L'IA n'est pas le produit
Dernièrement, j’ai parlé à plusieurs fondateurs qui m’ont dit que des gens leur avaient demandé de faire des choses avec l’IA pour leurs produits/services. Il y a clairement un engouement, et beaucoup d’attention se concentre autour de l’IA. De plus, il semble y avoir une vague d’investissements massifs dans des startups qui portent l’IA dans leur nom, ce qui alimente l’engouement.
Si je peux donner mon avis sur le sujet, en m’appuyant sur mon expérience de travail dans une startup qui utilisait l’IA pour construire des produits, je dirai :
Premièrement, l’IA est une technologie, tout comme les smartphones ou le cloud. De la même manière, on pourrait distinguer deux types d’entreprises : celles qui développent la technologie et celles qui s’appuient sur la technologie pour développer leur produit ou service. Je pense que la première étape est d’être clair à ce sujet et de savoir où vous vous situez en tant qu’entreprise. Mais tout comme créer un cloud ou un smartphone est à la portée de quelques-uns, développer l’IA et la vendre comme produit ou service est à la portée de quelques-uns. Vous êtes donc très probablement une entreprise qui personnalise et utilise l’IA pour son produit, mais ne la développe pas.
(A partir d’ici, je ne fais référence qu’aux entreprises qui utilisent ou veulent utiliser l’IA pour construire des produits)
Deuxièmement, nous devons identifier pour quel cas d’usage nous pensons pouvoir utiliser l’IA comme technologie. L’IA est souvent utilisée pour : les prédictions, les recommandations, les chatbots, la reconnaissance vocale, les classificateurs de documents, la classification d’images, l’analyse vidéo, entre autres choses.
Une fois le cas d’usage pouvant bénéficier de l’utilisation de cette technologie identifié, il doit être analysé comme toute autre nouvelle fonctionnalité ; essayer de comprendre la proposition de valeur et le ROI qu’il peut apporter à l’utilisateur. Ainsi que les coûts d’implémentation et d’exploitation et les risques. Cependant, l’utilisation de l’IA pour implémenter notre cas d’usage introduit certaines particularités importantes à prendre en compte qui peuvent impacter à la fois la proposition de valeur et les coûts et risques :
Dans le monde de l’IA, il n’existe pas de précision à 100 % ; contrairement au monde du logiciel traditionnel, où l’objectif est d’implémenter des cas d’usage qui fonctionnent de manière prévisible 100 % du temps. Ce point est particulièrement important car il implique un changement de mentalité en ce qui concerne les attentes que nous offrons sur notre fonctionnalité. De la même manière que le système de recommandation de films de Netflix fait parfois des recommandations qui ne correspondent pas à nos intérêts, notre application peut nous donner des résultats indésirables. Si cela n’est pas acceptable, alors il vaut mieux repenser le cas d’usage choisi.
Notre cas d’usage peut produire des résultats biaisés. Il y a eu plusieurs cas importants où les modèles se sont révélés sexistes ou racistes, en raison de biais dans les données d’entraînement. Un tel cas s’est produit lorsque Amazon a développé un modèle pour sélectionner automatiquement les meilleurs CV des candidats postulant à ses offres d’emploi. Le modèle défavorisait les CV de femmes parce qu’ils avaient utilisé des CV à dominante masculine des années récentes pour entraîner le modèle, et le modèle avait appris à pénaliser les femmes. En plus du problème des biais, il y a aussi le problème de l’explicabilité des résultats. Aujourd’hui, en général, nous n’avons pas d’outils pour expliquer pourquoi l’IA donne un résultat particulier.
L’IA est alimentée par les données, et c’est l’une des clés qui peut nous différencier de la concurrence. Disposons-nous d’un bon volume de données de qualité pouvant être utilisées pour l’entraînement des modèles ? Cela donne un avantage concurrentiel aux entreprises qui ont déjà de la traction et des utilisateurs, car si elles ont bien fait les choses, elles peuvent disposer de bonnes données pour entraîner des modèles. Cependant, selon le type de données dont nous avons besoin, les réglementations et normes existantes protégeant les données peuvent empêcher ou compliquer leur utilisation. Un exemple est lorsqu’une entreprise développant un produit B2B a besoin d’accéder aux données personnelles des clients de ses clients, afin d’entraîner les modèles. Dans ce cas, l’accès à ces données n’est pas toujours simple.
Enfin, lorsque l’on se lance dans un projet utilisant l’IA, il est fortement conseillé de parler à quelqu’un qui connaît bien le sujet et qui l’a déjà fait. Cette personne pourra nous aider à analyser le cas d’usage et à voir s’il peut bénéficier de l’utilisation de cette technologie. Ce que je ne recommande pas, c’est de commencer à chercher des experts en IA à embaucher en interne, sans d’abord chercher un conseil externe. Car d’une part, il se peut que l’IA n’apporte pas de valeur à notre business, et d’autre part, l’éventail des spécialistes en IA est large et il est facile d’embaucher le mauvais. Tout comme lorsque nous sommes malades, nous allons d’abord chez notre médecin généraliste qui nous oriente vers un spécialiste, ce serait la meilleure façon de soigner nos maux liés à l’IA.