{"id":82668,"date":"2022-04-11T04:00:00","date_gmt":"2022-04-11T08:00:00","guid":{"rendered":"https:\/\/www.applause.com\/blog\/pourquoi-les-projets-de-ml-echouent\/"},"modified":"2025-07-21T11:30:38","modified_gmt":"2025-07-21T15:30:38","slug":"pourquoi-les-projets-de-ml-echouent","status":"publish","type":"post","link":"https:\/\/www.applause.com\/fr\/blog\/pourquoi-les-projets-de-ml-echouent\/","title":{"rendered":"Pourquoi les projets de machine learning \u00e9chouent ?"},"content":{"rendered":"

Pourquoi les projets de machine learning \u00e9chouent ?<\/h1>\n

Commencez par taper \u00ab\u00a0l\u2019intelligence artificielle changera<\/em>\u00a0\u00bb dans un moteur de recherche, et vous allez voir des phrases sugg\u00e9r\u00e9es terminant par \u00ab\u00a0le monde<\/em>\u00a0\u00bb, \u00ab\u00a0la vie<\/em>\u00a0\u00bb, \u00ab\u00a0la nature<\/em>\u00a0\u00bb ou encore \u00ab\u00a0l\u2019art<\/em>\u00a0\u00bb. Si vous allez plus loin dans vos recherches, il est clair que les projets d\u2019IA et de machine learning conduisent non seulement \u00e0 des \u00e9volutions, mais sont \u00e9galement partie int\u00e9grale de leur succ\u00e8s. Selon un\u00a0rapport<\/a>\u00a0d\u2019Accenture, 85% des managers d\u2019industries \u00e0 fort besoin de capitaux pensent qu\u2019ils n\u2019atteindront pas leurs objectifs de croissance sans adopter une strat\u00e9gie d\u2019IA.<\/p>\n

Dans le m\u00eame temps, les recherches du MIT Sloan sugg\u00e8rent que l\u2019\u00e9cart entre les organisations qui r\u00e9ussissent \u00e0 obtenir un avantage gr\u00e2ce \u00e0 la data science et celles qui rencontrent des difficult\u00e9s s\u2019agrandit. Comme nous le savons, la data science et le machine learning sont les moteurs des applications d\u2019IA, car c\u2019est en int\u00e9grant des donn\u00e9es que l\u2019IA apprend comment interpr\u00e9ter notre monde et \u00e0 r\u00e9pondre comme nous le souhaitons. Si l\u2019IA doit avoir un impact r\u00e9el pour les entreprises et leurs clients, ces entreprises doivent adopter une nouvelle approche au machine learning. Comme la Review du MIT Technology conclut : \u00ab\u00a0la fa\u00e7on dont nous entrainons l\u2019IA est fondamentalement fauss\u00e9e\u00a0<\/em>\u00bb.<\/p>\n

Beaucoup d\u2019articles dans des publications comme\u00a0Towards Data Science<\/a>\u00a0ou\u00a0Open Data Science<\/a>\u00a0cherchent \u00e0 expliquer techniquement et en d\u00e9tail pourquoi les projets de machine learning \u00e9chouent. Ces articles sont int\u00e9ressants si vous \u00eates un data scientist, mais ne sont pas d\u2019une grande aide si vous \u00eates une entreprise essayant de comprendre pourquoi leur assistant de chat ou campagne de personnalisation ayant connus des investissements substantiels n\u2019a jamais d\u00e9coll\u00e9.<\/p>\n

La r\u00e9alit\u00e9 est que votre projet de machine learning n\u2019a probablement pas \u00e9chou\u00e9 \u00e0 cause de votre approche au\u00a0data versioning<\/em>\u00a0ou\u00a0model deployment<\/em>. La plupart des projets de machine learning \u00e9chouent simplement car les entreprises ne disposent pas des bonnes ressources, de l\u2019expertise ou d\u2019une strat\u00e9gie d\u00e8s le d\u00e9part. McKinsey\u2019s\u00a02021 State of AI Report<\/a>\u00a0a corrobor\u00e9 ces \u00e9l\u00e9ments, rapportant que les entreprises qui connaissent un impact plus important suite \u00e0 l\u2019adoption de l\u2019IA suivent des bonnes pratiques en mati\u00e8re d\u2019IA et d\u00e9pensent dans ce domaine plus efficacement que d\u2019autres entreprises similaires.<\/p>\n

