Qu’est-ce que la preuve de concept en IA ?

Qu’est-ce que la preuve de concept en IA ?

Cet article est le deuxième de la série de quatre articles décrivant les différentes étapes d’un projet de R&D en IA adopté par le CDRIN (Centre de recherche et de développement en intelligence numérique).

La première partie traite des différentes étapes d’un processus de veille technique (VT) systématique permettant aux entreprises d’identifier les risques et les opportunités associés à une solution technologique.

L’étape suivante du cycle de vie d’un projet d’IA est la preuve de concept (PDC).

VALEUR AJOUTÉE

Les décideurs qui envisagent d’intégrer l’IA insistent souvent sur un PDC qui leur permet de gagner leur confiance quant à la faisabilité du projet.

L’objectif premier est de démontrer qu’un cas d’utilisation particulier peut être traité en formant un algorithme sur un petit ensemble de données.

Par exemple, disons qu’une entreprise qui possède un site web musical veut améliorer l’expérience et l’engagement des utilisateurs. En raison du manque de compétences internes en matière d’IA, elle sous-traite ce projet à un cabinet de conseil en IA.

Les consultants mènent un processus de veille technique (VT) et identifient l’apprentissage approfondi (AP) comme une solution possible en ce qui concerne sa valeur ajoutée et les coûts qu’il implique.

Suivant les suggestions de VT, un PDC mettrait en œuvre un algorithme d’apprentissage approfondi (par exemple, des réseaux neuronaux récurrents), en utilisant un petit sous-ensemble de données sur les utilisateurs et le contenu fourni par l’entreprise.

Le PDC devrait convaincre l’entreprise de sa valeur ajoutée de manière adéquate.

L’un des plus grands défis à relever pour créer un PDC réussi est la disponibilité des compétences en IA.

En outre, les solutions d’IA peuvent s’accompagner de défis concomitants en matière de données et de calcul. Par conséquent, avant de se lancer dans le processus de création de PDC, certaines conditions préalables doivent être remplies.

 

CONSTRUIRE UN PDC

Le temps nécessaire à la construction d’un PDC dépend du projet et des objectifs spécifiques à atteindre.

Crédit photo : https://www.shutterstock.com/home

En général, un PDC peut varier considérablement, de quelques semaines à plusieurs mois, et si ce délai est prolongé, il risque de décourager les décideurs. Les étapes suivantes sont à peu près les mêmes que celles d’un projet de construction d’un PDC:

Collecte de données: Recueillir les données qui sont facilement disponibles et qui représentent bien la réalité.

Un échantillon de taille modérée devrait suffire, car il n’est pas obligatoire d’atteindre la plus grande précision à ce niveau.

De plus, la taille de l’échantillon doit permettre une manipulation aisée afin d’éviter les gros problèmes de données et de se concentrer davantage sur la modélisation des données.

Formation/validation des modèles: En fonction de la disponibilité, il est recommandé de commencer avec des modèles existants préformés ou publiés, car cela réduit considérablement la complexité et le temps de construction.

Personnalisation: Les PDC peuvent être construits à dessein dans un environnement de bac à sable qui ressemble le moins possible à l’environnement de production dans lequel le modèle sera finalement déployé.

Par exemple, pour les données tabulaires, sqlite pourrait être utilisé comme proxy d’une base de données SQL complète.

Présentation et commentaires: Lors de la présentation du PDC à un client commercial, il faut préciser que l’exactitude ne doit pas être le seul critère d’évaluation. La réalisation de la vision et sa valeur sont les facteurs clés ici. En outre, il faut indiquer de manière transparente la voie à suivre pour apporter d’autres améliorations et limites.

Le PDC est la première forme de réalisation d’une idée abstraite et détermine de manière critique le sort du projet.


 

Deepti Joshi, directrice scientifique au CDRIN

Ce texte est le deuxième d’une série d’articles écrits par Deepti Joshi décrivant les différentes étapes d’un projet de R&D en IA adopté par le CDRIN (Centre de recherche et de développement en intelligence numérique).

Deepti Joshi occupe le poste de directrice scientifique au CDRIN.

Elle est titulaire d’un doctorat en hydroclimatologie statistique qu’elle a obtenu à l’Institut national de recherche scientifique en 2014 et détentrice de maîtrises en hydrologie de l’Institut indien de technologie, et en mathématiques de l’Université de New Delhi, en Inde.