3ème partie

IA : comment prendre l’avantage

Pour que l’IA tienne ses promesses, les entreprises doivent en libérer le potentiel sur les cas d’usage les plus sophistiqués. Si l’informatique de périphérie (Edge Computing) est dans quasiment toutes les conversations, peu d’entreprises ont développé les capacités opérationnelles nécessaires pour fournir une IA proche des clients, des collaborateurs et d’autres utilisateurs cibles. Les avantages sont pourtant indéniables en termes de performance et d’utilité. Ainsi, l’IA en périphérie est considérée par beaucoup comme une étape clé dans le parcours vers une inférence en temps réel. Or, sur l’Edge, les principales problématiques se situent au niveau de la connectivité et de l’échelle opérationnelle. Le cycle de vie des applications d’IA nécessite en effet le mouvement de données, de modèles et de télémétrie à des volumes considérablement plus élevés que pour les applications traditionnelles. Le problème fondamental d’un déploiement Edge à l’échelle se situe donc au niveau de la gestion d’un grand nombre d’emplacements. Une planification et une implémentation intelligentes peuvent résoudre ce problème, mais c’est un enjeu dont la plupart des entreprises commencent à peine à cerner les contours.

Dans sa récente étude « Verizon AI at Scale » réalisée pour Verizon, 451 Research dresse un état des lieux des implémentations actuelles de l’IA en périphérie et de ce que les entreprises espèrent accomplir à terme. La périphérie est un nouvel élément d’infrastructure pour la plupart des entreprises interrogées, dont seulement un tiers a déployé l’Edge Computing et un maigre 2 % y déploie des applications d’IA. Dans des études de marché plus généralistes, on remarque qu’il peut être difficile de s’accorder sur la définition même de périphérie. Ce qui fait en revanche consensus, c’est qu’elle concentrera une grande partie de la valeur future de l’IA.

Aujourd’hui, l’un des facteurs responsables des faibles niveaux d’utilisation de l’IA en périphérie est l’autolimitation par les entreprises elles-mêmes. En l’absence de capacité ou de connectivité Edge pour les cas d’usage IA, les Comex préfèrent ne pas donner suite. Ils passent alors à côté d’un levier de compétitivité considérable, ce dont les entreprises interrogées sont d’ailleurs conscientes. L’inférence représente le véritable travail de l’IA, et cette inférence n’est jamais plus productive que lorsqu’elle s’opère là où les données de sortie sont utilisées. Lorsqu’il est essentiel d’obtenir une réponse rapide, la périphérie fournira les résultats plus rapidement. Les entreprises interrogées ont d’ailleurs identifié de nombreux cas d’usage pour lesquels l’inférence en temps réel serait bénéfique en périphérie. Dans le secteur de la santé, les applications d’IA médicales et le triage aux urgences arrivent en tête de liste. Dans l’industrie, beaucoup reconnaissent son potentiel pour l’assurance qualité et le contrôle des processus. Chez les fournisseurs d’énergie, le contrôle du réseau distribué et le pilotage opérationnel des infrastructures figurent parmi les avantages les plus cités. Or, tous ces processus dépendent des capacités de traitement de l’IA là où les données sont générées.

Pour exprimer tout son potentiel en périphérie, l’IA exige une puissance de calcul et une connectivité bien supérieures à celles dont les applications de périphérie traditionnelles ont besoin. Dans l’industrie, les applications de vision machine pilotées par ML peuvent fonctionner avec une connectivité limitée. Les réentraînements sont peu fréquents, tandis que la coordination des opérations ou le partage de données entre sites sont peu fréquents. Or, dans un contexte identique, l’analytique adaptative et l’optimisation de la supply chain pilotées par IA requièrent une connectivité capable de coordonner les sites et gérer les aspects opérationnels du déploiement. La télémétrie opérationnelle est renvoyée pour assurer le suivi et le réentraînement des modèles, ces derniers étant régulièrement mis à jour et redistribués. Les entreprises interrogées dans le cadre de l’étude ont exprimé des inquiétudes quant à la latence des données de sortie de l’IA, un facteur limitant pour certaines applications. Là encore, le déploiement local de l’IA, c’est-à-dire en périphérie, peut résoudre les problèmes de latence causés par la distance physique.

Les implémentations de l’IA en périphérie présentent des avantages supplémentaires en matière d’infrastructure : le traitement analytique en local réduit considérablement la charge sur les ressources centralisées. De même, les moteurs d’IA en périphérie peuvent transformer des données brutes en événements et en métadonnées in situ, réduisant ainsi le volume des données renvoyées vers le cloud ou les datacenters – ainsi que les coûts associés.

L’opérationnalisation à grande échelle de l’IA en périphérie doit être automatisée pour déployer, sécuriser et gérer les cycles de vie des modèles, sachant que de telles opérations peuvent vite surcharger les équipes informatiques. De nombreuses entreprises s’efforcent d’accroître l’automatisation, mais ne la maîtrisent pas encore. Les personnes interrogées dans le cadre de l’étude identifient notamment l’automatisation à la fois comme un avantage attendu de l’IA et comme une composante essentielle de son pilotage opérationnel, démontrant ainsi la nécessité d’une approche à la fois complète et multidimensionnelle pour les déploiements d’IA en périphérie.

Les avantages de l’IA en périphérie valent bien l’investissement dans une planification minutieuse. En posant les bases d’une connectivité et d’une évolutivité opérationnelle à la hauteur des exigences de l’IA, vous mettrez toutes les chances de votre côté pour réaliser toutes ses promesses.