Les entreprises qui se lancent dans le domaine de l’IA générative sont souvent confrontées à une quantité impressionnante de données, ce qui rend difficile l’extraction de résultats utiles et exploitables.
Comme l’a expliqué Chet Kapoor, président-directeur général de DataStax, lors du TechCrunch Disrupt 2024, l’IA et les données sont intrinsèquement liées. Toutefois, pour garantir des résultats concrets, il est préférable de se concentrer sur des objectifs spécifiques et d’éviter l’ambition démesurée.
Lire aussi :
- Quels sont les principaux défis éthiques et légaux abordés lors de TechCrunch Disrupt 2024 pour encadrer le développement de l’IA ?
- Comment les nouvelles fonctionnalités d’IA et la puissance des puces M4 améliorent-elles l’expérience utilisateur sur le MacBook Pro ?
Miser sur des objectifs précis au lieu de viser une échelle massive
L’une des principales recommandations faites lors de la conférence est de se concentrer sur un « ajustement produit-marché » au lieu de viser une application généralisée. Vanessa Larco, associée chez NEA, a suggéré que pour maximiser l’impact des premières applications d’IA générative, les entreprises devraient s’interroger sur ce qu’elles cherchent vraiment à accomplir. Il est plus judicieux de sélectionner des objectifs concrets et de cibler des sources de données spécifiques pour répondre à ces besoins, au lieu de saturer l’IA avec des volumes de données étendus et parfois redondants. Cette approche permet de limiter les erreurs coûteuses et d’éviter les complications liées aux données sensibles.
Quels sont les impacts environnementaux de l’IA générative en matière de déchets électroniques ?
Commencer petit pour mieux avancer
L’enthousiasme autour de l’IA générative pousse certaines entreprises à tenter d’intégrer l’IA dans l’ensemble de leur organisation dès le départ. Cependant, comme l’a précisé Larco, ce modèle peut conduire à des résultats imprécis et onéreux. Une méthode plus pragmatique consiste à commencer par des applications internes, avec des objectifs ciblés, en trouvant les données les plus pertinentes pour chaque projet. Cette démarche offre un environnement contrôlé où les équipes peuvent tester et ajuster leurs méthodes, apprenant ainsi à optimiser la valeur de l’IA sans se perdre dans la complexité des données.
L’importance de résoudre les problèmes immédiats
George Fraser, PDG de Fivetran, souligne que les entreprises devraient concentrer leurs efforts sur les problèmes actuels. Dans les premières étapes de toute nouvelle technologie, les coûts liés aux innovations qui n’aboutissent pas peuvent être exorbitants. Selon lui, mieux vaut se concentrer sur la résolution des problèmes d’aujourd’hui plutôt que d’investir prématurément dans des solutions à grande échelle. Cette approche prudente permettra aux entreprises de mieux comprendre les réels bénéfices de l’IA générative avant de se lancer dans des projets plus ambitieux.
Vers une transformation progressive
Les applications d’IA générative d’aujourd’hui montrent des promesses pour l’avenir, mais elles n’ont pas encore provoqué de changement radical. Comme Kapoor l’a surnommé, nous vivons actuellement dans une « ère Angry Birds » de l’IA : elle est utile, mais n’a pas encore révolutionné notre quotidien. D’après lui, cette année marque la phase d’apprentissage pour les entreprises, tandis que l’année prochaine sera celle de la transformation. En adoptant une approche progressive, elles se préparent à lancer des applications qui, à terme, changeront peut-être la trajectoire de leur activité.
