Projets AI : les erreurs à éviter
Qui n’a pas lancé un projet basé sur l’intelligence artificielle et constaté que la rentabilité n’est pas forcément au rendez-vous ? Pourquoi ? Car les yeux rivés sur les algorithmes, on en oublie qu’ils sont un outil comme un autre, au service des affaires. Mais des solutions existent !
5 chercheurs se sont penchés sur les cinq erreurs les plus courantes commises dans le cadre de projets fondés sur le data science. Et surtout, ils expliquent comment y remédier, à renfort d’exemples précis tirés du secteur bancaire indien. Leurs solutions ? Garder une vision globale de l’entreprise, sans être obnubilé par l’idée de mettre de l’IA partout. En effet, les problèmes se situent invariablement à l’interface entre la fonction data science et l’activité de l’entreprise en général. Fascinés par l’aura mystérieuse des algorithmes et des ingénieurs qui les concoctent façon boite noire, les managers en oublient de réfléchir à l’adéquation avec les besoins et processus actuels de l’entreprise. Il s’agit donc d’intégrer les nouveaux outils AI comme n’importe quels autres, en s’assurant de leur pertinence, du bon timing de leur implémentation, sans oublier de tester les outils eux-mêmes (en particulier pour éliminer les célèbres biais algorithmiques).
“Why So Many Data Science Projects Fail to Deliver”
(Mayur P. Joshi, Ning Su, Robert D. Austin, and Anand K. Sundaram, MIT Sloan Management Review, Mars 2021).
© Copyright Business Digest - Tout droit réservé