Les modèles d'IA ne sont jamais meilleurs que les données qu'ils reçoivent. Ce n'est pas un slogan mais un problème pratique : un modèle de langage qui travaille avec des données dispersées, obsolètes ou non définies produit des réponses tout aussi dispersées, obsolètes et non définies. De nombreuses organisations ne s'en rendent compte qu'après le lancement d'un pilote, lorsqu'il apparaît que les données dont le modèle a besoin ne se trouvent nulle part réunies en un seul endroit, ou que plus personne ne sait quelle version d'un fichier est la bonne. La gestion des données est une des dimensions fondamentales : la question n'est pas de savoir quelles tâches l'IA pourrait reprendre, mais si sous ces tâches se trouve une couche de données suffisamment solide pour construire dessus.
La gestion des données porte sur l'origine des données, sur qui en est responsable, dans quel état elles se trouvent et sur la facilité avec laquelle elles peuvent être trouvées et combinées. Cela comprend notamment le fait de savoir si les données sont stockées de manière centralisée ou dispersée, si un propriétaire a été désigné par jeu de données, si les définitions de notions telles que « client » ou « projet actif » sont cohérentes entre les services, et s'il existe une visibilité sur la qualité des données utilisées quotidiennement. Une organisation peut obtenir un score élevé en matière d'infrastructure informatique tout en affichant un niveau faible de gestion des données : les systèmes sont présents, mais personne n'a jamais consigné précisément ce qu'ils contiennent ni qui est autorisé à y apporter des modifications.
Au niveau baseline, les données existent surtout en silos : chaque service tient ses propres fichiers, sans structure ni propriété partagées. Au niveau foundation, un début d'organisation apparaît : des accords existent sur l'endroit où certaines données doivent se trouver, mais l'exécution dépend encore des habitudes individuelles. Au niveau activation, la propriété des données est attribuée et il existe un cadre conceptuel partagé, de sorte que différents services utilisent le même terme de la même manière. Au niveau insight, la qualité des données est mesurée et suivie, et l'on sait où se situent les points faibles dans la chaîne de données. Le niveau intelligence signifie que la gestion des données est intégrée dans le fonctionnement quotidien : la qualité, la provenance et l'accès sont contrôlés en continu, non pas comme un projet distinct mais comme une composante permanente de la façon de travailler.
Un indicateur pratique est le temps nécessaire pour répondre à une question simple, telle que le nombre de clients ayant acheté un produit donné au cours de l'année écoulée. Si la réponse provient d'un seul système en quelques minutes, cela indique un niveau plus élevé. S'il faut d'abord appeler trois personnes pour déterminer quel fichier est actuel, cela indique un niveau baseline ou foundation. Un autre indicateur est ce qui se passe lorsqu'une personne détenant la connaissance d'un jeu de données quitte l'organisation : l'information reste-t-elle accessible, ou disparaît-elle avec cette personne. Il est également pertinent de savoir si quelqu'un porte la responsabilité d'un jeu de données, ou si cette responsabilité n'incombe en réalité à personne.
Dans le cadre de la mesure de maturité, cette dimension n'est pas évaluée par une seule personne, mais par plusieurs personnes séparément. Un responsable informatique peut évaluer la gestion des données comme élevée parce que les systèmes sont techniquement en ordre, tandis qu'un responsable opérationnel donne un score faible parce que dans la pratique les données ne semblent ni trouvables ni fiables. Cette dispersion devient visible dans le positionnement et constitue en soi un signal : un grand écart entre les scores signifie souvent que l'organisation est plus avancée sur le papier que dans la pratique quotidienne, ou que différents services travaillent avec différentes versions de la vérité. Une dispersion étroite, même à un niveau plus bas, indique une vision réaliste et partagée à partir de laquelle travailler.
Le passage de baseline à foundation ne nécessite souvent pas de nouvelle technologie, mais des accords : qui est propriétaire de quel jeu de données, et où se trouve quelle information. Le passage de foundation à activation nécessite un cadre conceptuel partagé, afin que les services ne définissent pas chacun de leur côté ce qu'est un « client actif » ou un « projet terminé ». Ce qu'exige une étape spécifique en termes de coûts et de temps dépend de la taille de l'organisation et de l'état des systèmes sous-jacents ; cela est détaillé sur la page consacrée à ce que coûte le passage d'un niveau pour une organisation et la page consacrée à ce que coûte le passage d'un niveau pour l'infrastructure informatique, car les données et l'infrastructure évoluent souvent ensemble dans la pratique.
La gestion des données n'est pas isolée du reste de la mesure. Sans accords clairs sur qui peut utiliser quelles données et dans quel but, des questions apparaissent qui relèvent en réalité de la vie privée et la sécurité. Sans des personnes qui comprennent ce que signifie la qualité des données et comment y veiller dans leur travail, la dimension les personnes et les compétences reste en retard. Et sans un regard sur qui décide ce qui peut ou ne peut pas être fait avec les données, le lien avec l'éthique manque. Les sept dimensions de la mesure sont liées entre elles ; la gestion des données en est une, et généralement pas la dernière qui mérite de l'attention.
Cette mesure montre si le terrain sous les applications d'IA est suffisamment solide : si les données sont trouvables, fiables et attribuées à quelqu'un. C'est une question différente de celle de savoir quelle part du travail peut elle-même être reprise par l'IA. Cette question est traitée par le scan de travail de FTE TO AI, qui calcule par tâche quelle part se prête à un transfert vers l'IA, en partant de la structure de données présente à ce moment-là. Les deux mesures sont conçues pour être lues l'une après l'autre : d'abord la capacité portante, ensuite les tâches qui peuvent s'y appuyer.
La mesure de maturité, incluant la dimension gestion des données, est actuellement en cours de développement. Toute personne souhaitant effectuer la mesure dès qu'elle sera disponible peut s'inscrire sur la liste d'attente.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.