Comment la preuve de concept de l'IA vous aide à réussir dans votre entreprise d'IA

Notre client n'a perdu qu'un quart du budget qu'il consacrait à un projet d'IA car il a choisi de commencer par une preuve de concept. Le PoC leur a permis de tester leur idée et d'échouer rapidement avec des dépenses limitées.

Pour éviter de perdre du temps et des efforts, demandez toujours à votre consultant en solutions d'IA une preuve de concept, surtout si votre entreprise ne fait que tester les eaux de l'intelligence artificielle.

Cet article explique ce qu'est une preuve de concept d'IA et détaille les cinq étapes qui vous guideront tout au long de votre premier PoC, ainsi que les défis que vous pourriez rencontrer en cours de route. Il présente également des exemples AI PoC de notre portefeuille. Et vous trouverez une fin heureuse de l'exemple décrit dans le paragraphe d'ouverture.

Qu'est-ce qu'une preuve de concept d'IA et quand est-elle essentielle à la réussite de votre projet ?

Une preuve de concept (PoC) d'intelligence artificielle est un prototype ou une démonstration d'une solution d'IA proposée conçue pour tester si la solution est faisable et susceptible de réussir.

L'objectif de la création d'un PoC IA est de valider le concept, d'évaluer les avantages potentiels de la solution proposée et d'identifier les défis ou limites potentiels.

Un AI PoC implique généralement de créer une version à petite échelle de la solution d'IA proposée et de la tester dans un environnement contrôlé pour voir comment elle fonctionne et si elle répond aux objectifs souhaités. Les résultats d'un AI PoC peuvent ensuite être utilisés pour éclairer le développement et la mise en œuvre ultérieurs de la solution.

Par rapport aux PoC logiciels ordinaires, un POC d'IA peut impliquer des considérations plus complexes, telles que la capacité de la solution d'IA à apprendre et à s'adapter au fil du temps, et les implications éthiques potentielles de la solution, telles que le biais de l'IA .

La pile technologique pour les projets d'IA PoC est également différente :

1. Algorithmes d'apprentissage automatique . Ces algorithmes permettent au système d'IA d'apprendre à partir de données structurées et de faire des prédictions ou des décisions basées sur cet apprentissage. Il existe de nombreux types d'algorithmes d'apprentissage automatique , notamment des algorithmes d'apprentissage supervisé, des algorithmes d'apprentissage non supervisé et des algorithmes d'apprentissage par renforcement.
2. Réseaux de neurones . Ces modèles informatiques s'inspirent de la structure et du fonctionnement du cerveau humain. Les réseaux de neurones peuvent traiter et analyser de grandes quantités de données non structurées . Ils peuvent être formés pour effectuer diverses tâches, telles que la reconnaissance d'images, le traitement du langage naturel, la modélisation de scénarios et la prédiction.
3. Robotique . Cette technologie peut être utilisée pour construire des systèmes physiques capables d'un fonctionnement et d'une prise de décision autonomes. Les solutions robotiques intègrent des capteurs, des actionneurs et d'autres composants matériels qui permettent aux ingénieurs de construire un robot capable d'interagir avec son environnement et d'effectuer des tâches.
4. Informatique en nuage . Les plates-formes de cloud computing telles que Microsoft Azure, Google Cloud et AWS fournissent la puissance de calcul, les ressources de stockage et les services préconfigurés nécessaires pour prendre en charge le développement et les tests des POC IA. Ces plateformes peuvent également héberger et déployer des solutions d'IA une fois qu'elles ont été développées et testées.

La création d'un AI PoC implique la collecte et la préparation de données, la création et la formation de modèles d'apprentissage automatique, ainsi que le test et l'évaluation des performances du système d'IA.

