J’ai toujours aimé les données. Depuis mes journées dans un laboratoire de test Network Computing, collectant des données de test pour analyser les performances de tout, des routeurs aux serveurs Web, jusqu’à mes journées au bureau F5 du CTO analysant les données d’enquête du monde entier, j’ai toujours aimé creuser. et regarder l’industrie à travers le prisme des données.

Notre recherche annuelle cela me rapporte beaucoup de données pour les examiner, de différentes manières. L’une des principales façons dont j’examine ces données passe par les phases de transformation numérique. À mesure que les organisations approfondissent chacune des trois phases principales, elles ont tendance à se concentrer sur différentes technologies. Dernièrement, la plupart des organisations en sont à leurs deux premières phases et se contentent de se lancer dans la phase finale, au cours de laquelle l’IA et les données règnent en maître.

Vous ne serez pas plus surpris que moi d’apprendre qu’au cours de l’année écoulée, grâce à l’arrivée de l’IA générative, un pourcentage important d’organisations sont carrément entrées dans cette phase finale – et ne la quitteront pas de si tôt.

Je dis cela avec assurance, car les entreprises assistées par l’IA nécessitent un certain soutien technologique. L’IA, bien sûr, mais que s’appuie sur une base solide de données et d’analyses. Et pour être franc, les recherches menées par presque tout le monde révèlent le même refrain en ce qui concerne les données : les organisations ne sont pas encore prêtes pour l’IA. Pas vraiment.

En effet, la simple génération de données ne suffit pas. Le simple stockage des données ne suffit pas. Au milieu de toutes ces données se trouvent des questions sur la qualité, sur la gestion, sur la gouvernance.

Des questions qui conduisent à l’adoption de pratiques opérationnelles centrées sur les données. Ces pratiques sont déjà appelées DataOps ou MLOps. Comme DevOps avant lui, le nom est moins important que ce qu’il implique : les meilleures pratiques en matière de traitement, de stockage, de sécurité et de gestion des données qui conduisent à un niveau de qualité suffisant pour prendre en charge à la fois l’IA prédictive et générative.

Vous vous souvenez peut-être de cette décennie du DevOps, au cours de laquelle les pipelines CI/CD ont émergé, mûri et sont devenus le statu quo. Nous allons assister à un mouvement similaire sur le marché, axé sur les pipelines de données, avec tous les outils, technologies, blogs et experts qui vont avec.

Et c’est nécessaire. Parce que trop d’organisations dans nos dernières recherches—56%—a identifié l’immaturité des données comme le principal obstacle à l’adoption de l’IA. Et nous ne sommes pas les seuls à le remarquer. AWS, dans son Agenda Data CDO 2024a constaté que « plus de la moitié (57 %) n’avaient pas encore apporté les changements nécessaires aux stratégies de données de leur entreprise pour prendre en charge l’IA générative, mais une majorité (93 %) des CDO ont convenu que la stratégie de données est cruciale pour tirer de la valeur de l’IA générative. »

Et lorsque nous avons approfondi un peu les stratégies de données, nous avons constaté que 47 % des organisations n’avaient pas encore défini de stratégie de données spécifique au support de l’IA.

Un dernier mot sur la transformation numérique

Écoutez, moderniser vos pratiques en matière de données n’est pas plus simple que moderniser votre infrastructure. Après tout, la majeure partie de la pile informatique repose sur une base de données. Chaque technologie et chaque composant d’une architecture d’entreprise tourne autour du stockage, de la sécurisation, du transfert et de l’analyse. données. C’est tout ce que cela a toujours été, qu’il s’agisse de bits sur un fil, dans une base de données ou sur un serveur de fichiers. C’est à cela que servent les API : des applications partageant des données. C’est à cela que sert le réseau multicloud : un transfert de données sécurisé. C’est la raison d’être de l’IA : exploiter la puissance des données.

Mais si les entreprises ont depuis longtemps compris la valeur des données clients et d’entreprise, c’est l’IA qui met en lumière la valeur des données. tous données—opérationnel, corporatif et personnel. Mais cette valeur ne vient pas sans moyens de l’extraire, et que nécessite une modernisation du domaine des données pour inclure de nouvelles pratiques, outils et technologies. C’est l’axe technologique de la troisième phase de la transformation numérique.

Les organisations qui ne reconnaissent pas l’importance des pratiques, des outils et des technologies qui prendront en charge, feront évoluer et sécuriseront les données auront du mal à réaliser la valeur que l’IA apporte.—qu’ils soient prédictifs ou génératifs—apportera à ceux qui le font.

Articles Liés: