« De nombreuses industries cherchent à savoir comment le calcul déterministe classique ou technico-scientifique de haut niveau peut être utilisé en conjonction avec l’IA ou l’apprentissage automatique pour obtenir un modèle mixte plus efficace », déclare Addison Snell, PDG d’Intersect360 Research
L’apprentissage des modèles d’IA implique un processus critique connu sous le nom d’« inférence ». L’IA générative, plus particulièrement, a besoin d’un ensemble de données plus important pour améliorer ses algorithmes.
Informations clés
1. « Ce qui m’a le plus frappé, c’est qu’il qu’il n’existe pas de solution toute faite, prête à l’emploi, disponible aujourd’hui, à moins que vous ne travailliez dans un secteur relativement banal », déclare Rui Lopes, directeur de l’évaluation des nouvelles technologies chez Elekta, fabricant de solutions de radiothérapie de précision.
2. L’enquête de référence AI InfrastructureView 2021 a révélé que les infrastructures non adaptées constituaient une cause fréquente d’échec des projets d’IA. Ce constat, ainsi qu’une étude révélant que les besoins informatiques des modèles d’IA à grande échelle ont doublé tous les 10,7 mois entre 2016 et 2022, souligne l’accélération des exigences des technologies liées à l’IA.
Tendances en matière d’investissement
John-David Lovelock, analyste principal chez Gartner, souligne qu’« en 2023 et 2024, très peu de dépenses informatiques ont été et seront liées à l’IA générative ». Malgré tout, les organisations continuent d’investir dans l’IA et l’automatisation, dans le but de renforcer l’efficacité opérationnelle et de combler les lacunes en matière de talents dans le domaine de l’informatique.
Lorsqu’elles se lancent dans l’IA, une grande partie des organisations (43 %) donnent la priorité à la collecte, à la curation et au nettoyage des données en premier lieu, si l’on en croit une enquête de l’AI Infrastructure Alliance réalisée en 2022.
Durée de vie des données
Lorsqu’elles se lancent dans l’IA, une grande partie des organisations (43 %) donnent la priorité à la collecte, à la curation et au nettoyage des données en premier lieu, si l’on en croit une enquête de l’AI Infrastructure Alliance réalisée en 2022.
Systèmes legacy et conservation des données
Orlando Ribas Fernandes, PDG et cofondateur de Fashable, fait une analogie : « Tout comme les programmes de traitement de texte sont devenus des outils courants pour accroître la productivité générale, l’IA deviendra un outil courant pour les organisations afin d’accroître l’innovation ».
La transition des systèmes informatiques, notamment pour les ERP (Établissements Recevant du Public), constitue une préoccupation majeure. Une attention insuffisante au cours de cette phase de migration peut conduire à des pertes de données prématurées, empêchant ainsi une utilisation efficace de l’IA.
Les grandes entreprises, grâce à leurs vastes réserves de données historiques, sont bien placées pour être le fer de lance des progrès de l’IA. On trouve un bon exemple avec la transition, au sein de la base client de SAP, d’un système ECC vers l’application plus récente S/4HANA. Les systèmes legacy, essentiels pour conserver des données historiques inestimables, sont confrontés à des menaces telles que des dettes techniques et des vulnérabilités accrues, illustrées par de récentes failles de sécurité dans la bibliothèque cURL (vulnérabilités CVE-2023-38545 et CVE-2023-38546).
Des interprétations erronées concernant la confidentialité des données ont également donné lieu à des pratiques drastiques de conservation des données, qui se traduisent souvent par des suppressions massives et inutiles de données.
Des solutions comme ELSA
ELSA by TJC offre une approche personnalisée de la gestion des systèmes legacy, permettant un décommissionnement sécurisé tout en sauvegardant les données essentielles et en respectant les normes de confidentialité des données, ce qui en fait un atout vital pour la préservation de l’intégrité des données, essentielle pour les opportunités futures dans le champ de l’intelligence artificielle. Pour en savoir plus sur ELSA, consultez le site https://www.tjc-group.com/resource/elsa-by-tjc-for-legacy-system-decommissioning/.
Conclusion
Actuellement, les dépenses en IA concernent essentiellement les modèles d’IA, mais les analystes prévoient une augmentation remarquable des budgets consacrés à l’IA générative vers 2025. Cependant, pour que l’énorme potentiel en jeu soit pleinement déployé, la protection et la gestion méticuleuse des informations des systèmes legaçy sont primordiales. Des solutions telles qu’ELSA by TJC se distinguent en offrant des technologies modernes associées à une infrastructure flexible et conçue spécifiquement à cette fin. Ces solutions innovantes jouent un rôle essentiel dans la sauvegarde des applications legacy, garantissant ainsi que les vastes réservoirs de données historiques sont préservés et exploités efficacement dans l’évolution et l’expansion des capacités de l’IA.
Juste après avoir publié cet article, je suis tombé sur cet article récent de McKinsey Digital: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-data-dividend-fueling-generative-ai
Le point n° 4 est directement lié à cet article : « se concentrer sur la sécurisation des données propriétaires de l’entreprise et la protection des informations personnelles tout en surveillant activement un environnement réglementaire fluide ». L’article de McKinsey approfondit la question de l’alimentation de l’IA générative. Dans le fond, l’équation est toujours la même : pas de données, pas de carburant. Pas de carburant, pas de dividendes. .