Cinq erreurs r\u00e9pandues que commettent les entreprises en IA<\/strong><\/h3>\n

Au travers de nos travaux sur des projets de ML pour certaines des plus grandes entreprises au monde, Applause a identifi\u00e9 des erreurs fr\u00e9quemment commises qui r\u00e9duisent l\u2019efficacit\u00e9, augmentent les co\u00fbts et allongent les d\u00e9lais \u2013 et sont\u00a0in fine<\/em>\u00a0les raisons pour lesquelles les projets de machine learning \u00e9chouent.<\/p>\n

Erreur r\u00e9pandue n\u00b01 : Sous-\u00e9valuer les ressources n\u00e9cessaires pour entrainer les algorithmes de ML<\/strong><\/h4>\n

La premi\u00e8re raison pour laquelle les projets de machine learning \u00e9chouent, est que les entreprises ne sont pas suffisamment pr\u00e9par\u00e9es et \u00e9quip\u00e9es pour les mener \u00e0 bout. Selon Dimensional Research, 8 entreprises sur 10 trouvent que les projets de machine learning sont plus complexes que pr\u00e9vus, car elles sous-estiment le travail n\u00e9cessaire pour que les mod\u00e8les d\u2019entrainement fonctionnent correctement. C\u2019est pourquoi si peu de projets de data science arrivent au stade de production ; sans une compr\u00e9hension claire des ressources et de l\u2019expertise n\u00e9cessaires, les entreprises finissent soit par rencontrer des obstacles insurmontables ou bien d\u00e9penser leur budget inutilement. L\u2019une des choses qu\u2019elles sous-\u00e9valuent le plus est l\u2019effort requis pour collecter les donn\u00e9es d\u2019apprentissage n\u00e9cessaires \u2013 ce qui nous am\u00e8ne \u00e0 l\u2019erreur la plus r\u00e9pandue n\u00b02.<\/p>\n

Erreur r\u00e9pandue n\u00b02 : D\u00e9pendre de courtiers de donn\u00e9es pour obtenir des donn\u00e9es d\u2019apprentissage<\/strong><\/h4>\n

Les entreprises n\u2019\u00e9prouvent pas de difficult\u00e9s pour obtenir des donn\u00e9es d\u2019apprentissage ; Apr\u00e8s tout, il y a de nombreux vendeurs qui proposent des donn\u00e9es dans des volumes importants, le tout pour un prix relativement bas. La raison pour laquelle les projets de machine learning \u00e9chouent est que les entreprises rencontrent des difficult\u00e9s \u00e0 obtenir des donn\u00e9es d\u2019apprentissage de haute qualit\u00e9.<\/p>\n

En achetant des donn\u00e9es g\u00e9n\u00e9riques aupr\u00e8s de courtiers, les entreprises n\u2019obtiennent pas des donn\u00e9es assez sp\u00e9cifiques pour leurs projets de machine learning. Afin de comprendre pourquoi, prenons l\u2019exemple d\u2019un fournisseur de cours de fitness en ligne, en train de d\u00e9velopper un coach personnel. Afin que ce coach soit capable de reconna\u00eetre les erreurs, et de proposer des recommandations adapt\u00e9es, il a besoin d\u2019\u00eatre entrain\u00e9 avec des donn\u00e9es qui vont au-del\u00e0 de celles d\u2019unsimple utilisateur dans le cadre de diff\u00e9rents exercices. Il a \u00e9galement besoin de savoir comment reconna\u00eetre les individus dans des situations de fatigue respiratoire, de transpiration, en train de porter diff\u00e9rents v\u00eatements et \u00e0 des niveaux de forme et d\u2019expertise vari\u00e9s.<\/p>\n

