Attirer les talents nécessaires le long de la chaîne de valeur de l’IA
JF Gagné JF Gagné
29 octobre 8 min

Attirer les talents nécessaires le long de la chaîne de valeur de l’IA

Je viens de publier le rapport mondial sur les talents de l’IA de cette année sur jfgagne.ai. Cette année, nous avons eu une vue d’ensemble plus large du vivier de talents. Nous estimons qu’au niveau mondial, il y aura 86 000 auteurs qui pré-publieront des documents de recherche fondamentale et appliquée sur l’IA sur arXiv en 2020; et qu’il y a environ 478 000 personnes dans le monde ayant les compétences techniques spécialisées en IA nécessaires pour élaborer des produits d’IA. Vous pouvez lire le rapport complet avec davantage de ventilations des données ici

Je partage ci-dessous les raisons pour lesquelles la compréhension du vivier de talents peut aider à expliquer les frictions dans la mise en œuvre de l’IA.


Ces derniers mois, on m’a souvent demandé pourquoi l’IA n’avait pas joué un rôle plus important dans la lutte contre la pandémie ou dans la reprise économique. Cette simple question a donné lieu à une importante conversation pour réajuster les attentes sur ce qu’est l’IA et ce qu’elle peut faire. L’IA est une technologie difficile à utiliser, et la communication et la couverture médiatique sur l’IA promettant une solution magique ont gonflé les attentes et réduit la volonté des organisations de relever les défis.

Il est important de réaliser que l’IA n’est que logiciel, bien qu’avec une nouvelle dynamique. Je pense que le fait de ne la voir que comme logiciel aide à rappeler aux organisations des occasions où elles ont dû repenser leurs activités en fonction des nouvelles capacités numériques. Avec les logiciels traditionnels, nous avons vu de nouveaux modèles commerciaux émerger au fur et à mesure que de nouvelles capacités étaient disponibles. L’économie de partage n’était pas un modèle économique impossible à prévoir, mais pour s’y mettre rapidement, il fallait être capable de travailler avec les technologies clés de soutien que sont le GPS, la bande passante rapide et la large couverture cellulaire. Il faut pour cela un talent technique spécialisé combiné à une expertise dans un domaine de niche.

L’IA en est encore à ses débuts, et nous commençons tout juste à comprendre comment travailler avec sa nouvelle dynamique. Plutôt que d’être codée avec de la logique et des règles, l’IA est codée avec des données. Cette nouvelle façon de coder, sans parler des effets de report de ses nouvelles capacités, nécessite à elle seule des processus et des outils entièrement nouveaux afin de les normaliser et de les adapter aux industries. Il existe un avantage éventuel à une empreinte de logiciel plus petite, dont la création nécessite relativement moins d’heures et qui offre une meilleure performance globale, mais pour l’instant, l’expertise requise crée une barre d’entrée haute pour les entreprises qui veulent innover. En conséquence, les entreprises cherchent à minimiser les changements nécessaires à l’application de l’IA, ce qui coupe la plupart des possibilités de créer de nouveaux modèles d’entreprise et qui résulte surtout en des fonctionnalités supplémentaires qui augmentent la vitesse et l’efficacité des processus actuels.

Cela ne signifie pas que nous devons attendre, et ignorer le potentiel important et réel des solutions technologiques basées sur l’IA pour accélérer la reprise, de la découverte de médicaments à des chaînes d’approvisionnement redessinées et robustes en passant par une productivité accrue sur les lieux de travail virtuels. La reprise doit se servir des nouvelles capacités des logiciels, mais elle doit être faite pour attirer à la fois l’investissement et la volonté d’entreprendre le parcours stimulant de l’innovation en matière d’IA.

Savoir comment investir aujourd’hui, c’est savoir quels talents sont nécessaires

Le faible taux de réussite (environ 10&nbsp%) de la création de produits d’IA ayant des retombées à grande échelle est dû au fait que les outils et les processus ne sont pas normalisés. Sans ces outils, il faut un talent technique hautement spécialisé sous tous les aspects. .

