Cet article est apparu à l'origine au nom du Forbes Technology Council, une communauté de CIO, CTO et cadres technologiques de classe mondiale. Lire l'article original ici.

Quand il s'agit d'intelligence artificielle (IA) et d'apprentissage automatique, en particulier, la façon dont nous concevons les logiciels change fondamentalement. Les ingénieurs traditionnels n'avaient pas à envisager l'idée que les logiciels devaient “apprendre” pour être utiles. Nous définissions les “règles” que nous voulions prendre en compte, les codions en dur dans les applications en cours de construction et les libérions. Ensuite, nous les avons itérées et améliorées dans un cycle continu.

C'est différent avec l'IA. Plutôt que de coder en dur des règles dans les applications, les produits IA se reposent sur des données d'entraînement pour fonctionner. Par exemple, lorsque les applications GPS sont sorties pour la première fois, elles ont tout changé — adieu les cartes papier ! Environ une décennie plus tard, l'application de navigation Waze a redéfini cette expérience une fois de plus. Waze a découvert qu'en agrégeant les données de tous leurs utilisateurs, ils pouvaient non seulement indiquer à un utilisateur où aller ensuite, mais aussi le trajet le plus rapide pour y arriver et mettre à jour ces recommandations en temps réel.

Au fur et à mesure que nous devenons plus intelligents dans la construction d'applications logicielles, nous avons appris que les pratiques de développement comme le modèle en cascade ne fonctionnent pas car elles ne prennent pas suffisamment en compte l'utilisateur dans le cycle de développement logiciel. Au final, les utilisateurs ont probablement de nouveaux besoins. Nous sommes donc passés à de nouvelles approches, telles que celles rendues célèbres dans des livres comme The Lean Startup. Bien que les gens remettent en question aujourd'hui des concepts comme le “produit minimum viable,” les idées sont absolument correctes : Commencez petit et mettez votre produit entre les mains de vos utilisateurs dès que possible afin de recueillir leurs commentaires et d'améliorer le produit en cours de route.

L'IA doit être abordée de la même manière. Il est tentant de passer des années à construire le système d'intelligence artificielle parfait, formé par d'énormes volumes d'ensembles de données parfaits. Mais ne soyez pas surpris si le produit est complètement obsolète et sans importance au moment de sa sortie dans le monde.

Peut-être que votre ensemble de données reflétait d'anciennes pratiques qui n'ont plus de sens, ou que votre algorithme n'a jamais été confronté à un idiome particulier. Ou peut-être que la personne à laquelle vous pensiez utiliser votre produit n'est pas celle qui finit par l'utiliser. Une IA formée dans un vide ne peut réagir qu'à ce à quoi elle a été exposée. Je suis profondément convaincu qu'il faut mettre votre algorithme là où il peut apprendre, s'adapter et s'améliorer. Voici pourquoi il est OK de laisser votre IA commencer “bête”.

Trouvez Votre Focus

Nous savons déjà que les outils IA ne sont pas encore capables de remplacer les gens, et nous ne nous attendons pas à ce qu'ils puissent le faire dans un avenir proche. Gardez cela à l'esprit lorsque vous concevez votre solution. Faites de votre utilisateur le centre de votre algorithme et concentrez-vous intentionnellement sur un cas d'utilisation que cet utilisateur prend à cœur.

Un exemple ici est Textio, un réseau de coaching basé sur l'IA qui aide les professionnels du talent à rédiger de meilleures descriptions de poste. C'est une tâche très spécifique. Ils ne se concentrent pas sur le fait de transformer tout le monde en meilleurs écrivains. Ils ont choisi une spécialité - les descriptions de poste - et sont allés en profondeur. Les plus grandes réalisations en intelligence artificielle que nous ayons vues commencent par une tâche discrète, puis s'élargissent. Et plus la solution est étroitement focalisée, plus l'IA apprendra rapidement.

Ne mettez pas le fantôme avant la machine

Une fois que vous avez trouvé votre focus, ne vous emballez pas trop vite pour changer le monde. Ne considérer que les choses qui doivent se produire pour qu'un système d'IA (même stupide) fonctionne est un processus intense et épuisant qui comprend :

• Mise en place de l'environnement technique
• Mise en place du système qui stocke toutes les données d'entraînement
• Mise en place de l'algorithme extrêmement important qui entraîne les données et propose des suggestions en retour

Bien que le cloud ait rendu ces étapes plus faciles, elles restent une corvée. C'est pourquoi vous devez finalement concentrer l'essentiel de vos efforts sur la mise en place et la stabilité des processus ci-dessus, ce qui vous permettra d'avancer beaucoup plus rapidement une fois que vous commencerez à tester votre produit avec des clients potentiels, plutôt que si vous choisissiez de passer la majeure partie de votre temps à entraîner vos données. Si vous travaillez dans un monde théorique et essayez de collecter des données d'entraînement sans l'avis de vrais clients, vous travaillez dans un vide qui vous renverra vos suppositions préexistantes.

Mettez votre IA devant les gens

Vos données d'entraînement sont essentielles au début du processus, mais pour créer un produit IA qui peut s'améliorer avec le temps, vous devez faire le pas vers le plus grand ensemble de données de tous : l'expérience humaine. Et cela nécessite que vous investissiez dans l'expérience utilisateur (UX). Plus vous pouvez rendre l'expérience de l'utilisation de votre IA agréable, plus les gens voudront l'utiliser, ce qui signifie que votre modèle collectera beaucoup plus rapidement des données.

Il est essentiel de connecter l'importance de l'UX à la réussite de votre initiative IA. Malheureusement, la plupart des gens ne pensent pas de cette façon. Ils sont pris par l'idée d'une amélioration de la vie grâce aux algorithmes, et ont tendance à supposer que l'IA concerne la machinerie. La réalité est que vous faites tout ce travail pour avoir accès à des données. Mais les données doivent venir de quelque part.

Le concept fondamental souvent oublié à comprendre ici est que ce "quelque part" ce sont les personnes utilisant votre logiciel. L'IA fonctionne lorsque vous la traitez comme un partenariat entre les humains et les machines. C'est pourquoi si vous n'avez pas une bonne UX, vous n'aurez jamais une bonne IA. Si vous ne commencez pas en disant, "Je vais créer un système que les gens veulent utiliser, facile à utiliser et qu'ils utiliseront souvent", alors rien de tout cela n'a d'importance.

Un algorithme peut toujours être ajusté. Plus il est utilisé dans le monde réel, mieux il fonctionne. Il est moins important qu'il soit brillant dès le départ que de trouver le problème spécifique que vous voulez résoudre et de préparer votre environnement technique pour absorber les données. En fin de compte, une IA intelligente est simplement une IA qui fonctionne.