À mesure que les entreprises se tournent de plus en plus vers l’IA et sa sous-catégorie IA générative (GenAI) pour stimuler l’innovation et obtenir un avantage concurrentiel, nombre d’entre elles éprouvent des difficultés à faire passer leurs initiatives en IA de pilotes réussis à une production à grande échelle. Selon Tamas Foldi, vice-président principal, Données chez HCLTech, le principal défi réside dans la préparation des actifs de données pour soutenir les exigences des modèles d’IA avancés.

Lors du World Summit AI à Amsterdam, il déclare : « Un changement fondamental est en cours, dans lequel les entreprises passent d’économies axées sur les données traditionnelles à des économies de la connaissance. Vous avez besoin de systèmes totalement différents pour stocker la connaissance, pas seulement les données. »

Les limites des plateformes de données traditionnelles 

L’essor des modèles d’IA générative comme ChatGPT d’OpenAI a exposé les limites des plateformes cloud traditionnelles, qui sont souvent mal préparées à gérer la diversité des types de données nécessaires pour alimenter ces systèmes d’IA avancés. 

Foldi explique que les entreprises recherchent désormais des solutions capables d’ingérer et de connecter des données structurées, des documents non structurés, des images et d’autres contenus multimédias dans un graphe de connaissances unifié. 

« Ces systèmes ne sont pas conçus pour stocker des images, des flux de données, des données non structurées, de la documentation manuscrite, » explique-t-il. « Ce que nous voyons maintenant chez nos clients, c’est qu’ils veulent connaître les résultats et les cas d’utilisation, ce qui nécessite tous les actifs, toutes les connaissances, de leurs entreprises. »

Tirer parti des graphes de connaissances pour des insights pilotés par l’IA

Un cas d’utilisation donné par Foldi est celui d’une société de services professionnels qui cherchait à identifier rapidement les bons talents pour composer une équipe projet chez un client. En tirant parti d’un graphe de connaissances connectant les profils des employés, les exigences du projet et les expériences passées, l’entreprise a pu utiliser une IA conversationnelle pour obtenir des réponses rapides et éclairées. 

Établir ce type de base d’IA axée sur les données n’est pas une mince affaire. Foldi souligne que les entreprises doivent accorder la priorité à la mise en place de processus solides de gouvernance des données afin de garantir la qualité, la sécurité et l’utilisation éthique de leurs actifs de données. 

« La qualité des données et la gouvernance des données sont extrêmement importantes. Toutefois, le degré dans lequel vous devez investir dans ces domaines dépendra fortement du cas d’utilisation visé. » 

Foldi cite un client qui a passé six mois simplement à éliminer les hallucinations et à mettre en place les garde-fous nécessaires pour une application d’IA générative destinée au public. Une gouvernance déficiente des données peut non seulement nuire à la performance des modèles d’IA, mais aussi exposer les entreprises à des risques importants pour la marque et à la conformité réglementaire. 

Équilibrer la gouvernance des données et l’innovation 

Bien qu’il n’existe pas de formule universelle, Foldi insiste sur le fait que les entreprises doivent adopter une vision holistique de leurs stratégies en matière de données et d’IA. En alignant leurs cas d’utilisation, pratiques de gestion des données et cadres de gouvernance, les organisations peuvent établir la base pour l’évolution de l’IA à l’échelle — du projet pilote réussi aux systèmes de production essentiels. 

« C’est toujours une question de calibrage de vos processus, » conseille-t-il. « C’est un effort continu et, particulièrement avec l’IA, lorsque vous ajoutez les données et la gouvernance de l’IA dans l’équation, il est difficile de trouver l’équilibre entre la rapidité de l’innovation et les principes éthiques, ou entre les objectifs stratégiques et les valeurs de l’entreprise. »