Accueil Intelligence artificielle IA axée sur la valeur : appliquer les leçons apprises de l’IA prédictive à l’IA générative

IA axée sur la valeur : appliquer les leçons apprises de l’IA prédictive à l’IA générative

0
IA axée sur la valeur : appliquer les leçons apprises de l’IA prédictive à l’IA générative


Si nous regardons cinq ans en arrière, la plupart des entreprises commençaient tout juste à apprentissage automatique et l’IA prédictive, en essayant de déterminer quels projets ils devraient choisir. C’est une question qui reste incroyablement importante, mais le IA Le paysage a désormais radicalement évolué, tout comme les questions auxquelles les entreprises s’efforcent de répondre.

La plupart des organisations trouvent que leurs premiers cas d’utilisation sont plus difficiles que prévu. Et les questions ne cessent de s’accumuler. Devraient-ils s’attaquer aux projets Moonshot ou se concentrer sur des flux constants de valeur supplémentaire, ou un mélange des deux ? Comment évoluer ? Qu’est ce que tu fais après?

Les modèles génératifs – ChatGPT étant le plus impactant – ont complètement changé la scène de l’IA et obligé les organisations à se poser des questions entièrement nouvelles. Le plus important est de savoir quelles sont les leçons durement gagnées sur la façon de tirer profit des technologies prédictives. IA est-ce qu’on s’applique à IA générative?

Principales choses à faire et à ne pas faire pour obtenir de la valeur avec l’IA prédictive

Les entreprises qui génèrent de la valeur grâce à l’IA prédictive ont tendance à être agressives dans la fourniture de ces premiers cas d’utilisation.

Quelques À faire ils suivent sont:

  • Choisir les bons projets et qualifier ces projets de manière globale. Il est facile de tomber dans le piège de consacrer trop de temps à la faisabilité technique des projets, mais les équipes qui réussissent sont celles qui pensent également à obtenir un parrainage et une adhésion appropriés à plusieurs niveaux de leur organisation.
  • Impliquer dès le début la bonne combinaison de parties prenantes. Les équipes les plus performantes comptent des utilisateurs professionnels qui s’investissent dans le résultat et demandent même davantage de projets d’IA.
  • Attiser les flammes. Célébrez vos réussites pour inspirer, surmonter l’inertie et créer l’urgence. C’est là que le parrainage des dirigeants s’avère très utile. Il vous aide à jeter les bases de projets plus ambitieux.

Certains À ne pas faire nous remarquons chez nos clients sont :

  • Commencer par votre problème le plus difficile et le plus précieux présente beaucoup de risquesnous vous déconseillons donc de le faire.
  • Différer la modélisation jusqu’à ce que les données soient parfaites. Cet état d’esprit peut entraîner un report perpétuel et inutile de la valeur.
  • Se concentrer sur le perfectionnement votre conception organisationnelle, votre modèle opérationnel et votre stratégie, ce qui peut rendre très difficile la mise à l’échelle de vos projets d’IA.

Quels nouveaux défis techniques peuvent surgir avec l’IA générative ?

  • Exigences de calcul accrues. Les modèles d’IA générative nécessitent des calculs et du matériel hautes performances pour pouvoir être entraînés et exécutés. Soit les entreprises devront posséder ce matériel, soit utiliser le cloud.
  • Évaluation du modèle. Par nature, l’IA générative des modèles créer du nouveau contenu. Les modèles prédictifs utilisent des mesures très claires, comme la précision ou l’AUC. L’IA générative nécessite des mesures d’évaluation plus subjectives et complexes, plus difficiles à mettre en œuvre.

Évaluer systématiquement ces modèles, plutôt que de demander à un humain d’évaluer les résultats, signifie déterminer quelles sont les mesures équitables à utiliser sur tous ces modèles, et c’est une tâche plus difficile que l’évaluation de modèles prédictifs. Se lancer dans l’utilisation de modèles d’IA génératifs pourrait être facile, mais il sera plus difficile de les amener à générer des résultats de qualité significative.

  • IA éthique. Les entreprises doivent s’assurer que les résultats de l’IA générative sont matures, responsables et ne nuisent pas à la société ou à leurs organisations.

Quels sont les principaux différenciateurs et défis de l’IA générative ?

