L’essor de l’automatisation et de l’intelligence artificielle : un tandem prometteur pour la productivité
Dans le paysage technologique actuel, l’intelligence artificielle est sur toutes les lèvres, en particulier l’IA générative. Toutefois, une grande partie du travail silencieux effectué par l’IA en coulisses est bien plus banal. Souvent, ce travail est réalisé par des formes d’automatisation moins intelligentes, basées sur des approches qui tirent davantage de la programmation basée sur des règles de faible code que de l’apprentissage automatique basé sur les données.
Cela étant dit, les mondes de l’automatisation et des systèmes intelligents sont de plus en plus utilisés de concert pour propulser de nouveaux niveaux de productivité et de valeur. En effet, ces systèmes alimentent des applications réelles qui apportent une valeur concrète dès maintenant, contrairement à bon nombre des expérimentations d’IA à la mode et éphémères sur lesquelles les gens s’attardent aujourd’hui et qui reçoivent l’attention des médias.
Comprendre les différences entre l’automatisation et l’intelligence
Lors d’un récent podcast d’AI Today, Christina Kucek, directrice exécutive de l’automatisation intelligente et responsable de la pratique chez la société spécialisée dans le secteur public CAI, a partagé des insights sur l’avenir de l’automatisation et de l’IA. Christina accompagne depuis cinq ans les clients dans leur parcours d’automatisation, que ce soit en construisant des équipes d’hyperautomatisation pour la RPA et l’extraction de documents, ou en mettant en place des systèmes enrichis par l’IA et des IA conversationnelles. CAI est une société mondiale de services technologiques comptant plus de 8500 collaborateurs à travers le monde et réalisant un chiffre d’affaires annuel de plus d’un milliard de dollars. L’un de leurs différenciateurs intéressants est qu’ils se concentrent sur le recrutement et le placement d’équipes neurodivergentes dans des rôles technologiques.
L’un des défis de la mise en place de l’IA est de se concentrer sur des projets d’IA concrets qui apportent rapidement de la valeur réelle. Christina explique : « J’entends souvent de la part de nos parties prenantes qu’elles veulent être en mesure d’exploiter la puissance de l’IA au sein de leur organisation, mais elles ne sont pas sûres de comment commencer. Beaucoup de PDG disent, d’accord, quelle est notre stratégie d’IA ? J’ai besoin d’une stratégie pour 2024. Qu’avez-vous pour moi ? ‘Mettez-le sur mon bureau’ était la précipitation à la fin de l’année. »
Cependant, un défi courant pour une adoption généralisée de l’IA est le fait que celle-ci dépend fortement des données. Or, les données ne sont pas toujours disponibles en quantité ou en qualité suffisantes. « Certains de nos clients ont grandi par le biais d’acquisitions, donc leurs défis liés aux données incluent certains des problèmes typiques que l’on rencontre autour du volume, de la véracité, de la vélocité, des variétés de défis qui peuvent être vraiment accablants pour eux concernant leurs données, et juste la quantité à tous les endroits disparates », explique Christina.
Elle poursuit : « et également l’absence de stratégie de gestion des données. Il est vraiment difficile de mettre en œuvre vos solutions d’IA, de construire vos modèles d’IA lorsque vos données se trouvent dans autant d’endroits différents à l’échelle mondiale. Avoir cette stratégie de gestion des données et la gouvernance des données nécessaires pour sécuriser vos données et s’assurer que les autorisations sont mises en place correctement, ce sont de véritables défis que nous voyons régulièrement, et cela peut sembler être une tâche monumentale. »
L’IA peut sembler brillante en surface. Cependant, sous cette surface clinquante se trouve le noyau certes moins excitant mais très nécessaire de la gestion des données fondamentale, de la qualité des données, de la gouvernance des données et de l’architecture. La clé du succès, selon Christina, est de fractionner ces problèmes en « morceaux plus gérables, en objectifs plus gérables [afin que vous puissiez vous concentrer sur] le travail gratifiant et important pour exploiter le développement de ces outils pour les entreprises. » Comme de nombreux autres chefs de projet en intelligence artificielle à succès, Christina est certifiée CPMAI, un cadre et une certification de pratique optimale en pleine émergence pour la gestion et le pilotage de projets d’IA.
Dans le cadre de la méthodologie CPMAI, la première phase consiste à développer une compréhension des affaires qui se traduit par un projet d’IA à court terme, implémentable dans le monde réel et qui apporte un rendement positif à court terme bien identifié. Christina explique : « Quel est notre plan d’IA ? Quel est notre déploiement ? Comment l’utilisons-nous ? Tout le monde parle du comment. Comment LLMs fonctionnent, comment les réseaux neuronaux fonctionnent, à quel point la technologie est cool, et ne parle pas de l’étude de faisabilité où les entreprises peuvent tirer une véritable valeur de la mise en œuvre de ces technologies. »
Comment l’IA change l’automatisation
Il subsiste encore beaucoup de confusion sur la différence entre l’automatisation et l’intelligence dans l’industrie, notamment parmi les cadres supérieurs, explique Christina. « Je ne compte pas le nombre de fois où [j’ai dû expliquer] la différence entre la robotique, l’automatisation des processus et quelque chose qui est réellement intelligent. La RPA (Robotic Process Automation) est les mains, pas les cerveaux, de la solution. L’utilisation de l’IA ajoute de l’intelligence en proposant une extraction de documents intelligente, des modèles d’apprentissage automatique, et bien plus encore. »
« En tant que directeur, en tant que manager, je devais m’assurer que nous étions en mesure de proposer de manière constante de grandes solutions d’IA. Je ne crée pas de vaporware. Mon pire cauchemar est de passer des mois, voire une année, sur un projet, pour qu’il ne soit finalement pas utile à nos parties prenantes métier. »
Alors que les outils d’IA et d’automatisation deviennent de plus en plus faciles à adopter et à utiliser, ils sont de plus en plus intégrés dans les produits utilisés quotidiennement. La partie technologique devient plus accessible, mais ce sont les aspects plus complexes liés au changement des personnes et des processus qui sont souvent des obstacles à la réussite du projet. Les gens sont bien plus difficiles à changer que la technologie. Les processus sont parmi les choses les plus difficiles à modifier, surtout s’ils sont ancrés dans la façon dont les choses sont faites.
En conclusion, Christina partage l’une de ses leçons les plus importantes apprises : « Travailler de manière itérative est crucial. Ne pas essayer de tout bouleverser. J’ai vu de nombreux projets enfler alors que les parties prenantes commençaient à imaginer ce qu’elles pouvaient faire avec l’IA. Nous entamons la discussion, nous commençons cette phase de découverte, et ils commencent à imaginer ce qui est possible avec leurs données et l’IA, et le périmètre s’emballe hors de contrôle. Se concentrer sur l’objectif et sur le produit minimum viable, sur la seule chose que nous voulons réaliser, puis vraiment construire là-dessus, c’est clé aujourd’hui. »
Elle poursuit : « Garder l’humain dans la boucle est essentiel. La rétroaction peut être périlleuse, et c’était une pilule amère à avaler pour mon équipe, et nous avons vu cela encore et encore. Pour clarifier, si vous permettez à vos utilisateurs de fournir des retours, et s’ils ne sont pas cohérents, diligents et précis dans leurs retours, en fonction des éléments de données que vous capturez dans la boucle de rétroaction, alors votre solution d’IA peut se dégrader très rapidement ».
(Avis de non-responsabilité : Je suis co-animateur du podcast AI Today et instructeur principal de CPMAI)