|
|
Ten Predictions for AI in 2020
The Last Mile of AI: Deployment
|
Le dernier kilomètre de l'IA : déploiement
|
|
We’re already seeing waves of this from certain vendors, but the idea of helping organizations through that last mile of the AI lifecycle—deploying a model into production—will become a focal point for customers and vendors alike in 2020. Here are a few recently collected data points that emphasize the importance of vendors helping customers to operationalize AI:
|
Nous constatons déjà des vagues de la part de certains fournisseurs, mais l'idée d'aider les entreprises à traverser ce dernier kilomètre du cycle de vie de l'IA (déploiement d'un modèle dans la production) deviendra un point focal pour les clients et les fournisseurs en 2020. Voici quelques points de données récemment collectés qui soulignent l'importance des fournisseurs pour aider les clients à opérationnaliser l'IA :
|
|
72% of organizations with AI initiatives do not yet have AI in production.
|
72 % des organisations ayant des initiatives d'IA n'ont pas encore d'IA en production.
|
|
44% of organizations investing in specialized infrastructure to support AI initiatives do not expect to see value in their investments for at least ten months.
|
44 % des organisations qui investissent dans des infrastructures spécialisées pour soutenir des initiatives d'IA ne s'attendent pas à voir de la valeur dans leurs investissements pendant au moins dix mois.
|
|
Nearly one in four organizations (23%) cite model deployment as the phase of the AI/ML data pipeline that creates the greatest challenge.1
|
Près d'une organisation sur quatre (23 %) cite le déploiement de modèles comme la phase du pipeline de données AI/ML qui pose le plus grand défi.
|
|
Why would an organization invest hundreds of thousands of dollars to not see a return on the investment for over a year? Why would businesses waste the time, effort, and money to make it 80% of the way to leveraging AI, and then fall short at the end? Simply put, they won’t. They’ll turn to prebuilt tools, solutions, or applications that embed AI and say, “it’s good enough.” In the short term, that may work, but in the long term, they’ll need to figure out how to better customize AI to their specific business and use case. And to get there, they’ll need to solve the AI deployment challenge.
|
Pourquoi une organisation investirait-elle des centaines de milliers de dollars pour ne pas voir de retour sur investissement pendant plus d'un an ? Pourquoi les entreprises perdraient-elles leur temps, leurs efforts et leur argent pour obtenir 80 % de la façon dont elles tirent parti de l'IA, puis manqueraient-elles à la fin ? En termes simples, ils ne le feront pas. Ils se tourneront vers des outils, des solutions ou des applications prédéfinis qui intègrent l'intelligence artificielle et disent « c'est assez bon ». À court terme, cela peut fonctionner, mais à long terme, ils devront trouver comment mieux personnaliser l'IA en fonction de leur activité et de leur cas d'utilisation spécifiques. Et pour y arriver, ils devront résoudre le défi du déploiement de l'IA.
|
The Persona Conundrum
|
L'énigme de Persona
|
|
Recognizing the challenges seen by so many organizations across the data lifecycle, new terminology is being used in the market to address the different personas involved throughout the data and applications lifecycle. DevOps incorporates best practices, tools, collaboration, and automation throughout the development and deployment lifecycle between developers and IT operations. DataOps fills a pressing need to incorporate data-centric roles in that process—data engineers, data architects, data scientists—to communicate, collaborate, and incorporate best practices for tie-ins to analytics workflows and next-generation applications. MLOps goes hand in hand with the first prediction, by addressing collaboration between data science teams and operations teams for AI-based applications in production.
