Comment réussir son projet IA en évitant les mauvaises pratiques

Pour chaque rapport vantant les dernières évolutions et formidables opportunités de l’intelligence artificielle (IA), nous pouvons lire aussi des retours d’expérience relatant des échecs. 70% des initiatives d'IA « n’auraient aucun impact ou un impact minimum » selon une récente étude. Différents facteurs sont en cause, parmi lesquels on peut citer le manque d'expertise, une mauvaise compréhension des capacités de l'IA ou encore une évaluation budgétaire erronée.

Une mauvaise stratégie

Un acteur du commerce souhaitait proposer en ligne à ses clients, des recommandations de produits plus personnalisées tout en améliorant la gestion de ses stocks. Ses objectifs étaient à la fois d'optimiser l'expérience d'achat, augmenter les ventes et réduire les coûts de surstockage et de sous-stockage. En s’appuyant sur l’IA, il a pu créer une modélisation prédictive des stocks et intégré des algorithmes de recommandation dans sa plateforme e-commerce. Cependant, ces solutions n'ont pas répondu à ses attentes, car l'entreprise n'a pas pris le temps, en amont, de bien identifier les résultats commerciaux à atteindre et de s'assurer que son programme d'IA s'alignait stratégiquement sur ses objectifs. En conséquence, le projet s'est concentré sur la technologie plutôt que sur les enjeux à résoudre, conduisant à des résultats décevants

Une mauvaise expérience utilisateur

Un prestataire de santé considérait l'IA comme une solution pour automatiser la planification des rendez-vous des patients et améliorer les soins en personnalisant les interactions de suivi. L'objectif était d'augmenter la satisfaction des patients et l'efficacité opérationnelle tout en optimisant la charge de travail pour son personnel débordé. Cependant, l'organisation a négligé l'expérience des utilisateurs finaux de l'IA. Peu après le déploiement de la solution, les patients ont exprimé leur insatisfaction : utilisation fastidieuse des chatbots et interactions impersonnelles et insatisfaisantes. Les chatbots ont été sous-utilisés, privant l'entreprise des bénéfices attendus. Le prestataire de soins aurait pu éviter cela en personnalisant ses grands modèles de langage (LLM) pour les rendre plus attractifs et centrés sur l'utilisateur.

Un faible MLOps

La maintenance prédictive promettait d'aider un fabricant à minimiser les temps d'arrêt, améliorer la qualité des produits et optimiser ses coûts de maintenance des équipements d'usine. Cependant, les algorithmes d'IA que l'entreprise a mis en œuvre n'ont pas fourni les conseils de maintenance en temps réel et les autres avantages attendus.

Le problème résidait dans les opérations de Machine Learning (MLOps) inefficaces de l’organisation. Inspiré de DevOps, le MLOps supporte l'intégration et le développement continus dans les applications d'IA. Avec des algorithmes construits sur une base non fonctionnelle, les analyses de données et les prédictions se sont avérées incorrectes. Si elle avait été dotée d’un MLOps plus fort, l'organisation aurait pu facilement construire et mettre à jour des modèles de machine learning plus précis.

Des bases de données inadéquates

Cherchant à améliorer la sécurité et la satisfaction de ses clients, une entreprise de services financiers espérait utiliser l'IA pour détecter les fraudes. Cependant, elle n'a pas réussi à créer une base optimale pour l'IA en raison d'une intégration insuffisante des données provenant de tous ses systèmes. En conséquence, les algorithmes n'ont pas fonctionné efficacement pour repérer les fraudes et les transactions suspectes. Un projet d'IA réussi dépend principalement de données bien organisées et de qualité. Cela signifie garantir que les données utilisées sont exactes, fiables, propres, complètes et directement utilisables pour atteindre les objectifs fixés.

Un manque d’adhésion

Une entreprise de télécommunications cherchait à améliorer la satisfaction client et à réduire ses coûts en introduisant des chatbots alimentés par IA pour gérer les demandes courantes. Elle a formé les grands modèles de langage (LLM) en utilisant les données historiques d'interaction client pour fournir des réponses plus précises et pertinentes. Malgré le bon fonctionnement de l'IA, l'entreprise a rencontré une résistance de la part des collaborateurs et des clients. Les collaborateurs n'avaient pas reçu la formation nécessaire pour utiliser efficacement la technologie, et les clients n'avaient pas été informés à temps. Pour mieux gérer le changement, l'entreprise aurait pu communiquer de manière proactive avec tous les utilisateurs, former adéquatement ses collaborateurs et déployer progressivement le projet pour obtenir de meilleures réactions des clients. Elle aurait également pu utiliser des supports conviviaux comme des FAQ et des services d'assistance.