
un diaporama, le PPT qui résume les conclusions à l’intention des
dirigeants pour qu’ils prennent des mesures commerciales. Cela résume
des conclusions pour permettre à une équipe produit de décider de la
manière d’améliorer un site Web.
Exemple dans la publicité en ligne :
1/ Machine Learning
Now, les plateformes d’annonces de lancement disposent toutes d’une IA qui leur
indique rapidement quelle est l’annonce sur laquelle vous êtes le plus susceptible
de cliquer. C’est un système d’apprentissage automatique, très lucratif.
Système d’IA qui saisit des informations vous concernant ainsi que sur l’annonce
et les résultats, allez-vous cliquer dessus ou non ? Ces systèmes fonctionnent
24/24 et 7jours/7, il s’agit de système d’apprentissage automatique qui génèrent
des revenus publicitaires pour les entreprises. Il y a donc un logiciel qui
fonctionne.
2/ Data Science
En revanche, les projets de science de données dans le secteur de la publicité en
ligne agissent autrement.
Ex : Si l’analyse des données vous indique, par exemple, que l’industrie du
voyage n’achète pas beaucoup de publicité, mais que vous envoyez plus de
vendeurs pour vendre des annonces aux agences de voyage, vous pourriez les
convaincre d’utiliser davantage de publicité.
La différence entre le machine learning (apprentissage automatique) et la data
science (science des données) réside principalement dans leur objectif, leurs
techniques et leur portée. Voici un aperçu des distinctions principales :
Machine Learning
Objectif :
Le machine learning se concentre sur le développement d'algorithmes
qui permettent aux ordinateurs d'apprendre des modèles à partir
de données et de faire des prédictions ou des décisions sans être
explicitement programmés pour effectuer des tâches spécifiques.
Définition algorithme :
Un algorithme est une suite finie et ordonnée d'instructions ou d'étapes précises
permettant de résoudre un problème ou de réaliser une tâche. Les algorithmes sont
utilisés en informatique et en mathématiques pour effectuer des calculs, traiter des
données, et automatiser des processus.
Caractéristiques d'un Algorithme
1. Finitude : Un algorithme doit toujours terminer après un nombre fini d'étapes.
2. Précision : Chaque étape de l'algorithme doit être clairement et précisément
définie.
3. Entrée : Un algorithme a zéro ou plusieurs entrées, qui sont les données initiales
nécessaires à son exécution.
4. Sortie : Un algorithme a une ou plusieurs sorties, qui sont les résultats produits
après l'exécution des étapes.
5. Efficacité : Un algorithme doit être optimal en termes de temps et de ressources
consommées pour résoudre le problème.
Exemple Simple
Voici un exemple simple d'algorithme pour additionner deux nombres :
1. Commencer.
2. Lire le premier nombre, appelé A.
3. Lire le second nombre, appelé B.
4. Calculer la somme de A et B.
5. Afficher la somme.
6. Terminer.
Types d'Algorithmes
1. Algorithmes de tri : Organisent les éléments d'une liste dans un certain ordre
(ex : tri à bulles, tri rapide).
2. Algorithmes de recherche : Trouvent des éléments spécifiques dans des
structures de données (ex : recherche linéaire, recherche binaire).
3. Algorithmes de graphes : Utilisés pour résoudre des problèmes liés aux graphes
(ex : parcours en profondeur, parcours en largeur, algorithme de Dijkstra).
4. Algorithmes de cryptographie : Utilisés pour sécuriser des informations (ex :
RSA, AES).
5. Algorithmes de machine learning : Utilisés pour apprendre des modèles à
partir de données (ex : régression linéaire, réseaux de neurones).
Les algorithmes sont à la base de la programmation informatique et jouent un
rôle crucial dans le développement de logiciels et d'applications efficaces.
Techniques :
Utilise des modèles statistiques et des algorithmes pour identifier des
patterns dans les données.
Algorithmes courants : régression linéaire, régression logistique, arbres de
décision, forêts aléatoires, réseaux de neurones, SVM (machines à
vecteurs de support), etc.
Se divise en plusieurs sous-catégories : apprentissage supervisé,
apprentissage non supervisé, apprentissage semi-supervisé et
apprentissage par renforcement.
Portée :
C'est une sous-discipline de l'intelligence artificielle (IA).
Se concentre principalement sur l'amélioration des performances
des modèles sur des tâches spécifiques à travers l'entraînement
sur des ensembles de données.
