Le taux d'échec des projets d'IA dépasse les 80 % - une étude cite parmi les principaux problèmes la mauvaise reconnaissance des problèmes et la focalisation sur les dernières tendances technologiques

Tout le monde et sa tante semblent monter à bord du train de l'IA à la recherche de marges bénéficiaires gonflées et d'un battage marketing - il suffit de regarder le récent rebranding Ryzen d'AMD pour s'en convaincre. Une étude récente menée par RAND a révélé que cette approche centrée sur l'IA n'est peut-être pas aussi efficace qu'on le prétend, les projets d'IA échouant apparemment deux fois plus souvent que les projets de développement de logiciels ordinaires.

Dans le cadre de cette étude, RAND a interrogé 65 experts de l'industrie ayant plus de cinq ans d'expérience dans le développement d'outils d'IA et d'apprentissage automatique pour des entités privées et des universités, et a distillé leurs réponses en cinq raisons principales pour expliquer les échecs des projets d'IA/ML.

Selon l'étude, l'échec numéro un est un échec de leadership plutôt qu'un échec technique. Les dirigeants n'ont pas compris quel était le problème qu'ils essayaient de résoudre avec l'IA, n'ont pas communiqué le problème aux équipes de développement ou ont essayé d'appliquer l'IA à un problème qu'elle n'était pas en mesure de résoudre. Les chefs de projet étaient tellement concentrés sur l'utilisation des dernières et des plus grandes avancées en matière d'IA pour résoudre leurs problèmes qu'ils ont manqué des solutions plus simples et moins coûteuses qui n'utilisaient pas l'IA.

Comme l'a expliqué l'une des personnes interrogées, ses équipes recevaient parfois l'instruction d'appliquer des techniques d'IA à des ensembles de données présentant une poignée de caractéristiques ou de schémas dominants qui auraient pu être rapidement saisis par quelques règles simples de type "si-alors".

La disponibilité des ressources a également constitué un point d'échec important, les dirigeants ayant été cités comme ne voulant pas ou ne pouvant pas affecter les ressources nécessaires au traitement des données et à l'entraînement adéquat des systèmes d'IA. Cela se traduit souvent par une livraison insuffisante ou incomplète du projet, conséquence d'une sous-estimation de la complexité de la création et de la formation d'un système d'IA.

De même, de nombreux dirigeants avaient des attentes irréalistes à l'égard de l'IA en raison du battage médiatique récent et des déclarations marketing, ce qui devient problématique lorsque les équipes de développement ne sont pas en mesure de fournir ce qui a été promis dans les délais prévus.

Pour un examen plus détaillé des données, des raisons de l'échec et des recommandations des chercheurs, consultez le rapport de recherche de RAND.