La performance de l’IA et l’analytique reposent sur des fondations de données solides

Victor Coustenoble, Responsable Architecte Solutions chez Starburst pour l’Europe du Sud partage son analyse du sujet.

La performance de l’IA est directement liée aux données auxquelles elle peut accéder et à partir desquelles elle peut apprendre. Voilà pourquoi les architectures de données d’entreprise doivent pouvoir évoluer pour devenir de véritables infrastructures de données IA, capables de supporter la prochaine génération d’applications IA. Heureusement, certains fondamentaux existent déjà. Les entreprises tirent par exemple parti des architectures et des solutions conçues pour l’analytique pour alimenter les flux de travail de l’IA et entraîner leurs propres modèles d’intelligence artificielle et d’apprentissage automatique.

A y regarder de près, l’analytique et l’IA représentent deux facettes d’un même défi : elles transforment des données brutes en insights capables de résoudre des problématiques métier concrètes. Toutes deux reposent également sur des fondations solides mises en place via l’architecture de données. Ces données étant en perpétuel mouvement, de nouvelles sources de valeur émergent pourtant, notamment en lien avec l’IA. C’est pourquoi les entreprises se concentrent désormais sur le développement d’une nouvelle couche fondamentale d’architecture de données IA capable de soutenir à la fois ces nouvelles applications et services mais aussi l’infrastructure qui les alimente.

Que peut faire l’IA pour vous ?

Si l’IA dépend des données qu’elle peut atteindre, ces dernières sont souvent fragmentées, cloisonnées et obsolètes. Pour rentabiliser leurs investissements en IA, les entreprises ont donc besoin d’une architecture de données IA qui couvre leurs environnements cloud et sur site, accélère l’innovation et résout les problèmes métier plus rapidement.

Pour cela, l’IA a besoin d’une architecture évolutive, capable d’accéder à des données provenant de multiples sources et dans divers formats, tout en assurant une gouvernance rigoureuse. C’est pourquoi de nombreuses entreprises adoptent des solutions reposant sur l’architecture de type data lakehouse, déjà utilisée pour l’analytique, pour alimenter leurs modèles d’IA générative et de machine learning. Ces technologies sont à même de prendre en charge les charges de travail liées à l’IA en éliminant les goulets d’étranglement dans les flux de données, exactement comme elles l’ont fait pour l’analytique. Après des années d’évolution, les besoins en analytique et en intelligence artificielle convergent. Désormais, répondre à la question « Que peuvent faire vos données pour vous ? » ne relève plus seulement de l’analytique mais passe de plus en plus par l’IA.

Optimiser l’infrastructure de données IA

Il n’y a pas d’IA sans données. Aucun modèle ne fonctionne sans données pour l’entraîner, et c’est le flux continu de données qui permet à ces modèles de s’améliorer. Les données sont donc la base, non seulement de l’analytique, mais aussi de l’intelligence artificielle. La qualité de ce que vous construisez dépend avant tout de la solidité, de la sécurité et de la fiabilité de vos fondations

En pratique, la plateforme qui soutient votre stack analytique peut aussi être optimisée pour prendre en charge vos modèles d’IA ou de ML. Elle peut alimenter vos tableaux de bord de business intelligence, vos applications de données ou vos modèles d’IA, en agissant à la fois comme moteur de requêtes SQL et comme moteur de requêtes IA. Les critères de succès d’un stack analytique sont les mêmes pour un stack IA : accessibilité, organisation et gouvernance des données. Face à la croissance fulgurante de l’IA, toutes les entreprises, qu’elles l’utilisent déjà ou qu’elles envisagent de le faire, doivent avant tout construire une base de données robuste.

Poser les bases d’une architecture de données IA

Reste un obstacle majeur que les entreprises doivent surmonter : l’accès à des données cloisonnées et fragmentées. Ces silos sont les mêmes que ceux rencontrés en analytique, et ils freinent tout autant la capacité à exploiter la valeur des données. La solution consiste à adopter une plateforme qui constitue une base unifiée pour toutes les données IA, avec un stack solide capable de soutenir les modèles d’IA.

Cette plateforme doit être conçue pour faire évoluer la gouvernance des données au même rythme que le volume de données. C’est déjà le cas pour l’analytique, où elle permet d’établir une base sécurisée dans différents environnements – cloud, sur site, hybride – en offrant un accès approprié selon les besoins des personnes. Elle doit aussi être facile à utiliser. Cela signifie que, lorsque vos équipes rassemblent les sources de données, en extraient le contexte et les injectent dans les modèles IA, leurs efforts produisent des résultats tangibles. Autrement dit, elle accélère le passage du développement à la mise en production, du POC IA à l’intelligence productive à grande échelle. Ce processus constitue les fondations de votre architecture IA pour tirer le maximum de valeur de vos données, qu’il s’agisse d’analytique ou d’IA.

L’architecture de données a toujours joué un rôle déterminant dans le succès de l’analytique, et c’est exactement sa maîtrise a fait la différence dans l’histoire du big data. Avec la montée en puissance de l’IA, l’architecture de données revient au centre des attentions. Comme auparavant, une bonne fondation reste essentielle. Sans données, rien n’est possible. C’est vrai pour l’analytique, et c’est vrai pour l’IA. Et si l’intelligence artificielle ouvre des perspectives passionnantes en matière de valeur métier, les objectifs qu’elle permet d’atteindre restent profondément enracinés dans cette même logique de création de valeur. C’est pourquoi il est essentiel de disposer d’une plateforme qui offre une fondation unique pour toutes vos données, aussi bien pour l’analytique que pour l’IA.