|
Reconnaissant les défis rencontrés par de nombreuses organisations tout au long du cycle de vie des données, une nouvelle terminologie est utilisée sur le marché pour répondre aux différentes personnes impliquées tout au long du cycle de vie des données et des applications. DevOps intègre les meilleures pratiques, les outils, la collaboration et l'automatisation tout au long du cycle de vie du développement et du déploiement entre les développeurs et les opérations informatiques. DataOps répond à un besoin pressant d'intégrer des rôles centrés sur les données dans ce processus (ingénieurs de données, architectes de données, scientifiques des données) afin de communiquer, de collaborer et d'intégrer les meilleures pratiques pour les connexions aux workflows d'analyse et aux applications de nouvelle génération. Les MLOP vont de pair avec la première prédiction, en abordant la collaboration entre les équipes de science des données et les équipes opérationnelles pour les applications basées sur l'IA en production.
|
|
Shifting to data science and analytics, there has been an increased focus on democratizing data access to support all areas of the business. This of course pushes the need for tools that best enable both generalists and specialists to complete their jobs efficiently and effectively. While vendors announce products that seem like the panacea for data democratization, gaps remain when it comes to the entry points and handoffs from one role to another.
|
En passant à la science des données et à l'analyse, l'accent a été mis de plus en plus sur la démocratisation de l'accès aux données pour prendre en charge tous les secteurs de l'entreprise. Cela pousse bien sûr la nécessité de disposer d'outils qui permettent le mieux aux généralistes et aux spécialistes d'accomplir leur travail de manière efficace et efficiente. Alors que les fournisseurs annoncent des produits qui semblent être la panacée pour la démocratisation des données, des lacunes subsistent en ce qui concerne les points d'entrée et les transferts d'un rôle à l'autre.
|
|
Regardless of <insert your term>Ops terminology or who is looking to access what data from what tool using what device, the various and growing number of personas involved in data management and analysis creates a challenge for vendors in how to best position their products and solutions. In 2020, expect vendors to prioritize persona-based marketing from IT operations and developers to data scientists and business analysts.
|
Quelle que soit la terminologie Ops ou qui cherche à accéder aux données à partir de quel outil utilisant quel appareil, le nombre de personnes impliquées dans la gestion et l'analyse des données crée un défi pour les fournisseurs dans la meilleure position de leurs produits et solutions. En 2020, attendez-vous à ce que les fournisseurs accordent la priorité au marketing personnalisé, depuis les opérations informatiques et les développeurs jusqu'aux data scientists et analystes commerciaux.
|
Fixing the AI Skills Gap…with AI
|
Correction de l'écart de compétences en IA... avec l'IA
|
|
How do you fill the AI skills gap? With AI of course. It’s borderline clichéd to cite the AI skills gap as a preventer in leveraging AI. It’s an interesting conundrum: Either you don’t have a data scientist, or you do and you’re asking too much of them. Sixty-three percent of organizations with AI initiatives underway have personnel completing tasks across different phases of the AI lifecycle that fall outside of their core skillset and responsibility.2 And it’s forcing organizations to hold back future investments in the technology.
|
Comment combles-tu le manque de compétences en IA ? Avec l'IA bien sûr. C'est un cliché limite de citer le manque de compétences en IA comme moyen de prévenir l'utilisation de l'IA. C'est une énigme intéressante : Soit vous n'avez pas de data scientist, soit vous le faites et vous en demandez trop. Soixante-trois pour cent des entreprises ayant des initiatives d'IA en cours ont du personnel qui exécute des tâches à différentes phases du cycle de vie de l'IA qui ne relèvent pas de leurs compétences de base et de leur responsabilité.2 Et cela oblige les entreprises à retarder leurs investissements futurs dans la technologie.
|
|
The ironic part is that while both customers and vendors have recognized this challenge, the vendors (who are hiring much of the AI talent) are building tools with embedded AI to solve the problem. This can help two types of roles, both of which need the help. For the non-data scientists like data engineers, data architects, data stewards, etc., advanced tools with intelligent automation will enable them to more rapidly complete their day-to-day tasks, while exposing them to AI technologies with guardrails. For the data scientists themselves, it’s more about focusing on their core expertise and enabling better collaboration and repeatability across the AI lifecycle. We’ve seen it throughout this year, and next year is no different: AI democratization will continue to be desired, emphasized, and embraced.
