L’intelligence artificielle (IA) générative risque sans doute d’être cataloguée. Malgré les goûts de McKinsey produisant des tableaux et des graphiques détaillés illustrant sa vaste portée, le bruit autour des robots conversationnels noie des discussions plus larges – avec presque toutes les entreprises du cabinets d’avocats à agence de voyages créer des outils de discussion ; y compris Facebook nouvellement lancé Des personnages GenAI « impertinents », visant à engager le public GenZ via des interactions ironiques.
Même si ces applications ont leur valeur, elles ne constituent qu’un élément de l’histoire de l’innovation actuelle. D’un point de vue plus large, la gestion des données est l’un des domaines les plus intéressants (et les moins célèbres) dans lesquels les outils avancés semblent prêts à conduire des changements majeurs.
GenAI a un potentiel significatif pour avoir un impact positif sur la façon dont les données sont accessibles et évaluées. Loin de remplacer les plates-formes d’analyse existantes (ou d’ailleurs les analystes), les solutions intelligentes ont la capacité de garantir que les tâches tout au long du cycle de vie des données sont exécutées plus efficacement en automatisant les processus répétitifs et en permettant aux utilisateurs professionnels d’obtenir plus rapidement les informations dont ils ont besoin. . En bref, permettre aux équipes basées sur les données de fonctionner encore mieux.
Qu’est-ce que GenAI exactement ?
Un buzz généralisé ne garantit pas une compréhension universelle. Malgré tout le battage médiatique autour de GenAI, une pierre d’achoppement courante pour ceux qui souhaitent exploiter ses avantages est la connaissance limitée des principaux différenciateurs par rapport aux autres formes d’IA.
En bref, le principal facteur qui distingue cette technologie est ce qu’elle peut faire : générer des résultats entièrement nouveaux à l’aide de données existantes, notamment du texte, du code, des images et des vidéos. Comprendre pourquoi il s’agit d’une évolution par rapport à l’IA précédente nécessite plus d’explications.
Traditionnellement, les solutions d’IA sont formées sur de vastes ensembles de données pour effectuer des tâches d’identification conformément à des règles et modèles définis. Des années de développement de l’apprentissage profond nous ont amenés à un point où les modèles de base sont toujours guidés par de nombreuses données de formation, mais leur architecture est capable de faire plus que simplement identifier des objets et des informations. Grâce aux progrès de la capacité informatique, ils peuvent traiter de plus grands volumes de données non structurées et gérer une myriade de tâches à la fois, notamment la création de contenu et de réponses par eux-mêmes.
En déployant l’autosupervision, ils collectent également les commentaires de chaque interaction et exploitent ces informations pour un apprentissage indépendant : rendant les réponses plus précises, plus précieuses et moins robotiques au fil du temps. L’exemple le plus connu est probablement ChatGPT, qui utilise un grand modèle de langage (LLM) pour répondre aux demandes avec des réponses de plus en plus nuancées et humaines.
Une façon d’illustrer les différences consiste à comparer l’Alexa d’origine d’Amazon et la nouvelle, Mise à niveau améliorée par GenAI. Alors que l’assistant Mark One ne pouvait réagir qu’à des invites prédéfinies avec des réponses limitées, sa dernière itération exploite un plus large éventail d’informations en temps réel pour répondre aux questions ouvertes avec des réponses personnalisées. Appelez-le la version super chargée de Ask Jeeves.
Comment peut-il renforcer l’efficacité des données ?
GenAI est un allié solide pour de nombreux utilisateurs professionnels, mais les experts en données constituent la solution la plus naturelle. Comme le montre notre analogie avec Alexa, les outils intelligents ont été conçus pour prendre des entrées variables et produire des sorties raffinées – AKA le principe de base de l’analyse. Sans surprise, le cas d’utilisation numéro un de la gestion des données consiste à rendre la gestion à grande échelle plus facile et plus rapide.
L’utilisation de GenAI pour automatiser l’évaluation des données de haut niveau et résumer les principales conclusions peut renforcer l’efficacité sur plusieurs fronts. En plus d’éliminer les tâches manuelles fastidieuses et de réduire le risque d’erreur humaine, cela implique notamment de permettre aux équipes chargées des données de traiter rapidement les demandes ad hoc ; créant plus de temps pour se concentrer sur l’analyse approfondie qui compte.
Il existe cependant des opportunités supplémentaires pour les outils sophistiqués permettant de réduire la complexité et d’améliorer la convivialité des données lorsqu’ils sont exploités aux côtés des plateformes d’analyse existantes. À l’heure actuelle, les perspectives les plus brillantes se situent dans deux domaines principaux :
Analyses en libre-service
En plus de reconquérir une bande passante vitale pour les spécialistes des données, les innovations en matière d’évaluation basée sur l’IA ont le potentiel de renforcer considérablement l’accessibilité des données à l’échelle de l’entreprise et d’accélérer le délai de rentabilisation. Les plus intelligents permettent aux utilisateurs non techniques de saisir des invites en langage naturel (c’est-à-dire clairement formulées), puis de prendre la roue de coordination des données : générer instantanément des requêtes SQL qui récupèrent les données pertinentes et les présenter via des visualisations faciles à digérer.
