Un rapport de SQream révèle que 98% des entreprises interrogées ont connu des échecs de projets d'IA ou de modèles de langage (ML) en 2023. Si 78 % des entreprises pensent que l'ajout de CPU aura l'impact le plus important sur leurs objectifs 2024, le rapport soulève une évolution vers les GPU. Les entreprises font face à des compromis sur la complexité des requêtes et le volume des projets pour gérer ces coûts.Depuis 2023, les projets d'intelligence artificielle (IA) ont connu une énorme croissance. Mais des rapports montrent que malgré le battage médiatique, la plupart d'entre eux échouent. Un rapport du RAND révèle que 80 % des projets d'IA échouent et expose les causes profondes de ces échecs. 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.
Pour certaines critiques, ce type de rapport met en doute même la viabilité à long terme de cette technologie. Jim Covello, responsable de la recherche sur les actions chez Goldman Sachs à Wall Street, remet en question la capacité de l'IA générative à fournir des retours sur investissement suffisants. Pour lui, l'IA, bien qu'impressionnante, fait encore trop d'erreurs pour résoudre de manière fiable des problèmes complexes.
Dans son rapport 2024 State of Big Data Analytics Report, la startup technologique SQream révèle que 98% des entreprises interrogées ont connu des échecs de projets d'IA ou de modèles de langage (ML) en 2023. Ce nouveau rapport met en évidence un changement dans la manière dont les projets de données sont gérés pour faire face à l'augmentation des coûts et aux résultats limités associés aux systèmes basés sur le CPU.
Principaux facteurs contribuant à l'échec des projets de ML en 2023
Il est juste de dire que l'ère de l'IA générative (GenAI) a déclenché une révolution axée sur les données. Les entreprises investissent dans des projets d'IA à un rythme sans précédent, les investisseurs en capital-risque ayant déversé près de 40 milliards de dollars dans des startups connexes au cours du seul premier semestre de 2024. Dans le même temps, cet afflux de nouvelles données a posé un défi encore plus grand : la taille et l'échelle des informations créées menacent de submerger le traitement traditionnel des données.
Sur le marché actuel, l'augmentation des dépenses associées à l'analytique et à l'IA pousse les entreprises dans leurs retranchements, obligeant les décideurs à choisir entre la priorisation de la complexité des requêtes, du volume de données et de la portée du projet. En outre, le traitement basé sur le CPU crée souvent des goulots d'étranglement, entravant la réussite des projets et étouffant l'innovation, créant ainsi une approche qui n'est pas insoutenable.
Le rapport de SQream, dans lequel la startup a interrogé 300 professionnels seniors de la gestion des données d'entreprises américaines ayant des dépenses annuelles d'au moins 5 millions de dollars en cloud et en infrastructure, donne un aperçu d'un changement qui se joue dans les stratégies adoptées par les leaders de l'industrie, notamment une évolution vers les GPU.
Principaux facteurs ayant un impact sur les objectifs de l'analyse des données et de l'IA/ML en 2024
Les conclusions du rapport sont les suivantes :
- Le mythe du CPU : Alors que 78 % des entreprises pensent que l'ajout de CPU aura l'impact le plus important sur leurs objectifs 2024 en matière d'analyse de données et d'IA/ML, l'ajout d'instances GPU arrive juste derrière.
- L'épidémie de "choc des factures" : Une part importante des répondants connaît des surprises fréquentes dans leurs factures de cloud analytics, avec des coûts dépassant les attentes.
- Les coûts élevés entravent les progrès : Les coûts élevés associés à l'expérimentation ML sont le principal obstacle pour 41 % des entreprises lorsqu'il s'agit de projets d'analyse de données et d'IA.
- Échec du projet : Un budget insuffisant est la principale cause d'échec des projets 2023, reflétant les préoccupations globales du rapport en matière de coûts. Une mauvaise préparation et un mauvais nettoyage des données ont également joué un rôle important.
- Accélération GPU pour les pipelines existants : Le traitement GPU peut accélérer de manière significative les pipelines d'analyse de données existants sans nécessiter une refonte complète, ce qui permet aux entreprises d'exploiter la puissance de l'IA et de faire face au déluge de données sans perturber les flux de travail actuels.
- Optimisation pour les défis du cloud : Conscientes du poids des coûts, un pourcentage impressionnant de 92 % des entreprises travaillent activement à l'optimisation de leurs dépenses cloud en matière d'analytique. Près de la moitié d'entre elles admettent faire des compromis sur la complexité des requêtes et le volume des projets pour gérer ces coûts.
Source : "2024 State of Big Data Analytics" (SQream)
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 L'IA perd de sa popularité et certains investisseurs commencent à craindre qu'elle ne leur apporte pas les profits considérables escomptés, d'autres restent toutefois optimistes quant au potentiel de l'IA