|
La partie ironique est que, bien que les clients et les fournisseurs aient reconnu ce défi, les fournisseurs (qui embauchent une grande partie des talents de l'IA) construisent des outils avec l'IA intégrée pour résoudre le problème. Cela peut aider deux types de rôles, qui ont tous deux besoin d'aide. Pour les non-scientifiques comme les ingénieurs de données, les architectes de données, les gestionnaires de données, etc., des outils avancés avec automatisation intelligente leur permettront d'accomplir plus rapidement leurs tâches quotidiennes, tout en les exposant aux technologies IA avec garde-corps. Pour les scientifiques des données eux-mêmes, il s'agit davantage de se concentrer sur leur expertise de base et d'améliorer la collaboration et la répétabilité tout au long du cycle de vie de l'IA. Nous l'avons vu tout au long de cette année, et l'année prochaine n'est pas différente : la démocratisation de l'IA continuera d'être souhaitée, soulignée et adoptée.
|
AI Will Take Action
|
L'IA prendra des mesures
|
|
For those leveraging AI today, the predominant method is to access AI through a product or solution to provide predictive insights. Systems turn to prebuilt AI models that are trained on historical results, analyze real-time data streams, and then alert when something is wrong. Nearly one in three (32%) organizations with AI initiatives underway are using AI as a recommendation engine.3 And IT is a key entry point in this area, whether analyzing log files, managing IT systems, monitoring resources, or orchestrating infrastructure. But simple alerting is the low hanging fruit. In fact, in some cases, it should not be considered “AI” at all since it’s more rule-based automation than AI.
|
Pour ceux qui tirent parti de l'IA aujourd'hui, la méthode prédominante consiste à accéder à l'IA via un produit ou une solution pour fournir des informations prédictives. Les systèmes se tournent vers des modèles d'IA prédéfinis qui sont formés sur les résultats historiques, analysent les flux de données en temps réel, puis alertent lorsque quelque chose ne va pas. Près d'une organisation sur trois (32 %) ayant des initiatives d'IA en cours utilise l'IA comme moteur de recommandation3. La TI est un point d'entrée clé dans ce domaine, qu'il s'agisse de l'analyse des fichiers journaux, de la gestion des systèmes informatiques, de la surveillance des ressources ou de l'orchestration de l'infrastructure. Mais l'alerte simple est le fruit à faible pendaison. En fait, dans certains cas, il ne devrait pas être considéré comme « IA » car il s'agit d'une automatisation basée sur des règles plus que l'IA.
|
|
Where AI is going next in this space is taking the appropriate action based on learned behaviors or requirements. Actionable AI will change the way systems are managed, maintained, and provisioned. It will do more than simply provide insight. AI will begin acting to truly enable the next wave of intelligent automation. And while some may consider AI in IT the low hanging fruit, every industry will look to embrace the idea of AI taking action. Maybe it’s a valve automatically turning off, a production line automatically stopping, or a notification directing personnel to allocate more time to a high-value task.
|
Là où l'IA va ensuite dans cet espace, c'est de prendre les mesures appropriées en fonction des comportements ou des exigences appris. L'IA actionnable modifiera la façon dont les systèmes sont gérés, maintenus et provisionnés. Il fera plus que simplement fournir un aperçu. L'IA commencera à agir pour permettre véritablement la prochaine vague d'automatisation intelligente. Et bien que certains considèrent l'IA comme un fruit faible, chaque industrie cherchera à adopter l'idée que l'IA prenne des mesures. Peut-être qu'il s'agit d'une vanne s'éteignant automatiquement, d'une ligne de production s'arrêtant automatiquement ou d'une notification demandant au personnel d'allouer plus de temps à une tâche de grande valeur.
