Skip to content
Une IA réussie nécessite la bonne architecture de données – Voici comment


Pour les entreprises qui peuvent la maîtriser, l’intelligence artificielle (IA) promet d’offrir des économies de coûts, un avantage concurrentiel et un pied dans l’avenir des affaires. Mais à mesure que le taux d’adoption de l’IA continue d’augmenter, le niveau d’investissement est souvent inférieur aux rendements monétaires. Pour réussir avec l’IA, vous aurez besoin de la bonne architecture de données. Cet article vous explique comment.

Actuellement, seulement 26% des initiatives d’IA sont mises en production généralisée avec une organisation. Malheureusement, cela signifie que de nombreuses entreprises passent beaucoup de temps sur les déploiements d’IA sans voir de retour sur investissement tangible.

Toutes les entreprises devraient fonctionner comme une entreprise technologique

Pendant ce temps, dans un monde où chaque entreprise doit fonctionner comme une entreprise technologique pour garder une longueur d’avance, les équipes techniques et les responsables de l’ingénierie et de l’informatique subissent une pression croissante pour exploiter les données à des fins de croissance. commercial. D’autant plus que les dépenses de stockage dans le cloud augmentent, les entreprises souhaitent améliorer leur efficacité et maximiser le retour sur investissement des données coûteuses à stocker. Mais malheureusement, ils n’ont pas le luxe du temps.

Pour répondre à cette exigence de résultats rapides, l’architecture des données cartographiques ne peut plus s’étaler sur des mois sans objectif défini. Dans le même temps, se concentrer sur le nettoyage standard des données ou sur les rapports de Business Intelligence (BI) est régressif.

Les leaders technologiques doivent construire une architecture de données avec l’IA au premier plan de leurs objectifs.

Pour faire autrement, ils se retrouveront à le mettre à niveau plus tard. Dans les entreprises d’aujourd’hui, l’architecture des données doit viser un résultat défini, et ce résultat doit inclure des applications d’IA avec des avantages clairs pour l’utilisateur final. Ceci est essentiel pour préparer votre entreprise au succès futur, même si vous n’êtes pas (encore) prêt pour l’IA.

Partir de rien ? Commencez par les meilleures pratiques en matière de données

L’architecture des données nécessite des connaissances. Il existe de nombreux outils, et la façon dont vous les assemblez est régie par votre entreprise et ce que vous devez accomplir. Le point de départ est toujours une revue de la littérature pour comprendre ce qui a fonctionné pour des entreprises similaires, ainsi qu’une plongée approfondie dans les outils que vous envisagez et leurs cas d’utilisation.

Microsoft dispose d’un bon référentiel pour les modèles de données, ainsi que de nombreuses publications sur les meilleures pratiques en matière de données. Il existe également d’excellents livres qui peuvent vous aider à développer une approche plus stratégique et plus commerciale de l’architecture des données.

Appareils de prédiction par Ajay Agarwal, Joshua Gans et Avi Goldfarb est idéal pour comprendre l’IA à un niveau plus fondamental, avec des informations fonctionnelles sur la façon d’utiliser l’IA et les données pour fonctionner efficacement. Enfin, pour les ingénieurs et experts techniques plus chevronnés, je recommande Concevoir des applications gourmandes en données par Martin Kleppman. Ce livre vous donnera les toutes dernières réflexions dans le domaine, avec des conseils pratiques sur la façon de créer des applications de données, une architecture et une stratégie.

Trois fondamentaux pour une architecture de données réussie

Plusieurs principes de base vous aideront à concevoir une architecture de données capable d’alimenter des applications d’IA qui offrent un retour sur investissement. Considérez les éléments suivants comme des points cardinaux auxquels comparer chaque fois que vous créez, formatez et organisez des données :

  • Construire vers un objectif :

    Garder toujours un œil sur le résultat commercial que vous visez lors de la création et de la croissance de votre architecture de données est la règle cardinale. En particulier, je recommande d’examiner les objectifs à court terme de votre entreprise et d’aligner votre stratégie de données en conséquence.

    Par exemple, si votre stratégie commerciale consiste à atteindre 30 millions de dollars de revenus d’ici la fin de l’année, déterminez comment vous pouvez utiliser les données pour y parvenir. Cela n’a pas besoin d’être intimidant : décomposez le plus grand objectif en objectifs plus petits et travaillez vers ceux-ci.

  • Conception pour une création de valeur rapide :

    S’il est essentiel de définir un objectif clair, la solution finale doit toujours être suffisamment agile pour s’adapter à l’évolution des besoins de l’entreprise. Par exemple, les projets à petite échelle peuvent devenir multicanaux, et vous devez construire en gardant cela à l’esprit. La modélisation fixe et les règles fixes ne feront que créer plus de travail sur toute la ligne.

    Toute architecture que vous concevez doit être en mesure d’accueillir plus de données à mesure qu’elles deviennent disponibles et d’exploiter ces données pour atteindre vos objectifs commerciaux ultimes. Je recommande également d’automatiser autant que possible. Cela vous aidera à avoir un impact commercial précieux avec votre stratégie de données rapidement et de manière répétée dans le temps.

    Par exemple, automatisez ce processus dès le départ si vous savez que vous devez fournir des rapports mensuels. De cette façon, vous n’y consacrerez du temps que le premier mois. A partir de là, l’impact sera toujours effectif et positif.