Le temps nécessaire pour créer une preuve de concept d'intelligence artificielle peut varier considérablement en fonction de plusieurs facteurs, notamment la complexité de la solution d'IA proposée, les ressources et l'expertise disponibles pour le POC et les objectifs spécifiques du POC. Certains AI POC peuvent être développés en quelques jours ou quelques semaines, tandis que d'autres peuvent prendre plusieurs mois, voire plus.

Quand n'y a-t-il absolument aucun moyen de contourner le AI PoC ?

Il est essentiel de démarrer votre projet avec un PoC dans les scénarios suivants :

• Votre projet repose sur une idée innovante qui n'a pas été testée auparavant. Quelque chose qui a été étudié au niveau de l'entreprise, mais pas tenté techniquement. Ni vous ni votre fournisseur de technologie ne savez si cela peut être mis en œuvre.
• Si vous avez besoin de démontrer aux parties prenantes, investisseurs, etc. la faisabilité de votre idée dans un délai limité. Un PoC fera mieux le travail qu'un prototype interactif ou quelque chose de similaire.

Existe-t-il des situations où un AI PoC est une perte de temps ?

Même si une preuve de concept d'IA est bénéfique dans la plupart des cas, il existe quelques exceptions. Si votre projet relève des catégories suivantes, la PoC peut être exagérée :

• Si votre idée et votre approche sont exceptionnellement bien documentées du point de vue fonctionnel et technique. C'est plutôt rare.
• Si la solution que vous souhaitez développer est standard et ressemble aux pratiques courantes dans le domaine. Nous savons déjà que cela est faisable et possible du point de vue technique.
• Si vous souhaitez créer un logiciel que vos développeurs front-end et back-end comprennent et ont déjà travaillé sur quelque chose d'identique auparavant

Quels avantages pouvez-vous retirer de la preuve de concept de l'IA ?

L'utilisation de la preuve de concept de l'IA apporte les avantages suivants :

• Identifier les défis potentiels avant d'engager plus de ressources dans cette entreprise. L'IA PoC vous permet d'"échouer vite, d'échouer mieux". Si l'équipe rencontre des défis qu'elle ne peut pas surmonter, toutes les parties prenantes ont le temps de se regrouper ou peut-être de changer d'hypothèse pour atteindre les mêmes objectifs par d'autres méthodes.
• Minimiser les risques commerciaux, en testant des idées innovantes par petites étapes au lieu de plonger dans un projet à long terme
• Améliorer les pratiques de collecte de données
• Faire participer les investisseurs et autres parties prenantes
• Gain de temps et de ressources. AI PoC peut découvrir des problèmes liés à l'entreprise ou aux processus et vous donner le temps de tout réparer avant de commencer un projet à grande échelle
• Développer l'expertise et créer des propriétaires de connaissances qui encadreront d'autres membres de l'équipe sur des projets similaires à l'avenir
• Tester la pile technologique à plus petite échelle pour comprendre son adéquation à l'analyse de rentabilisation sélectionnée

Exemples de notre portefeuille où AI PoC a sauvé la mise

Voici quelques exemples AI PoC du portefeuille ITRex qui vous aideront à apprécier encore plus l'approche de preuve de concept.

Réaliser que le ML seul n'est pas la solution

Une grande entreprise de logistique de fret effectue 10 000 à 15 000 expéditions par jour, et chaque expédition est accompagnée de connaissements et de factures pour couvrir les opérations. Les employés étaient épuisés par la manipulation manuelle de toute la documentation. L'entreprise souhaitait créer une solution basée sur le ML qui utiliserait la reconnaissance optique de caractères (OCR) pour traiter les documents numérisés et identifier différents champs.

Le client pensait que l'apprentissage automatique était le meilleur choix pour ce cas, nous avons donc procédé à un PoC AI pour tester cette hypothèse. Bientôt, nous avons réalisé que les documents étaient formatés différemment et que les étiquettes utilisées pour les champs variaient considérablement. Par exemple, le seul champ Load ID avait 8 alias. En conséquence, le modèle ML n'a cessé de croître. Il est devenu lent et inefficace. Notre équipe a décidé d'accompagner ce modèle d'un algorithme dynamique (par exemple, un dictionnaire où différentes étiquettes de champs sont codées en dur). Cette modification a considérablement amélioré les performances de la solution et fait gagner du temps et de l'argent au client.

