05 mai 2023
Réduisez les risques de votre projet d'IA avec une preuve de concept
Transformation numérique, Intelligence artificielle
Lorsque vient le temps d’amorcer un projet numérique d’IA qui nécessite un investissement majeur, la preuve de concept peut s’avérer votre meilleure alliée. Communément appelée PoC (acronyme anglais de proof of concept), la preuve de concept sert à indiquer si les bénéfices attendus par l’implantation de l’intelligence artificielle dans un ou plusieurs secteurs de votre entreprise sont réalistes et si les données que vous avez entre les mains sont adéquates.
En résumé, la PoC peut être vue comme une version à petite échelle d’un projet IA qui a pour mission de s’assurer que la solution proposée aura l’impact désiré. Il permet de vérifier la faisabilité du projet avec les données que vous avez, à déterminer la précision que le modèle d’IA peut vous fournir et finalement, à mesurer ses retombées potentielles sur votre entreprise, vos processus et vos employés. Ce test peut tuer un projet en quelques semaines, ou alors lever tous les drapeaux verts permettant de le mettre en branle tout en réduisant les risques au maximum. Ce processus peut durer entre quelques semaines et deux mois, dépendant de la complexité du projet.
Mais alors, qu’est-ce que c’est exactement, une preuve de concept?
1. Identifier les besoins et objectifs
Avant même de commencer l’exploration et l’analyse de vos données, on a besoin d’établir avec précision quels sont les besoins de la compagnie et les objectifs du projet. On va prendre le temps requis pour comprendre en profondeur la ou les problématiques pour vous proposer des solutions adaptées; la vérité, c’est qu’il faut s’assurer que votre cas nécessite bien l’IA, puisque la solution peut potentiellement se trouver ailleurs!
Cette phase prendra la forme de rencontres régulières et d’échanges de courriel fréquents entre nos experts et les vôtres. Vous êtes les mieux placés pour expliquer à notre équipe les particularités de votre domaine ou de votre industrie. La coopération est donc primordiale afin de nous aider à maîtriser vos données!
C’est à ce moment-là qu’on pourra déterminer si la banque de données que vous possédez est suffisante pour entraîner un modèle d’IA ou pour atteindre la précision que vous désirez. Même si les nouvelles peuvent être mauvaises, vaut mieux l’apprendre tout de suite qu’à la moitié du projet, lorsque des montants substantiels auront déjà été dépensés. La preuve de concept existe précisément pour éviter ces situations en identifiant les obstacles et les limites de la solution.
2. Déterminer les stratégies qui serviront le mieux vos besoins
Ce qu’on appelle l’intelligence artificielle est en réalité un ensemble d’algorithmes avec différents niveaux de complexité. Ils peuvent être développés pour:
- Modéliser un système pour prédire les ventes, la demande ou les bris d’équipement;
- Aider à la décision pour l’optimisation du rendement;
- Contrôler visuellement la qualité et détecter les anomalies;
- Créer une application de traitement du langage naturel.
Dépendant du type et de la quantité de données que vous avez en main (historique des ventes, banque d’images, séries temporelles provenant de capteurs), certains algorithmes seront plus adaptés que d’autres pour la création de votre solution. Aurons-nous besoin d'étiqueter une grande quantité de données afin d’entraîner le modèle? Ceci peut demander beaucoup de temps et d’efforts alors que ce n’est pas toujours nécessaire.
Étant donné que l'IA est un domaine complexe qui nécessite une approche itérative et expérimentale pour réussir, il convient de déterminer quelle stratégie convient le mieux à la réalisation de vos objectifs. Lors de cette phase, on développe un modèle, on le teste et on l’ajuste. Il sera donc possible de connaître les performances réalistes du modèle selon les données fournies, ce qui nous permettra de planifier une stratégie de déploiement à grande échelle et de mise en production adaptée.
3. Imaginer une version simplifiée du projet d’IA avant de déployer le projet dans sa totalité
Un projet d’IA, s’il apparaît d’abord simple, peut finalement s'avérer d’une grande complexité. La base de données que vous voulez modéliser pourrait peut-être devoir être mise à jour périodiquement afin de refléter au plus près votre réalité d’affaires. La collecte d’informations pourrait devoir s’exécuter sur une plateforme infonuagique (cloud) afin de centraliser vos informations et de permettre le réentraînement du modèle d’IA sur des données actualisées. Le système développé devra aussi sans doute s’intégrer à ceux en usage dans votre entreprise. Bref, toutes ces tâches demandent du temps et nécessitent des ressources coûteuses.
La preuve de concept se concentre d’abord et avant tout sur l’exploration et l’analyse des données que vous avez en main. Cette première étape est essentielle afin de valider les hypothèses de base d’une modélisation performante. Deux différents constats peuvent en ressortir : les données existantes possèdent les qualités nécessaires pour l'entraînement d’un modèle fiable et performant, ou elles ne sont pas suffisantes et doivent être bonifiées par des données internes ou externes afin d’améliorer les performances du modèle. Dans le deuxième cas, on peut déjà décider de mettre un frein au projet, de réorienter les objectifs ou de mettre en place un système de collecte de données efficace qui permettra de réaliser le projet initial plus tard.
En gros, cette pré-analyse des données permet de tester et de vérifier la faisabilité de la solution proposée avant de lancer l’exploitation d’infrastructures coûteuses et surtout, avant de passer à la phase de déploiement et de mise en production de la solution.
Les bénéfices de la preuve de concept et son impact
Une preuve de concept est plus qu’une simple démonstration de ce que peut faire l’IA. Durant cette phase, on prend d’abord le temps de comprendre vos problématiques et on identifie les stratégies qui serviront le mieux vos besoins. Finalement, on explore et on travaille avec des données réelles provenant de votre entreprise afin de créer et de tester des modèles d’IA.
Ainsi, vous aurez toutes les cartes en main pour déterminer s’il est justifié d’investir davantage dans le déploiement total et dans la mise en production d’un projet IA. La preuve de concept vous aide à minimiser les risques, vous rassure de la faisabilité et surtout, de la fiabilité de la solution d’IA.
