En quoi consiste la mise à l’échelle de l’IA ?
En quoi consiste la mise à l’échelle de l’IA ?
La mise à l’échelle de l’IA permet d’accroître l’utilisation et la portée de l’IA dans tous les aspects des opérations d’une organisation afin de maximiser la valeur commerciale. La plupart des organisations commencent par quelques projets d’IA axés sur la résolution de problèmes spécifiques. La mise à l’échelle de l’IA va au-delà des projets pour intégrer l’IA de manière globale et approfondie dans les services, produits ou processus commerciaux fondamentaux d’une organisation.
Ce processus nécessite des capacités techniques améliorées : vous devez développer et entraîner différents modèles d’IA avec divers jeux de données, puis les déployer systématiquement pour la gestion des modifications et la correction des bogues. Outre la résolution de défis techniques, la mise à l’échelle de l’IA nécessite également un changement de mentalité et de processus pour stimuler l’innovation dans tous les domaines.
Quels sont les avantages de la mise à l’échelle de l’IA ?
La mise à l’échelle de l’IA implique de passer de l’intelligence artificielle expérimentale à l’intelligence artificielle appliquée. Elle offre de nombreuses applications pour les entreprises et peut perturber les secteurs d’activité. Il s’agit d’un changement radical qui modifie fondamentalement le paysage concurrentiel. Les organisations peuvent créer plus de valeur à moindre coût et acquérir ainsi un avantage concurrentiel dans leurs secteurs. Nous vous présentons ci-dessous quelques-uns de ces avantages clés.
Nouvelles sources de revenus
Les systèmes d’IA contribuent déjà à l’amélioration des produits et des services. Par exemple, les technologies d’IA générative sont utilisées pour accélérer la conception des produits, et les chatbots changent la façon dont les clients accèdent et reçoivent l’assistance et les services. Dans cette optique, l’adoption de l’IA à l’échelle de l’entreprise pourrait stimuler l’innovation bien au-delà de cette portée. Par exemple, Takenaka Corporation, la principale entreprise de construction du Japon, utilise l’IA pour développer une plateforme numérique nommée Building 4.0. Cette procédure permet aux travailleurs de trouver facilement des informations sur les lois de l’industrie de la construction, les réglementations, les directives et les meilleures pratiques. La plateforme améliore l’efficacité interne et crée une nouvelle source de revenus pour l’organisation.
Amélioration de la satisfaction client
L’adoption de l’IA à l’échelle de l’entreprise permet aux organisations d’apporter de la valeur à chaque étape du parcours client. Qu’il s’agisse de recommandations personnalisées, d’une livraison plus rapide ou d’une communication en temps réel, les organisations peuvent résoudre les problèmes des clients et répondre à leurs besoins croissants. Par exemple, FOX, une importante société de médias, accélère l’analyse des données afin de proposer des produits pilotés par l’IA qui sont contextuellement pertinents pour les consommateurs, les annonceurs et les diffuseurs en temps quasi réel. Les annonceurs peuvent utiliser ce système pour cibler le placement de produits à des moments précis et pertinents dans les vidéos, ce qui leur permet de tirer davantage de valeur de leur relation avec Fox. En même temps, les téléspectateurs reçoivent également des recommandations de produits qui leur sont les plus pertinentes au moment opportun.
Réduction du gaspillage
La mise à l’échelle de l’IA implique l’introduction de fonctionnalités d’IA allant des zones en contact avec les clients aux tâches de back office et de middle office. Cette approche peut réduire la charge de travail administrative, libérant ainsi les employés pour qu’ils se consacrent à des tâches plus créatives et bénéficient d’un meilleur équilibre entre vie professionnelle et vie privée. De même, les systèmes d’IA peuvent également surveiller les processus critiques afin d’identifier et de supprimer les goulots d’étranglement ou les points d’étranglement. Par exemple, Merck, une société biopharmaceutique spécialisée dans la recherche, a développé des applications d’IA pour des tâches d’exploration de connaissances et d’études de marché. Leur objectif vise à réduire les processus manuels et chronophages qui entravent la réalisation de tâches plus importantes tout au long de la chaîne de valeur pharmaceutique.
Que faut-il pour mettre à l’échelle l’IA ?
L’expérimentation d’un ou deux modèles d’IA est très différente de la gestion entière d’une entreprise avec l’IA. Les complexités, les coûts et les autres défis augmentent également à mesure que l’adoption de l’IA se développe. Pour mettre à l’échelle l’IA avec succès, vous devez investir des ressources et du temps dans trois domaines clés : les personnes, les technologies et les processus.
Personnes
Les projets d’IA sont généralement le domaine des scientifiques des données et des chercheurs en IA. Cependant, l’IA à grande échelle nécessite un large éventail de compétences, allant de l’expertise du domaine à la gestion de l’infrastructure informatique et à l’ingénierie des données. Les organisations devraient investir dans la création d’équipes multidisciplinaires capables de collaborer pour mettre en œuvre l’IA à différents niveaux de l’entreprise. Il existe deux approches : par pod et par département.
