L’intelligence artificielle (IA) a un potentiel de transformation. Mais comme pour toute technologie puissante, la qualité des données entrantes a un impact direct sur leur sortie.
Foundational, entreprise récemment sortie du mode furtif, a bien compris ce point crucial.
Armé de 8 millions de dollars de nouveau financementils visent à résoudre les problèmes souvent négligés de la qualité des données et de la préparation à l’IA.
Pourquoi la qualité des données est un enjeu majeur pour l’IA ?
Nous avons tous entendu l’adage «les ordures entrent, les ordures sortent« .
Cela s’applique particulièrement aux modèles d’IA. Ces modèles apprennent à partir de vastes ensembles de données au cours du processus de formation. Si les données qu’ils reçoivent sont incohérentes, incomplètes, biaisées ou tout simplement fausses, le résultat de l’IA reflétera probablement ces défauts. Dans des domaines à enjeux élevés comme la santé ou la finance, des résultats inexacts dus à des données médiocres peuvent avoir des conséquences désastreuses.
L’approche de Foundational se concentre sur l’amélioration de la fiabilité et de l’intégrité des ensembles de données utilisés pour la formation en IA et le fonctionnement. Il s’agit d’un travail essentiel, car il garantit que les modèles d’IA produisent les résultats les meilleurs et les plus sûrs possibles.
Préparer les données à l’IA
« Ils verront nos idées, nos avertissements ou nos suggestions directement dans l’interface dont ils disposent déjà », explique Michelangelo Nafta, PDG de Foundational. EntrepriseBeat. Il est important de noter que la plateforme fonctionne en examiner les métadonnées dans le code lui-même. Il évite le contact direct avec les données sensibles, réduisant ainsi les risques en matière de confidentialité et de sécurité.
La plateforme Foundational s’intègre parfaitement à des outils tels que GitHuboffrant aux développeurs des commentaires exploitables dans le cadre de leur flux de travail existant.
Le pouvoir de l’analyse
Foundational exploite une combinaison de techniques pour créer une carte détaillée du flux de données d’une organisation :
- Analyse de code statique: La plateforme dissèque la structure du code pour découvrir les relations et les dépendances
- Analyse d’exécution dynamique: Surveille l’exécution du code pour identifier les modèles de données du monde réel et les goulots d’étranglement potentiels
- Techniques basées sur l’IA: Ceux-ci permettent d’établir des liens, de repérer les anomalies et d’identifier les opportunités d’optimisation
Cette compréhension globale devient la base d’une automatisation puissante. « Une fois que nous avons cette carte complète de votre écosystème de données, nous pouvons y appliquer toutes sortes d’automatisations puissantes », déclare Nafta. Les notifications sur les perturbations potentielles en aval dues aux modifications du code, les conseils d’optimisation des performances et même la génération automatisée de documentation et de catalogues de données sont tous à portée de main.
Rationaliser bien plus que des données
L’approche de Foundational offre des avantages au-delà de la seule qualité des données. Il cible les problèmes potentiels comme références circulaires et requêtes d’augmentation des coûts du cloud, abordant la rentabilité ainsi que la précision. De plus, en identifiant les champs inutilisés, la plateforme favorise des pipelines de données plus simples et plus maintenables.
Le problème des gens
Foundational reconnaît que la technologie à elle seule ne résoudra pas les problèmes de données de l’IA. Ils mettent fortement l’accent sur la collaboration avec des experts du domaine. Ce sont ces experts qui comprennent les nuances des ensembles de données spécifiques à leur domaine ; ce partenariat permet d’affiner les solutions et de s’assurer qu’elles correspondent aux besoins du monde réel.
La gouvernance dès la conception
Position fondamentale de l’analyse du code comme pilier d’une gouvernance proactive des données. À l’ère des ensembles de données en constante expansion et de l’IA de plus en plus complexe, un outil qui aide à maintenir la santé des données dès la conception est un atout précieux. L’accent mis par l’entreprise sur une intégration conviviale pour les développeurs et sur la confidentialité des métadonnées est également une décision judicieuse, susceptible de renforcer la confiance dans son approche.
Le chemin à parcourir consiste à accepter la qualité des données comme référence
L’émergence d’entreprises comme Foundational signale un changement bienvenu dans le secteur. Il met en évidence une prise de conscience croissante de la qualité des données comme condition préalable non négociable au déploiement efficace de l’IA. Alors que les organisations sont aux prises avec des volumes et une complexité croissants de données, les services facilitant des modèles d’IA précis et fiables seront très demandés.
L’entrée de Foundational dans ce domaine arrive à point nommé. Les entreprises ne peuvent plus se permettre de traiter les projets d’IA comme des efforts purement technologiques. En plaçant la qualité des données au premier plan, Foundational est sur le point d’avoir un impact significatif sur le succès et la sécurité des applications d’IA dans tous les secteurs.
Crédit image en vedette: rawpixel.com/Freepik
