Les causes profondes de l'échec du projet d'intelligence artificielle et son chemin de succès - Éviter le modèle anti-modèle

Liste des titres des chapitres clés

1. Contexte de la recherche et défis fondamentaux
2. Méthodologie de recherche et conception des entretiens
3. Principales découvertes des entretiens industriels
4. Échecs pilotés par la direction
5. Échecs pilotés de manière ascendante
6. Échecs liés à la gestion des données
7. Échecs dus à des investissements insuffisants en infrastructure
8. Échecs causés par l'immaturité technologique
9. Étude de cas spécifique : puissance de calcul et talents
10. Adéquation du développement logiciel agile avec les projets d'IA
11. Recommandations pour une mise en œuvre réussie dans l'industrie
12. Recommandations pour l'amélioration de la recherche académique

Présentation du document

L'intelligence artificielle, en tant que technologie au potentiel transformateur, est largement reconnue par diverses organisations, du secteur privé au département de la Défense des États-Unis, qui augmentent leurs investissements. Ses applications couvrent déjà des domaines clés tels que la pharmacie, la vente au détail et la défense. Cependant, malgré les grandes attentes placées dans l'IA, 84% des dirigeants d'entreprise estiment que l'IA aura un impact significatif sur leurs activités, mais seulement 14% des organisations sont pleinement préparées à l'intégrer. Plus de 80% des projets d'IA échouent, un taux deux fois plus élevé que celui des projets informatiques classiques. Transformer le potentiel de l'IA en résultats concrets est devenu un défi urgent.

Ce rapport se concentre sur la branche de l'apprentissage automatique (comprenant l'apprentissage supervisé, non supervisé, par renforcement et les grands modèles de langage). Il collecte des données primaires via des entretiens semi-structurés menés d'août à décembre 2023. Les participants comprennent 50 professionnels expérimentés de l'IA dans l'industrie et 15 chercheurs académiques, tous possédant au moins cinq ans d'expérience dans la construction de modèles IA/ML, couvrant des entreprises de différentes tailles et divers domaines disciplinaires, garantissant ainsi la représentativité des conclusions de l'étude.

La recherche identifie cinq causes fondamentales de l'échec des projets d'IA dans l'industrie : une mauvaise compréhension ou une communication inadéquate entre les parties prenantes concernant le problème à résoudre, un manque de données de qualité suffisantes au sein de l'organisation, une focalisation excessive sur les technologies de pointe plutôt que sur les problèmes pratiques, des infrastructures insuffisantes, et l'application de l'IA à des problèmes dépassant ses capacités techniques. Parallèlement, les biais décisionnels de la direction (comme la fixation d'objectifs erronés ou la sous-estimation des délais), la pénurie d'ingénieurs de données et les problèmes de qualité des données, ainsi que la poursuite aveugle des nouvelles technologies par les équipes techniques, constituent les principaux facteurs d'échec.

Dans le milieu académique, l'étude révèle que les échecs des projets proviennent principalement d'incitations mal alignées, incluant une recherche excessive de prestige, des structures de données inadaptées et la pression pour publier, ce qui détourne la recherche de sa valeur pratique. En outre, le rapport examine l'état des éléments de soutien clés tels que la puissance de calcul et l'offre de talents, ainsi que l'adéquation des méthodes de développement agile aux projets d'IA.

Sur la base de la recherche empirique, le rapport propose des recommandations ciblées pour l'industrie et le monde académique : l'industrie devrait renforcer l'alignement cognitif entre les équipes techniques et les scénarios métier, se concentrer sur les problèmes fondamentaux de long terme, adopter une approche centrée sur le problème plutôt que pilotée par la technologie, augmenter les investissements en infrastructure et reconnaître les limites de la technologie IA. Le monde académique doit surmonter les obstacles à l'accès aux données via des partenariats public-privé et développer des programmes doctoraux orientés vers la pratique. Ce rapport fournit au département de la Défense des États-Unis et à d'autres organisations un guide pour éviter les risques dans la planification de projets d'IA, et offre un cadre d'action alliant profondeur théorique et valeur pratique pour la mise en œuvre réussie de projets d'IA.