Au cours des dernières années, le débat autour de l'IA d'entreprise a considérablement évolué. Les premières discussions ont porté sur les grands modèles linguistiques, la génération augmentée par la recherche, l'ingénierie des prompts, la sélection des modèles et l'identification des processus métier les mieux adaptés à l'IA générative. De nombreuses entreprises se sont empressées de tester de nouvelles technologies, désireuses de comprendre comment l’IA pouvait améliorer la productivité, accélérer la prise de décision et transformer l’expérience client.
Aujourd’hui, le débat évolue.
Alors que les modèles d’IA continuent de s’améliorer à un rythme effréné, de nombreuses entreprises se rendent compte que le principal obstacle à une adoption réussie de l’IA n’est plus le modèle lui-même. Le défi consiste plutôt à fournir aux systèmes d'IA un accès à des données précises, fiables, contrôlées et prêtes à l'emploi.
Cette évolution se reflète de plus en plus dans les études des analystes. Gartner a souligné l'importance de disposer de données compatibles avec l'IA, ainsi que de pratiques de gouvernance et de gestion des données, à mesure que les entreprises passent de la phase d'expérimentation à celle des déploiements en production. De même, les analystes du secteur ne cessent de souligner le besoin croissant d’architectures capables d’unifier la gestion des données, leur intégration, l’analyse, la gouvernance et l’IA, tout en réduisant la complexité opérationnelle.
La raison en est claire. La plupart des organisations ne souffrent pas d'un manque de données. Au contraire, elles sont confrontées à des informations fragmentées, dispersées entre les applications opérationnelles, les bases de données, les services cloud, les entrepôts de données, les lacs de données, les écosystèmes de partenaires, les plateformes SaaS et les silos de données départementaux. Il arrive souvent que différentes équipes aient des définitions différentes pour les mêmes concepts métier. Les problèmes liés à la qualité des données persistent. Les politiques de gouvernance varient d'un système à l'autre. La gestion des contrôles de sécurité devient de plus en plus difficile à mesure que les volumes et les sources de données ne cessent d'augmenter.
Lorsque les entreprises déploient l'IA dans ces environnements, elles constatent souvent que celle-ci amplifie ces défis au lieu de les éliminer.
Il n'y a pas de stratégie en matière d'IA sans stratégie en matière de données
L'engouement croissant pour l'IA a conduit de nombreuses organisations à se concentrer sur les modèles, les agents et les assistants. Bien que ces technologies soient importantes, elles ne constituent qu'un élément parmi d'autres d'une initiative réussie en matière d'IA.
Pour que l'IA apporte une réelle valeur ajoutée à l'entreprise, elle doit s'appuyer sur des informations précises, à jour, fiables et comprises dans le contexte de l'entreprise. Sans base cohérente, les systèmes d’IA peuvent générer des réponses contradictoires, aggraver les problèmes liés à la qualité des données et nuire à la confiance.
L’un des défis auxquels nous sommes fréquemment confrontés concerne les organisations qui tentent de déployer l’IA dans des environnements où les informations critiques sont dispersées dans des dizaines, voire des centaines d’applications et de référentiels. Les analystes et les utilisateurs professionnels consacrent un temps considérable à rechercher des informations, à les valider, à harmoniser les divergences entre les systèmes et à déterminer quelle version des données est la bonne avant même de pouvoir entamer une analyse pertinente. Les équipes de direction sont peut-être enthousiastes à l’égard de l’IA, mais elles partagent souvent une même préoccupation : si, aujourd’hui, différents systèmes fournissent des réponses différentes à une même question métier, comment pourront-elles se fier aux réponses générées par l’IA demain ?
Les modèles constituent rarement un frein.
C’est plutôt la base de données qui en est la limite.
Cette réalité est de plus en plus courante dans tous les secteurs d’activité. Les entreprises prennent conscience que la réussite des projets d'IA ne se limite pas à la mise en œuvre de modèles performants. Elles nécessitent des définitions métier cohérentes, un accès contrôlé aux informations, la gestion des métadonnées, des contrôles de sécurité, la traçabilité, un contexte sémantique et une compréhension fiable des données d'entreprise.
En bref, il n'y a pas de stratégie d'IA sans stratégie de données.
Jeter les bases de l'IA d'entreprise
Ce défi a suscité un intérêt croissant pour les architectures de données modernes, capables d’offrir une vue commune et régie des informations d’entreprise.
Plutôt que de combiner des outils distincts pour l’intégration, la gouvernance, la gestion des métadonnées, l’analyse et l’IA, les entreprises recherchent de plus en plus des approches qui simplifient les environnements de gestion des données. Selon des études menées par des analystes, de nombreuses entreprises réévaluent actuellement leurs architectures qui s'appuient sur de nombreuses plateformes spécialisées, conscientes que la complexité et la prolifération qui en découlent peuvent alourdir les coûts opérationnels, poser des défis en matière de gouvernance, freiner l'innovation et introduire des incohérences qui réduisent la précision et la fiabilité des résultats générés par l'IA.
L'objectif ne se limite pas à une gestion plus efficace des données.
L'objectif est de créer une vue commune et fiable des informations de l'entreprise, couvrant l'ensemble des applications, bases de données, entrepôts de données, lacs de données, plateformes cloud, fichiers, API et autres systèmes existants. En mettant en place cette base, les organisations peuvent réduire les incohérences qui apparaissent naturellement lorsque les informations sont réparties entre plusieurs environnements, tout en permettant aux utilisateurs, aux applications, aux plateformes d’analyse et aux systèmes d’IA de s’appuyer plus facilement sur une même compréhension de l’activité.