|
Why versus What
|
Pourquoi contre quoi
|
|
Going hand in hand with actionable AI is ensuring the right level of control and accountability. AI today is used heavily to answer questions like: What is that? What happened? What is going to happen? Using AI for pattern recognition is where we are today (still in its infancy). But organizations need much more information to stand behind an AI-based decision, including understanding the cause and effect of an action taken. Using AI to help users understand the cause and then explain the effect in human terms will significantly advance AI adoption. This of course lands in the realm of explainable AI, where insights derived from AI must be explained to a point where they can be understood by a human. While few technology vendors offer features like this today, in 2020, this feature will become a must-have, especially to advance AI adoption in highly regulated industries.
|
Aller de pair avec l'IA réalisable est d'assurer le bon niveau de contrôle et de responsabilisation. L'IA aujourd'hui est largement utilisée pour répondre à des questions comme : Qu'est-ce que c'est ? Que s'est-il passé ? Qu'est-ce qui va se passer ? L'utilisation de l'IA pour la reconnaissance de motifs est l'endroit où nous en sommes aujourd'hui (encore à ses balbutiements). Mais les organisations ont besoin de beaucoup plus d'informations pour soutenir une décision fondée sur l'IA, y compris comprendre la cause et l'effet d'une mesure prise. L'utilisation de l'IA pour aider les utilisateurs à comprendre la cause, puis à expliquer l'effet en termes humains, favorisera considérablement l'adoption de l'IA. Cela se situe bien sûr dans le domaine de l'IA explicable, où les connaissances dérivées de l'IA doivent être expliquées au point où elles peuvent être comprises par un humain. Alors que peu de fournisseurs de technologies offrent des fonctionnalités comme celle-ci aujourd'hui, en 2020, cette fonctionnalité deviendra un must, surtout pour faire progresser l'adoption de l'IA dans les industries hautement réglementées.
|
From the Home to the Workplace
|
De la maison au lieu de travail
|
|
The use of AI assistants has never been higher. It’s becoming more common than ever to leverage NLP on a smart device to answer basic questions or complete basic tasks. Consumers constantly prompt their devices with phrases such as: What’s the temperature today? What’s on my calendar? Tell me about today’s current events. Add milk to my grocery list.
|
L'utilisation d'assistants IA n'a jamais été aussi élevée. Il est de plus en plus courant que jamais d'exploiter NLP sur un appareil intelligent pour répondre à des questions de base ou effectuer des tâches de base. Les consommateurs invitent constamment leurs appareils avec des phrases telles que : Quelle est la température aujourd'hui ? Qu'est-ce qu'il y a sur mon calendrier ? Parlez-moi des événements d'aujourd'hui. Ajouter du lait à ma liste d'épicerie.
|
|
But the shift of this technology to the enterprise is starting and will continue throughout 2020. In enterprise IT, for example, 57% of organizations feel that using NLP to interact with IT systems is good for limited and specific functions like asking to generate a report, while an additional 35% can’t wait to use AI assistant technology, citing it as the way of the future and looking forward to fully embracing all aspects of the capabilities.4 The same can be said in analytics, where a new type of end-user with limited expertise will be looking to data to help their specific line of business achieve a data-driven goal. We’re in the early stages where BI platforms let users ask (with voice) a question and get a response. Even with the potential for AI to misunderstand a spoken word or sentence, expect to see expansions of usage and rhetoric libraries for certain industries to ensure a better understanding and reaction to voice commands in the workplace. 2020 will bring a whole new adoption trendline based on voice interaction capabilities.
