Trempé dans la pression d’utiliser l’IA

Lorsque de grandes organisations dépensent des milliards de dollars en recherche et développement d’une technologie révolutionnaire, il arrive un moment où la technologie est prête pour le grand public. Les géants de la technologie mettent tout en œuvre pour garantir une adoption mondiale à grande échelle de la technologie. Ce sont des temps passionnants pour tout passionné de technologie, et il est naturel de ressentir l’envie de faire partie du mouvement et de ne pas se sentir laissé pour compte.

Les personnes à tous les niveaux d’une organisation ressentent la pression d’utiliser des solutions basées sur l’IA pour chaque problème commercial. Comment gérer cette pression et prendre les bonnes décisions pour vos problèmes d’entreprise ? Décomposons le problème et levons les ambiguïtés pour obtenir une image claire de quand utiliser l’IA et quand ne pas l’utiliser.

Questions Fondamentales à Répondre

Avant de vous plonger trop profondément dans la conception de solutions pour des problèmes commerciaux spécifiques et des cas d’utilisation, il y a quelques questions très fondamentales que vous pouvez vous poser qui vous donneront des indications très fortes sur la nécessité d’investir du temps et de l’énergie dans la construction de solutions IA.

• Investir dans une solution basée sur l’IA nous aidera-t-il à perturber le statu quo de notre industrie ?
• Nous aidera-t-elle à passer d’un suiveur de l’industrie à un leader de l’industrie pour l’un de nos produits ou fonctionnalités de produit ?
• Pouvons-nous utiliser l’IA pour l’un de nos développements de produits ou processus opérationnels de produit ? Cela réduit-il significativement le coût des opérations à long terme pour notre produit ?

Bien que ce type de questions soit souvent soulevé et répondu dans les salles de conseil au niveau exécutif, dans de bonnes entreprises avec une forte culture produit, la prise de décision est démocratisée, et les équipes individuelles sont habilitées à prendre des décisions clés pour leur feuille de route produit et les fonctionnalités du produit.

Il est donc important que les chefs de produit techniques et leurs équipes pensent comme un PDG et réfléchissent à ces questions fondamentales lorsqu’ils décident d’utiliser des solutions basées sur l’IA pour les problèmes soulevés par les clients et les dirigeants.

Décomposer les couches

Maintenant, examinons le processus de questionnement et d’analyse d’une couche sous les questions fondamentales et utilisons un cadre qui vous aidera à décider s’il faut utiliser l’IA dans la conception de votre solution.

IA prédictive

Bien qu’il existe beaucoup de contenu dans le domaine public sur la différence entre l’IA prédictive et l’IA générative, je tiens à insister sur la différence entre les deux. IA générative (GenAI) a attiré tellement d’attention ces derniers mois que les gens oublient souvent le pouvoir d’autres types d’IA, et l’investissement et l’innovation dans ces technologies ont ralenti dans de nombreuses organisations.

Il est important que les équipes de développement s’arrêtent et réfléchissent à des solutions créatives pour le problème de l’utilisateur/client.

Le problème que vous essayez de résoudre est-il lié à la collecte de données historiques d’événements passés, à la recherche de motifs afin de pouvoir prédire l’issue d’événements futurs ? Pour ce genre de problèmes, l’IA prédictive est là où votre flux de solutions devrait se ramifier.

Si vous pensez à l’IA générative pour de tels problèmes, vous vous trompez de cible. Quelques exemples courants de problèmes qui peuvent être résolus à l’aide de solutions d’IA prédictive incluent les prévisions financières, l’optimisation de l’utilisation des infrastructures, la détection de fraude, etc.

Une fois que vous avez clarifié que le problème que vous résolvez nécessitera une solution basée sur l’IA prédictive, quel type d’algorithme d’apprentissage automatique résoudra votre problème devrait être votre prochaine étape logique dans la conception de la solution.

• Classification. L’attribution de points de données à des classes prédéfinies est un problème de classification. Par exemple, signaler tout contenu sur une plateforme de médias sociaux comme inapproprié afin que la connaissance machine du contenu approprié par rapport au contenu inapproprié soit continuellement affinée est un problème de classification.
• Régression. Lorsque l’objectif est de définir la corrélation entre les caractéristiques et votre variable cible pour prédire les problèmes futurs, c’est un problème de régression. Par exemple, prédire le trafic futur sur votre service pour décider quand augmenter le nombre de pods.
• Clustering. Regrouper les données en différents seaux dans le but de définir les bons seaux qui vous aideront à prendre des décisions est un problème de clustering. Par exemple, analyser le comportement des clients et les cas d’utilisation pour aider votre organisation à définir les bons segments de clients est un problème de clustering.

N’est-il pas assez incroyable qu’il y ait autant d’innovation et de créativité que vous pouvez stimuler dans le domaine de l’IA prédictive ? Jusqu’à présent, dans cet article, nous n’avons pas abordé le domaine de l’IA générative, qui a suscité beaucoup d’enthousiasme.

IA générative

En revanche, si le problème que vous essayez de résoudre implique de former un modèle d’IA sur les données brutes de votre organisation, en le faisant apprendre par l’exemple afin qu’il puisse recevoir des instructions d’un utilisateur et générer des sorties originales, c’est là que l’IA générative entre en jeu. Le problème pourrait avoir différentes permutations et combinaisons d’instructions utilisateur et de sorties générées. Les instructions utilisateur pourraient être des discours, du texte ou des données non structurées, et les sorties générées pourraient être du texte en langage naturel, des discours, des images ou des vidéos.

Des exemples courants de problèmes pouvant être résolus à l’aide de l’IA générative incluent le support client, la génération de code pour réduire les coûts de développement de produits, la synthèse de données pour la recherche et les tests, la création de contenu marketing à la demande, etc.

Lorsqu’il s’agit de solutions basées sur l’IA générative, une fois que vous êtes sûr que votre problème nécessite une solution basée sur l’IA générative, il y aura des décisions de conception de solution importantes supplémentaires qui vous aideront à construire la solution la plus impactante.

• Quel modèle de base LLM devrais-je utiliser ?
• Quels sont les derniers cadres architecturaux et les motifs de conception dont je devrais tirer parti ? Pensez à RAG, RLHF, agent réactif multi-agent utilisant langflow, etc.?
• Comment m’assurer des bonnes mesures de sécurité et de confidentialité des données ?

Conclusion

Alors qu’un manque de modernisation technologique peut rendre obsolète le modèle commercial d’une entreprise à un moment donné, il est important de s’assurer que vous utilisez les investissements en intelligence artificielle de votre organisation pour les bons problèmes et au bon endroit. Forcer des solutions basées sur l’IA pour des problèmes qui n’en ont pas besoin peut orienter votre produit dans la mauvaise direction. Gardez votre calme et utilisez les investissements en IA de manière avisée.