Capital One explore le chemin de la recherche à la production à grande échelle pour l'IA

fr.wedoany.com Rapport : Les entreprises rencontrent des obstacles majeurs lorsqu'elles passent des prototypes d'intelligence artificielle aux systèmes prêts pour la production, ce qui constitue un goulot d'étranglement central pour le déploiement de l'IA. L'organisation d'infrastructure IA de Capital One explore une voie permettant de faire fonctionner l'IA à grande échelle dans le monde réel, en couplant étroitement la recherche fondamentale avec les applications pratiques.

L'équipe IA de Capital One a constaté dans la pratique que de nombreux modèles excellents lors des tests hors ligne peinent à répondre aux exigences de latence du monde réel et à la complexité des données de production en temps réel. L'équipe adopte un modèle intégré qui place la recherche fondamentale et la résolution de problèmes hautement appliqués sous un même cadre, permettant aux chercheurs d'explorer simultanément les technologies sous-jacentes tout en restant connectés aux besoins réels de l'entreprise. Cette approche permet d'accélérer les cycles d'apprentissage, d'éviter les impasses et d'intégrer les contraintes réelles dès les premières étapes.

Prenant l'exemple des services financiers, Capital One a utilisé cette méthode pour améliorer la détection des fraudes, l'expérience utilisateur numérique et les technologies de service client. Parmi celles-ci, la recherche sur les architectures multi-agents a été utilisée pour coordonner différentes tâches, comme l'étude simultanée du contexte client et la préparation de documents, soutenant ainsi le lancement de la solution d'achat de véhicules Chat Concierge. Cette solution simule le raisonnement humain, fournissant non seulement des informations, mais aussi la capacité d'effectuer des actions au nom du client en fonction de ses demandes. L'équipe explore également des directions de pointe telles que les services agents et la personnalisation par l'IA, cherchant à accélérer les percées réellement évolutives en production grâce à un alignement étroit entre la recherche et les cas d'utilisation.

Toutes les idées d'IA ne sont pas adaptées à une mise en production directe. Capital One considère les trois phases de validation de concept, de pilote et de production comme des étapes d'évaluation honnêtes. La validation de concept doit être fonctionnelle et non simplement théorique, nécessitant que la machine exécute des tâches mesurables. La phase pilote permet des résultats négatifs, les considérant comme des points de décision plutôt que des engagements différés envers la production, obtenant ainsi des données précieuses pour juger si la solution aide réellement les humains à accomplir un travail concret. L'entrée en phase de production nécessite une collaboration multidisciplinaire entre ingénierie logicielle, science, produit et design, gestion de projet technique et opérations, la percée technologique n'étant qu'un élément parmi d'autres.

Tout au long du processus, la mesure est un intrant clé. Capital One utilise la satisfaction client comme indicateur final de retour sur investissement, tout en surveillant une série de métriques de performance de l'IA telles que la précision et la latence, afin de garantir la satisfaction des besoins clients. L'innovation durable en IA repose à la fois sur la technologie et la culture. Les organisations doivent encourager les corrections de cap, considérant « cette voie ne mène nulle part » comme un retour normal plutôt qu'un échec, permettant aux équipes d'ajuster ou d'arrêter leurs efforts en temps utile sur la base d'une évaluation honnête. Capital One réalise la transition de la recherche à la réalité en construisant un écosystème qui permet aux équipes d'oser essayer, d'apprendre rapidement et de garantir que l'IA est utile, fiable et sécurisée.

À mesure que l'IA continue d'évoluer, les dirigeants doivent investir non seulement dans les outils, mais aussi dans les processus de R&D et les bases culturelles, afin que l'innovation puisse être mise à l'échelle de manière responsable. Relier la recherche et l'application, prioriser l'évaluation et la mesure continues, et créer un environnement où les équipes apprennent et s'adaptent sont les clés pour que l'IA ait un impact durable à l'échelle réelle des entreprises.