Si le client avait décidé d'ignorer la preuve de concept de l'IA, il aurait perdu sept mois juste pour se rendre compte que son idée initiale d'un modèle purement basé sur ML n'était pas la solution optimale ici.

Avec le PoC d'intelligence artificielle, ils sont arrivés à cette conclusion en seulement deux mois. Depuis la réussite du PoC de l'IA, nous avons construit un MVP capable de gérer quatre types de documents, prenant en charge environ 25 % de la charge de traitement manuel.

Pris au dépourvu par les restrictions de Meta sur l'utilisation des données

Un client de l'industrie du divertissement souhaitait créer une plate-forme analytique basée sur l'IA pour les artistes musicaux indépendants. La solution était censée explorer les réseaux sociaux, y compris Facebook et Instagram, pour collecter des données. Il traiterait toutes ces informations pour évaluer le sentiment des gens envers les artistes. Les musiciens pourraient signer avec la plateforme et recevoir des commentaires sur le comportement des médias sociaux le plus bénéfique pour leur succès.

Nous avons procédé à la preuve de concept de l'IA pour tester l'idée. Après seulement deux semaines, nous avons réalisé qu'il était tout simplement impossible de collecter des données sur Facebook et Instagram pour les utiliser aux fins décrites ci-dessus. En règle générale, certaines des données peuvent être récupérées via l'API Graph. En combinant cela avec un compte professionnel vérifié dans Meta, nous avons supposé que nous aurions accès aux informations requises. Cependant, le client n'a pas pu nous fournir un compte professionnel vérifié et les données de l'API Graph n'étaient pas suffisantes pour que cette solution fonctionne.

Si le client avait décidé de sauter le PoC, il aurait gaspillé environ 20 000 $ sur le projet de découverte.

Cela comprendrait une description détaillée de la solution et l'estimation des coûts de développement. Mais comme ils ont choisi de commencer avec l'AI PoC, ils n'ont dépensé qu'environ 5 000 $ avant de comprendre que cette idée était impossible à exécuter en raison des restrictions d'accès aux données imposées par la société Meta.

Un guide en cinq étapes pour votre première preuve de concept d'IA

Voici cinq étapes que vous pouvez suivre pour réussir votre AI PoC. Dans cette section, nous énumérons également les défis associés à chaque étape.

Étape 1 : Identifiez le(s) problème(s) que vous souhaitez résoudre avec l'IA

Il est essentiel de spécifier exactement ce que vous voulez accomplir en mettant en œuvre l'intelligence artificielle PoC. Le cas d'utilisation sélectionné doit être de grande valeur et représenter quelque chose que vous pouvez résoudre au mieux avec cette technologie. Si vous avez des doutes, un bon point de départ consiste à examiner ce pour quoi d'autres dans votre domaine utilisent des solutions d'IA. Une autre façon de procéder consiste à enquêter sur les problèmes auxquels votre entreprise est confrontée et à les comparer au potentiel de l'IA.

Une fois que vous avez accumulé une liste d'opportunités, vous pouvez poser les questions suivantes pour déterminer celles qui conviennent le mieux à votre projet pour le moment :

• Le problème que vous souhaitez résoudre est-il suffisamment spécifique ? Pouvez-vous évaluer les résultats pour déterminer le succès ?
• Avez-vous déjà tenté de résoudre ce problème avec d'autres technologies ?
• Avez-vous le talent et le financement pour soutenir ce projet jusqu'au bout ? S'il n'y a pas de talent interne adapté, pouvez-vous engager une équipe externe dédiée ?
• Quel impact cela aura-t-il sur votre entreprise ? Cet effet est-il suffisamment important pour mettre les efforts ?
• Serez-vous capable de vendre cela aux cadres ? Votre organisation est-elle prête à entreprendre de tels projets ?
• Votre entreprise a-t-elle déjà une stratégie data ? Comment s'alignera-t-il sur ce projet ?
• Quels sont les risques potentiels et les limites de l'utilisation de l'IA pour résoudre ce problème ?

