Site icon Move2Digital

Cadre en 5 étapes pour planifier efficacement les projets d’IA

méthode en 5 étapes d'un projet en IA

méthode en 5 étapes d'un projet en IA

Cadre en 5 étapes pour planifier efficacement les projets d’IA

 

Encore aujourd’hui,  chaque nouveau projet a sa courbe d’apprentissage.

Andrew Ng, qui est le pionnier de l’adoption de l’IA dans de multiples industries, partage ses connaissances sur la base de ses expériences, que j’écoute religieusement. Je les étudie. Je les adopte. Vous devriez faire de même. Ce sont des joyaux inestimables.

Cet article a été inspiré par l’un de ces cadres partagé par Andrew Ng sur la façon de planifier efficacement les projets d’IA. Entrons dans l’esprit du professeur Ng, étape par étape.

Étape 1 : Identifier un problème d’entreprise (pas un problème d’IA)

 

Cela m’a frappé de plein fouet.

Lorsqu’un nouveau client nous approche à nos débuts, nous sommes souvent tenus de faire une proposition commerciale pour l’aider à adopter l’IA et à transformer ses opérations commerciales. Nous avions l’habitude de l’aborder sous l’angle technique : quel problème d’IA est applicable à cette entreprise ? Grosse bévue.

Il serait préférable que vous donniez la priorité à l’entreprise. Vous devez d’abord identifier un problème qui vaut la peine d’être résolu. La question de savoir si cela peut être résolu ou non peut être traitée plus tard, mais à ce stade, vous devez vous concentrer uniquement sur l’entreprise et ses priorités.

La meilleure façon d’y parvenir serait d’impliquer les experts du domaine. Chaque entreprise a des experts qui ont des années d’expérience dans leurs secteurs respectifs. Impliquez-les, qu’il s’agisse de sondages, d’entretiens ou de discussions informelles, mais prenez leur avis. C’est la meilleure façon d’identifier le problème.

Une fois que vous avez votre problème d’entreprise à portée de main, que faites-vous ensuite ?

Étape 2 : Réfléchissez à des solutions d’IA

 

Nous avons tous des préjugés, d’une manière ou d’une autre. Nous avons nos algorithmes préférés, des solutions familières. Parfois, nous pensons que les dernières recherches en matière d’IA sont la voie à suivre. Cela peut très bien fonctionner aussi.

Le problème avec cette approche est que vous risquez de passer à côté d’une meilleure solution. Il s’agit d’un problème classique d’exploration-exploitation. La question est de savoir dans quelle mesure nous explorons plutôt que d’exploiter ce que nous savons déjà.

Dans mon travail actuel, la réponse que nous avons trouvée à cette question est ce que nous appelons des séances de « résolution de problèmes ». Nous nous asseyons ensemble pendant environ une semaine et réfléchissons à plusieurs solutions au problème à résoudre. Il n’y a pas de bonnes ou de mauvaises solutions à ce stade, et l’opinion de chacun est la bienvenue.

Après des heures de discussions, seules quelques solutions potentielles émergent, qui sont transmises à l’étape suivante du cadre.

Étape 3 : Évaluer la faisabilité et la valeur des solutions potentielles

 

La meilleure solution en termes de performance n’est pas forcément la meilleure solution dans l’ensemble. Je l’ai appris par l’expérience, et cette leçon restera gravée dans ma mémoire tout au long de ma carrière.

Les solutions d’IA sont coûteuses en termes d’expertise nécessaire, de puissance de calcul et de coût de mise en œuvre. Une analyse approfondie doit être effectuée pour les quelques solutions potentielles à ce stade.

Nous pouvons le faire en consultant des experts du domaine, en analysant ce que les concurrents ont fait, ou en mettant en œuvre des preuves de concept. La validation du concept a bien fonctionné pour nous, car elle nous permet de tester la solution et de gagner la confiance de l’entreprise en même temps.

Sur la base de l’étude de faisabilité, vous avez finalisé le plan de la solution au problème posé. Quelle est la prochaine étape ?

 

Étape 4 : Déterminer les étapes

 

Personne ne l’acceptera si vous affirmez : « Mais cela a bien fonctionné sur l’ensemble de tests ! ».

Nous devons identifier les mesures que l’équipe de développement doit viser tout au long du projet. Le plus difficile, c’est qu’en tant que scientifiques des données et ingénieurs en apprentissage automatique, nous sommes à l’aise avec les mesures d’apprentissage automatique telles que l’exactitude, la précision, le rappel, etc. S’il est essentiel de respecter ces jalons, il est également crucial de définir des indicateurs commerciaux.

Quelques exemples d’indicateurs commerciaux sont les revenus générés, les clients reconquis, l’engagement des utilisateurs, la pénétration du marché, etc. Nous pouvons lier chaque projet à certains indicateurs qui comptent pour l’entreprise, et la réalisation de ces indicateurs gagnera la confiance de l’entreprise.

L’entreprise se rendra compte de la valeur générée par le projet d’IA, et il n’y aura pas de place pour les doutes lorsque vous fixerez ces jalons dès le départ. Nous avons bien travaillé ; il reste une dernière étape.

 

Étape 5 : Établir un budget pour les ressources

 

Tout le monde est content jusqu’à ce qu’il jette un coup d’œil au budget. Mais bien sûr, tout a un coût.

Vous serez peut-être surpris d’apprendre que la plupart des projets d’IA échouent en raison du coût inabordable des ressources. Il vaut la peine de réfléchir aux ressources nécessaires pour développer, déployer et maintenir le projet d’IA avec succès.

Commencez par le calendrier, les données, l’équipe de développement, la puissance de calcul et les systèmes d’appui nécessaires pour mener à bien le projet. Une fois cette liste dressée, attribuez un coût à chaque ressource et créez un budget pour les ressources.

 

Bonus : Faire en sorte que les parties prenantes s’engagent à respecter le plan

 

Veuillez obtenir l’approbation de ce qui a été décidé.

Cette étape simple introduit l’engagement de toutes les parties et définit les attentes concernant le projet à long terme. Cet engagement est vital pour la bonne exécution de ce qui a été planifié jusqu’à présent.

Vous pouvez toujours itérer sur la portée au cas où quelque chose devrait changer et le communiquer.

Réflexions finales

 

Transform 2019 de VentureBeat a prédit que 87 % des projets d’IA échouent et n’arrivent jamais en production. Le manque de portée pratique pour les projets d’IA en est l’une des principales causes.

Ce qui aggrave la situation, c’est que nous ne pouvons pas apprendre de tels cadres par le biais de cours en ligne ou de masters. Nous ne pouvons les apprendre qu’à travers des expériences dans l’industrie. Andrew Ng est l’un des pionniers de l’industrie de l’IA et présente son cadre en 5 étapes pour planifier efficacement les projets d’IA. Nous avons discuté en détail de ces étapes cruciales :

  • Identifiez un problème d’entreprise.
  • Remue-méninges sur les solutions d’IA
  • Évaluer la faisabilité et la valeur des solutions potentielles
  • Déterminer les jalons
  • Budget pour les ressources

Comme vous, j’apprends aussi et encore car l’IA évolue encore tous les jours. J’ai déjà été débutant et j’ai aussi fait ma part d’erreurs. Ce qui est plus important, c’est de les traiter comme des expériences d’apprentissage et d’aller de l’avant dans nos carrières. Continuez à apprendre, et je suis sûr que vous réussirez aussi.

Notre expertise en transformation digitale

Quitter la version mobile