Être rentable face à l’évolution accélérée de l’IA

De l’amélioration de l’apprentissage automatique à la conception de nouveaux systèmes de base de données en passant par le développement d’outils pour des secteurs précis, des progrès considérables ont été réalisés dans le domaine de l’intelligence artificielle (IA).

Dans le contexte actuel d’incertitude économique, cependant, certaines entreprises pourraient réduire leurs investissements en IA, ce qui serait selon nous une erreur.

Ces entreprises risquent en effet de se retrouver à traîne dans un monde de plus en plus numérique, où l’adoption de l’IA et la modernisation subséquente de l’infrastructure technologique des organisations sont devenues des conditions primordiales pour demeurer concurrentiel. Les arguments en faveur de l’utilisation des outils basés sur l’IA et les avantages liés à leur adoption sont nombreux et ne font qu’augmenter : économies de temps et de coûts, augmentation de la productivité et des revenus, amélioration de l’expérience, fidélisation et agilité organisationnelle en sont quelques exemples.

En tant que banque d’investissement de premier plan pour le secteur de la technologie, nous nous appliquons à conseiller les entreprises sur la façon de réaliser leurs objectifs stratégiques¹. Une grande partie de ce travail consiste à leur proposer des stratégies qui les aident à mobiliser et investir des capitaux dans les segments du secteur technologique offrant le plus fort potentiel de croissance.

Malgré le contexte actuel difficile pour les marchés financiers et les licenciements dans certaines sociétés technologiques, l’IA ne cesse de prendre de l’ampleur. En fait, d’après ce que nous disent nos clients et ce que nous observons dans le secteur – y compris dans les entreprises en démarrage et les sociétés bien établies qui innovent rapidement –, la prochaine décennie devrait être décisive pour ce qui est de l’adoption de masse de l’IA.

Voici certains thèmes et tendances clés qui ont permis aux entreprises de dégager des RCI importants grâce à l’IA.

Même si cet article n’a pas pour de but de faire un examen détaillé de l’histoire de l’IA, il est important de souligner que nous ne commençons vraiment qu’à ressentir l’impact de cette technologie dans nos vies. Même si beaucoup de gens n’en ont entendu parler que récemment, la théorie, elle, remonte à plusieurs décennies. Warren McCulloch et Walter Pitts parlaient du concept de réseau neuronal artificiel dès 1943. Bien que les bases de ce champ de recherche aient été posées dans les années 1950 et 1960, ce n’est qu’à la fin des années 1990 que la puissance de l’apprentissage profond a vraiment été reconnue. En 1998, Yann Le Cun a notamment publié un article fondateur sur l’utilisation des réseaux neuronaux artificiels pour la reconnaissance d’images. Aujourd’hui, Le Cun et deux autres sommités du secteur, Geoffrey Hinton et Yoshua Bengio, sont à juste titre considérés comme les parrains de l’apprentissage profond, honneur qui leur a valu le prix Turing en 2018. Ce champ de recherche continue d’évoluer grâce aux contributions de nombreux autres esprits brillants du milieu universitaire et de celui des affaires, qui travaillent activement à rendre les méthodes d’apprentissage automatique encore plus efficaces.

Avant l’avènement de l’apprentissage profond, le processus d’apprentissage automatique faisait appel à l’entraînement supervisé de l’algorithme au moyen d’une série d’exemples dont il devait s’inspirer, ce qui obligeait à structurer et étiqueter les données. Grâce à l’apprentissage profond, les algorithmes peuvent analyser des volumes incroyables de données non structurées et identifier les caractéristiques, les liens ou les interactions entre certains concepts sans supervision.

À l’heure où les modèles continuent d’évoluer et où la puissance informatique est de moins en moins un obstacle, l’IA devient de plus en plus accessible au commun des mortels. Née dans les laboratoires de recherche universitaire, elle a été adoptée dans un premier temps par les grandes entreprises à l’aise financièrement, puis par les organisations de toutes tailles. À l’heure actuelle, les modèles d’IA, d’apprentissage automatique et d’apprentissage profond sont utilisés pour analyser de grands volumes de données et résoudre et optimiser de nombreux problèmes opérationnels. Et ce n’est qu’un début!

Conseil pour optimiser le RCI : Pour régler un problème, on n’a pas forcément besoin du modèle le plus complexe. Comprenez vos besoins et limites opérationnels lorsque vous utilisez des modèles d’IA pour analyser des données ou résoudre des problèmes opérationnels.

À mesure que les modèles d’IA évoluent et deviennent plus complexes et capables d’apprendre à partir de vastes quantités de données non structurées, les organisations ont de plus en plus besoin de bases de données pour mieux tirer profit de ce changement de paradigme.

En utilisant une base de données sur mesure, les entreprises peuvent accélérer considérablement le processus d’apprentissage automatique et la formation de ces modèles. En outre, en recourant à des bases de données spécifiques, elles peuvent mieux relever les défis associés à l’apprentissage automatique – qu’ils soient liés au volume, à la vélocité ou à la complexité de la gouvernance et de la gestion des données – pour gagner du temps et optimiser les ressources.

L’interaction de l’IA avec la technologie des systèmes de gestion de base de données (SGBD), qui promet de façonner l’avenir de l’informatique, est à l’avant-garde de la technologie des bases de données. Cette intégration est primordiale non seulement pour l’informatique de prochaine génération, mais aussi pour l’évolution continue de la technologie des bases de données. Même si l’IA et les SGBD sont des domaines bien établis, la recherche-développement portant sur leur intégration en est encore à ses débuts. L’intégration de ces deux technologies est notamment motivée par la nécessité d’accéder rapidement à de grandes quantités de données partagées pour assurer la gestion efficiente et le traitement intelligent des données. Ces bases de données autonomes utilisent l’apprentissage automatique pour automatiser l’optimisation, la sécurité, les sauvegardes, les mises à jour et d’autres tâches courantes de gestion de base de données traditionnellement effectuées par les administrateurs. Contrairement à une base de données classique, une base de données autonome accomplit toutes ces tâches, et plus encore, sans intervention humaine.

