Une fois qu’on a testé et validé la technologie IA qu’on va utiliser ✅, et que la vision produit de la fonctionnalité a été définit, vient ensuite la phase d’implémentation 🔨👷
Pour cette phase il faut maximiser ses chances pour que cela se déroule fluidement, sans difficultés bloquantes, pour les équipes tech & produit.
Parmi les facteurs de succès pour le bon déroulement delivery d’une fonctionnalité IA nous avons :
Ici on a besoin d’évaluer facilement si les attentes vis-à-vis de la solution, seront faisables techniquement. On est donc dans une phrase de Discovery Tech. Voici quelques exemples d’actions qui peuvent être prises en compte pour évaluer la faisabilité technique :
Pourquoi ? 👀
Avoir un POC au début permet de vite valider une ou deux composants essentielles à la fonctionnalité IA, et d’avoir une meilleure prédiction du taux de confiance concernant la faisabilité. De plus, vous pouvez faire une démo aux parties prenantes et ainsi les rassurer là-dessus.
<aside>
Chez Kpler (SaaS de data intelligence pour trading), leur équipe utilise des POCs rigoureux avant de déployer un nouvelle version de leur IA. Cela leur permet de valider la faisabilité technique et d'éviter des erreurs coûteuses. Une bonne implémentation n'est pas seulement une question de faisabilité, mais aussi de cohérence avec les besoins de l'entreprise et les capacités de l'équipe.
Les startups PlayPlay et 360Learning ont chacune organisé des hackathons en interne, dans lesquels des opportunités ont été listés par les employés puis priorisés pour le hackathon. L’objectif était de valider si l’intelligence artificielle pouvait répondre efficacement à des problématiques clients, en s’appuyant sur des POCs pour en démontrer la faisabilité.
</aside>
Pourquoi ? 👀
Certaines entreprises disposent d'équipes entièrement dédiées à la recherche et au développement (R&D). Leur rôle est de mener une veille technologique, d’expérimenter les dernières innovations et de partager leurs résultats avec les équipes produit. Cela permet d’identifier les découvertes susceptibles de répondre à des besoins actuels. À l’inverse, les équipes produit peuvent solliciter la R&D pour explorer la faisabilité de certaines idées ou concepts. Cette équipe se concentre alors pleinement sur ces recherches pour fournir des réponses précises.
<aside>
Chez Pennylane, une équipe R&D composée de trois ingénieurs en machine learning joue ce rôle. Elle évalue la faisabilité technique des projets et fournit un taux de confiance sur leurs conclusions.
</aside>
Pourquoi ? 👀
Si votre fonctionnalité dépend d’une techno IA de type LLM (Large Language Model), le prompt engineering, ou l'art de concevoir les instructions données à une IA, joue un rôle clé dans l’efficacité et la précision des résultats produits.
Quand on parle de maniabilité de l’IA, il est crucial d’évaluer à quel point ses paramètres (entrées et sorties) sont accessibles et modulables. Pour cela il faut rédiger des premiers prompt systèmes sur l’IA afin d’évaluer la maniabilité et de comprendre :
En résumé, comprendre le niveau d’effort requis en prompt engineering permet de jauger si cela exigera un investissement significatif en temps et en compétences.
<aside>
Faire des premiers essais de prompt engineering
Une pratique courante qu’on remarque chez les entreprises qui développement des fonctionnalités IA est de réaliser ces 2 étapes :
Cette première approche initiale permet de mieux comprendre l'architecture nécessaire et d'évaluer la complexité du prompt engineering qui sera nécessaire.
</aside>