Obtenir l'IA du laboratoire à la production

L'entreprise est désireuse de pousser l'IA hors du laboratoire et dans les environnements de production, où il espérons que cela inaugurera une nouvelle ère de productivité et de rentabilité.Mais ce n'est pas aussi facile qu'il n'y paraît car il s'avère que l'IA a tendance à se comporter très différemment dans le banc d'essai que dans le monde réel.

Surmonter cette bosse entre le laboratoire et les applications réelles émerge rapidement comme le prochain objectif majeur de la course à déployer l'IA.Étant donné que la technologie intelligente nécessite un flux constant de données fiables pour fonctionner correctement, un environnement contrôlé n'est pas nécessairement le terrain prouvant qu'il est pour les logiciels traditionnels.Avec l'IA, l'environnement incontrôlé est désormais le véritable test, et de nombreux modèles échouent.

La «vallée de la mort»

Le franchissement de cette «vallée de la mort» est devenu si crucial que certaines organisations l'élèvent à une compétence de base au niveau exécutif.Valerie Bécaert, directrice principale de la recherche et des programmes scientifiques du ServiceNow’s Advanced Technology Group (ATG), mène désormais les recherches de l'entreprise sur le comblement de cette lacune.Comme elle l'a expliqué récemment au flux de travail, il ne s'agit pas seulement de former correctement l'IA, mais de transformer la culture organisationnelle pour améliorer les compétences en IA et favoriser une plus grande acceptation des risques.

Une technique sur laquelle le groupe travaille consiste à former l'IA avec des données limitées afin qu'elle puisse apprendre de nouvelles vérités par elle-même.Les environnements de données du monde réel, après tout, sont largement largement que le laboratoire, les données provenant d'innombrables sources.Au lieu de simplement jeter des modèles rudimentaires dans cet environnement chaotique, l'apprentissage à faible teneur en données fournit une voie simplifiée vers des modèles plus efficaces qui peuvent extrapoler des conclusions plus complexes en fonction de leurs connaissances acquises.

A recent report by McKinsey & Co., highlighted some of the ways leading AI practitioners – which the company defines as those who can attribute 20%of the EBIT to AI – are pushing projects into production steadily and reliably. Among core best practices, the company defined the following:

D'autres preuves semblent suggérer que le cloud offre un avantage lors du déploiement de l'IA dans des environnements de production.En plus de la large évolutivité de Cloud, il offre également un large éventail d'outils et de capacités, tels que la compréhension du langage naturel (NLU) et la reconnaissance faciale.

La précision et la précision de l'IA

Pourtant, une partie du problème de la mise en production de l'IA est avec le modèle d'IA lui-même.Le développeur Android Harshil Patel a récemment noté sur Neptune que la plupart des modèles font des prédictions avec une grande précision mais une faible précision.C'est un problème pour les modèles commerciaux qui nécessitent des mesures exactes avec peu de tolérance aux erreurs.

Pour contrer cela, les organisations doivent mieux prendre soin d'éliminer les ensembles de données aberrants dans le processus de formation, ainsi que pour mettre en œuvre une surveillance continue pour garantir que les biais et la variance ne se glissent pas dans le modèle au fil du temps.Un autre problème est le déséquilibre de classe, qui se produit lorsque les instances d'une classe sont plus courantes qu'un autre.Cela peut fausser les résultats loin des expériences du monde réel, en particulier lorsque les ensembles de données de nouveaux domaines sont introduits.

En plus des inhibiteurs technologiques de l'IA prêt pour la production, il existe également des facteurs culturels à considérer, explique Andrew Ng, professeur auxiliaire à l'Université de Stamford et fondateur de Deeplearning.ai.L'IA a tendance à perturber le travail de nombreuses parties prenantes de l'entreprise.Sans leur adhésion, des centaines d'heures de développement et de formation se perdent.C'est pourquoi les projets d'IA ne devraient pas seulement être efficaces et utiles à ceux qui les utiliseront, mais ils devraient également être explicables.La première étape de tout projet devrait donc être la définition de la portée, dans laquelle les équipes techniques et commerciales se réunissent pour déterminer l'intersection de «ce que l'IA peut faire» et «ce qui est le plus précieux pour les affaires».

L'histoire de la technologie est en proie à des exemples de solutions à la recherche de problèmes.L'IA a l'avantage d'être si flexible qu'une solution ratée peut être rapidement reconfigurée et redéployée, mais cela peut devenir coûteux et futile si les bonnes leçons ne sont pas apprises des échecs.

À mesure que l'entreprise progresse avec l'IA, le défi ne va pas repousser la technologie à ses limites imaginables, mais pour s'assurer que l'effort mis dans le développement et la formation des modèles d'IA se concentre sur la résolution des vrais problèmes d'aujourd'hui tout en s'assurant qu'ils peuvent ensuite pivoteraux problèmes qui émergent à l'avenir.