Les modèles d’IA feront inévitablement des erreurs dans leurs résultats
La capacité de retrouver les données sources derrière les erreurs d’IA est essentielle
Les environnements multi-cloud complexes rendent la traçabilité des modèles délicate, nous a expliqué NetApp
Qu’on le veuille ou non, l’intelligence artificielle (IA) et le multi-cloud sont là. Bien que ces technologies soient suffisamment épineuses pour être traitées seules, leur intersection pourrait amener les DSI et les CTO à recourir à Extra-Strength Advil.
Il est vrai que l’IA en est encore à ses débuts. Mais certains des plus grands experts travaillant sur cette technologie, notamment le directeur technique de Red Hat, ont prédit que le nombre de modèles d’IA allait exploser dans les années à venir. En effet, les entreprises sont censées commencer à personnaliser les quelques modèles actuels en les formant à l’aide de leurs données propriétaires.
Cependant, le problème qui se profile à l’horizon concerne uniquement la traçabilité des modèles d’IA.
Comme Jeff Baxter, ancien directeur technique de NetApp et actuel vice-président du marketing produit, a déclaré à Silverlinings que ces modèles d’IA feront inévitablement des erreurs dans leurs résultats. Et être capable de retracer la source de ces erreurs est essentiel non seulement pour les corriger, mais également pour maintenir la confiance des utilisateurs.
« Être capable de fournir une traçabilité aux modèles d’IA – et une traçabilité sur l’apparence de l’ensemble de données au moment où [the models] ont été formés pour revenir en arrière et comprendre ce qui s’est passé avec [an] erreur – est l’une de ces questions sans réponse auxquelles l’industrie est toujours aux prises », a déclaré Baxter.
Cette question s’inscrit dans le cadre d’une question sur la façon de gérer les modèles d’IA au fil du temps pour éviter ce que l’analyste de NeXt Curve Léonard Lee appelée « démence de l’IA » lors de notre Cloud Executive Summit en décembre.
La démence de l’IA est l’idée sur laquelle les modèles de données ont été formés devient obsolète avec le temps et donc, les modèles eux-mêmes deviennent moins précis s’ils ne sont pas maintenus.
Cela semble assez raisonnable, mais vous vous demandez peut-être : « Qu’est-ce que tout cela a à voir avec le multi-cloud ? »
Eh bien, Baxter a expliqué que le cloud ajoute de la complexité aux modèles d’IA puisque chaque cloud est livré avec ses propres normes et méthodes de catalogage des données qui y sont stockées.
“Si c’était il y a vingt ans et que toutes les données de mon entreprise se trouvaient dans un seul pool de données dans un seul centre de données, alors oui, il serait plus facile” de retrouver la source d’une erreur d’IA, a déclaré Baxter. « Le multi-cloud hybride a ouvert un monde d’opportunités aux entreprises… mais quiconque vous dit qu’il n’a pas accru la complexité se trompe. »
Baxter a déclaré que la réponse de NetApp au problème réside dans de nouvelles solutions de stockage de données unifiées qui atténuent les différences entre les systèmes de stockage cloud avec un plan de contrôle tiers qui peut être utilisé à la fois dans des environnements hyperscale et sur site.
L’architecture couvre plusieurs types de stockage différents, notamment les fichiers, les blocs et les objets. Consultez nos rapports sur l’intersection de l’IA et du stockage objet ici. Peut-être que le stockage est intéressant, après tout ? Restez à l’écoute sur ce front.
2024-01-30 17:15:00
1706624825
#complexité #des #données #cloud #pourrait #causer #gros #problèmes #dIA
