Les mégadonnées et l’intelligence artificielle (IA) sont aujourd’hui des sujets de conversation courants dans le monde des TI. Au départ, ces mots à la mode n’étaient que quelques-uns parmi tant d’autres qui ont fait le tour du monde et qui sont venus semer la confusion dans les organisations cherchant à rester pertinentes dans un monde où la technologie évolue aussi vite que les attentes des travailleurs. Les mégadonnées et l’IA sont souvent traitées comme des entités distinctes, mais sont-elles vraiment différentes? Elles méritent toutes deux d’être discutées, mais établir un pont entre ces deux concepts peut être plus avantageux pour les entreprises que de construire un mur qui les sépare.
Essayons de définir ce que signifient les mégadonnées et l’IA. Les mégadonnées sont simplement, comme leur nom l’indique, de grandes quantités de données. Cela inclut les données structurées et non structurées, c’est-à-dire, comme le dit Gartner[1], les actifs d’information à grand volume, à grande vitesse ou à grande variété. Ces données sont inutilisables, à moins que ces informations ne soient traitées pour révéler des renseignements précieux sur le comportement, les modèles et les tendances qui éclairent les décisions d’affaires. Les techniques traditionnelles ne sont pas en mesure de calculer de si grandes quantités de données pour fournir des informations compréhensibles et exploitables. C’est ici qu’entre en jeu l’IA. L’intelligence artificielle (sans entrer dans les détails de l’apprentissage automatique, de l’apprentissage profond ou des réseaux neuronaux) est une combinaison d’algorithmes qui permet aux machines de traiter de grandes quantités de données qui produisent des informations pertinentes dans le contexte de l’entreprise. L’intelligence artificielle permet aux machines de « penser » comme les humains, de prendre des décisions en fonction des données et de réagir au contexte qui s’y ajoute pour produire des résultats que les chefs d’entreprise peuvent comprendre et exploiter. Cette information structurée, de nature (parfois) prédictive, révèle des tendances, des modèles et des comportements qui peuvent ensuite être utilisés pour élaborer des tâches pratiques et tactiques afin d’atteindre les objectifs d’affaires.
Une étude réalisée par NewVantage Partners auprès de cadres supérieurs, au sujet des mégadonnées et de l’IA, a révélé que 76,5 % de ces cadres estiment que les mégadonnées et l’IA[2] sont de plus en plus étroitement liées. Les organisations peuvent utiliser les données disponibles pour améliorer les initiatives liées à l’IA qui permettent de prendre des décisions d’affaires. Alors, pourquoi les mégadonnées et l’IA sont-elles traitées comme des entités distinctes, alors qu’elles semblent renforcer naturellement les capacités de l’une et de l’autre? Très probablement, parce qu’il s’agit d’outils différents d’une complexité variable, qui permettent aux entreprises d’obtenir des informations variées pour réaliser leur vision de l’entreprise.
Pour mieux comprendre la corrélation entre les mégadonnées et l’IA, il est important de commencer par comprendre en quoi elles sont différentes. Alan Morrison, chargé de recherche principal chez PwC, dans un article de Datamation[3], souligne que les mégadonnées sont l’entrée brute des informations qui doivent être structurées et nettoyées, alors que l’IA est la sortie des informations exploitables et intelligibles résultant des données traitées. Il s’agit d’un facteur de distinction important qui rend ces deux entités fondamentalement différentes.
Une autre différence importante entre les mégadonnées et l’IA est le type de style informatique utilisé pour traiter l’information. Le type de système informatique utilisé pour traiter les mégadonnées est un vieux système, qui recherche certains types d’informations ou de connaissances définies. Les appareils de mégadonnées ne peuvent pas agir ou réagir en fonction des résultats que produisent ces données et ces connaissances. Par exemple, les publicités en ligne qui vous suivent sur divers canaux numériques, en fonction de vos habitudes de recherche. En revanche, l’IA est une forme d’informatique qui permet de programmer les appareils de manière à ce qu’ils puissent agir intelligemment et répondre aux résultats produits par les informations structurées. Les mises à jour du code et les mises à niveau des appareils permettent à ces systèmes « d’apprendre » et de modifier leur comportement par « apprentissage », et donc d’adapter leurs réactions et leurs résultats en fonction des changements qui se produisent dans les ensembles ou modèles de données informationnelles. Un appareil doté de l’IA peut analyser, interpréter et fournir des solutions pour relever les défis identifiés, en fonction de son interprétation. Ces appareils peuvent ensuite enregistrer les résultats de ce qui fonctionne le mieux pour relever certains types de défis, tout en continuant à peaufiner les solutions pour relever d’autres défis qui sont analysés comme ayant des tendances différentes. Par exemple, les voitures sans conducteurs qui étudient le comportement humain et les conditions routières pour essayer de prendre des décisions relatives aux méthodes de conduite appropriées et à la sécurité des conducteurs.