De nombreuses probl\u00e9matiques existent avec les jeux de donn\u00e9es pr\u00e9existants :<\/p>\n

    \n
  • \n

    Il n\u2019y a pas de garantie que les donn\u00e9es soient \u00e9quilibr\u00e9es en termes d\u2019\u00e2ge, de genre, d\u2019accent, etc., pour pouvoir r\u00e9duire les biais ;<\/p>\n<\/li>\n

  • \n

    Les donn\u00e9es n\u2019ont pas \u00e9t\u00e9 tagu\u00e9es ou pas de mani\u00e8re \u00e0 faire sens pour l\u2019algorithme ;<\/p>\n<\/li>\n

  • \n

    La conformit\u00e9 des donn\u00e9es vis-\u00e0-vis des standards dict\u00e9s par les diff\u00e9rentes r\u00e9gulations comme l\u2019European Artificial Intelligence Act (EU AIA) n\u2019a pas \u00e9t\u00e9 \u00e9valu\u00e9 ;<\/p>\n<\/li>\n

  • \n

    Les entreprises ne sont pas s\u00fbres que des mesures de confidentialit\u00e9 et de s\u00e9curit\u00e9 ont \u00e9t\u00e9 observ\u00e9s, et ne re\u00e7oivent pas non plus de consignes sur comment prot\u00e9ger l\u2019int\u00e9grit\u00e9 de ces donn\u00e9es par la suite.<\/p>\n<\/li>\n<\/ul>\n

    Afin de mener \u00e0 bien des projets de machine learning, les entreprises devraient r\u00e9fl\u00e9chir \u00e0 comment composer des jeux de donn\u00e9es d\u2019apprentissage plut\u00f4t qu\u2019\u00e0 les acheter.<\/p>\n

    Erreur r\u00e9pandue n\u00b03 : Sous-estimer \u00e0 quel point l\u2019IA demande une it\u00e9ration constante<\/strong><\/h4>\n

    Acheter des donn\u00e9es aupr\u00e8s d\u2019un courtier n\u2019a pas seulement des ramifications quant \u00e0 la qualit\u00e9 des donn\u00e9es d\u2019apprentissage, mais rend \u00e9galement le processus d\u2019entrainement de l\u2019IA plus complexe.<\/p>\n

    Entrainer des algorithmes de ML n\u2019est pas un processus pouvant \u00eatre effectu\u00e9 d\u2019une traite. Une fois que l\u2019apprentissage est en cours, les d\u00e9veloppeurs doivent continuellement proc\u00e9der \u00e0 des ajustements concernant les donn\u00e9es devant \u00eatre collect\u00e9es, tandis que les besoins se pr\u00e9cisent. Cela peut s\u2019expliquer par le fait qu\u2019entrainer un algorithme d\u2019IA est comme faire ses courses et cuisiner en m\u00eame temps : vous pensez que vous disposez de tous les ingr\u00e9dients dont vous avez besoins, mais quand vous commencez \u00e0 cuisiner, vous r\u00e9alisez que vous avez oubli\u00e9 un ingr\u00e9dient, que vous devez proc\u00e9der \u00e0 un ajustement ou que l\u2019\u00e9quilibre des ingr\u00e9dients n\u2019est pas le bon \u2013 et vous devez donc am\u00e9liorer votre recette en fonction.<\/p>\n

