Un nouveau rapport du RAND révèle que 80 % des projets d'IA échouent. Parmi les causes recensées : la mauvaise communication sur les problèmes à résoudre à l'aide de l'IA, la qualité des données qui empoisonne les algorithmes, la préférence aux dernières avancées technologiques au lieu de solutions plus simples, et le manque d'investissement dans l'infrastructure.Depuis l'année dernière, l'utilisation croissante de l'intelligence artificielle (IA) a entraîné une évolution vers une automatisation accrue, une prise de décision fondée sur les données et l'intégration de systèmes d'IA dans divers secteurs économiques. Pour rappel, la recherche en IA développe et étudie des méthodes et des logiciels permettant aux machines de percevoir leur environnement et d'utiliser l'apprentissage et l'intelligence pour prendre des mesures qui maximisent leurs chances d'atteindre des objectifs définis.
Un nouveau rapport du RAND Corporation révèle la triste réalité des projets d'intelligence artificielle (IA) : malgré le battage médiatique, la plupart d'entre eux échouent. L'étude, basée sur des entretiens avec 65 data scientists et ingénieurs expérimentés, expose les causes profondes de ces échecs et propose une feuille de route pour réussir.
"Selon certaines estimations, plus de 80 % des projets d'IA échouent", indique le rapport. "C'est deux fois plus que le taux d'échec déjà élevé des projets de technologie de l'information (IT) des entreprises qui n'impliquent pas l'IA. Les investissements du secteur privé dans l'IA ayant été multipliés par 18 entre 2013 et 2022, les enjeux sont plus importants que jamais."
Ce rapport du RAND est un rappel à la réalité bien nécessaire pour l'industrie de l'IA. Si le potentiel de l'IA reste immense, le chemin vers une mise en œuvre réussie est semé d'embûches. Les organisations doivent combler le fossé entre le battage médiatique et la réalité, en se concentrant sur des principes fondamentaux solides tels que la qualité des données, l'infrastructure et une communication claire entre les équipes techniques et commerciales.
Les causes profondes de l'échec des projets d'intelligence artificielle et les moyens de les faire aboutir
Pour étudier les raisons de l'échec des projets d'intelligence artificielle et d'apprentissage automatique (IA/AM), les auteurs du rapport ont interrogé 65 scientifiques des données et ingénieurs ayant au moins cinq ans d'expérience dans l'élaboration de modèles d'IA/AM dans l'industrie ou le monde universitaire. Selon certaines estimations, plus de 80 % des projets d'IA échouent, soit le double du taux d'échec des projets IT qui ne font pas appel à l'IA. Il est donc urgent de comprendre comment traduire l'énorme potentiel de l'IA en résultats concrets.
Le rapport permet d'identifier cinq causes principales d'échec des projets d'IA :
- Premièrement, les acteurs de l'industrie se méprennent souvent - ou communiquent mal - sur le problème à résoudre à l'aide de l'IA.
- Deuxièmement, de nombreux projets d'IA échouent parce que l'organisation ne dispose pas des données nécessaires pour former de manière adéquate un modèle d'IA efficace.
- Troisièmement, dans certains cas, les projets d'IA échouent parce que l'organisation se concentre davantage sur l'utilisation de la technologie la plus récente et la plus performante que sur la résolution de problèmes réels pour les utilisateurs visés.
- Quatrièmement, les organisations peuvent ne pas disposer d'une infrastructure adéquate pour gérer leurs données et déployer des modèles d'IA aboutis, ce qui augmente la probabilité d'échec du projet.
- Enfin, dans certains cas, les projets d'IA échouent parce que la technologie est appliquée à des problèmes trop difficiles à résoudre pour l'IA.
En synthétisant les expériences des experts, les auteurs du rapport ont élaboré des recommandations visant à accroître les chances de réussite des projets d'IA dans l'industrie et dans le monde universitaire. Les conclusions et les recommandations de ce rapport devraient intéresser ceux qui cherchent activement des moyens d'utiliser l'IA. Les leçons tirées des efforts antérieurs de construction et d'application de l'IA/ML aideront les autres à éviter les mêmes écueils.
Voici les recommendations du rapport :
- Les dirigeants du secteur devraient veiller à ce que le personnel technique comprenne l'objectif du projet et le contexte du domaine : Les malentendus et les erreurs de communication concernant l'intention et l'objectif du projet sont les raisons les plus courantes de l'échec des projets d'IA.
- Les chefs d'entreprise doivent choisir des problèmes durables : Les projets d'IA nécessitent du temps et de la patience pour être menés à bien. Avant de lancer un projet d'IA, les dirigeants doivent être prêts à engager chaque équipe de produit à résoudre un problème spécifique pendant au moins un an.
- Les dirigeants de l'industrie doivent se concentrer sur le problème, et non sur la technologie : Les projets réussis se concentrent sur le problème à résoudre, et non sur la technologie utilisée pour le résoudre.
- Les chefs d'entreprise doivent investir dans l'infrastructure : Les investissements initiaux dans l'infrastructure pour soutenir la gouvernance des données et le déploiement des modèles peuvent réduire le temps nécessaire à la réalisation des projets d'IA et augmenter le volume de données de haute qualité disponibles pour former des modèles d'IA efficaces.
- Les dirigeants de l'industrie doivent comprendre les limites de l'IA : Lorsqu'ils envisagent un projet d'IA potentiel, les dirigeants doivent faire appel à des experts techniques pour évaluer la faisabilité du projet.
- Les responsables universitaires doivent surmonter les obstacles à la collecte de données en établissant des partenariats avec les pouvoirs publics : Les partenariats entre les universités et les agences gouvernementales pourraient permettre aux chercheurs d'accéder aux données dont la provenance est nécessaire à la recherche universitaire.
- Les responsables universitaires devraient développer les programmes de doctorat en science des données pour les praticiens : Les responsables des programmes d'informatique et de science des données devraient s'inspirer de disciplines telles que les relations internationales, dans lesquelles des programmes de doctorat destinés aux praticiens existent souvent parallèlement dans les universités, afin de permettre aux chercheurs d'appliquer leurs découvertes à des problèmes urgents.
Source : Rapport du RAND
Et vous ?
Pensez-vous que ce rapport est crédible ou pertinent ? Quel est votre avis sur le sujet ?Voir aussi :
Les retombées des projets d'IA sont "lamentables", se plaignent les dirigeants, alors que les retards et les problèmes de mise en œuvre remettent en cause les initiatives d'IA générative en 2024 Les premiers utilisateurs de l'IA générative ont constaté un retour sur investissement important : 43 % ont déclaré que l'IA générative avait un impact significatif sur la productivité, selon Google La GenAI entre dans le « creux de la désillusion » face à un scepticisme grandissant, elle peine à répondre aux attentes élevées