BLOGUE – Étant donné la nature omniprésente de l’intelligence artificielle (IA), les conséquences de bien réussir ou d’échouer l’IA sont potentiellement profondes. Lorsqu’elle n’est pas utilisée correctement, l’IA peut involontairement renforcer les idées préconçues nuisibles, augmenter la polarisation et entraîner d’autres conséquences néfastes.

Avec l’enthousiasme et le battage médiatique entourant les possibilités de l’IA, il est facile de se concentrer sur la technologie et les disciplines de codage : ce que l’on pourrait considérer comme des aspects « artificiels ».

Cependant, ce que l’on pourrait considérer comme les aspects « intelligents » d’un monde connecté numériquement ne fonctionnent pas; en fait ils n’existent pas sans données. Bien qu’ils connaissent les personnes, les processus et les capacités technologiques des modèles d’affaires, la plupart des dirigeants principaux de l’information (DPI ou CIO en anglais) et des professionnels de l’informatique ne « parlent pas couramment » les données.

Afin d’utiliser l’IA correctement, les entreprises doivent faire valoir l’importance de la maîtrise des données en tant que nouvelle compétence de base pour les créateurs et les consommateurs de l’IA. Lors du prochain Symposium TI Gartner/Xpo à Toronto (Gartner IT Symposium/Xpo in Toronto), Gartner conseillera les DPI responsables de la mise en œuvre des initiatives d’IA (CIOs responsible for enabling AI initiatives) en trois étapes. Tout d’abord, construisez l’IA correctement, puis utilisez l’IA correctement et, en fin de compte, maintenez l’IA correcte.

Bien construire l’intelligence artificielle

Pour « bien construire l’IA », il est essentiel d’établir d’abord le vocabulaire de base de l’IA – un dialecte technique de la manière dont les gens « parlent les données ». Les DPI devraient au moins déterminer les principaux termes utilisés pour décrire un système ou une solution d’IA, y compris le but ou la raison pour laquelle la solution d’IA est développée, ainsi que d’autres termes clés, tels que les types de données utilisées et recueillies à partir de la solution.

Bien utiliser l’intelligence artificielle

La barrière de la langue de l’information peut exister à l’échelle locale ou systémique, peu importe la portée du programme ou la maturité organisationnelle. Pour y faire face, il faut un changement d’état d’esprit, ainsi qu’une reconnaissance et une intervention délibérées pour corriger le cours des choses. Pour rendre la culture des données plus explicite, les DPI devraient élaborer un programme de maîtrise des données.

  • Identifier des locuteurs natifs qui parlent couramment des données de façon naturelle et sans effort. Les conférenciers qui parlent couramment devraient être habiles à décrire les cas d’utilisation et les résultats contextualisés, les techniques d’analyse qui leur sont appliquées, ainsi que les sources de données sous-jacentes, les entités et les attributs clés en cause.
  • Identifier des traducteurs qualifiés. Les traducteurs classiques sont souvent des architectes de données ou d’information d’entreprise, des spécialistes des données, des gestionnaires de l’information ou des gestionnaires de programmes connexes.
  • Identifier les domaines où les barrières de communication entravent l’efficacité des initiatives en matière de données et d’analyse. Portez une attention particulière aux lacunes en technologies de l’information et d’analyse des données, ainsi qu’aux écarts entre les débutants et les vétérans.
  • Écouter activement les résultats opérationnels qui ne sont pas clairement articulés en termes d’action explicite. Quels sont les moments d’affaires qui sont rendus possibles grâce à des capacités de données et d’analyses améliorées? Quelles décisions opérationnelles sont améliorées?
  • Identifier les principales parties prenantes qui ont besoin de traductions spécialisées. Pour évaluer les niveaux de maîtrise des données, demander aux intervenants clés d’articuler la valeur des données en tant qu’actif stratégique, en termes de résultats opérationnels, y compris l’amélioration des moments d’affaires, la monétisation et l’atténuation des risques.
  • Identifier et tenir à jour une liste de mots et d’expressions. Faire participer l’équipe des données et de l’analyse à l’élaboration de moyens pour mieux articuler ces expressions.

Bien maintenir l’intelligence artificielle

Même les entreprises les plus prospères ne peuvent se permettre de penser qu’elles sont à l’abri d’incidents éthiques. Une discussion approfondie et explicite est nécessaire pour faire la distinction entre les types de questions et de dilemmes éthiques auxquels on peut être confronté, et la position éthique réelle qu’on peut adopter.

  • Prendre du recul et assimiler l’éthique numérique et le connectivisme numérique comme une philosophie pour l’amélioration du commerce numérique — et de la société numérique en général (digital ethics and digital connectivism)
  • Chercher activement des études de cas éthiques relatifs à l’utilisation des données dans l’IA, car les questions d’éthiques auxquelles vous êtes confrontés ne sont souvent pas nouvelles. Les possibilités comprennent la différenciation concurrentielle et une proposition de valeur supérieure; les dangers comprennent le risque pour la réputation, les questions de réglementation et les pertes financières.
  • Utiliser les algorithmes d’IA et l’échange de données pour faciliter les interactions numériques et permettre aux intervenants de participer à un écosystème, plutôt qu’à des contrôles de processus spécifiques. Encouragez tous ceux qui partagent leurs données dans l’environnement de l’IA à participer activement à un écosystème mutuellement bénéfique.

L’auteur Alan Duncan est vice-président de la recherche et analyste chez Gartner. Il se concentre principalement sur la stratégie de données et d’analyse.

Lire aussi :

Combattre la lassitude associée à la transformation numérique

Réduire les coûts associés à la gestion infonuagique des données

Préparez-vous aux forces motrices qui auront un impact sur la mobilité intelligente