La valeur ultime d’une base de données faisant appel à l’IA réside dans l’optimisation des ressources informatiques et de l’information contenue dans la base. Cela permet de créer de meilleurs modèles d’apprentissage automatique et profond, de les former plus rapidement et plus efficacement, et de faire preuve de rigueur dans la façon d’appliquer l’IA au sein de l’entreprise.

Conseil pour optimiser le RCI : Comprenez les exigences en matière de bases de données spécifiques au secteur d’activité de votre organisation, puis intégrez la question de l’IA dans votre analyse pour optimiser les besoins et les ressources.

Cet aspect de la révolution de l’IA était tout à fait prévisible. À mesure que les technologies évoluent, deviennent de plus en plus accessibles aux masses et s’adaptent aux besoins divers du marché, il se produit toujours une phase de prolifération de solutions verticalisées et ponctuelles. On a observé le même phénomène dans le domaine des technologies de marketing durant l’avènement des réseaux sociaux et des données massives, et dans celui de la cybersécurité avec l’augmentation des cyberattaques, par exemple. L’histoire se répète, puisque le phénomène touche désormais l’IA et les technologies de base de données. Les modèles d’apprentissage automatique et profond plus accessibles ont permis la prolifération de solutions verticalisées ou ponctuelles adaptées à des besoins spécifiques. Pourquoi? Les solutions verticalisées ou ponctuelles ont un RCI mieux défini et reproductible, permettant la pénétration d’un marché bien précis. De plus, cet effort de vente et de marketing ciblé tend à rendre l’acquisition de clients plus efficace et à raccourcir les cycles de vente. Et ainsi de suite.

Les solutions basées sur l’IA faisant appel à la technologie moderne des bases de données sont là pour de bon et ont déjà un impact important sur nos vies. Le traitement automatique du langage naturel nous permet de dire à nos réfrigérateurs quels aliments commander, tandis que les agents conversationnels sont devenus des représentants du service à la clientèle quasi humains. L’automatisation robotisée de processus prend en charge les tâches banales et répétitives pour donner aux employés davantage de temps pour les responsabilités plus importantes. L’expérience client s’est améliorée considérablement grâce à l’hyperpersonnalisation du parcours du consommateur. De nouveaux outils de cybersécurité sont apparus, qui aident les équipes de la sécurité de l’information à réduire le risque de violation et à améliorer leurs dispositifs de sécurité de façon efficace et efficiente.

Conseil pour optimiser le RCI : Les petites entreprises qui n’ont pas les moyens de se doter de leurs propres outils d’IA et bases de données peuvent recourir à des solutions ponctuelles toutes prêtes qui exigent un investissement bien moindre. Déterminez si des outils basés sur l’IA adaptés à vos besoins existent déjà avant d’essayer de créer vos propres solutions internes.

Investissements croissants : Bien sûr, les progrès de l’IA exigent du capital, et bien que les investissements en technologie aient généralement diminué en 2022 en prévision du ralentissement économique, l’IA suscite toujours beaucoup d’intérêt. D’après les estimations de Research and Markets, le marché de l’IA atteindra 171 milliards de dollars d’ici 2025², soit un montant quatre fois plus élevé qu’en 2020, alors qu’il représentait 40 milliards.

Cependant, bien que les investissements en IA aient atteint un sommet inégalé au premier trimestre de 2022, les valorisations des sociétés fermées ont chuté dans le sillage du repli des marchés publics en 2022. Pour pouvoir continuer de lever des capitaux dans ces marchés plus étroits, une entreprise devra prouver sa viabilité.

Les sociétés les plus prospères seront celles qui démontrent qu’elles peuvent appliquer leurs solutions d’IA de façon répétée, dans une optique de productisation, en créant une valeur supérieure à celle des anciennes méthodes. Qui plus est, les organisations qui intègrent l’« IA explicable » à leurs modèles opérationnels susciteront davantage de confiance et jouiront donc des meilleures perspectives de succès. Les gens veulent voir des résultats concrets, que ce soit sous forme de rendements financiers, d’amélioration de l’expérience client ou de pénétration du marché – autant de paramètres qui, ensemble, contribuent au succès, et au RCI.

Une décennie d’adoption : Nous comptons parmi les banques d’investissement du secteur de la technologie affichant la croissance la plus rapide de Wall Street¹. À ce titre, nous sommes des témoins privilégiés des progrès et des résultats de l’IA. La courbe d’adoption de la technologie devenant de plus en plus courte, nous pensons que les sociétés utiliseront des technologies d’IA beaucoup plus avancées au cours de la prochaine décennie.

Compte tenu de l’évolution du secteur de l’IA et des bases de données, notre but est d’aider les sociétés avec lesquelles nous travaillons à accélérer leurs innovations de manière à procurer de la valeur à leurs clients. Comme indiqué plus haut, du point de vue du RCI, les avantages d’investir dans l’IA demeurent nombreux : économies de temps et de coûts, augmentation de la productivité et des revenus, amélioration de l’expérience et de la fidélisation, et agilité organisationnelle en sont quelques exemples. À mesure que la technologie continue de s’améliorer et que le coût d’adoption diminue, la valeur offerte par les outils d’IA et les nouveaux outils de base de données ne fera qu’augmenter. Par conséquent, les organisations doivent continuer de se concentrer sur l’avenir et de parier sur l’IA.

_{1 Bloomberg}

_{2 GlobeNewswire}