Data Science
Objectif :
La data science est un domaine plus vaste qui englobe l'ensemble
du processus de gestion, d'analyse et d'interprétation des
données pour en extraire des connaissances et des insights
(idées, perspectives, connaissances) exploitables.
Techniques :
Utilise des outils et des techniques variés provenant de la statistique, du
machine learning, de l'informatique, et du domaine de l'analyse de
données.
Processus de data science : collecte des données, nettoyage et
prétraitement des données, analyse exploratoire des données,
modélisation, et interprétation des résultats.
Techniques courantes : analyse descriptive, analyse prédictive, analyse
exploratoire des données, visualisation des données, etc.
Portée :
Couvre un spectre plus large incluant la collecte de données, le nettoyage,
l'analyse, l'interprétation, et la présentation des résultats.
Intègre le machine learning comme une de ses composantes, mais va au-
delà en incluant des aspects comme l'ingénierie des données, l'analyse
statistique et la visualisation des données.
En Résumé
Machine Learning : Conception et utilisation d'algorithmes pour
permettre aux ordinateurs d'apprendre à partir de données et de faire des
prédictions ou des décisions automatisées.
Data Science : Champ multidisciplinaire visant à extraire des
connaissances et des insights à partir de données brutes, en utilisant une
combinaison de statistiques, de machine learning, d'analyse des données
et de visualisation.
La data science est donc une discipline plus large, intégrant le machine learning
comme un outil parmi d'autres pour analyser et interpréter les données. Les data
scientists utilisent souvent le machine learning pour créer des modèles prédictifs,
mais leur travail inclut aussi des tâches plus vastes liées à la gestion et à
l'analyse des données.
DEEP LEARNING
Ex : Vous souhaitez prédire le prix de l’immobilier, pour fixer le prix des maisons.
Vous avez donc une entrée A, vous indiquant la taille de la maison, le nombre de
chambres, le nombre de salles de bains et l’endroit où elle a été récemment
rénovée.
L’un des moyens les plus efficaces de fixer le prix des maisons, compte tenu de
cette entrée A, serait de l’intégrer à cette entité pour quelle affiche le prix.
Le gros objet au milieu (ci-dessous) s’appelle le réseau neuronal ou réseau
neuronal artificiel.
Ce réseau artificiel prend l’entrée A correspondant aux 4 éléments, pour avoir
en sortie B, le prix estimé de la maison. Entre les deux, il y a en bleu, ce qu’on
appelle les neurones artificiels qui sont une grande équation
mathématique. Ces derniers indiquent compte tenu des entrées A, comment
calculez-vous le prix B ?
A RETENIR : Un réseau de neurones est une technique très efficace pour
apprendre de A à B, ou des mappages d’entrée à sortie.
Now, les termes « réseau neuronal » et « apprentissage profond » (deep
learning) sont utilisés de manière presque interchangeable, car ils signifient
essentiellement la même chose.
Les réseaux neuronaux n’ont rien à voir avec le cerveau, mais ils ont été inspirés
par le cerveau cependant leur détail de fonctionnement sont totalement
indépendants du fonctionnement du cerveau biologique.
Conclusion : L’IA dispose de nombreux outils différents. Si nous devions
dessiner montrant comment tous ces concepts s’imbriquent, voici à quoi cela
pourrait ressembler (ci-dessous).
L’IA est cet énorme ensemble d’outils qui permet aux ordinateurs de se
comporter de manière intelligente. Le sous-ensemble le plus important est
probablement celui des outils issus de l’apprentissage automatique (Machine
Learning). Mais, il y a d’autres outils comme l’IA générative, l’apprentissage
renforcé, … (correspondant aux petits ronds dans IA).
Dans le Machine Learning, la partie la plus importante est celle des réseaux
neuronaux ou de l’apprentissage profond. C’est un ensemble d’outils très
puissants pour effectuer un apprentissage supervisé, ou des mappages A à B,
ainsi que d’autres choses. Mais, il existe aussi d’autres outils d’apprentissage
automatique qui ne sont pas simplement des outils d’apprentissage en
profondeur.
Alors, comment s’inscrit la science des données dans ce contexte ? Il existe
des incohérences dans la façon dont la terminologie sera utilisée. Certains vous
diront que la science des données est un sous-ensemble de l’IA. Et certains vous
diront que l’IA est un sous-ensemble de la science des données. Cela dépend de
la personne à qui vous poser la question.