Pod
De petites équipes d’experts en machine learning, des scientifiques des données et d’ingénieurs logiciels se chargent du développement de produits d’IA pour des départements spécifiques de l’entreprise. Les pods peuvent accélérer le développement de l’IA, mais ils comportent également des pièges. Ils peuvent entraîner la création de silos de connaissances et l’utilisation ponctuelle de diverses technologies et outils d’IA à travers l’entreprise.
Département
Division ou département d’IA distinct qui hiérarchise, supervise et gère le développement de l’IA dans l’ensemble de l’organisation. Cette approche nécessite des coûts initiaux plus élevés et peut également augmenter le délai d’adoption. Cependant, cela se traduit par une mise à l’échelle de l’IA plus durable et plus systématique.
Technologie
La mise à l’échelle de l’IA nécessite de créer et de déployer des centaines de modèles de machine learning dans différents environnements. Les organisations doivent introduire une technologie qui permet de faire passer efficacement les modèles de l’expérimentation à la production tout en facilitant la maintenance continue et la productivité. La technologie doit s’intégrer à l’infrastructure informatique existante et aux pratiques en matière de développement de logiciels. Elle devrait favoriser la collaboration entre les scientifiques de données et les autres parties prenantes au sein de l’organisation.
Processus
Le développement de l’IA est un processus itératif qui nécessite un affinement constant. Les scientifiques des données préparent les données, forment et ajustent le modèle, puis le déploient en production. Ils surveillent la sortie et les performances et répètent les étapes pour publier la version suivante. L’ensemble du processus nécessite une standardisation pour une mise à l’échelle efficace. Les organisations doivent mettre en œuvre des opérations de machine learning (MLOps), un ensemble de pratiques visant à automatiser et à standardiser les processus tout au long du cycle de vie de l’IA. La gouvernance de l’ensemble du cycle de vie est également essentielle pour garantir un développement de l’IA sécurisé, réglementé et éthique.
Quelles sont les technologies clés permettant de mettre à l’échelle l’IA ?
Des technologies et des outils spécialisés sont indispensables pour progresser dans le domaine de l’IA. Nous en donnons quelques exemples ci-dessous.
Magasins de fonctionnalités
Les magasins de fonctionnalités facilitent la réutilisation des fonctionnalités sur différents modèles de machine learning. Les fonctionnalités sont des propriétés mesurables individuelles dérivées de données brutes. Il peut s’agir d’attributs simples tels que l’âge, le revenu ou le taux de clics, ou de fonctionnalités techniques plus complexes créées par le biais de transformations et d’agrégations.
Un magasin de fonctionnalités organise et gère ces fonctionnalités et leurs métadonnées, telles que les définitions, la logique de calcul, les dépendances et leur historique d’utilisation. Les scientifiques de données et les ingénieurs en machine learning peuvent réutiliser, partager et découvrir des fonctionnalités de manière efficace, réduisant ainsi la multiplication des efforts.
Actifs du code
Les actifs de code réutilisables tels que les bibliothèques, les cadres et les bases de code personnalisées augmentent l’efficacité. En normalisant certaines bibliothèques et certains cadres, les organisations peuvent s’assurer que leurs solutions d’IA sont développées selon les meilleures pratiques et sont plus faciles à maintenir au fil du temps. Les actifs de code réutilisables favorisent également la cohérence entre les projets. Ils réduisent le travail répétitif et fournissent un cadre propice à l’innovation.
Automatisation opérationnelle
Les automatisations telles que les tests automatisés et l’intégration continue/le déploiement continu (CI/CD) sont inestimables dans le processus de mise à l’échelle de l’IA. Elles permettent aux organisations d’itérer rapidement sur les modèles d’IA et d’améliorer l’agilité de leur mise en œuvre de l’IA. Des pratiques telles que RAG peuvent être utilisées pour améliorer la formation existante de grands modèles linguistiques en IA générative, au lieu d’en former de nouveaux à partir de zéro. Les technologies de streaming de données sont indispensables pour automatiser les tâches de traitement des données, telles que la préparation et l’analyse pour le traitement des données en temps réel nécessaires aux opérations de machine learning.
Cloud computing
Le cloud computing et l’infrastructure évolutive offrent des ressources flexibles et évolutives qui peuvent être allouées dynamiquement pour répondre aux besoins des charges de travail liées à l’IA. La capacité à augmenter verticalement ou à réduire verticalement les ressources en fonction de la demande permet aux organisations de gérer efficacement les coûts tout en répondant aux exigences de performance des modèles d’IA. Par exemple, vous pouvez utiliser des instances de calcul haute performance (HPC) pour entraîner des modèles complexes et des solutions de stockage évolutives pour gérer de grands jeux de données. Les services cloud AWS incluent également des outils d’IA et de machine learning spécialisés qui peuvent encore accélérer le développement et le déploiement.
Quels sont les défis liés à la mise à l’échelle de l’IA ?
