Nouveautés en intelligence artificielle selon le cycle de battage médiatique Gartner 2022

Hype Cycle pour l'intelligence artificielle, 2024

Le Hype Cycle™ de Gartner pour l'intelligence artificielle (IA), 2022, identifie les innovations incontournables en matière d'IA, qui vont au-delà de l'IA courante et enrichissent d'intelligence des applications, appareils et outils de productivité métier jusqu'alors statiques.

« Il est remarquable que le Hype Cycle pour l'IA regorge d'innovations qui devraient offrir des avantages considérables, voire transformateurs », a déclaré Afraz Jaffri, analyste principal chez Gartner. « Une attention particulière est accordée aux innovations qui devraient être largement adoptées d'ici deux à cinq ans, notamment l'IA composite, l'intelligence décisionnelle et l'IA edge. L'adoption précoce de ces innovations peut offrir un avantage concurrentiel et une valeur ajoutée commerciale significatifs, tout en atténuant les problèmes liés à la fragilité des modèles d'IA. » Téléchargez dès maintenant : Guide détaillé des 10 principales tendances technologiques stratégiques de Gartner pour 2023

Innovations en IA classées en quatre catégories

Le large éventail d'innovations en IA devrait impacter les individus et les processus, tant à l'intérieur qu'à l'extérieur de l'entreprise. Il est donc essentiel pour de nombreuses parties prenantes, des dirigeants aux équipes d'ingénierie chargées du déploiement et de l'exploitation des systèmes d'IA, de comprendre ces innovations.

Cependant, les responsables des données et de l'analyse (D&A) peuvent tirer le meilleur parti de l'analyse prospective pour élaborer une stratégie d'IA pour l'avenir et exploiter les technologies qui ont un impact significatif aujourd'hui.

Les innovations en IA du cycle de Hype reflètent des priorités complémentaires, et parfois contradictoires, dans quatre catégories principales :

IA centrée sur les données

IA centrée sur les modèles

IA centrée sur les applications

IA centrée sur l'humain

Cycle de Hype pour l'IA 2022

En savoir plus : Guide exécutif de l'IA

IA centrée sur les données

La communauté de l'IA s'est traditionnellement concentrée sur l'amélioration des résultats des solutions d'IA en ajustant les modèles eux-mêmes. L'IA centrée sur les données, quant à elle, se concentre sur l'amélioration et l'enrichissement des données utilisées pour entraîner les algorithmes.

L'IA centrée sur les données bouleverse la gestion traditionnelle des données en répondant aux problématiques spécifiques à l'IA. Cependant, les organisations qui investissent dans l'IA à grande échelle évolueront pour conserver les idées classiques et intemporelles de la gestion des données et les étendre à l'IA de deux manières :

Ajouter les fonctionnalités nécessaires pour faciliter le développement de l'IA pour un public spécialisé dans l'IA et peu familiarisé avec la gestion des données.

Utiliser l'IA pour améliorer et enrichir les concepts classiques de gouvernance, de persistance, d'intégration et de qualité des données.

Les innovations en matière d'IA centrée sur les données incluent les données synthétiques, les graphes de connaissances, l'étiquetage et l'annotation des données.

Télécharger maintenant : Un cadre pour exploiter la valeur métier de l'IA

Par exemple, les données synthétiques sont des données générées artificiellement plutôt que par observation directe du monde réel. Elles peuvent être générées par différentes méthodes, telles que l'échantillonnage statistique rigoureux à partir de données réelles, les méthodes sémantiques et les réseaux antagonistes génératifs, ou encore par la création de scénarios simulés où modèles et processus interagissent pour créer des ensembles de données d'événements entièrement nouveaux.

L'adoption des données synthétiques progresse dans les secteurs d'activité, notamment la vision par ordinateur et le langage naturel. Cependant, Gartner prévoit une augmentation significative de leur utilisation :

Éviter l'utilisation d'informations personnelles identifiables lors de l'entraînement de modèles de machine learning (ML) avec des variantes synthétiques des données d'origine ou le remplacement synthétique de parties de données ;

Réduire les coûts de développement du ML et gagner du temps grâce à son acquisition plus rapide et moins coûteuse ;

Améliorer les performances du machine learning grâce à l'augmentation du volume de données d'entraînement et à de meilleurs résultats.

IA centrée sur les modèles

Si les approches d'IA sont désormais centrées sur les données, il est essentiel de rester attentif à leurs modèles afin de garantir que leurs résultats continuent de nous aider à prendre des décisions plus judicieuses. Les innovations dans ce domaine comprennent l'IA basée sur la physique, l'IA composite, l'IA causale, l'IA générative, les modèles fondamentaux et l'apprentissage profond.

L'IA composite désigne la fusion de différentes technologies d'IA pour améliorer l'efficacité de l'apprentissage et élargir le niveau de représentation des connaissances. Aucune technologie d'IA n'étant omnipotente, l'IA composite offrira à terme une plateforme permettant de résoudre plus efficacement un plus large éventail de problèmes métier.