Il y a aussi des différences entre les mégadonnées et l’IA au niveau de l’utilisation. Les mégadonnées sont utilisées pour trouver des modèles révélateurs des habitudes et du comportement des consommateurs. Il s’agit de la même technologie que celle utilisée par Spotify ou Netflix pour proposer des genres musicaux ou du contenu cinématographique qui correspond bien aux habitudes de consommation d’une personne. Les personnes semblables qui choisissent d’écouter ou de regarder un contenu similaire se verront proposer des recommandations semblables. En revanche, l’IA est un outil de prise de décision qui traite l’information plus rapidement et avec moins d’erreurs que l’humain. Elle fournit aux dirigeants de l’information et des connaissances, en fonction des tendances et des résultats antérieurs, pour les aider à concevoir les prochaines étapes de la croissance de leur entreprise avec une probabilité de réussite plus élevée.
Comprendre les différences entre les mégadonnées et l’IA nous permet de mieux cerner comment ces deux entités peuvent travailler ensemble pour atteindre des objectifs d’affaires définis. Les mégadonnées et l’IA se complètent l’une l’autre pour une raison principale : l’IA a besoin de mégadonnées pour apprendre!
L’IA a besoin de données, en particulier lorsqu’il s’agit d’apprentissage automatique, afin de structurer et d’analyser l’information pour créer des modèles qu’elle peut comprendre et reconnaître. Les mégadonnées doivent être nettoyées, dédupliquées et les informations inutiles doivent être supprimées avant que l’IA n’entre en jeu. Ces données « nettoyées » peuvent ensuite être converties en algorithmes d’apprentissage flexibles qui sont transmis aux appareils. Ensuite, l’appareil est « formé » sur la façon de traiter les données qui y sont introduites pour obtenir les réponses, le rendement et les résultats souhaités. Après la formation initiale, l’appareil collecte, organise et analyse lui-même les nouvelles données entrantes « nettoyées » et continue à « apprendre » et à ajuster son comportement en fonction des changements de données identifiés. Par exemple, Alexa d’Amazon, Cortana de Microsoft, Siri d’Apple et Google Assistant d’Alphabet : tous utilisent la reconnaissance vocale pour enregistrer ce qu’une personne demande et, au moyen des réponses et des algorithmes préalablement alimentés, trouvent la meilleure réponse pour satisfaire sa requête. Ces programmes continuent d’apprendre les besoins de leurs utilisateurs et réagissent plus rapidement grâce à l’analyse des comportements répétitifs et des demandes. L’IA permet aux appareils d’apprendre continuellement grâce aux nouvelles données qu’ils recueillent en continu. Forbes[4] a recensé 27 exemples impressionnants d’IA et d’apprentissage automatique qui sont mis en pratique aujourd’hui.
Les entreprises peuvent utiliser l’information traitée par l’apprentissage automatique pour définir des tactiques réalistes qui correspondent à leurs objectifs d’affaires. Alors que le monde des TI évolue aussi rapidement, découvrez les trois façons dont les DSI peuvent stimuler la croissance et l’innovation, en cliquant ici.
[1] Gartner – https://www.gartner.com/it-glossary/big-data/
[2]http://newvantage.com/wp-content/uploads/2018/01/Big-Data-Executive-Survey-2018-Findings-1.pdf
[3]https://www.datamation.com/big-data/big-data-vs.-artificial-intelligence.html
[4]https://www.forbes.com/sites/bernardmarr/2018/04/30/27-incredible-examples-of-ai-and-machine-learning-in-practice/#6edfd5e87502