    En machine learning, il est difficile de savoir exactement de quelles donn\u00e9es vous aurez besoin jusqu\u2019\u00e0 ce que vous d\u00e9butiez le processus d\u2019entrainement de l\u2019algorithme. Vous pouvez r\u00e9aliser que le jeu de donn\u00e9es n\u2019est pas assez large ou qu\u2019il y a un probl\u00e8me sur la fa\u00e7on dont les donn\u00e9es ont \u00e9t\u00e9 collect\u00e9es. Beaucoup de courtiers en donn\u00e9es ont des politiques contractuelles assez strictes \u2013 ou n\u2019offrent m\u00eame pas la possibilit\u00e9 de modifier la requ\u00eate de collecte \u2013 laissant les d\u00e9veloppeurs d\u2019IA avec des donn\u00e9es dont ils n\u2019ont pas vraiment besoin, avec comme seul choix d\u2019acheter un nouveau jeu de donn\u00e9es r\u00e9pondant \u00e0 leurs attentes. C\u2019est un point d\u2019achoppement qui est tr\u00e8s connu pour les entreprises, qui contribue \u00e0 l\u2019augmentation des co\u00fbts, un allongement des d\u00e9lais, et une r\u00e9duction de l\u2019efficacit\u00e9. Au final, c\u2019est l\u2019une des principales raisons pour laquelle les projets de machine learning \u00e9chouent.<\/p>\n

    Erreur r\u00e9pandue n\u00b04 : Ne pas int\u00e9grer les tests de qualit\u00e9 digitale<\/strong><\/h4>\n

    Les entreprises pr\u00e9sentes dans toutes les industries \u00e9chouent souvent \u00e0 int\u00e9grer le testing QA, et ce quel que soit le stage du processus de d\u00e9veloppement produit. Il est faussement consid\u00e9r\u00e9 comme une option, une formalit\u00e9 pour v\u00e9rifier si un produit fonctionne correctement, contrairement \u00e0 un outil qui peut \u00eatre utilis\u00e9 pour optimiser un produit de mani\u00e8re it\u00e9rative.<\/p>\n

    Une des raisons pour laquelle les projets de machine learning \u00e9chouent, est que l\u2019attitude par rapport au testing QA est intenable compte-tenu des r\u00e9alit\u00e9s du d\u00e9veloppement de l\u2019IA. Contrairement au d\u00e9veloppement traditionnel de logiciels, vous ne pouvez pas simplement identifier des bugs lors d\u2019une mise \u00e0 jour classique. Les erreurs identifi\u00e9es lors d\u2019un processus de testing QA ne peuvent \u00eatre uniquement corrig\u00e9es en r\u00e9alisant le processus dans son int\u00e9gralit\u00e9. Si votre IA ne fonctionne pas comme pr\u00e9vu, c\u2019est potentiellement parce qu\u2019il y a un probl\u00e8me avec les donn\u00e9es d\u2019apprentissage, ou bien car elles ont orient\u00e9 le mod\u00e8le dans la mauvaise direction. Dans tous les cas, cela signifie qu\u2019il est n\u00e9cessaire de repartir depuis le d\u00e9part et composer un nouveau jeu de donn\u00e9es d\u2019apprentissage.<\/p>\n

    Les entreprises qui n\u2019int\u00e8grent pas une \u00e9tape de validation \u00e0 toutes les \u00e9tapes du processus de d\u00e9veloppement d\u2019une IA se rendent la t\u00e2che plus difficile. Plut\u00f4t que d\u2019entrainer l\u2019algorithme avec de larges jeux de donn\u00e9es, pour ensuite tester l\u2019IA, elles ont besoin d\u2019entrainer et de tester de mani\u00e8re plus it\u00e9rative. Adopter une approche agile et int\u00e9gr\u00e9e au testing aidera \u00e0 r\u00e9duire les d\u00e9penses futiles, les d\u00e9lais, et \u00e0 proc\u00e9der \u00e0 une meilleure allocation des ressources.<\/p>\n

    Erreur r\u00e9pandue n\u00b05 : \u00c9chouer \u00e0 mettre en place des revues fr\u00e9quentes<\/strong><\/h4>\n

    La derni\u00e8re raison pour laquelle les projets de machine learning \u00e9chouent, est que les entreprises crient victoire trop rapidement.<\/p>\n