|
Mais le transfert de cette technologie vers l'entreprise commence et se poursuivra tout au long de 2020. Dans l'informatique d'entreprise, par exemple, 57 % des entreprises estiment que l'utilisation de NLP pour interagir avec les systèmes informatiques est bonne pour des fonctions limitées et spécifiques, comme demander de générer un rapport, tandis que 35 % supplémentaires ne peuvent pas attendre d'utiliser la technologie d'assistant IA, en la citant comme la voie de l'avenir et en se réjouissant de Il en va de même pour l'analyse, où un nouveau type d'utilisateur final ayant une expertise limitée cherchera à obtenir des données pour aider son secteur d'activité à atteindre un objectif axé sur les données. Nous en sommes aux premiers stades où les plateformes BI permettent aux utilisateurs de poser (avec voix) une question et d'obtenir une réponse. Même si l'IA risque de mal comprendre un mot oral ou une phrase, attendez-vous à une expansion des bibliothèques d'utilisation et de rhétorique pour certaines industries afin d'assurer une meilleure compréhension et une meilleure réaction aux commandes vocales en milieu de travail. 2020 apportera une toute nouvelle tendance à l'adoption basée sur l'interaction vocale capacités.
|
Prioritizing Customer Service
|
Prioriser le service client
|
|
Many of us have been there: We can’t find something or need help answering a question and see a popup in the corner of the webpage that offers real-time assistance. While humans are often behind that customer service interaction, chatbots are increasingly used as a means of answering a question or directing to the next interaction. The challenge today is that many of those chatbots are more based on simple automation, so help is limited, especially with more complex questions or requests. The next year will look to enhance that first-level chatbot experience from simple automation to more advanced comprehension and recommendation. AI will detect intent, establish emotional state, more appropriately answer questions, and on the back-end, provide the human side of customer service with the right information to ensure the customer is as satisfied as possible with the final actions.
|
Beaucoup d'entre nous y sont allés : nous ne pouvons trouver quelque chose ou avons besoin d'aide pour répondre à une question et voir une fenêtre contextuelle dans le coin de la page Web qui offre une assistance en temps réel. Alors que les humains sont souvent derrière cette interaction avec le service à la clientèle, les chatbots sont de plus en plus utilisés comme moyen de répondre à une question ou de diriger vers la prochaine interaction. Le défi aujourd'hui est que beaucoup de ces chatbots sont plus basés sur une automatisation simple, donc l'aide est limitée, surtout pour des questions ou des demandes plus complexes. L'année prochaine cherchera à améliorer cette expérience chatbot de premier niveau, de l'automatisation simple à une compréhension et une recommandation plus avancées. L'IA détectera l'intention, établira l'état émotionnel, répondra mieux aux questions et fournira au côté humain du service à la clientèle les informations appropriées pour s'assurer que le client est le plus satisfait possible des actions finales.
|
Riding the Millennial Wave
|
À cheval sur la vague millénaire
|
|
The next wave of workers will enter the workforce with a different (and better) level of data literacy. They’ll be accustomed to leveraging advanced or next-generation technology in their everyday lives to solve problems or complete tasks and will look to do the same in their jobs. This will bring light to a new wave of influence within organizations to use AI to improve day-to-day tasks. While lines of business will likely continue to be the key driver in AI consumption, expect a bigger push from the workers themselves who look to benefit from advanced automation to improve operational efficiency and productivity.
|
La prochaine vague de travailleurs entrera sur le marché du travail avec un niveau différent (et meilleur) de connaissance des données. Ils seront habitués à tirer parti des technologies avancées ou de nouvelle génération dans leur vie quotidienne pour résoudre des problèmes ou accomplir des tâches, et ils chercheront à faire de même dans leur travail. Cela permettra de mettre en lumière une nouvelle vague d'influence au sein des organisations pour utiliser l'IA pour améliorer les tâches quotidiennes. Alors que les secteurs d'activité continueront probablement d'être le moteur clé de la consommation d'IA, attendez-vous à ce que les travailleurs eux-mêmes, qui cherchent à bénéficier d'une automatisation avancée pour améliorer l'efficacité opérationnelle et la productivité.