Une fois que les chercheurs ont fait une preuve de concept en laboratoire, l’astuce consiste à la déployer dans le monde réel à grande échelle. Il faut pour cela concevoir les capacités d’IA pour l’environnement réel, développer des logiciels autour de celles-ci pour en faire un produit, une architecture de données pour l’alimenter des données dont elles ont besoin pour fonctionner, et une expertise dans le domaine pour s’assurer qu’il y a une analyse de rentabilisation réalisable en premier lieu. En l’absence d’outils et de processus normalisés, cela signifie que les principaux talents d’ingénierie sont nécessaires tout au long de la chaîne de valeur pour soutenir et même assumer certains de ces rôles à temps plein.

Cette situation a pour effet d’étirer ce talent limité et les ressources nécessaires pour les rémunérer, et elle rend difficile la spécialisation dans un domaine ou la mise en place des outils nécessaires à une innovation répétée. Il s’agit d’une mauvaise division du travail. Voyant cela, certaines entreprises replacent leurs talents qualifiés dans les outils d’ingénierie, les retirant du développement de solutions. De nombreux talents proviennent de la multitude de nouveaux cours professionnels pour aider à la mise en place de solutions d’IA, mais ils n’ont pas la profondeur d’un talent technique qui combine des techniques de pointe et une expertise approfondie du domaine. Une grande partie de ce nouvel afflux se consacre au vieux problème de la mise en place de fonctionnalités pour d’anciens modèles commerciaux.

Talent disponible pour l'industrie

Cela crée un problème cyclique de va-et-vient des talents, mais il peut être résolu en conservant le bon objectif. La transformation du développement de produits de l’IA en un processus prévisible permettra de rendre l’IA accessible à la fois aux experts du domaine pour identifier de nouvelles occasions et aux développeurs qui se mettent à niveau pour élaborer les solutions. À terme, nous pourrions voir émerger de nombreux rôles plus spécialisés et plus étroits.

Ces rôles plus spécialisés graviteront autour du travail avec les données. De nos jours, nous le constatons principalement dans la préparation des données&nbsp: collecte, nettoyage et étiquetage des données nécessaires à l’entraînement et à l’exploitation de l’IA. Il s’agit d’une part importante de la charge de travail, représentant 65&nbsp% des heures d’un projet d’apprentissage machine, selon Cognilytica.

Une grande partie du travail nécessite peu de qualifications, mais certains domaines ont montré le besoin d’une expertise spécifique, comme l’étiquetage des images médicales. À mesure que les outils se développeront, je prévois que nous assisterons de plus en plus à un mélange d’expertise de domaine et de travail sur les données, y compris des dirigeants d’unités commerciales et même des travailleurs de première ligne capables de contribuer à l’entraînement et au développement continus de solutions d’IA, sans qu’un spécialiste des données ait besoin de les aider directement.

Tant que ces outils n’auront pas vu le jour, les freins entraînés par la dispersion des talents en ingénierie continueront d’être présents. Le développement d’outils de gouvernance et de contrôle des modèles d’IA constituera un autre domaine de croissance important. Les systèmes adaptatifs qui apprennent et changent selon les données ne peuvent pas être laissés seuls et ces outils seront essentiels pour un déploiement efficace. Une meilleure compréhension des compétences nécessaires et le suivi des changements tout au long de la chaîne de valeur nous aidera à trouver un équilibre dans le développement des talents et nous permettra de ne pas perdre de vue l’investissement dans la recherche qui repousse toujours les limites du possible.

Les responsables du monde de l’éducation devraient collaborer avec l’industrie pour intégrer dans leurs programmes ces nouveaux processus et le développement d’outils permettant d’obtenir une preuve de concept dans le cadre d’un déploiement dans le monde réel et sous une gouvernance efficace. Nous l’avons vu avec le logiciel 1.0, donc la feuille de route devrait indiquer clairement comment nous devons nous re-normaliser pour cette nouvelle façon d’élaborer des logiciels.

Lisez le rapport complet

Contactez-nous pour savoir comment nous pouvons vous aider à mettre en œuvre l’IA grâce à notre équipe d’experts.