Pour réussir la mise à l’échelle de l’IA, les entreprises doivent surmonter les défis suivants.
Opérationnalisation du modèle
Les modèles développés se révèlent être des outils opérationnels peu performants pour plusieurs raisons, dont certaines sont énumérées ci-dessous :
- L’élaboration d’un modèle était en grande partie un processus ponctuel sans rapport avec les résultats commerciaux réels.
- Le transfert du modèle entre les équipes s’effectue sans documentation, sans processus et sans structure.
- Le processus de développement des modèles se déroule de manière isolée, sans la contribution des utilisateurs finaux, des organisations au sens large ou des experts en la matière.
- Les modèles sont déployés individuellement sur les systèmes hérités.
Les modèles étayés par des extractions de données statiques ponctuelles deviennent rapidement périmés et inexacts. Sans pratiques d’amélioration continue, les performances d’un modèle finissent par se dégrader ou il risque de devenir obsolète.
Résistance culturelle
L’adoption de l’IA à grande échelle nécessite des changements importants dans la culture organisationnelle et les flux de travail. La résistance au changement et le manque de compréhension des capacités de l’IA entravent le processus. L’intégration de l’IA dans les processus métier et les systèmes informatiques existants peut également s’avérer complexe en raison de problèmes de compatibilité ou de systèmes hérités. Les équipes chargées des données peuvent avoir du mal à maintenir leur productivité en raison de la complexité croissante, de la collaboration inadéquate entre les équipes et de l’absence de processus et d’outils standardisés.
Complexité croissante
Les modèles opérationnels d’IA doivent rester précis et efficaces dans des environnements changeants. Une surveillance et une maintenance continues, telles que des mises à jour régulières et une formation continue avec de nouvelles données, sont indispensables. Cependant, à mesure que les modèles d’IA deviennent plus sophistiqués, ils nécessitent davantage de ressources informatiques pour la formation et l’inférence. Apporter des modifications ou corriger des bogues devient plus coûteux et prend plus de temps lors des itérations ultérieures.
Préoccupations réglementaires
Garantir la sécurité et la confidentialité des données et des modèles d’IA constitue un défi. Les projets expérimentaux d’IA offrent une plus grande flexibilité dans l’utilisation des données de l’organisation. Cependant, le succès opérationnel nécessite le respect de tous les cadres réglementaires applicables à l’entreprise. Le développement de l’IA nécessite une gestion minutieuse pour garantir un accès autorisé aux données à chaque étape. Par exemple, si un utilisateur non autorisé pose une question confidentielle à un chatbot IA, celui-ci ne doit pas révéler d’informations confidentielles dans sa réponse.
Comment AWS peut-elle soutenir vos efforts visant à mettre à l’échelle l’IA ?
La société AWS peut vous aider à chaque étape de votre parcours d’adoption de l’IA, en vous proposant l’ensemble le plus complet de services, d’infrastructures et de ressources de mise en œuvre en matière d’intelligence artificielle (IA). Vous pouvez mettre à l’échelle l’IA plus rapidement et plus efficacement dans l’ensemble de l’entreprise. Par exemple, vous pouvez utiliser les solutions ci-dessous :
- Amazon Bedrock qui permet de sélectionner, de personnaliser, de former et de déployer des modèles fondamentaux de pointe avec des données exclusives.
- Amazon QDeveloper qui permet d’accélérer le développement logiciel en générant du code, en analysant les bases de code, en déboguant les problèmes et en fournissant des conseils architecturaux basés sur les meilleures pratiques d’AWS, le tout grâce à des interactions en langage naturel au sein de l’IDE ou de la Console de gestion AWS.
- Amazon Q qui permet d’obtenir rapidement des réponses pertinentes à des questions urgentes, de résoudre des problèmes et de générer du contenu. Vous pouvez également agir en utilisant les données et l’expertise des référentiels d’informations, du code et des systèmes d’entreprise de votre société.
- Amazon SageMaker Jumpstart permet d’accélérer le développement de l’IA en créant, formant et déployant des modèles fondamentaux dans un centre de machine learning.
Vous pouvez également utiliser les outils Sagemaker for MLOps pour rationaliser les processus de développement de l’IA. Par exemple :
- Utilisez SageMaker Experiments pour assurer le suivi des artefacts liés à vos tâches d’entraînement des modèles, à l’instar des paramètres, des métriques et des jeux de données.
- Configurez les SageMaker Pipelines pour qu’ils s’exécutent automatiquement, à intervalles réguliers ou lorsque certains événements sont déclenchés.
- Utilisez SageMaker Model Registry pour suivre les versions des modèles et les métadonnées, telles que le regroupement de cas d’utilisation et les données de référence des mesures de performance des modèles, dans un référentiel central. Vous pouvez utiliser ces informations pour choisir le meilleur modèle en fonction des besoins de votre entreprise.
Commencez à utiliser l’IA sur AWS dès aujourd’hui en créant un compte gratuit.