Les projets d’Intelligence Artificielle (IA) fascinent, mais leurs concrétisations relèvent souvent du parcours du combattant. Après 3 années à accompagner PME et grands groupes dans la concrétisation de ces projets grâce aux graphes de connaissances, nous avons identifié 3 dénominateurs communs qui freinent le déploiement.
La malédiction des données incomplètes 📉
Un problème récurrent est la difficulté à obtenir un jeu de données complet et fiable. Par exemple, le développement d’une IA pour prédire le coût et le délai (Lead Time and Cost) des modifications d’avions a buté sur ce mur. Après avoir prouvé la faisabilité de l’IA sur un jeu limité, l’équipe n’a jamais pu rassembler toutes les données nécessaires pour rendre le projet scalable et l’intégrer pleinement. Le temps perdu à « courir après la donnée » par les Data Scientists est considérable, bloquant l’industrialisation.
La solution proposée ? Construire l’ontologie — la carte des dépendances et des relations entre les données — avant de développer le Proof of Concept (POC). Cette approche permet de structurer et d’imposer, dès le départ, une méthode de collecte de données cohérente, facilitant ainsi le passage à l’échelle.
Cette solution ne règle bien entendu pas le problème de la difficulté d’accès à la donnée, en revanche, en utilisant des jeux de données “tests”, la vélocité du POC s’en trouvera accélérée. Ce qui permettra une validation interne plus rapide et (espérons le), un accès facilité à la donnée réelle lors du passage à l’échelle.
L’anarchie dans l’exploration des données 😵💫
Le manque de centralisation et de standardisation dans la recherche de données mène au chaos. Par exemple, suite à l’incendie d’une usine fournissant des vis en titane pour l’A320, plusieurs PO ont demandé de constituer des plans de replis. Six explorations de données distinctes ont été menées par différentes équipes ! Chacune d’entre elles ont donné des résultats différents! En effet, chacun puisait dans ses propres jeux de données, sans coordination.
Un système guidé, basé sur une connaissance partagée (Socle de Connaissance ou Marketplace d’agents IA), permettrait non seulement de diriger la recherche vers la bonne source (le re-use), mais aussi de capitaliser sur les travaux déjà effectués par d’autres départements (capitalisation).
Le mythe des attentes irréalistes 💭
Enfin, de nombreux projets échouent face à un manque de réalisme côté client. L’enthousiasme pour l’IA mène souvent à des attentes démesurées. Par exemple, il nous est arrivé qu’un client nous demande qu’une IA génère automatiquement un design Figma à partir d’une étude UX! Bien que théoriquement possible, le coût d’une telle prouesse est souvent trop élevé pour être justifiable.
L’enjeu est d’éduquer les clients sur ce que l’IA peut réaliser de manière efficace et économiquement viable, en délimitant clairement le périmètre du possible pour garantir la réussite du projet.
En Bref : Maîtriser les Fondations avant l’Envol de l’IA
Les témoignages précédents soulignent un point crucial : le succès d’une initiative IA ne dépend pas uniquement de l’algorithme ou du talent du Data Scientist, mais surtout de la maturité des fondations du projet.
Les échecs rencontrés ne sont pas techniques, mais organisationnels et méthodologiques : manque de données fiables, absence de gouvernance claire, et décalage entre les ambitions et la réalité économique.
Pour industrialiser l’IA avec succès, il est impératif d’adopter une approche structurée comme l’ontologie. En modélisant les relations et la structure de la donnée en amont, les entreprises peuvent :
- Garantir la scalabilité : En facilitant la collecte et la standardisation des données.
- Capitaliser sur la connaissance : En centralisant l’accès et le réemploi des travaux précédents.
- Établir le bon périmètre : En alignant les attentes des métiers sur ce qui est technologiquement et économiquement faisable.
Ainsi, pour que l’IA tienne ses promesses, il faut d’abord résoudre le problème de la donnée et de la gouvernance, passant du stade artisanal à une approche industrielle et réaliste.
Hi, this is a comment.
To get started with moderating, editing, and deleting comments, please visit the Comments screen in the dashboard.
Commenter avatars come from Gravatar.