Il existe de multiples cas d’usage de l’IA. Certains plus prometteurs que d’autres, certains plus avancés que d’autres.
Dans le domaine des sciences de la vie, les bénéfices potentiels de l’IA en matière de R&D sont à portée de main. De nombreux centres de recherche tardent pourtant à embrasser cette révolution technologique et hésitent à envisager de nouvelles techniques pourtant susceptibles d’ouvrir de nouveaux champs d’observation.
Pour mieux comprendre le problème, prenons une hache et une tronçonneuse !
Continuer d’avancer ou s’arrêter pour repartir plus vite ?
Imaginez une équipe de chercheurs avec pour mission d’abattre des arbres, chacun équipé d’une hache. Avec le temps, ils développent leurs compétences et leurs propres méthodes pour accomplir cette tâche le plus efficacement possible avec l’outil dont ils disposent.
Maintenant, imaginez qu’une personne amène une tronçonneuse au sein de cette équipe. Pour l’utiliser correctement, les chercheurs doivent stopper leurs travaux d’abattage et prendre du temps pour apprendre à maîtriser ce nouvel outil.
Typiquement, dans une telle situation, une partie des chercheurs, et notamment ceux qui s’étaient imposés comme les meilleurs avec les anciennes méthodes, vont résister, affirmant qu’ils sont trop occupés à abattre des arbres pour apprendre à manier une tronçonneuse.
Un autre groupe, plus réduit, va essayer d’utiliser le nouvel outil, mais de la mauvaise façon, et rencontrer peu de succès, arrivant à la conclusion suivante : « Cette tronçonneuse est nulle ».
Et c’est à cet instant que les « early adopters », les chercheurs les plus intéressés par la découverte de manières plus efficace de faire les choses, vont devenir les plus productifs de l’équipe. Ils vont s’arrêter, apprendre comment utiliser le nouvel outil, et rapidement surpasser les autres.
L’essayer, c’est l’améliorer !
Dans notre analogie, il est important de reconnaître que la tronçonneuse, représentant évidemment les outils d’IA, n’est pas encore parfaitement adaptée aux besoins des chercheurs. Comme tout nouvel outil, l’IA peut encore être améliorée, notamment en termes d’accessibilité et particulièrement pour des chercheurs sans formation en informatique.
Dell Technologies travaille avec différentes organisations pour améliorer les outils et simplifier leur usage. Cependant, cela ne doit pas empêcher le monde de la recherche d’exploiter l’immense potentiel de l’IA. Au contraire, cela souligne l’importance pour les chercheurs de s’engager dans cette voie afin d’entrer dans un processus d’amélioration continue et de faire en sorte que l’IA devienne un outil encore plus puissant et accessible dans la boîte à outils R&D des sciences de la vie.
En dépassant les méthodes conventionnelles d’IA prédictive et en exploitant la puissance de l’IA extractive et générative (GenAI), les chercheurs pourront effectuer de nouvelles corrélations et révéler des informations importantes dissimulées jusqu’alors dans des jeux de données négligés et sous-utilisés, ouvrant potentiellement la voie à de nouvelles découvertes.
Il est crucial de comprendre que l’IA n’est pas là pour remplacer les chercheurs mais pour leur donner de nouveaux moyens d’agir. Dans la courbe classique d’adoption des nouvelles technologies, nous en sommes toujours à la phase des « early adopters ». Et ces pionniers pourront bénéficier d’un avantage significatif. Dans le domaine pharmaceutique par exemple, l’IA présente un potentiel considérable pour accélérer la mise sur le marché de nouveaux médicaments.
Commencez petit, mesurez les bénéfices, accélérez !
Pour lancer leur adoption de l’IA, les organisations de recherche ont besoin d’un plan structuré.
Ma recommandation est de viser des premiers objectifs très précis et résoudre des problèmes clairs et bien identifiés. Il ne faut pas hésiter à commencer petit et à démarrer par un MVP*. Il est important de se concentrer sur des problématiques qui permettront de mesurer la réussite et les bénéfices avec des indicateurs qui auront été définis à l’avance.
En parallèle, il faudra être particulièrement vigilant sur la sécurité des données. Et j’insiste sur ce point : il ne s’agit pas uniquement de conformité. Il est nécessaire de mettre en place une stratégie qui garantisse la protection des données et métadonnées en toute circonstance.
Par ailleurs, sélectionnez les bons partenaires pour vous aider à accélérer l’adoption. Chez Dell, nous avons travaillé sans relâche pour nous assurer que nos solutions et nos services d’IA et d’IA générative correspondent aux attentes de nos clients, avec une infrastructure multicloud personnalisable qui peut se targuer de maintenir votre souveraineté sur les données
Enfin, mesurez votre succès et étendez l’usage. Il est important que la direction de l’organisation soit impliquée, que vos KPI répondent aux exigences, mais aussi que tous les membres de l’organisation soient à l’aise avec l’échec ! Seule l’expérimentation permettra de s’adapter et de réussir.
De early adopter à leader
Les organismes de recherche en sciences de la vie ont une décision à prendre : continuer avec la hache ou apprendre à utiliser la tronçonneuse. Adopter les outils et méthodologies de l’intelligence artificielle n’est pas seulement une option ; c’est une nécessité pour rester compétitif dans le paysage en constante évolution de la découverte scientifique et du développement thérapeutique.
Dell Technologies est là pour vous aider dans ce processus et est prêt à travailler avec votre organisation, quel que soit votre niveau de familiarité avec l’IA. N’oubliez pas que ceux qui maîtrisent la tronçonneuse de l’IA seront sans doute les leaders de demain.
*Minimum Viable Product, ou produit minimum viable ; une version d’un produit ne présentant que les fonctions les plus essentielles, afin d’accélérer le déploiement et de recueillir rapidement des retours.