L'IA composite devrait être largement utilisée d'ici deux à cinq ans. Ses avantages commerciaux pourraient être transformateurs, valorisant tous les secteurs d'activité, donnant naissance à de nouveaux modèles économiques et, à terme, entraînant une transformation majeure du paysage industriel. Par exemple, l'IA composite :

Elle met la puissance de l'IA à la portée d'un plus grand nombre d'organisations qui n'ont pas accès à de grandes quantités de données historiques ou étiquetées, mais qui disposent d'une riche expertise humaine.

Elle contribue à élargir la portée et la qualité des applications d'IA (c'est-à-dire qu'elle permet d'intégrer davantage de types de défis de raisonnement).

L'IA causale comprend diverses technologies, telles que les graphes causaux et les simulations, qui permettent de révéler les relations causales pour améliorer la prise de décision. Bien qu'il faille 5 à 10 ans pour que l'IA causale soit généralisée, ses avantages commerciaux devraient être considérables : elle offrira de nouvelles façons d'exécuter des processus horizontaux ou verticaux, augmentant ainsi considérablement le chiffre d'affaires de l'entreprise ou réduisant ses coûts. Parmi les avantages de l'IA causale, on peut citer :

Accroître l'efficacité des modèles d'IA causale avec des ensembles de données plus petits grâce à l'ajout de connaissances métier.

Amélioration de la prise de décision et autonomie des systèmes d'IA.

Améliorer l'explicabilité en capturant des relations causales facilement interprétables.

Accroître la robustesse et l'adaptabilité en exploitant des relations causales qui restent valables dans des environnements changeants.

Réduire les biais dans les systèmes d'IA en explicitant les relations causales.

IA centrée sur les applications.

Les innovations incluent l'ingénierie de l'IA, l'intelligence décisionnelle, les systèmes d'IA opérationnels, ModelOps, les services cloud d'IA, les robots intelligents, le traitement du langage naturel (TALN), les voitures autonomes, les applications intelligentes et la vision par ordinateur.

L'intelligence décisionnelle et l'IA de pointe devraient être généralisées d'ici deux à cinq ans, avec des avantages commerciaux transformateurs.

L'intelligence décisionnelle est une discipline pratique qui améliore la prise de décision en comprenant et en concevant explicitement les mécanismes de prise de décision, ainsi que la manière d'évaluer, de gérer et d'améliorer les résultats grâce au retour d'information.

L'intelligence décisionnelle permet de :

Réduire la dette technique, améliorer la visibilité et accroître l'impact des processus métier en renforçant significativement la durabilité des modèles décisionnels organisationnels grâce à la pertinence et à la qualité de la transparence, rendant ainsi les décisions plus transparentes et vérifiables.

Réduire l'imprévisibilité des résultats des décisions en capturant et en prenant en compte efficacement l'incertitude de l'environnement métier et en renforçant la résilience des modèles décisionnels.

Télécharger maintenant : Comment élaborer une stratégie pour votre processus décisionnel

L'IA Edge désigne l'intégration de technologies d'IA aux terminaux, passerelles et serveurs Edge de l'Internet des objets (IoT) pour des applications allant des voitures autonomes à l'analyse en continu. Ses avantages commerciaux incluent :

Améliorer l’efficacité opérationnelle, notamment pour la fabrication de systèmes d’inspection visuelle

Améliorer l’expérience client

Réduire la latence décisionnelle grâce à l’analyse locale

Réduire les coûts de connectivité et le trafic de données entre la périphérie et le cloud

Des solutions toujours disponibles, quelle que soit la connectivité réseau

IA centrée sur l’humain

Ce groupe d’innovations comprend la gestion de la confiance, des risques et de la sécurité de l’IA (TRiSM), l’IA responsable, l’éthique numérique, ainsi que les kits de création et de formation en IA.

Lorsque l’IA remplace la prise de décision humaine, elle amplifie les résultats, bons comme mauvais. L’IA responsable aborde la tension entre la création de valeur et la prise de risques pour obtenir les résultats escomptés. L’IA responsable est un terme générique qui englobe tous les aspects des choix commerciaux et éthiques appropriés lors de l’adoption de l’IA, notamment la valeur commerciale et sociétale, le risque, la confiance, la transparence, l’équité, la réduction des biais, l’explicabilité, la responsabilité, la sécurité, la confidentialité et la conformité réglementaire. L’adoption généralisée de l’IA responsable prendra cinq à dix ans, mais elle aura à terme un impact transformateur sur les entreprises.

L'éthique numérique est une tendance à court terme (deux à cinq ans) qui pourrait avoir un impact significatif sur les entreprises. Elle englobe un système de valeurs et de principes éthiques régissant les interactions électroniques entre les personnes, les organisations et les objets. Ces questions, notamment celles liées à la confidentialité et aux préjugés, restent au cœur des préoccupations. Les individus sont de plus en plus conscients de la valeur de leurs informations et sont frustrés par le manque de transparence, l'utilisation abusive des informations et les fuites d'informations. Les organisations prennent des mesures pour réduire les risques liés à la gestion et à la protection des données personnelles, et les gouvernements mettent en œuvre une législation plus stricte.