  • Savoir tester le succès :

    Pour rester sur la bonne voie, il est essentiel de savoir si votre architecture de données fonctionne efficacement. L’architecture des données fonctionne lorsqu’elle peut (1) prendre en charge l’IA et (2) fournir des données utilisables et pertinentes à chaque employé de l’entreprise. En restant proche de ces garanties, vous vous assurerez que votre stratégie de données est adaptée à son objectif et adaptée à l’avenir.

L’avenir de l’architecture de données : les innovations à connaître

Bien que ces principes clés constituent un excellent point de départ pour les responsables techniques et les équipes, il est également important de ne pas rester coincé dans une seule façon de faire les choses. Sinon, les entreprises risquent de passer à côté d’opportunités qui pourraient apporter encore plus de valeur à long terme. Au lieu de cela, les leaders technologiques doivent constamment être branchés sur les nouvelles technologies qui arrivent sur le marché et qui peuvent améliorer leur travail et fournir de meilleurs résultats pour leur entreprise :

  • Traitement moins cher :

    Nous voyons déjà des innovations rendre le traitement plus rentable. Ceci est essentiel car bon nombre des technologies de pointe en cours de développement nécessitent des niveaux de puissance de calcul si élevés qu’elles n’existent qu’en théorie. Les réseaux de neurones en sont un parfait exemple. Mais à mesure que le niveau de puissance de calcul requis deviendra plus réalisable, nous aurons accès à des moyens plus sophistiqués pour résoudre les problèmes.

    Par exemple, un scientifique des données doit former chaque modèle d’apprentissage automatique. Mais à l’avenir, il est possible de créer des modèles qui peuvent entraîner d’autres modèles. Bien sûr, ce n’est encore qu’une théorie, mais nous verrons certainement une innovation comme celle-ci s’accélérer à mesure que la puissance de traitement deviendra plus accessible.

  • Outils groupés :

    De plus, en ce qui concerne les applications ou les logiciels qui peuvent réduire le délai de rentabilisation de l’IA, nous sommes maintenant dans une phase où la plupart des technologies disponibles ne peuvent bien faire qu’une seule chose. Les outils nécessaires à la production d’IA, tels que le stockage, les fournisseurs d’apprentissage automatique, le déploiement d’API et le contrôle qualité, sont dégroupés.

    Aujourd’hui, les entreprises risquent de perdre un temps précieux à simplement déterminer les outils dont elles ont besoin et comment les intégrer. Mais la technologie émerge progressivement et peut aider à résoudre plusieurs cas d’utilisation d’architecture de données, ainsi que des bases de données spécialisées pour alimenter les applications d’IA.

    Ces offres plus groupées aideront les entreprises à mettre l’IA en production plus rapidement. C’est similaire à ce que nous avons vu dans l’espace fintech. Les entreprises se sont d’abord concentrées sur le fait d’être les meilleures dans une compétence de base avant de finalement fusionner pour créer des solutions groupées.

  • Datamarts vs entrepôts de données :

    En regardant plus loin dans l’avenir, il semble sûr de prédire que les lacs de données deviendront l’investissement le plus important dans l’IA et la pile de données pour toutes les organisations. Les lacs de données aideront les organisations à comprendre les prévisions et la meilleure façon d’exécuter ces informations. Je vois que les magasins de données deviennent de plus en plus précieux pour l’avenir.

    Les Marts fournissent les mêmes données à toutes les équipes d’une entreprise dans un format compréhensible. Par exemple, les équipes marketing et finance voient les mêmes données représentées dans des métriques qui leur sont familières et, surtout, dans un format qu’elles peuvent utiliser. La prochaine génération de data marts aura plus que des dimensions, des faits et une hiérarchie. Ils ne se contenteront pas de découper et de découper les informations, mais ils soutiendront la prise de décision au sein de départements spécifiques.

Conclusion

À mesure que la technologie continue de se développer, il est essentiel que les entreprises restent à jour, sinon elles seront laissées pour compte. Cela signifie que les leaders technologiques restent connectés à leurs équipes et leur permettent d’apporter de nouvelles innovations à la table.

Même si l’architecture de données et les applications d’intelligence artificielle d’une entreprise deviennent plus robustes, il est essentiel de prendre le temps d’expérimenter, d’apprendre et (en fin de compte) d’innover.

Crédit d’image : par Polina Zimmerman ; les pixels ; Merci!

Atul Sharma

Atul a fondé Peak Intelligence en 2015 avec Richard Potter et David Leitch. Il a joué un rôle central dans la construction de la plateforme Decision Intelligence de Peak, qui s’est imposée comme l’un des premiers leaders dans une catégorie qui devrait être le plus grand mouvement technologique depuis une génération. La plateforme de Peak est utilisée par de grandes marques telles que Nike, Pepsico, KFC et Sika. En mission pour changer la façon dont le monde fonctionne, la centrale technologique a connu une croissance rapide au cours des sept dernières années et compte désormais plus de 250 personnes dans le monde. Régulièrement élu l’un des meilleurs lieux de travail au Royaume-Uni, Peak a reçu cette année l’accréditation 3 étoiles Best Companies, qui reconnaît les niveaux extraordinaires d’engagement des employés. Avant Peak, Atul a passé plus de 20 ans à travailler dans l’architecture et l’ingénierie des données. Il a travaillé sur la conception et la mise en œuvre d’engagements d’intégration et d’entrepôt de données pour des entreprises mondiales telles que Morrisons Plc, The Economist, HBOS, Admin Re (qui fait partie de Swiss Re) et Shell.


zimonews Fr2En2Fr

Toutes les actualités du site n'expriment pas le point de vue du site, mais nous transmettons cette actualité automatiquement et la traduisons grâce à une technologie programmatique sur le site et non à partir d'un éditeur humain.