Passer à l’échelle est le défi majeur des projets d’intelligence artificielle (IA). Depuis ChatGPT, tout le monde parle d’IA mais peu de projets dépassent le stade de l’expérimentation et des POC (preuve de concept) pour être déployés dans les organisations.
Pourquoi? Et surtout comment faire pour réussir le passage à l’échelle?
Par Alexandre MARTINELLI, CEO La Javaness
Ces questions étaient au cœur des discussions du dernier dîner-débat du Club. Un panel de Directeurs du Numérique et des Systèmes d’Information de l’État et des entreprises publiques était réuni pour apprendre des retours d’expérience de La Javaness, start-up française spécialisée dans l’IA souveraine et de confiance. Alexandre Martinelli, son dirigeant-fondateur, a témoigné de la nécessité d’une forte coordination entre les équipes IT, métiers et data pour industrialiser les solutions IA. Parmi les défis les plus fréquents reviennent l’alignement des compétences, la gestion des attentes des métiers et l’intégration de solutions IA dans des environnements informatiques complexes.
Les initiatives d’IA dans les grandes organisations sont nombreuses mais peu parviennent à l’industrialisation. Les projets d’IA, une fois validés en POC, se heurtent trop souvent à des problèmes d’infrastructure ou de gouvernance des données. A La Javaness, notre expertise consiste à déployer à grande échelle des solutions IA adaptées aux besoins métiers qui s’intègrent dans les infrastructures, quel que soit le secteur et les contraintes opérationnelles et réglementaires. L’IA est une matière vaste à appréhender : il nous a fallu beaucoup de R&D et d’humilité pour parvenir à industrialiser des solutions pour nos clients publics et privés.
Les erreurs à ne pas commettre
La première erreur est de considérer l’IA comme un sujet de pure algorithmie, alors que l’algorithme n’est qu’une composante du projet. De plus, l’enjeu autour de l’algorithme n’est pas tant la technique que la confiance comme préalable à l’adoption. Par exemple, lors d’un projet pour Saint-Gobain la phase de recherche utilisateur a permis de comprendre que les 10 000 commerciaux en B2B n’adopteront la solution de smart pricing que s’ils gardent une marge de négociation. Nos data scientists ont donc développé un algorithme de machine learning sous un prisme “que ferait le meilleur commercial avec les données disponibles” et un module d’explicabilité, ce qui a facilité l’adoption.
La seconde erreur porte sur les infrastructures (datalake, data plateforme, data mesh…). Rechercher le stack parfait est non seulement coûteux mais inutile. D’expérience, il est tout à fait possible de mixer les technologies anciennes aux plus modernes. Ainsi dans une grande banque française, les solutions modernes (Cloud, Spark, Trino, stockage objet, Tableaux) côtoient très bien de vieux ETL, Denodo, etc. De même au sein d’une autorité de régulation, une stack on premise (Déploiement par VM, pas de Docker) s’interface à une partie moderne en Cloud Azure. Enfin, un acteur de l’énergie parvient à déployer des solutions IA sans datalake.
La troisième difficulté porte sur les compétences spécifiques aux solutions d’IA. Peu d’acteurs sont aujourd’hui capables d’aligner les savoir-faire concernant le développement et le déploiement d’applications informatiques avec les spécificités de l’IA. En effet, si les DSI maîtrisent parfaitement toutes les prestations run et supports, elles n’ont que peu d’expérience sur les nouveaux langages (python, R), les contraintes hardwares (GPU, RAM), l’entraînement et l’inférence, qui mélangent à la fois de besoins batch et temps réel, la gestion des boucles de retour, etc… A l’inverse, les équipes data scientists et d’ingénieurs IA ont une maîtrise limitée des contraintes IT qualité / dev / sec / ops (Docker, CICD, tests, sécurité, etc). Une des solutions est de se faire accompagner pour monter en compétence et parler un langage commun.
Une capacité à passer à l’échelle avec des solutions IA sur mesure, en comprenant les enjeux métiers et techniques cruciale pour les organisations face à la mondialisation et aux nouvelles technologies.
L’IA est en train de redéfinir les processus métiers dans tous les secteurs. La capacité à passer à l’échelle sera un différenciateur clé pour les administrations comme les entreprises dans les années à venir. Avec la mondialisation et l’adoption rapide des nouvelles technologies, les organisations doivent être agiles et prêtes à adopter des solutions IA sur mesure, dont la valeur n’est pas tant dans l’algorithme que dans l’ingénierie d’un système complexe tirant parti de l’IA.
Le passage à l’échelle des projets IA ne se résume pas à une méthodologie. Il nécessite une compréhension fine des enjeux métiers et des infrastructures techniques, ainsi qu’un accompagnement d’experts. Le développement de stratégies robustes, incluant la gouvernance des données et l’intégration continue, permettra de faire face à ces nouveaux défis. La Javaness continue de soutenir ses partenaires dans cette transition avec des solutions IA éthiques et durables. Car, au-delà de l’industrialisation, l’IA pose des questions majeures sur la souveraineté des entreprises et des Etats. A cet égard, la maîtrise de l’open source est un enjeu stratégique pour les grandes organisations, qui reste à adresser.
A propos d’Alexandre MARTINELLI
Alexandre Martinelli est le CEO et co-fondateur de La Javaness, une entreprise spécialisée dans l’intelligence artificielle responsable. Avec plus de 15 ans d’expérience dans l’ingénierie IT et le conseil en transformation, il a co-fondé La Javaness en 2015. En tant que CEO, il assure le pilotage stratégique et technologique de l’entreprise, contribuant à son développement et à son positionnement dans le secteur de l’IA. Alexandre Martinelli est également engagé dans la promotion d’une IA éthique et durable, soutenant ses partenaires dans leur transition technologique