Mais, je dirais que la science des données est peut-être un sous-ensemble
transversal de tous ces outils qui utilisent de nombreux outils issus de l’IA, de
l’apprentissage automatique et de l’apprentissage profond.
Mais dispose également d’autres outils distincts qui résolvent un ensemble de
problèmes importants liés à l’obtention d’informations commerciales.
5 ° Qu’est-ce qui fait une entreprise est douée
pour l’IA ?
Peut-être plus important encore, que faut-il pour que votre entreprise devienne
excellente dans l'utilisation de l'IA ?
L'une des leçons que nous avons tirées de l'essor d'Internet est que, si vous
prenez votre centre commercial préféré. Ma femme et moi faisons parfois des
achats au centre commercial de Stanford et vous créez un site web pour le centre
commercial. Il est possible de vendre des produits sur ce site, mais cela ne suffit
pas à transformer le centre commercial en une société Internet.
En fait, il y a quelques années, je parlais avec le PDG d'une grande entreprise de
vente au détail qui m'a dit : "Hé Andrew, j'ai un site web, je vends des choses sur
le site web". Amazon a un site web, Amazon vend des produits sur son site web,
c'est la même chose. Mais bien sûr, ce n'était pas le cas, un centre commercial
avec un site web n'est pas la même chose qu'une entreprise Internet de premier
ordre.
Alors, qu'est-ce qui définit une entreprise Internet si ce n'est pas simplement le
fait de vendre ou non des produits sur le site web ?
Je pense qu'une entreprise Internet est une entreprise qui fait très bien ce
qu'Internet permet de faire. Par exemple, nous nous engageons dans des tests
AB omniprésents. Cela signifie que nous lançons régulièrement deux versions
différentes d'un site web et que nous voyons laquelle fonctionne le mieux parce
que nous le pouvons.
Nous apprenons donc beaucoup plus vite. Alors que dans un centre commercial
traditionnel, il est très difficile d'avoir deux centres commerciaux dans deux
univers parallèles et vous ne pouvez changer les choses que tous les trimestres
ou tous les six mois.
Les sociétés Internet, elles, ont des temps d'itération très courts. Vous
pouvez expédier un nouveau produit toutes les semaines, voire tous les jours,
alors qu'un centre commercial peut être réaménagé et que nous ne sommes
protégés que tous les plusieurs mois.
Les sociétés Internet ont également tendance à faire descendre la prise de
décision du PDG vers les ingénieurs et vers d'autres règles spécialisées telles que
les chefs de produit. Cela contraste avec un centre commercial traditionnel. Le
PDG peut prendre toutes les décisions importantes et tout le monde fait ce qu'il
dit. Il s'avère que ce modèle traditionnel ne fonctionne pas à l'ère de l'internet,
car seuls les ingénieurs et d'autres spécialistes comme les chefs de produit en
savent suffisamment sur la technologie, le produit et les utilisateurs pour prendre
les bonnes décisions. Ce sont là quelques-unes des choses que les sociétés
Internet font pour s'assurer qu'elles font les choses qu'Internet ne fait pas
vraiment bien. C'est une leçon que nous avons tirée de l'ère de l'internet.
Qu'en est-il de l'ère de l'IA ? Je pense qu'aujourd'hui, vous pouvez prendre
n'importe quelle entreprise et lui faire utiliser quelques réseaux
neuronaux ou quelques algorithmes d'apprentissage profond. Cela ne
suffit pas à transformer l'accompagnement en une entreprise d'IA. Au lieu de
cela, ce qui fait une grande entreprise d'IA, parfois une entreprise d'IA d'abord,
c'est que vous faites les choses que l'IA vous permet de faire vraiment ?
Par exemple, les entreprises d'IA sont très douées pour l'acquisition stratégique
de données. C'est pourquoi de nombreuses grandes entreprises de technologie
grand public peuvent avoir trois produits qui ne sont pas monétisés, ce qui leur
permet d'acquérir des données qu'elles peuvent monétiser ailleurs. Nous servons
moins d'équipes stratégiques où nous lançons délibérément des produits qui ne
rapportent pas d'argent juste pour acquérir des données. Réfléchir à la manière
d'obtenir des données est un élément clé des grandes entreprises d'IA. Les
entreprises d'IA disposent d'un entrepôt de données unifié. Si vous avez 50 bases
de données ou 50 entrepôts de données différents sous le contrôle de 50 vice-
présidents différents, il sera impossible pour un ingénieur de rassembler les
données en un seul endroit afin qu'il puisse relier les points et repérer les
modèles. C'est pourquoi de nombreuses grandes entreprises d'IA ont investi de
manière préventive dans le regroupement des données dans un entrepôt de
données unique afin d'augmenter les chances que les équipes puissent relier les
points. Sous réserve, bien sûr, des garanties en matière de protection de la vie
privée et des réglementations sur les données telles que le GDPR en Europe. Les
entreprises d'IA sont très douées pour repérer les opportunités d'automatisation.