Défi associé :

• Sélection d'un cas d'utilisation qui n'ajoute pas beaucoup de valeur ou n'utilise pas tout le potentiel de l'IA. L'intelligence artificielle est une technologie coûteuse, et choisir un cas insignifiant signifiera que vous dépenserez plus que vous ne recevrez. Consultez notre article sur le coût de la mise en œuvre de l'IA pour mieux comprendre les dépenses.

Étape 2 : préparer les données

Maintenant que votre problème est clairement défini, il est temps d'agréger et de préparer les données d'entraînement pour les algorithmes d'IA. Vous pouvez le faire en :

• Vérifier quelles données sont disponibles pour une utilisation au sein de votre entreprise
• Génération de données semi-synthétiques à l'aide d'applications spécifiques prêtes à l'emploi ou de votre propre solution
• Achat d'ensembles de données auprès de fournisseurs fiables
• Utilisation de données open source
• Embaucher des personnes pour supprimer les données qui correspondent à votre objectif

Vous n'êtes pas obligé de vous limiter à une seule source. Vous pouvez utiliser une combinaison de plusieurs options énumérées ci-dessus.

Faites appel à des scientifiques des données pour effectuer le filtrage initial des données. Ils effectueront les tâches suivantes :

• Structurer les données
• Nettoyez-le en éliminant le bruit
• Ajoutez tous les points de données manquants, en cas de données tabulaires
• Effectuer l'ingénierie des fonctionnalités (c'est-à-dire ajouter et supprimer des champs de données)
• Appliquer des manipulations, telles que combiner ou filtrer des données

Les scientifiques des données peuvent vous conseiller sur la manière de collecter des données supplémentaires ou sur la manière de réduire la portée de la preuve de concept de l'IA afin que vous puissiez obtenir les résultats souhaités avec les ensembles de données existants.

Lorsque les données sont prêtes à être utilisées, divisez-les en trois ensembles :

• Ensemble de formation, que le modèle utilisera pour apprendre
• Ensemble de validation pour valider le modèle et itérer sur la formation
• Ensemble de test qui évaluera les performances de l'algorithme

Défis associés :

• Les données d'entraînement ne sont pas représentatives de l'ensemble de la population. Dans ce cas, les algorithmes peuvent bien fonctionner sur des cas courants, mais donneront des résultats médiocres sur des occurrences rares. Par exemple, un modèle de ML de soins de santé qui analyse les rayons X peut exceller dans la détection de troubles courants, tels que l'épanchement, mais aura du mal à détecter les maladies rares, comme la hernie.
• Déséquilibre de classe, lorsque le nombre de cas représentant une classe est significativement plus grand que l'autre, avec un rapport de 99,9% à 0,1%
• Étiquetage incorrect, comme mélanger les classes, par exemple, étiqueter un vélo comme une voiture
• Bruit élevé dans l'ensemble de données d'entraînement
• Difficile d'atteindre une séparabilité de classe pure. Cela se produit lorsque certaines données de l'ensemble d'apprentissage ne peuvent pas être correctement classées dans une classe particulière.

Étape 3 : Architecte et construction ou achat de la solution

Vous vous demandez probablement si vous devez construire le modèle vous-même ou si vous pouvez vous procurer une solution existante.

