Articles

Comprendre et mettre en œuvre les workflows d'IA pour un training et un déploiement optimisés

Auteur : Brian Letort, Head of Data Office and Platform AI, Digital Realty

L'intelligence artificielle (IA) a le potentiel de révolutionner les opérations commerciales et de changer la trajectoire de l'innovation dans tous les secteurs et dans le monde entier.

Plus de 75 % de l'impact annuel total de l'IA générative se produira spécifiquement dans les ventes, le marketing, la R&D produit, l'ingénierie logicielle et les opérations clients. Mais ces opportunités ne peuvent se concrétiser que si l'IA est mise en œuvre de manière réfléchie et stratégique.

La mise en œuvre de l'IA est un processus structuré, qui exige des directeurs techniques, des directeurs généraux délégués et des directeurs informatiques qu'ils comprennent les nouvelles exigences technologiques, qu'ils repensent leur stratégie d'infrastructure actuelle et qu'ils évaluent les systèmes existants. Pour que l'IA ait un véritable impact, les dirigeants informatiques doivent construire une base qui réponde aux besoins de développement et de déploiement des modèles d'IA d'aujourd'hui et de demain.

Pour ce faire, ils doivent prendre en compte de manière stratégique les étapes des workflows de l'IA. Ces workflows impliquent trois façons indépendantes de travailler avec les données : l'agrégation des données, l'entraînement et l'inférence. Il convient de prendre en compte le fonctionnement de chacun d'entre eux et les éléments fondamentaux nécessaires à leur bon déroulement.

Les trois étapes des flux de travail de l'IA et leur impact sur Infrastructure IT

Étape 1 : Agrégation des données

La qualité de l'IA dépend des données sur lesquelles elle est entraînée. L'agrégation des données commence par une approche globale de la collecte, du traitement, de l'organisation et du stockage des données afin qu'elles puissent être utilisées pour former et informer une application d'IA d'entreprise.

Pour que cette étape de prétraitement fonctionne comme prévu, les dirigeants informatiques doivent suivre les meilleures pratiques suivantes :

Identifier les sources de données : les grandes entreprises produisent et collectent de nombreuses données : données sur les clients ou les collaborateurs, données opérationnelles, données financières, registres de réseaux, recherches sur l'intranet ou capteurs IoT. Pour que l'IA puisse connaître intelligemment des informations et des réponses sur une entreprise, elle a besoin d'une image complète de l'environnement de l'entreprise. La première étape consiste à localiser ces sources de données.
Rassembler les données dans un système central : les dirigeants informatiques ont ensuite besoin d'un système qui leur permette de rassembler ces données à partir de sources, de bases de données, de endpoints, et de les regrouper dans un hub ou un système de stockage centralisé. Il peut s'agir de l'adoption d'un système de planification des ressources de l'entreprise (ERP) ou d'un data lake connecté à diverses sources telles que les connexions directes aux bases de données, les interfaces de programmation d'applications (API) ou d'autres sources.
Nettoyer et organiser les données : Même si les données ont été rassemblées dans un endroit centralisé, il se peut qu'elles ne soient pas formatées de manière uniforme, qu'elles soient structurées (spécifiques et uniformes à partir d'une base de données), semi-structurées (organisées mais pas en fonction de leur gouvernance) ou non structurées (types de données variés). Les dirigeants informatiques doivent mettre en œuvre les meilleures pratiques en matière de gestion des données, qui consistent notamment à mettre les données dans des formats et des conventions de dénomination normalisés, à rechercher les erreurs et à éliminer les données obsolètes ou dupliquées. Cette étape peut être à la fois longue et coûteuse.
Établissez une gouvernance des données : mettre en place une gouvernance des données : Enfin, établissez un processus reproductible qui régit la gestion des données, y compris la manière dont les données seront protégées et les personnes qui y auront accès. Cela permet de s'assurer que la qualité des données reste constante au fil du temps. Compte tenu de la taille des données collectées, la meilleure pratique consiste à traiter les données à l'edge afin d'atténuer les effets de la gravité des données.

Étape 2 : Training

Même si les entreprises n'utiliseront probablement que des modèles de base qu'elles enrichiront de leurs propres données (plutôt que de créer et d'entraîner leurs propres modèles), il est important de comprendre cette étape du développement de l'IA.

Des ensembles de données organisés et propres sont un précurseur du training d'un modèle d'IA d'entreprise. En règle générale, une entreprise utilise un modèle de base, comme le modèle GPT-4 d'OpenAI, puis l'entraîne ou l'affine à l'aide de données internes afin que les connaissances de l'IA soient à la fois globales et spécifiques à un domaine. Ce processus de training peut ressembler à ce qui suit :

Bien que les entreprises n’utiliseront probablement que des modèles fondamentaux qu’elles enrichiront avec leurs propres données (plutôt que de créer et de former leurs propres modèles), il est important de comprendre cette étape du développement de l’IA.

Choisissez le bon modèle : Tous les modèles d'IA n'ont pas les mêmes performances ou ne sont pas adaptés aux données spécifiques d'une organisation. Les dirigeants informatiques doivent d'abord définir le cas d'utilisation pour l'adoption de l'IA :
Le service clients ? L'efficacité opérationnelle ? Cela les guidera dans le choix de l'architecture, de l'algorithme et des paramètres d'IA adaptés aux besoins de l'entreprise.
Commencez par une tâche : ensuite, apprenez au nouveau modèle d'IA à effectuer une opération spécifique à l'aide d'un ensemble de données de training provenant de l'étape d'agrégation des données. Cela permettra au modèle d'IA de commencer à reconnaître des modèles et des relations dans les données. Au fur et à mesure qu'il apprend, les personnes qui le forment peuvent commencer à régler ses paramètres pour le rendre plus précis et plus efficace.
Tester et évaluer : continuer à tester le modèle pour renforcer et approfondir ses connaissances. Commencez à étendre ses tests à d'autres ensembles de données et voyez comment il s'adapte, en procédant aux ajustements nécessaires. Évaluez ses performances tout au long du processus de test pour vous assurer qu'il fonctionne comme prévu et qu'il atteint l'exactitude, le rappel, la précision et d'autres mesures d'évaluation nécessaires.
Valider les performances : le moment est venu d'évaluer les performances de l'IA sur un nouvel ensemble de données de validation pour voir comment elle a appris. Il est temps d'affiner les paramètres et de préparer le modèle d'IA à une utilisation en entreprise.

