Une étude révèle que les lacunes liées à la gestion des données freinent l’adoption de l’IA en entreprise. Même si 22 % des sondés pensent que leurs données sont prêtes, la majorité reste en difficulté. Récurrent, ce problème est aggravé par la GenAI.
Dans son étude « Data Strategies for AI Leaders », Snowflake met en lumière les obstacles majeurs qui entravent l’exploitation des données dans les entreprises, en particulier pour l’implémentation de l’IA générative. Près de 48 % des entreprises attestent que les silos de données limitent l’intégration de multiples sources de données, rendant difficile la mise en œuvre de l’IA.
Les auteurs de l’étude préconisent de créer des modèles IA sur mesure alimentés par les données internes de l’entreprise (logistique, RH, finance, etc.). De cette manière, l’IA devient un véritable levier de différenciation concurrentielle.
Data Strategies for AI Leaders révèle les freins à l’intégration de l’IA en entreprise
Réalisée en collaboration avec le MIT Technology Review, cette étude identifie les obstacles à l’exploitation des données. Elle met en évidence les conséquences et formule des conseils pour y faire face.
Selon le rapport, un manque de capacités de traitement des données suffisantes, lié à des coûts importants, est évoqué par 49 % des répondants comme un frein pour intégrer l’IA. L’expertise pointue qu’apporte un salarié porté peut accélérer significativement l’intégration de l’IA en comblant les lacunes en matière de compétences techniques et de traitement des données, identifiées comme des obstacles majeurs dans le rapport.
Seuls 22 % des répondants estiment que leurs données sont suffisamment structurées pour alimenter les applications de la GenAI. Le reste se considère « plutôt prêt ». Les questions de gouvernance et de sécurité des données sont également au cœur des préoccupations. Un défi que 59 % des entreprises considèrent comme importante.
L’étude recommande d’investir dans des processus de gestion des données robustes en intégrant la gouvernance, la normalisation, et un suivi régulier. Cela assure l’excellence de la qualité des données alimentant les modèles d’IA.
Il est impératif de mettre en place une infrastructure de données unique à l’échelle de l’entreprise, ainsi que des garde-fous pour sécuriser le déploiement de l’IA générative et limiter les erreurs de génération, telles que les hallucinations, comportement typique des modèles d’IA.
Les défis persistants d’intégration et de gouvernance des données
Les entreprises font face à des obstacles significatifs lorsqu’il s’agit de transformer leurs données pour l’inférence et l’analyse. Elles se heurtent à un ensemble de défis interconnectés lorsqu’elles cherchent à tirer parti de leurs données.
En premier lieu, l’intégration et la qualité des données sont des défis fondamentaux qui persistent depuis longtemps. Le spécialiste de l’IA chez Accenture met en évidence le fait que :
« Ces problèmes existent depuis de nombreuses années, et l’introduction de l’IA générative n’a fait qu’amplifier ces difficultés ».
Faire appel à un salarié porté, doté d’une expertise pointue en IA, permet aux entreprises d’accélérer la mise en œuvre de projets complexes d’intégration et de qualité des données, essentiels pour exploiter pleinement l’IA.
Contrairement à ce que l’IA laisse espérer, les bases de données sous-jacentes sont fréquemment inappropriées. Il s’agit là des pratiques, des infrastructures et des processus qui permettent à l’entreprise un meilleur contrôle des données. Une situation qui bloque leur progression dans l’exploitation de ces innovations.
Tous les ingénieurs et spécialistes s’accordent sur un point : la gouvernance, l’intégration et la qualité des données doivent être au centre des préoccupations. Ces prérequis sont des conditions importantes pour tirer pleinement parti des innovations technologiques.
En appliquant les recommandations du rapport, les entreprises concernées renforceront leurs bases de données, gagneront en compétitivité et optimiseront leurs projets d’intelligence artificielle.