Voici quand il est logique de créer un modèle d'IA à partir de zéro :

• Votre solution est innovante et non conforme à une norme existante
• Les solutions toutes faites sont coûteuses à personnaliser
• Le modèle standard le plus proche est exagéré, et il fait bien plus que ce dont vous avez réellement besoin

Envisagez de vous procurer un modèle prêt à l'emploi si :

• Les coûts d'achat et de personnalisation du modèle sont inférieurs à ceux de sa construction à partir de zéro

Si vous décidez de créer l'algorithme d'IA à partir de zéro, cela vous donnera plus de contrôle sur sa précision. La tâche prendra plus de temps à accomplir, mais elle sera adaptée à votre problème d'affaires et à vos processus internes. Vous n'aurez pas besoin d'apporter des modifications à votre système pour l'adapter à un logiciel externe.

En ce qui concerne l'infrastructure de formation et de mise en œuvre des algorithmes, vous pouvez compter sur le cloud au lieu d'utiliser les ressources locales. Il y a quatre paramètres que vous pouvez considérer pour décider ce qui vous convient le mieux :

1. Sécurité . Si vos données sont très sensibles en matière de sécurité, vous feriez mieux de tout conserver sur site.
2. Charge de travail . Si la charge de traitement est plutôt lourde, optez pour le cloud.
3. Coûts . Évaluez ce qui vous coûtera le plus cher : acquérir les ressources localement ou payer l'utilisation du cloud au fil du temps.
4. Accessibilité . Si vous n'utilisez la solution que localement, vous pouvez compter sur vos serveurs internes. S'il doit être accessible à partir de différents emplacements géographiques, il vaut la peine d'envisager le cloud.

Chaque approche a ses avantages et ses inconvénients. Si vous opérez dans le secteur de la santé, nous les avons clairement expliqués dans l'article sur le cloud computing dans les soins de santé sur notre blog. Sinon, n'hésitez pas à contacter nos experts en IA pour choisir la meilleure pile technologique pour la formation aux algorithmes.

Défis associés :

• Manque de formation adéquate. Cela entraînera des problèmes, tels qu'une mauvaise généralisabilité du modèle, ce qui signifie que le modèle ne peut pas faire de prédictions précises sur des données qu'il n'a pas vues lors de la formation. Pour en revenir à l'analyse d'images par rayons X dans le secteur médical, un algorithme pourrait analyser avec succès des images de haute qualité capturées par des scans à la pointe de la technologie, mais s'en tirer encore mal lorsqu'il est appliqué à des scans générés par des machines plus anciennes.
• Intégration avec les systèmes existants, dont certains peuvent être obsolètes ou alimentés par des technologies propriétaires
• Ne pas trouver l'architecture de modèle appropriée, par exemple, être incapable de choisir le bon modèle ML pour le problème à résoudre
• La capacité de l'architecture sélectionnée ne peut pas correspondre aux exigences du modèle
• Les données d'entrée sont volatiles, ce qui signifie que le modèle doit être fréquemment recyclé
• Utiliser plus de ressources que ce dont votre modèle a besoin pour effectuer ses tâches. Il n'est pas nécessaire d'investir dans un serveur puissant pour exécuter un modèle simple.

Étape 4 : Évaluer le potentiel de la preuve de concept de l'IA à générer de la valeur

Cette étape consiste à évaluer si le AI PoC peut répondre aux attentes. Il existe plusieurs façons d'effectuer l'évaluation :

• Revenez à vos indicateurs de performance clés (KPI) et testez la solution par rapport à eux. Ces facteurs peuvent inclure la précision, la satisfaction du client, la rapidité, la flexibilité, l'équité, la sécurité, etc.
• Collectez des données sur le fonctionnement de votre système avant le déploiement de la preuve de concept de l'IA. Cela inclurait le temps passé sur une tâche manuelle particulière, le nombre d'erreurs, etc. Ensuite, vous devez utiliser les informations pour évaluer l'impact du PoC.
• Comparez les performances de la solution à d'autres produits considérés comme la référence pour ce type de problèmes ou dans l'industrie. Par exemple, une référence pour les problèmes liés à la classification des images serait un modèle qui fournit des résultats précis sur des ensembles de données populaires, comme ImageNet.
• Recueillez les commentaires des utilisateurs par le biais de groupes de discussion ou d'enquêtes en ligne pour évaluer les niveaux de satisfaction et déterminer ce qui manque
• Effectuer une analyse coûts-avantages pour comprendre l'impact financier de cette solution sur l'organisation

Défis associés :

• Faire une erreur dans votre évaluation. Il peut s'agir d'une simple erreur mathématique lors des calculs, ou d'une erreur liée à l'estimation du potentiel commercial.

