#130 Produitiser l'IA Décisionnelle
Subscribe to get the latest
on Wed Mar 22 2023 17:00:00 GMT-0700 (Pacific Daylight Time)
with Darren W Pulsipher, Matthew Pulsipher,
Dans cet épisode, Darren interviewe son fils Matthew Pulsipher sur la productisation de l'IA décisionnelle. Matthew a récemment modernisé son pipeline de développement de produits pour inclure l'IA décisionnelle dans son processus de développement de produits.
Keywords
#collectiongenerativeai #ai #decisionalai #aiproductization #people #process
Dans cet épisode, Darren Pulsipher, architecte principal des solutions du secteur public chez Intel, interviewe son fils Matthew Pulsipher, chef de produit, sur la productisation de l’IA décisionnelle. Matthew explique que l’IA générative est construite à partir d’ensembles de données générales et convient aux questions de connaissances générales, mais qu’elle manque de prévisibilité et de déterminisme, ce qui rend difficile l’automatisation des processus. En revanche, l’IA décisionnelle est plus simple dans sa portée mais plus axée sur le contexte, ce qui lui permet de prendre des décisions basées sur les besoins spécifiques de l’entreprise. Matthew partage son expérience de l’intégration de l’IA décisionnelle dans les produits et met en évidence l’importance du contexte dans l’IA.
Type d’IA
Il existe différents types d’IA, et chacun a une capacité unique d’aider les organisations à automatiser des processus, à prendre des décisions commerciales et à augmenter le travail humain. L’IA décisionnelle est principalement utilisée pour la prise de décisions et repose sur des modèles générés à partir de données précédentes. Par contre, l’IA prédictive génère des valeurs prévues en fonction de modèles personnalisés et de jeux de données. La formation des modèles est essentielle au déploiement et à la mise en œuvre des solutions d’IA. La clé est d’identifier un problème réel qui est opérationnellement pertinent et réalisable dans un délai raisonnable.
IA pour rationaliser les processus
L’intelligence artificielle (IA) peut être utilisée pour rationaliser les processus de prise de décision dans les entreprises. Il est important de définir les capacités de l’IA selon un ensemble spécifique d’options, afin de ne pas submerger le système et de rendre le processus décisionnel plus efficace. L’IA est particulièrement adaptée aux processus répétitifs, impliquant des décisions basées sur des données et nécessitant des évaluations subjectives humaines. Par exemple, une institution financière peut utiliser l’IA pour valider les permis de conduire à l’aide de données extraites. La formation continue de l’IA grâce aux commentaires des utilisateurs peut améliorer ses capacités de prise de décision et éventuellement remplacer totalement le besoin d’évaluation humaine. Le projet d’indexation d’Ancestry.com est un exemple de la façon dont l’apprentissage renforcé peut réduire la nécessité d’une intervention humaine au fil du temps.
Humain dans la boucle
Lors de la création d’un backend d’apprentissage automatique, il est essentiel de garder à l’esprit les besoins de l’utilisateur. L’objectif est de simplifier leur processus actuel et de fournir une aide pour les aider à accomplir leur travail de manière plus efficace. Pour y parvenir, il est crucial d’interviewer et d’observer les utilisateurs dans leur environnement actuel afin de comprendre leur comportement, d’identifier les inefficacités et de documenter toutes les inférences qu’ils peuvent faire et qui ne sont peut-être pas documentées. En agissant ainsi, vous pouvez créer les données pour extraire les inférences avant de les envoyer au modèle, ce qui donnera des résultats plus précis en reproduisant le comportement humain. Il est important de se rappeler que les inférences sont souvent plus importantes que les données brutes, et en comprenant le comportement et les besoins de l’utilisateur, vous pouvez concevoir un meilleur produit d’IA.
Un autre facteur clé dans le déploiement de l’IA est le facteur humain. Il s’agit d’établir le bon contexte lors de la mise en place de l’automatisation afin d’éviter la peur de la perte d’emploi. Comment faire face aux problèmes potentiels entre l’IA et l’humain, tels que les parties prenantes contournant l’IA mise en place pour elles. Une solution consiste à concevoir l’interface de manière à ce qu’il soit clair qu’un utilisateur a examiné un point de données spécifique et à fournir des outils de substitution si nécessaire. De plus, interroger les parties prenantes sur les raisons qui les poussent à contourner le système peut aider à améliorer le modèle et à prévenir les fraudes de l’API. En fin de compte, l’IA et les humains peuvent travailler ensemble pour obtenir de meilleurs résultats.
L’IA peut s’occuper des tâches simples si elle est bien entraînée, et les humains peuvent apprendre à exploiter mieux l’IA au fil du temps. En créant des interfaces collaboratives qui font de l’IA un membre de l’équipe plutôt qu’un simple algorithme froid, permettant des interactions plus naturelles qui l’aident à apprendre davantage. L’IA deviendra essentielle dans tout travail impliquant des parties prenantes qui traitent des données humaines en raison de la variabilité impliquée.