Étape 3 : Inférence

Il est temps de mettre l'IA au travail ! À ce stade, le modèle d'IA est prêt à être lancé dans des applications et des cas d'utilisation, où il utilisera ses capacités d'inférence pour faire des prédictions ou prendre des décisions sur de nouveaux ensembles de données.

Cependant, ne vous contentez pas de déployer l'IA et de la laisser fonctionner sans contrôle. Il faut mettre en place un processus de validation continue pour s'assurer que le modèle d'IA est précis et capable de fournir des résultats exploitables, et surtout se prémunir contre toute " spéculation " susceptible d'avoir un impact sur l'activité de l'entreprise. Ce processus de contrôle d'un algorithme en production est communément appelé observabilité du modèle.

Par exemple, la Harvard Business Review explique comment Morgan Stanley dispose d'un ensemble de 400 "questions clés" dont les réponses sont connues et qu'elle utilise pour tester en permanence la précision de l'IA. En cas de changement dans la manière dont l'IA répond à ces questions, l'entreprise sait qu'elle doit réajuster le modèle.

Relever les défis des workflows d'IA

Idéalement, le processus de mise en œuvre de l'IA d'entreprise se déroule sans heurts, de la stratégie des données au training, en passant par le déploiement. Toutefois, les dirigeants informatiques doivent être conscients des défis suivants.

Mauvaise qualité des données : L'IA ne vaut que ce que valent les données sur lesquelles elle est entraînée, et les données non structurées ou non formatées, ou même un manque de données provenant de l'ensemble de la structure, ne permettront pas au modèle d'IA d'apprendre ou de fonctionner comme il se doit. Selon le “Global AI Adoption Index 2023” d'IBM, la complexité excessive des données est le deuxième obstacle à l'adoption réussie de l'IA. C'est pourquoi il est important de prendre des mesures pour mettre d'abord en place un plan de gestion des données, comme indiqué ci-dessus.
Manque de ressources matérielles : L'exécution rapide et efficace de l'IA nécessite un matériel de calcul capable de répondre à ses exigences - et un manque de matériel aura un impact sur les performances et la vitesse. Le matériel de calcul à haute performance (HPC) est ce qui peut répondre de manière suffisante aux besoins de l'entreprise en matière d'IA - en particulier dans la phase d'inférence sensible à la latence - en alimentant les environnements de simulation et de modélisation par le biais d'un traitement parallèle. Il occupe également une fraction de l'empreinte du matériel traditionnel.
Infrastructures déficientes : Outre le matériel, l'IA a besoin d'une infrastructure adaptée. Il s'agit notamment de disposer de la bonne densité de puissance, qui, pour l'IA, peut être cinq à dix fois supérieure à celle d'autres systèmes gérés par l'infrastructure existante. Avec cette augmentation des capacités de calcul, les workflows d'IA nécessiteront également un système de refroidissement spécialisé pour le data center.
Des coûts qui explosent : les investissements en IA peuvent être coûteux pour une entreprise, tant au niveau du développement que de l'infrastructure et du matériel informatique nécessaires. L'un des moyens de rendre l'IA plus rentable est de s'assurer que les déploiements et les projets d'IA s'alignent sur les objectifs de l'entreprise et que les cas d'utilisation de l'IA bénéficieront à la croissance et à l'impact de l'organisation. Les POC sont souvent utilisés pour démontrer une valeur quantifiable avant de se lancer dans un projet.
Opérations informatiques complexes : Les workflows d'IA nécessitent de nombreuses nouvelles considérations opérationnelles informatiques, notamment une approche stratégique de la gestion et de l'interconnectivité des données, un engagement en termes de temps pour la formation, ainsi que le matériel et l'infrastructure correspondants. Il faut également adopter une approche stratégique de la gestion des équipes et s'assurer que le personnel dispose de l'expertise nécessaire pour gérer les nouveaux déploiements de l'IA - en particulier lorsque, selon le rapport IBM susmentionné, "les compétences, l'expertise ou les connaissances limitées en matière d'IA" constituent le principal obstacle à l'adoption réussie de l'IA.

Construire les fondations de l’IA d’entreprise

L'IA d'entreprise offre aujourd'hui d'énormes possibilités - qui ne peuvent se concrétiser que si elle est mise en œuvre avec succès. Cela commence par la mise en place d'un programme stratégique d'agrégation des données pour collecter, traiter et stocker les données de manière efficace. Ensuite, il faut utiliser ces données pour former le modèle d'IA afin qu'il se familiarise avec les connaissances, les modèles et les liaisons statistiques spécifiques à un domaine. Enfin, il faut s'assurer qu'il existe un plan d'évaluation des performances et de suivi des mesures après le déploiement de l'IA et son utilisation dans le monde réel.

Ces trois étapes des workflows d'IA constituent la base sur laquelle les entreprises construiront l'innovation.

Vous souhaitez savoir comment mettre en œuvre avec succès l'IA pour préparer votre entreprise à l'avenir ? Téléchargez le document “AI for IT Leaders: Deploying a Future-Proof IT Infrastructure”.