À mesure que les technologies d’Intelligence Artificielle (IA) deviennent de plus en plus courantes dans l’entreprise, quelles compétences vous distinguent ? Personnes individuelles et équipes informatiques, concentrez-vous sur ces quatre !

4 Artificial Intelligence (AI) skills IT pros must have

 https://enterprisersproject.com/article/2021/5/artificial-intelligence-ai-4-must-have-skills by David Edwards

L’Intelligence Artificielle (IA) est sans doute devenue un terme courant dans les entreprises modernes. À l’heure actuelle, la plupart des entreprises ont adopté un type d’initiative commerciale qui inclut l’IA dans leur transformation numérique.

L’intelligence artificielle est un terme large, mais une grande partie de la recherche et du développement actuels se concentre sur l’apprentissage automatique (Machine Learning /ML), une sous-discipline grâce à laquelle les machines apprennent à partir de données plutôt que d’être explicitement programmées.

Surveillez vos compétences en IA

L’IA et le ML ciblant un large éventail d’utilisateurs d’entreprise, les professionnels de l’informatique doivent développer de nouvelles compétences pour réussir dans ce domaine émergent. En voici quatre exemples.

#1 – Recadrez les problèmes business depuis le contexte des données

Une compréhension de l’entreprise et de ses problèmes les plus urgents est une compétence transcendante pour tout professionnel de l’informatique. Cependant, les projets axés sur l’IA nécessitent que les solutions soient cadrées et rationalisées dans le contexte des données directement ou indirectement disponibles pour l’entreprise.

Vous souhaitez en apprendre davantage sur les meilleures pratiques ? Lisez le eBook: Top considerations for building a production-ready AI/ML environment

La question essentielle est de savoir si ces données ont le potentiel de résoudre le problème business en question. Bien que la réponse ne soit pas toujours immédiatement évidente, elle commence par une hypothèse issue d’une analyse préalable ou peut-être simplement basée sur l’intuition. Par exemple, une entreprise qui connaît un fort taux de désabonnement de sa clientèle pourrait émettre l’hypothèse que les changements récents dans l’activité commerciale pourraient prédire l’attrition future.

#2 – Soignez votre ingénierie des données

La plupart des entreprises disposent d’une abondance de données, mais leur exploitation pour des projets d’IA / ML peut être difficile. La préparation des données pour l’analyse et l’apprentissage automatique est généralement la partie essentielle et la plupart des organisations ne comprennent pas l’investissement requis pendant cette phase.

De plus en plus, les entreprises réalisent l’importance de créer des systèmes et des processus qui automatisent l’acquisition, la transformation et la livraison de données aux organisations impliquées dans des projets d’analyse et d’IA / ML. Ces entreprises comprennent que les données doivent être un actif de première classe au même titre que le code et que les principes fondamentaux du génie logiciel doivent être appliqués de la même manière.

Alors que tous les professionnels de l’informatique devraient avoir des compétences de base en transformation des données, nous verrons probablement l’émergence d’équipes d’ingénierie des données centralisées dont l’objectif principal est de développer et de déployer des pipelines de données automatisés qui fournissent des données de haute qualité à grande échelle.

Lisez: 6 misconceptions about AIOps, explained

#3 – Apprenez les outils et langages pour le Machine Learning

Les outils et l’infrastructure pour l’apprentissage automatique ont radicalement évolué au cours de la dernière décennie, à la fois dans les offres open source et commerciales. L’accès aux technologies de pointe autrefois réservé aux chercheurs et aux praticiens les plus élitistes a été démocratisé, avec des chaînes d’outils et des services entièrement intégrés de la part de tous les principaux fournisseurs de cloud.

Divers langages de programmation sont utilisés pour l’apprentissage automatique, mais Python est le plus courant. Une grande partie de son succès est due à une communauté active et dynamique ainsi qu’à la disponibilité de bibliothèques qui implémentent pratiquement tous les algorithmes populaires.

Un projet qui aurait pu autrefois nécessiter un scientifique des données peut maintenant être réalisé par des professionnels de l’informatique.

La différenciation des compétences entre les data scientists et les ingénieurs logiciels s’est estompée ces dernières années en raison des progrès et de l’accessibilité des outils. Un projet qui aurait pu autrefois nécessiter un scientifique des données peut maintenant être réalisé par des professionnels de l’informatique.

#4 – Évaluez les performances du modèle

La technologie de sélection des modèles, en particulier avec les chaînes d’outils intégrées des fournisseurs de cloud populaires, évolue à un point tel que certaines décisions laborieuses souvent prises par les scientifiques des données sont désormais prises automatiquement dans les logiciels. Un exemple clair est la sélection d’un modèle qui donne les meilleures performances tout en se généralisant bien.

Consultez notre introduction sur 10 termes clés de l’intelligence artificielle pour les responsables informatiques et les chefs d’entreprise Cheat sheet: AI glossary

Même si ces outils deviennent plus évolués, les professionnels de l’informatique doivent avoir une compréhension générale des concepts d’apprentissage automatique, en particulier dans l’évaluation des performances du modèle et la corrélation entre la sélection des fonctionnalités et la qualité prédictive.

Bénéficiez pleinement de l’Intelligence Artificielle et du Machine Learning

Tirer parti de l’Intelligence Artificielle et du Machine Learning pour améliorer les résultats business devient rapidement un enjeu central pour les entreprises modernes alors qu’elles naviguent dans les initiatives de transformation numérique. L’adoption de ces technologies en évolution oblige les organisations informatiques à développer de nouvelles compétences visant à utiliser les données pour résoudre les problèmes de l’entreprise. Pour mieux équiper les organisations engagées dans des projets d’IA, les équipes informatiques doivent également mettre en œuvre de nouveaux systèmes et processus qui automatisent l’acquisition, la transformation et la livraison des données.

Une variété de ressources sont disponibles en ligne pour aider les professionnels de l’informatique à acquérir les compétences en IA et en ML dont ils ont besoin. Coursera.org propose un excellent introductory course qui enseigne les principes fondamentaux du Machine Learning.  En outre, tous les principaux fournisseurs de cloud, y compris AWS, Azure et Google, proposent une formation pour leurs services d’IA et leurs chaînes d’outils intégrées. Bien que bon nombre de ces cours en ligne soient gratuits, certains, comme les programmes de certification, comportent des frais.

Pour en apprendre davantage sur l’intelligence artificielle

• Augmented reality (AR) vs. virtual reality (VR): What’s the difference?
• 6 misconceptions about AIOps, explained
• Cheat sheet: AI glossary
• Ebook: Top considerations for building a production-ready AI/ML environment
• Artificial intelligence (AI) vs. natural language processing (NLP): What are the differences?