  • Commencer avec les bons problèmes. Les organisations qui s’attaquent au mauvais problème auront du mal à générer rapidement de la valeur. Par exemple, se concentrer sur la productivité plutôt que sur les avantages en termes de coûts est une entreprise beaucoup plus réussie. Se déplacer trop lentement est également un problème.
  • Le dernier kilomètre des cas d’utilisation de l’IA générative est différent de l’IA prédictive. Avec l’IA prédictive, nous passons beaucoup de temps sur les mécanismes de consommation, comme les tableaux de bord et les boucles de feedback des parties prenantes. Étant donné que les résultats de l’IA générative se présentent sous une forme de langage humain, il sera plus rapide d’aboutir à ces propositions de valeur. L’interactivité du langage humain peut permettre d’avancer plus facilement et plus rapidement.
  • Les données seront différentes. La nature des défis liés aux données sera différente. Les modèles d’IA générative fonctionnent mieux avec des données désordonnées et multimodales, nous pouvons donc passer un peu moins de temps à préparer et à transformer nos données.

Quel sera le plus grand changement pour les data scientists dotés de l’IA générative ?

  • Changement de compétences. Nous devons comprendre comment fonctionnent ces modèles d’IA générative. Comment génèrent-ils des résultats ? Quelles sont leurs lacunes ? Quelles sont les stratégies d’incitation que nous pourrions utiliser ? Il s’agit d’un nouveau paradigme sur lequel nous devons tous en apprendre davantage.
  • Exigences de calcul accrues. Si vous souhaitez héberger ces modèles vous-même, vous devrez travailler avec du matériel plus complexe, ce qui peut constituer une autre exigence de compétence pour l’équipe.
  • Évaluation des résultats du modèle. Nous voudrons expérimenter différents types de modèles en utilisant différentes stratégies et découvrir quelles combinaisons fonctionnent le mieux. Cela signifie essayer différentes stratégies d’invite ou de regroupement de données et d’intégrations de modèles. Nous souhaiterons mener différents types d’expériences et les évaluer de manière efficace et systématique. Quelle combinaison nous amène au meilleur résultat ?
  • Surveillance. Ces modèles pouvant soulever des préoccupations éthiques et juridiques, ils nécessiteront une surveillance plus étroite. Des systèmes doivent être en place pour les surveiller plus rigoureusement.
  • Nouvelle expérience utilisateur. Peut-être voudrons-nous avoir des humains au courant et réfléchir aux nouvelles expériences utilisateur que nous souhaitons intégrer dans le flux de travail de modélisation. Qui seront les principales personnes impliquées dans la création de solutions d’IA générative ? En quoi cela contraste-t-il avec l’IA prédictive ?

En ce qui concerne les différences auxquelles les organisations seront confrontées, les personnes ne changeront pas trop grâce à l’IA générative. Nous avons encore besoin de personnes qui comprennent les nuances des modèles et peuvent rechercher de nouvelles technologies. Les ingénieurs en apprentissage automatique, les ingénieurs de données, les experts du domaine et les experts en éthique de l’IA seront tous encore nécessaires au succès de IA générative. Pour en savoir plus sur ce que vous pouvez attendre de l’IA générative, sur les cas d’utilisation pour commencer et sur nos autres prédictions, regardez notre webinaire, IA axée sur la valeur : appliquer les leçons apprises de l’IA prédictive à l’IA générative.

Séminaire en ligne

IA axée sur la valeur : appliquer les leçons apprises de l’IA prédictive à l’IA générative


Regarder à la demande

A propos de l’auteur

Asli Sabanci Demiröz
Asli Sabanci Demiröz

Ingénieur en apprentissage automatique, DataRobot

Aslı Sabancı Demiröz est ingénieur en apprentissage automatique chez DataRobot. Elle est titulaire d’un BS en génie informatique avec une double spécialisation en ingénierie de contrôle de l’Université technique d’Istanbul. Travaillant au bureau du CTO, elle aime être au cœur de la R&D de DataRobot pour stimuler l’innovation. Sa passion réside dans le domaine de l’apprentissage profond et elle aime particulièrement créer des intégrations puissantes entre les couches de plate-forme et d’application dans l’écosystème ML, dans le but de rendre le tout supérieur à la somme des parties.


Rencontrez Aslı Sabancı Demiröz

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici