1. L’intégration technique de l’IA : Intégrer l’IA dans les systèmes et les flux de travail

L’hypothèse de départ est que, lorsque votre équipe aborde les décisions de conception technique et d’outillage, le cas d’utilisation et l’submission de l’IA ont déjà été définis. La tâche consiste maintenant à déterminer comment réaliser une intégration technique de l’IA dans l’infrastructure et les applications informatiques qui soutiendront le processus métier.

2. La modélisation : Une étape primordiale

Les systèmes d’IA sont construits autour de modèles qui utilisent des bases de données, des algorithmes de requête et l’apprentissage automatique. ce dernier permet d’enrichir la base de connaissances de l’IA à mesure qu’elle reconnaît des schémas logiques courants dans les données et assimile les connaissances qui en découlent. Il existe de nombreux modèles d’IA différents. Dans la plupart des cas, les entreprises utilisent des modèles d’IA prédéfinis fournis par des fournisseurs, puis les développent. Dans d’autres cas, les entreprises choisissent de construire leurs propres modèles from scratch.

La construction à partir de zéro signifie généralement que l’organisation dispose d’une équipe de science des données interne possédant une expertise dans la construction de modèles d’IA.Les cadres de modèles d’IA courants (par exemple, Tensorflow, PyTorch, Keras et autres) fournissent les ressources et les outils logiciels nécessaires.

Ces technologies de construction de modèles d’IA ne sont pas familières à la plupart des équipes informatiques. Les technologies utilisent des graphes de données pour construire des flux de données et des structures qui définissent la manière dont les données circuleront à travers le graphe. Les flux opérationnels pour la logique qui opère sur les données doivent être définis. Le logiciel de construction de modèles prévoit également le développement d’algorithmes, la formation de modèles, les définitions de règles métier et l’apprentissage automatique que le modèle exécute de lui-même lorsqu’il apprend des données qu’il ingère.

L’équipe informatique ne connaît peut-être pas ces éléments, mais elle ne peut pas se permettre de les ignorer. L’équipe informatique et les DSI ont besoin d’au moins une connaissance pratique du fonctionnement de ces technologies de construction de modèles open source, car, inévitablement, ces modèles doivent s’interfacer avec l’infrastructure et les données informatiques.

3. L’infrastructure informatique : L’étape suivante

L’intégration d’un système d’IA avec l’infrastructure informatique existante est un domaine où les DSI peuvent s’attendre à un dialog crucial avec leurs équipes techniques.

L’IA doit être intégrée de manière transparente à la pile technologique de bout en bout pour fonctionner correctement.Cela signifie qu’il faut discuter de la manière et de l’endroit où les données de l’IA seront stockées, les bases de données SQL et noSQL étant les premières favorites. Le middleware qui permet à l’IA d’interagir avec d’autres systèmes informatiques doit être interfacé. La plupart des modèles d’IA sont open source, ce qui peut simplifier l’intégration, mais l’intégration nécessite toujours l’utilisation d’API (interfaces de programmation d’applications) de middleware comme REST (representational state transfer application programming interface), qui intègre le système d’IA avec les ressources basées sur Internet ; ou GraphQL (graph query language), qui facilite l’intégration des données provenant de plusieurs sources.

C’est l’équipe informatique qui décide de la manière de déployer les magasins de données,le stockage d’infrastructure et les connecteurs optimaux nécessaires pour prendre en charge l’IA,et il est probable qu’il existe différentes options (et coûts) de déploiement. C’est là que le DSI doit dialoguer avec l’équipe technique.

4. La qualité des données

L’équipe d’IA compte sur l’équipe informatique pour fournir des données de qualité pour l’IA. Cela se fait de deux manières : 1) en s’assurant que toutes les données entrant dans le référentiel de données de l’IA sont propres (c’est-à-dire que les données ont été transformées par un logiciel comme ETL (extract-transform-load), qu’elles sont exactes et qu’elles peuvent interagir avec d’autres données dans le référentiel de données de l’IA) ; et que les données sont sécurisées (c’est-à-dire cryptées entre les points de transfert ou vérifiées aux bords de chaque ressource que les données doivent traverser). Qu’il s’agisse de travailler avec des fournisseurs externes,de vérifier les fournisseurs pour des données propres et sécurisées et de les auditer périodiquement,ou de définir les transformations de données et la technologie et les opérations de sécurité qui doivent être mises en place en interne,tout cela relève de la responsabilité de l’équipe informatique. Le DSI devra dialoguer au niveau technique avec les fournisseurs, ainsi qu’avec les équipes informatiques chargées des bases de données, du stockage, de la sécurité, des systèmes, des applications et des réseaux.

5.La sécurité de l’IA

Les données (et l’accès aux données) dans et vers l’IA doivent être sécurisés à tout moment. Pour y parvenir, la sécurité doit être mise en œuvre à plusieurs niveaux, ce qui impliquera des discussions techniques et une prise de décision pour y parvenir.

La priorité absolue est la sécurité des données. Une grande partie de cela a déjà été discutée dans le cadre de la qualité des données, et cela impliquera la plupart des équipes départementales informatiques.

La deuxième priorité est la surveillance des autorisations d’accès des utilisateurs et de l’activité. Qui a accès à quoi, et comment allez-vous surveiller les activités des utilisateurs ?

Les utilisateurs peuvent définir leurs propres listes d’autorisation et l’équipe informatique peut les mettre en œuvre, mais la complication survient lorsqu’il s’agit de surveiller les activités des utilisateurs. Si, par exemple, les activités des utilisateurs se produisent uniquement avec des référentiels de données sur site, les sites peuvent utiliser une technologie comme IAM (identity access management), qui donne à l’équipe informatique une visibilité granulaire de chaque activité de l’utilisateur. Cependant, si un accès basé sur le cloud est impliqué, IAM ne pourra pas surveiller cette activité à un niveau de détail quelconque. Il peut devenir nécessaire d’utiliser un logiciel CIEM (cloud infrastructure entitlement management) à la place pour obtenir une observation granulaire de l’activité de l’utilisateur dans le cloud.Ensuite, il existe des technologies parapluie comme IGA (identity governance management) qui peuvent servir de cadre global pour IAM et CIEM.

L’équipe de sécurité informatique (et son DSI) doit décider quelle stratégie adopter pour une protection complète de l’IA.

Enfin, il existe des menaces de logiciels malveillants qui sont uniques à l’IA. Oui, vous pouvez utiliser la détection standard de logiciels malveillants pour parer aux attaques de mauvais acteurs sur les données de l’IA, tout comme vous le feriez sur les données et les applications standard, mais l’intrigue s’épaissit à partir de là. Par exemple,il existe des injections de logiciels malveillants dans les systèmes d’IA qui peuvent injecter des données inexactes ou modifier les étiquettes et les caractéristiques des données. Cela fausse les résultats dérivés de ces données et entraîne des recommandations et des décisions erronées. La pratique est connue sous le nom d’empoisonnement des données.

L’équipe informatique est censée proposer une technique de validation des données pour les données entrantes qui peut détecter d’éventuelles tentatives d’empoisonnement et les arrêter. Cela pourrait impliquer des technologies d’assainissement des données ou des vérifications de la source des données, et il est possible que l’insertion de ces technologies puisse ralentir le transport des données.L’équipe technique doit peser ces options, et les DSI devraient s’insérer dans les discussions.

conclusion

La conclusion est claire : les DSI doivent être en mesure de dialoguer et de participer aux décisions à plusieurs niveaux de l’IA : le stratégique, l’opérationnel et le technique. Même si les entreprises ont des équipes de science des données dédiées, les scientifiques des données et les utilisateurs finiront par se tourner vers l’équipe informatique, qui doit encore faire en sorte que tout se réalise.

Les DSI peuvent aider à la fois leurs équipes et leurs entreprises s’ils développent une connaissance pratique du fonctionnement de l’IA, en plus de comprendre les aspects stratégiques et opérationnels de l’IA, car les entreprises, les employés et les partenaires commerciaux ont tous besoin d’entendre la voix du DSI.

FAQ sur l’intégration de l’IA

• Qu’est-ce que l’intégration de l’IA ?

  L’intégration de l’IA consiste à incorporer des technologies d’IA dans les systèmes et processus existants d’une entreprise.

• Pourquoi l’intégration de l’IA est-elle importante pour les DSI ?

  Les DSI doivent comprendre l’intégration de l’IA pour aligner les technologies sur les objectifs commerciaux et assurer une mise en œuvre réussie.

• Quels sont les principaux défis de l’intégration de l’IA ?

  Les défis incluent la qualité des données, la sécurité, l’intégration avec l’infrastructure existante et le manque d’expertise.

• Comment les DSI peuvent-ils se préparer à l’intégration de l’IA ?

  Les DSI peuvent se préparer en acquérant des connaissances sur l’IA,en investissant dans la formation de leur équipe et en planifiant soigneusement l’intégration.