Nous sommes très doués pour dire : "Oh ! insérons l'algorithme d'apprentissage
supervisé et ayons un mappage ATP ici afin que nous n'ayons pas à faire faire ces
tâches par des personnes, mais que nous puissions les automatiser". Les
entreprises d'IA ont également de nombreux nouveaux rôles tels que le MLE
(Machine Learning Engineer) et de nouvelles façons de répartir les tâches entre
les différents membres d'une équipe. Ainsi, pour qu'une entreprise devienne
performante en matière d'IA, il faut qu'elle se dote d'une architecture qui lui
permette d'accomplir les tâches les plus fines.
Pour qu'une entreprise devienne performante dans le domaine de l'IA, il faut un
processus. En fait, il y a dix ans, Google et Baidu, ainsi que des entreprises
comme Facebook et Microsoft, dont je ne faisais pas partie, n'étaient pas de
grandes entreprises d'IA comme elles le sont aujourd'hui. Alors, comment une
entreprise peut-elle devenir bonne en matière d'IA ? Il s'avère que devenir bon en
IA n'est pas un processus mystérieux et magique. Il existe au contraire un
processus systématique qui permet à de nombreuses entreprises, et presque à
toutes les grandes entreprises, de devenir performantes en matière d'IA. Il s'agit
du manuel de transformation de l'IA en cinq étapes que je recommande aux
entreprises qui souhaitent utiliser efficacement l'IA. Je vais en donner un bref
aperçu ici et je reviendrai plus en détail dans une semaine. La première étape
consiste à exécuter des projets pilotes pour prendre de l'élan. Il s'agit donc
d'exécuter quelques petits projets pour avoir une meilleure idée de ce que l'IA
peut ou ne peut pas faire et pour avoir une meilleure idée de ce à quoi ressemble
la réalisation d'un projet d'IA. Vous pouvez le faire en interne ou avec une équipe
externe. Mais finalement, vous devez passer à la deuxième étape, qui consiste à
mettre en place une équipe d'IA interne et à fournir une formation générale à l'IA,
non seulement aux ingénieurs, mais aussi aux gestionnaires, aux chefs de
division et aux cadres, ainsi qu'à la manière dont ils conçoivent l'IA. Après avoir
fait cela ou pendant que vous le faites, vous avez une meilleure idée de ce qu'est
l'IA et il est alors important pour de nombreuses entreprises de développer une
stratégie en matière d'IA. Enfin, il convient d'aligner les communications internes
et externes afin que toutes les parties prenantes, qu'il s'agisse des employés, des
clients ou des investisseurs, soient au courant de la manière dont votre
entreprise navigue.
L'IA a créé une valeur considérable dans l'industrie du logiciel et continuera à le
faire. Elle créera également une valeur considérable en dehors de l'industrie du
logiciel. Si vous pouvez aider votre entreprise à devenir performante en matière
d'IA, j'espère que vous pourrez jouer un rôle de premier plan dans la création
d'une grande partie de cette valeur. Dans cette vidéo, vous avez vu ce qui fait
d'une entreprise une bonne entreprise d'IA et aussi brièvement le manuel de
transformation de l'IA sur lequel je reviendrai plus en détail dans une semaine
ultérieure comme feuille de route pour aider les entreprises à devenir excellentes
en matière d'IA. Si cela vous intéresse, un manuel de transformation de l'IA a
également été publié en ligne. Il aborde ces cinq étapes de manière plus
détaillée et vous en verrez d'autres dans les semaines à venir. L'un des défis des
projets d'IA tels que les projets pilotes de la première étape est de comprendre
ce que l'IA peut faire et ce qu'elle ne peut pas faire. Dans la prochaine vidéo,
j'aimerais vous donner quelques exemples de ce que l'IA peut et ne peut pas
faire, afin de vous aider à mieux sélectionner les projets d'IA qui pourraient être
efficaces pour votre entreprise. Passons à la vidéo suivante.