Tout aussi important, une approche unifiée aide les organisations à appliquer de manière plus cohérente leurs politiques de gouvernance, de sécurité, de confidentialité et de conformité à l’ensemble de leur écosystème de données. L'information devient plus facile à trouver, plus facile à comprendre et plus fiable. Il en résulte une base plus solide, non seulement pour l'analyse des données et la prise de décision opérationnelle, mais aussi pour la prochaine génération d'applications et de flux de travail basés sur l'IA.
Présentation de l'assistant IA d'InterSystems Data Studio
Nous sommes ravis d'annoncer aujourd'hui la mise à disposition générale d'InterSystems Data Studio™ AI Assistant, une extension d'IA générative « low-code » pour InterSystems Data Studio qui intègre des assistants intelligents, des agents prêts à l'emploi et un cadre multi-agents. Il est conçu pour aider les entreprises à explorer, analyser et interroger facilement des données structurées et non structurées, ainsi qu'à visualiser les résultats à l'aide d'une interface conversationnelle en langage naturel. L'assistant IA «
» est conçu pour fonctionner avec l'ensemble des données dont disposent déjà les entreprises. En tirant parti des capacités sous-jacentes d'InterSystems Data Studio pour connecter, harmoniser, réguler et gérer les informations provenant d'applications opérationnelles, de bases de données, d'entrepôts de données, de services cloud et d'autres sources de données, les entreprises peuvent créer et maintenir une couche de données unifiée, cohérente et régulée, que l'assistant IA peut exploiter pour générer des analyses plus pertinentes. En permettant aux utilisateurs professionnels, aux analystes, aux applications et aux assistants IA d'accéder à une base d'informations unique, fiable et régie par des règles, les entreprises peuvent réduire la complexité et renforcer la confiance dans l'exactitude des analyses et des réponses générées par l'IA.
AI Assistant fournit à la fois des agents prêts à l'emploi et un cadre multi-agents qui permet aux entreprises de créer des assistants personnalisés capables d'orchestrer plusieurs agents pour répondre à des cas d'utilisation spécifiques à un domaine, avec des ensembles de données, des règles et des autorisations personnalisés. Plutôt que de s'appuyer uniquement sur un modèle de type « requête-réponse », plusieurs agents peuvent collaborer pour effectuer des analyses et des raisonnements plus sophistiqués. Pour les utilisateurs professionnels, cela offre un moyen plus précis et plus intuitif d'obtenir des réponses et d'explorer les informations contenues dans les documents et applications d'entreprise. Pour les entreprises, cette solution offre une infrastructure d'intelligence artificielle capable de traiter des requêtes plus complexes, de fournir des informations plus précises et de permettre une analyse plus approfondie des données de l'entreprise.
Transformer des données fiables en valeur ajoutée pour l'entreprise
Le succès des initiatives en matière d'IA ne dépendra pas uniquement des modèles choisis par les organisations. Elles se distingueront également par leur capacité à associer efficacement l'IA à des données d'entreprise fiables.
Par exemple, les entreprises du secteur des services financiers pourraient souhaiter étudier leur exposition au risque de liquidité, analyser les concentrations de risques ou identifier des tendances inhabituelles dans plusieurs systèmes d'entreprise. Les responsables de la chaîne d'approvisionnement peuvent avoir besoin de comprendre en temps réel les perturbations au niveau des stocks, les contraintes des fournisseurs et les risques logistiques. Les établissements de santé peuvent chercher à optimiser les performances de leur cycle de revenus, à améliorer l'utilisation de leurs effectifs et à maximiser l'efficacité de leurs actifs et installations essentiels.
Dans tous les cas, l'IA s'avère précieuse. Mais sa valeur dépend en grande partie de la qualité, de l'accessibilité, du contexte et de la gouvernance des informations qui la sous-tendent.
En associant une base de données fiable et unifiée à des capacités d'IA générative intégrées, InterSystems Data Studio et AI Assistant aident les organisations à dépasser le stade des expériences d'IA isolées pour obtenir des résultats commerciaux mesurables dans des environnements de production.
Perspectives d'avenir
À chaque nouvelle version, les grands modèles linguistiques et les systèmes d'IA gagnent en performances, en précision et deviennent plus faciles à mettre en œuvre pour résoudre des problèmes concrets dans le monde des affaires. En conséquence, les assistants IA sont rapidement mis en œuvre dans pratiquement tous les secteurs d’activité.
Ce qui distinguera les entreprises performantes des autres, ce n’est pas le fait qu’elles déploient ou non l’IA, mais leur capacité à fournir à l’IA un accès à des informations fiables, contrôlées et prêtes à l’emploi. Les organisations capables de combler le fossé entre les données d'entreprise fragmentées et les informations générées par l'IA seront les mieux placées pour tirer parti de la valeur à long terme de l'IA.
C'est pourquoi l'avenir de l'IA d'entreprise ne se résume pas simplement à de meilleurs modèles. Il s'agit également de disposer de bases de données plus solides.
Grâce à la mise à disposition générale de l'assistant IA d'InterSystems Data Studio, les entreprises peuvent combiner une couche de données unifiée, l'intégration des données, la gouvernance, la gestion des métadonnées, la cohérence sémantique, l'analyse et des assistants basés sur l'IA au sein d'une seule et même plateforme, ce qui leur permet de transformer des données d'entreprise fiables en informations exploitables.
Car, en fin de compte, la qualité de l’IA dépend de celle des données sur lesquelles elle s’appuie.