Pour illustrer les avantages que cela entraîne, regardons un exemple pratique. Supposons qu’un spécialiste du marketing souhaite comparer les coûts d’acquisition de leads pour sa dernière campagne à la référence du secteur. En coulisses, les solutions peuvent rendre disponibles les données pré-nettoyées et unifiées de leur plate-forme d’analyse via les systèmes GenAI, tels que ChatGPT ou Bard, et les combiner avec les données collectées sur le Web. Du côté de l’utilisateur, cette intégration fluide permet de demander facilement ce qu’il veut et de recevoir un graphique clair qui cartographie les corrélations et permet une prise de décision rapide.
Transformation de données sur mesure
Bien entendu, les besoins en données ne se limitent pas à répondre à des questions spécifiques, pas plus que les capacités de GenAI. Des assistants de transformation, un peu comme Alexa, ont commencé à émerger, donnant aux utilisateurs la liberté de spécifier comment ils souhaitent que des ensembles de données entiers soient configurés et de produire du code sur mesure pour répondre à leurs demandes. Associé à des instructions de mise en œuvre étape par étape, le résultat est un kit de transformation personnalisé permettant d’obtenir les bonnes informations, dans le bon format.
Les principaux avantages ici sont la flexibilité et l’autonomie. Quel que soit leur niveau d’expérience, les utilisateurs peuvent gérer et façonner les données comme ils le souhaitent ; déterminer comment extraire des informations utiles et les mettre rapidement en œuvre. Mais il convient également de noter que de tels outils peuvent jouer un rôle majeur dans l’amélioration de la maturité inter-entreprises en permettant aux utilisateurs de gérer eux-mêmes les données, ce qui signifie que les experts en données peuvent consacrer encore plus de temps à des tâches hautement prioritaires. Ou en d’autres termes, la réalisation du rêve low/no-code.
Quelles mesures de sécurité sont les plus essentielles ?
Comme pour toute nouvelle technologie, une application réussie impliquera d’atténuer les dangers possibles. En tête de liste des défis évidents se trouve la tendance de GenAI à halluciner, ce qui rendra crucial l’établissement de procédures rigoureuses de contrôle de la qualité pour valider les données et signaler rapidement les inexactitudes potentielles pour une enquête plus approfondie. De même, la résolution de problèmes de sécurité bien connus nécessitera des politiques internes et des garde-fous solides.
Les entreprises qui examinent déjà de près les solutions avant leur adoption seront en avance sur le jeu de la prévention des risques, surtout si les procédures sont interfonctionnelles. En intégrant les utilisateurs, les équipes juridiques et de sécurité, vous pouvez garantir que l’évaluation prend en compte à la fois la valeur apportée par les outils et s’ils offrent des contrôles suffisamment stricts pour protéger les données sensibles. Combinées à des politiques détaillées décrivant où les fonctionnalités de GenAI doivent et ne doivent pas être utilisées, de telles approches peuvent grandement contribuer à minimiser les risques d’utilisation abusive et de problèmes imprévus.
Mais en plus de cela, il sera également tout aussi important de contrôler soigneusement les données qui pilotent GenAI. Quelle que soit l’analyse produite, elle est directement informée par les informations qui l’alimentent – ainsi, si les données fournies par les équipes sont incorrectes ou incomplètes, les résultats de l’IA seront peu fiables et fragmentés.
Tout cela rend primordiales des fondations solides. Plus précisément, les entreprises ont besoin d’une infrastructure rationalisée de pipelines capables de fournir des données propres, consolidées et complètes, en plus d’une culture centrée sur l’adoption de la productivité basée sur les données et le perfectionnement continu des compétences en matière de traitement des données.
Ce n’est que la première étape d’une évolution à long terme qui permettra aux équipes de travailler plus intelligemment. Au cours des prochaines années, presque tous les postes (y compris les postes d’analystes) disposeront d’un assistant alimenté par l’IA qui libérera les employés humains des tâches manuelles onéreuses et leur permettra de mieux utiliser leurs connaissances et leurs capacités ; avec GenAI évoluant d’outil à coéquipier. En outre, il y aura très probablement encore plus de demande de spécialistes des données non seulement pour prendre en charge la gestion d’un spectacle plus fluide et assisté par l’IA, mais aussi pour se plonger dans les informations produites par les solutions intelligentes et trouver de meilleures façons de les utiliser pour optimiser la productivité.
Crédit image en vedette: Google Deepmind/Unsplash.
