Le développement logiciel Agile est depuis longtemps considéré comme un moyen très efficace de fournir les logiciels dont l’entreprise a besoin.
Cette pratique fonctionne bien dans de nombreuses organisations depuis plus de vingt ans. La méthode Agile est également à la base de Scrum, du DevOps et d’autres pratiques collaboratives. Cependant, les pratiques agiles peuvent s’avérer insuffisantes pour la conception et la mise en œuvre de l’intelligence artificielle (IA).
C’est ce qui ressort d’un récent rapport de la RAND Corporation, qui s’appuie sur des entretiens avec 65 data scientist et data engineer ayant au moins cinq ans d’expérience dans l’élaboration de modèles d’IA et d’apprentissage automatique dans l’industrie ou le monde universitaire.
Le développement agile, un obstacle à la réussite de l’IA
« Trop souvent, les projets d’IA échouent ou ne décollent jamais », ont déclaré les coauteurs du rapport.
Et il est intéressant de noter que plusieurs spécialistes de l’IA considèrent les pratiques formelles de développement de logiciels agiles comme un obstacle à la réussite de l’IA. « Plusieurs personnes interrogées (10 sur 50) ont exprimé la conviction que les interprétations rigides des processus de développement de logiciels agiles ne conviennent pas aux projets d’IA », ont constaté les chercheurs.
« Bien que le mouvement des logiciels agiles n’ait jamais eu l’intention de développer des processus rigides – l’un de ses principes fondamentaux est que les individus et les interactions sont beaucoup plus importants que les processus et les outils – de nombreuses organisations exigent que leurs équipes d’ingénieurs suivent universellement les mêmes processus agiles ».
Un sprint d’une ou deux semaines ? Mais lol
En conséquence, « les éléments de travail ont dû à plusieurs reprises être rouverts au cours du sprint suivant ou être réduits et dénués de sens pour pouvoir être intégrés dans un sprint d’une ou deux semaines ». En particulier, les projets d’IA « nécessitent une phase initiale d’exploration des données et d’expérimentation dont la durée est imprévisible ».
L’étude de la RAND suggère que d’autres facteurs peuvent limiter le succès des projets d’IA. Alors que les échecs des technologies de l’information ont été bien documentés au cours des dernières décennies, les échecs de l’IA prennent une autre tournure.
« L’IA semble présenter des caractéristiques de projet différentes, telles que des exigences coûteuses en termes de main-d’œuvre et de capital et une grande complexité algorithmique. Cela rend les projets d’IA différents d’un système d’information traditionnel », expliquent les coauteurs de l’étude.
5 obstacles à bien identifier
L’équipe de la RAND a identifié les principales causes d’échec des projets d’IA :
- « Les parties prenantes comprennent souvent mal – ou communiquent mal – le problème qui doit être résolu à l’aide de l’IA. Trop souvent, les organisations déploient des modèles d’IA pour découvrir que les modèles ont optimisé les mauvaises mesures ou ne s’intègrent pas dans le flux de travail et le contexte global. »
- « De nombreux projets d’IA échouent parce que l’organisation ne dispose pas des données nécessaires pour former de manière adéquate un modèle d’IA efficace. »
- « L’organisation se concentre davantage sur l’utilisation de la technologie la plus récente et la plus performante que sur la résolution de problèmes réels pour les utilisateurs ». »
- « Les organisations peuvent ne pas disposer d’une infrastructure adéquate pour gérer leurs données et déployer des modèles d’IA aboutis, ce qui augmente la probabilité d’échec du projet. »
- « La technologie est appliquée à des problèmes trop difficiles à résoudre pour l’IA. L’IA n’est pas une baguette magique. Dans certains cas, même les modèles d’IA les plus avancés ne peuvent pas automatiser une tâche difficile. »
Bien que les pratiques agiles puissent être trop lourdes pour le développement de l’IA, il est toujours essentiel que la DSI communique ouvertement avec les directions métiers.
La clé est la communication
Les personnes interrogées dans le cadre de l’étude ont recommandé qu' »au lieu d’adopter des processus d’ingénierie logicielle établis – qui ne sont souvent rien d’autre que des listes de tâches fantaisistes – l’équipe technique devrait communiquer fréquemment avec ses partenaires métiers sur l’état d’avancement du projet ».
Le rapport suggère : « Les parties prenantes n’apprécient pas que vous leur disiez « ça prend plus de temps que prévu ; je vous recontacterai dans deux semaines ». Elles sont curieuses. Une communication ouverte renforce la confiance entre les parties prenantes de l’entreprise et l’équipe technique et augmente les chances de réussite du projet ».
Par conséquent, les développeurs d’IA doivent s’assurer que la DSI comprend l’objectif du projet et le contexte du domaine. « Les malentendus et les erreurs de communication concernant l’intention et l’objectif du projet sont les raisons les plus courantes de l’échec d’un projet d’IA. Garantir des interactions efficaces entre les technologues et les experts métier peut faire la différence entre la réussite et l’échec d’un projet d’IA. »
Source : « ZDNet.com »