L'intelligence artificielle alimente déjà une grande partie de la technologie qui contribue à stimuler l'économie moderne. L'IA est désormais un élément essentiel de notre utilisation d'Internet, mais peut également être trouvée dans les bourses, usines avancées et entrepôts automatisés. Il commence à conduire nos voitures et même à passer l'aspirateur sur nos sols. Et pourtant, seule une fraction des entreprises qui devraient bénéficier de manière significative de l'IA exploitent cette approche pour aider à fournir leurs produits et services.

Une raison importante à cela est le manque de données de haute qualité. Des géants de la technologie tels que Google, Microsoft et Amazon ont pu faire de grands progrès dans l'IA, en développant des logiciels pour répondre à nos questions et identifier le contenu de nos photos, grâce à leurs vastes opérations de collecte de données. Mais de nombreuses industries établies qui pourraient bénéficier de l'IA et de la robotique avancée ont du mal à se rassembler, gérer et utiliser les données de manière utile.

Disposer de données de haute qualité et fiables est essentiel pour aider les entreprises à mieux comprendre leurs marchés et leurs clients et permettre une prise de décision automatisée. Au niveau des infrastructures, les données peuvent guider les aménageurs et les aménageurs et aider à optimiser l'utilisation et l'entretien des bâtiments, routes et voies ferrées. Cela pourrait également contribuer à réduire les émissions de carbone en prolongeant la durée de vie de nos infrastructures et en les rendant plus efficaces, aider à réduire le gaspillage d'énergie et le trafic inutile.

Fondation de l'IA

Les données sont, simplement, le fondement de l'intelligence artificielle. Pour entraîner l'IA à effectuer une tâche spécifique, vous devez généralement exécuter des échantillons de données via ses algorithmes d'apprentissage progressif afin qu'il puisse s'adapter et améliorer sa capacité à reconnaître les modèles et à réagir en conséquence. Certaines IA peuvent alors automatiser le processus répétitif de découverte d'informations utiles à partir de nouvelles données et même devenir meilleures pour repérer des modèles que les humains ou identifier des choses que nous n'avons jamais pu. Dans certains cas, plus l'IA traite de données, mieux il apprend à fonctionner.

Cependant, malgré les avantages potentiels, la recherche montre que dans certains secteurs, aussi peu que 10 % des entreprises ont débloqué ce type d'approches analytiques avancées. Des secteurs tels que les télécoms, les services automobiles et financiers tentent de rattraper les géants de la technologie. Mais de nombreux secteurs, y compris les soins de santé, éducation, gouvernement et construction, ne sont pas encore près d'atteindre le plein potentiel de l'utilisation des données et de l'IA.

Par exemple, accélérer le diagnostic médical et le rendre plus précis pourrait permettre d'économiser 400 milliards de dollars américains dans le seul secteur de la santé aux États-Unis. Mais les bonnes règles et incitations pour encourager suffisamment de personnes à partager leurs données médicales avec les développeurs d'IA ne sont pas encore en place et le secteur n'a donc pas encore réalisé ce potentiel.

Alors, comment davantage d'entreprises peuvent-elles commencer à collecter les données qui les aideront à tirer le meilleur parti de l'IA ? Il existe généralement plusieurs problèmes clés qui peuvent freiner les entreprises. Les données nécessaires peuvent ne pas exister, il peut être inaccessible (par exemple parce qu'il est privé), il peut exister dans trop d'endroits, sources ou formats utiles. Il peut également être de qualité limitée ou ne pas être collecté pour une utilisation avec l'IA et donc ne pas disposer des bonnes informations.

Il se peut aussi qu'il y en ait trop. On entend souvent parler de la valeur du "big data", de très grands ensembles de données à partir desquels des modèles et d'autres informations utiles peuvent être tirés. Mais la collecte de plus de données ne conduit pas toujours à de meilleurs résultats d'analyse et peut parfois être inutilement compliquée et gourmande en ressources.

Ces problèmes peuvent souvent survenir parce que les entreprises n'ont pas la bonne stratégie ou l'expertise. La recherche montre que de nombreuses entreprises manquent encore d'équipes dédiées aux données pour s'assurer que les bonnes données sont collectées, gérés puis correctement utilisés. Cependant, mes collègues et moi avons récemment mené des recherches montrant que les entreprises technologiques de moins de 50 employés utilisent souvent beaucoup l'analyse de données. Cela suggère que les start-up innovantes peuvent être plus conscientes de la valeur des données et suffisamment agiles pour les utiliser efficacement par rapport aux grandes entreprises traditionnelles.

Si les entreprises traditionnelles et autres organisations qui pourraient bénéficier le plus des données et de l'IA veulent pouvoir rivaliser, profiter et construire un monde durable, ils doivent commencer à adopter les données. Les solutions d'IA ne peuvent être aussi bonnes que la qualité des données sur lesquelles elles sont construites. Cela signifie embaucher les bonnes personnes et mettre en place les politiques requises pour collecter les données correctes, le rendre accessible, évaluer la qualité, puis l'utiliser pour développer des solutions d'IA. Ce n'est qu'ainsi que ces organisations seront en mesure de tirer pleinement parti de la prochaine révolution industrielle.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.