Étape 5 : Itérer sur la preuve de concept de l'IA pour obtenir de meilleurs résultats, ou la mettre à l'échelle

Si les résultats que vous avez reçus à l'étape précédente n'étaient pas à la hauteur, vous pouvez envisager de modifier la solution et de répéter l'ensemble du processus. Vous pouvez apporter des modifications à l'algorithme ML et mesurer les performances à chaque ajustement. Vous pouvez également expérimenter différents composants matériels ou modèles de service cloud alternatifs.

Si vous êtes satisfait des performances de l'IA PoC, vous pouvez travailler sur sa mise à l'échelle dans différentes directions. Voici quelques exemples:

• Appliquer le PoC à d'autres analyses de rentabilisation . Recherchez d'autres applications de cette nouvelle solution au sein de votre entreprise. Par exemple, si vous testez l'IA comme une application de maintenance prédictive, vous pouvez essayer de l'appliquer à d'autres scénarios connexes.
• Faites évoluer l'infrastructure . Passez en revue la technologie utilisée pour exécuter ce logiciel. Pouvez-vous consacrer plus de puissance de traitement ou plus de capacité de stockage de données ? De telles modifications vous permettront d'utiliser plus de données, de réduire la latence et peut-être de fournir des résultats en temps réel. Cela minimisera également la possibilité de goulots d'étranglement à l'avenir.
• Optimiser la solution AI PoC . Même si vous avez déjà obtenu des résultats raisonnables à l'étape précédente, il peut être utile de rechercher des moyens d'améliorer la précision. Vous pouvez continuer à former vos algorithmes en utilisant de nouvelles données, des données étiquetées avec plus de précision, etc. Ou vous pouvez même expérimenter la mise en œuvre d'ajustements et de modifications pour obtenir de meilleurs résultats.

Si vous décidez d'adopter l'IA à l'échelle de l'entreprise après la phase de preuve de concept, vous trouverez des conseils utiles dans notre guide sur la façon de mettre en œuvre l'IA dans votre organisation .

Défis associés :

• L'architecture n'a pas été soigneusement étudiée. La solution peut bien fonctionner avec 10 000 utilisateurs mais se bloquer lorsque l'audience atteint 100 000.
• Le modèle contient des bogues qui se manifesteront lorsque vous tenterez de faire évoluer la solution d'IA
• Appliquer le modèle à d'autres analyses de rentabilisation, autres que celles auxquelles il était destiné. Par exemple, une solution destinée à assembler une brouette de jardin ne peut pas être appliquée à l'assemblage de camions, car elle pourrait construire une grande brouette de jardin avec un moteur.

De conclure

Lorsqu'il s'agit de mettre en œuvre l'IA, commencez petit et restez gérable. Assurez-vous d'avoir une analyse de rentabilisation claire avec des objectifs et des mesures définis pour mesurer le succès. Et pensez toujours à créer une preuve de concept d'IA, sauf pour les cas présentés au début de cet article. Cela vous aidera à identifier les obstacles potentiels avant de vous lancer pleinement et de faire un investissement financier important dans une solution qui ne répondra pas aux attentes.

Vous souhaitez mettre en œuvre l'IA dans votre organisation, mais vous n'êtes pas sûr que votre idée commerciale soit réalisable ? Contactez-nous ! Notre équipe vous aidera à réaliser un PoC pour tester votre idée sur les aspects pratiques.