    Les projets d\u2019IA ne sont jamais r\u00e9ellement termin\u00e9s. M\u00eame si une exp\u00e9rience d\u2019IA r\u00e9pond correctement aux attentes en termes de performance, elle n\u2019a \u00e9t\u00e9 entrain\u00e9e qu\u2019\u00e0 l\u2019aide de donn\u00e9es repr\u00e9sentant la soci\u00e9t\u00e9 d\u2019aujourd\u2019hui. L\u2019algorithme a appris \u00e0 prendre des d\u00e9cisions bas\u00e9es sur des opinions, conversations et images qui changent de jour en jour. R\u00e9fl\u00e9chissez aux applications de traitement du langage naturel (NLP) : elles ne savent communiquer uniquement car elles ont \u00e9t\u00e9 entrain\u00e9es \u00e0 l\u2019aide de vraie conversation. Compte-tenu du fait que 5 400 nouveaux mots sont cr\u00e9\u00e9s chaque ann\u00e9e en langue anglaise seulement, les applications de NLP perdent en pr\u00e9cision tr\u00e8s rapidement.<\/p>\n

    Si les exp\u00e9riences d\u2019IA veulent continuer \u00e0 \u00eatre utiles \u00e0 leurs utilisateurs, elles ont besoin d\u2019\u00eatre \u00e0 nouveau entrain\u00e9es sur la base des changements soci\u00e9taux, des d\u00e9veloppements technologiques et des modifications terminologiques.<\/p>\n

    Comment s\u2019assurer que les projets de machine learning r\u00e9ussissent<\/strong><\/h3>\n

    Ce dont les entreprises ont besoin est une approche programme au d\u00e9veloppement d\u2019IA. Plut\u00f4t que de penser \u00e0 chaque \u00e9tape comme des projets distincts, les entreprises devraient consid\u00e9rer \u00e0 les r\u00e9unir en les int\u00e9grant dans un programme holistique. D\u00e9velopper une IA est un processus it\u00e9ratif, agile, dans lequel les \u00e9quipes travaillent de concert, et non pas en silo, le tout gouvern\u00e9 par un leader programme sur lequel la responsabilit\u00e9 du succ\u00e8s de ce dernier repose.<\/p>\n

    Afin d\u2019en savoir plus sur comment votre entreprise peut impl\u00e9menter une approche programme concernant le d\u00e9veloppent d\u2019exp\u00e9riences IA r\u00e9ellement utiles \u00e0 vos clients, t\u00e9l\u00e9chargez notre livre blanc : Construire un programme robuste de collecte de donn\u00e9es de ML\/IA.<\/p>\n<\/div><\/div><\/div><\/div><\/div>","protected":false},"excerpt":{"rendered":"

    D\u00e9couvrez les 5 raisons expliquant pourquoi les projets de machine learning \u00e9chouent et comment \u00e9viter ces erreurs pour construire une exp\u00e9rience d\u2019IA r\u00e9ussie.<\/p>\n","protected":false},"author":42,"featured_media":70379,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[999,281],"tags":[760,960],"resource-industry":[],"resource-solution":[1167,1186],"resources\/types":[1242],"class_list":["post-82668","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-customer-stories-insight","category-non-classifiee","tag-ai","tag-intelligence-artificielle","resource-solution-ai-training-testing","resource-solution-entrainement-tests-ia","resource-type-blogues"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/posts\/82668","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/users\/42"}],"replies":[{"embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/comments?post=82668"}],"version-history":[{"count":0,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/posts\/82668\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/media\/70379"}],"wp:attachment":[{"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/media?parent=82668"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/categories?post=82668"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/tags?post=82668"},{"taxonomy":"resource-industry","embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/resource-industry?post=82668"},{"taxonomy":"resource-solution","embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/resource-solution?post=82668"},{"taxonomy":"resource-type","embeddable":true,"href":"https:\/\/www.applause.com\/fr\/wp-json\/wp\/v2\/resources\/types?post=82668"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}