|
The Good and Bad of AI-based Content
|
Le bon et le mauvais du contenu basé sur l'IA
|
|
Throughout the year, numerous stories have highlighted some of the groundbreaking (and in some cases dangerous) angles of AI-based content writing to deliver ongoing financial news, highlight election/poll results, influence public opinion, change perception, and share “fake news.” While many tools have remained private/proprietary, such as those used by national media outlets to write factual articles in a repeatable way, other technologies have become more newsworthy as of late. OpenAI can automatically generate intelligent text responses. Deepfake is the idea of utilizing specialized AI to layer in/out pieces of images, audio, and video. The former was previously kept private but was recently made available to the public. This is paving the way for more people, organizations, entities, etc., to leverage AI in legitimate or malicious ways. And of course, it must be mentioned that with a globally impactful presidential election on the horizon, it will be more important than ever to detect what is real and what is fake in publicly shared content. 2020 will pave the way to establish a global standard in AI-writer detection.
|
Tout au long de l'année, de nombreuses histoires ont mis en lumière certains des angles novateurs (et parfois dangereux) de la rédaction de contenu basé sur l'intelligence artificielle pour diffuser des nouvelles financières continues, mettre en évidence les résultats des élections et des sondages, influencer l'opinion publique, changer la perception et partager des « fausses nouvelles ». Bien que de nombreux outils soient restés privés/propriétaires, comme ceux utilisés par les médias nationaux pour rédiger des articles factuels de manière répétable, d'autres technologies sont devenues plus dignes d'intérêt pour l'actualité. OpenAI peut générer automatiquement des réponses textuelles intelligentes. Deepfake est l'idée d'utiliser l'IA spécialisée pour superposer des morceaux d'images, audio et vidéo. Le premier était auparavant privé, mais il a été récemment mis à la disposition du public. Cela ouvre la voie à un plus grand nombre de personnes, d'organisations, d'entités, etc., pour tirer parti de l'IA de manière légitime ou malveillante. Et bien sûr, il faut mentionner qu'avec une élection présidentielle à impact mondial à l'horizon, il sera plus important que jamais de détecter ce qui est réel et ce qui est faux dans le contenu partagé publiquement. 2020 ouvrira la voie à l'établissement d'une norme mondiale en matière de détection des écrivains IA.
|
Focus on Mobility
|
Focus sur la mobilité
|
|
When it comes to augmented analytics, the focus has been on incorporating AI and ML to democratize access to data and, more importantly, insights. The idea is to enable more personnel across an organization to utilize data. And over the next year, businesses will turn to BI tools that enable a new wave of end-users to access data, dashboards, and reports—and that means accessing all of that on their terms from their preferred device. ESG research shows that 57% of all workers expect to be able to perform the majority of their job functions from any device and nearly one-quarter (23%) of workers specifically use a mobile device for more than a third of their workday.5 Marrying data, analytics, BI, and insight with AI-based technology will be central to the democratization of analytics.
|
En ce qui concerne l'analyse augmentée, l'accent a été mis sur l'intégration de l'IA et du ML afin de démocratiser l'accès aux données et, plus important encore, les connaissances. L'idée est de permettre à plus de personnel d'une organisation d'utiliser les données. Et au cours de la prochaine année, les entreprises se tourneront vers des outils BI qui permettent à une nouvelle vague d'utilisateurs finaux d'accéder aux données, aux tableaux de bord et aux rapports, ce qui signifie accéder à tout cela selon leurs conditions à partir de leur appareil préféré. Les recherches d'ESG montrent que 57 % de tous les travailleurs s'attendent à être en mesure d'exécuter la majorité de leurs fonctions professionnelles à partir de n'importe quel appareil et que près du quart (23 %) des travailleurs utilisent spécifiquement un appareil mobile pendant plus d'un tiers de leur journée5. central pour la démocratisation de l'analytique.
|
|
5. Source: ESG Master Survey Results, 2019 Digital Work Trends Survey, November 2019.
|
5. Source : ESG Master Survey Results, Enquête sur les tendances du travail numérique 2019, novembre 2019.
|
|
|