Chez NTT DATA, j’’ai vu de première main comment l’IA, en — particulier GenAI  au cours des dernières années, et maintenant, l’IA agentique — peut révolutionner les organisations dans tous les secteurs.

Les systèmes autonomes d’IA agentique  raisonnent, planifient et agissent pour atteindre les objectifs, souvent en coordination avec d’autres agents. Cependant, ces systèmes ne fournissent le RCI prévu que s’ils ont accès à de grands volumes de données de haute qualité, riches en contexte et en temps réel.

Cela signifie que vous ne pouvez accéder à la véritable puissance de l’IA agentique qu’une fois que vous comprenez et que vous atteignez la préparation des données. En tant que chef de file mondial des TI, j’ai bien fait de le dire lors d’un événement auquel j’ai assisté récemment. “C’’est la combinaison de données et d’IA qui vous mènera vraiment à des endroits.”

La pierre angulaire de l’IA agentique

Dans ’le rapport mondial GenAI de NTT DATA, seulement 53 % des organisations ont déclaré qu’elles avaient déjà abordé la préparation des données tout en évaluant les occasions d’affaires liées à GenAI, — mais 95 % s’attendaient à le faire au cours de l’année suivante, montrant une forte sensibilisation à son importance. Les répondants ont également déclaré que la préparation aux données  était la meilleure leçon qu’ils avaient apprise de leurs déploiements GenAI précédents.

Bien que ces statistiques et l’énoncé du chef ’de file mondial des TI soient vrais pour GenAI, elles résonnent encore plus profondément dans le contexte de l’IA agentique, où les données deviennent l’épine dorsale qui soutient l’ensemble de l’écosystème.

Songez à un scénario où un fabricant multinational de boissons souhaite mettre en œuvre l’IA agentique pour rationaliser sa chaîne d’approvisionnement. Le système devrait accéder à de grandes quantités de données provenant de diverses sources et les traiter, y compris des capteurs, des fournisseurs de logistique et des analystes de marché. Si les données ne sont pas correctement nettoyées, intégrées et régies, le système prendra des décisions sous-optimales.

Le résultat indésirable ne serait pas dû à un manque de prouesses technologiques ou de planification stratégique des affaires, mais simplement à un manque de préparation des données.

Qu’est-ce que l’état de préparation des données?

Se concentrer sur la préparation des données avant de déployer l’IA est comme faire le travail de préparation pour la cuisson d’un gâteau. Vous avez peut-être acheté tous les ingrédients, mais s’ils ne ’sont pas de bonne qualité, bien mesurés ou bien mélangés, votre gâteau est susceptible de s’écailler.

Dans le monde de GenAI, cela signifie avoir des données de premier ordre et bien ’organisées qui sont propres et pertinentes afin que l’IA puisse créer du contenu créatif sans aucun hoquet. Plus les données sont bonnes, plus la performance de votre moteur GenAI est impressionnante.

L’IA agentique, en particulier, a besoin de flux de données dynamiques, multisources et multiformats pour raisonner et agir. Ces données doivent être contextuellement riches, interopérables de façon sémantique (non seulement partagées, mais également comprises par différentes plateformes ou applications) et disponibles en temps réel.

De plus, les systèmes multiagent ont besoin d’environnements de données synchronisés pour permettre la collaboration, la délégation et la négociation entre les agents.

Dans un système multiagent, différents agents peuvent être responsables de différents aspects de la chaîne d’approvisionnement, comme l’approvisionnement, la gestion des stocks et la logistique. Pour que le système fonctionne efficacement, les données de chacun de ces agents doivent être synchronisées et intégrées en temps réel, ce qui permet aux agents de collaborer et de prendre des décisions basées sur une compréhension partagée de la chaîne d’approvisionnement.

Six étapes pour préparer les données à l’IA agentique

L’atteinte de la préparation des données pour l’IA agentique peut être divisée en six étapes clés :

(1) Comprendre votre processus décisionnel

Il est essentiel de clarifier les données dont vous avez besoin pour prendre des décisions d’affaires, peu importe la technologie que vous ’utilisez pour fournir des renseignements et agir en fonction de ceux-ci. Cela implique de comprendre les processus d’affaires, d’identifier les décisions clés à prendre et de déterminer les données dont vous avez besoin pour appuyer ces décisions.

(2) Vérifier la qualité et l’intégrité des données

L’importance des données structurées, étiquetées et dignes de confiance ne peut être surestimée. Ici, la validation humaine dans la boucle est essentielle, car elle permet de s’assurer que les données sont exactes et fiables.

(3) Intégration et intégration des données du plan

Vous aurez besoin ’de pipelines et d’interfaces de programmation d’applications en temps réel pour alimenter en permanence les agents. Les outils d’“extraction, de transformation et de chargement” (ETL) basés sur l’IA — qui extraient des données de sources multiples, les transforment en un format normalisé et les chargent dans un système cible — peuvent automatiser l’ingestion des systèmes existants, ce qui rend l’intégration des données plus facile et moins coûteuse.

(4) Mettre la migration des données en mouvement

Il est essentiel de passer des systèmes cloisonnés aux architectures natives du nuage et prêtes pour les agents. L—’analyse et l’amélioration des processus d’affaires par l’extraction des connaissances des journaux d’événements enregistrés par vos systèmes — peuvent vous aider à identifier et à prioriser les cibles de migration, ce qui vous permet de migrer les données les plus critiques en premier.

5. S’attaquer au codage et à la sémantique des données

La capacité des agents d’IA à raisonner dépend des ontologies, des taxonomies et du marquage des métadonnées. Ces outils sont tous utilisés pour organiser et interpréter l’information, mais ils servent à des fins différentes.

Les taxonomies regroupent les éléments en catégories et sous-catégories hiérarchiques en fonction de leurs caractéristiques partagées. Par exemple, une taxonomie pour un détaillant peut catégoriser les produits en produits électroniques, vêtements et articles ménagers.

Les ontologies vont encore plus loin en définissant les relations entre ces catégories et en fournissant une structure plus riche qui décrit comment différents concepts interagissent les uns avec les autres. Par exemple, une ontologie peut définir la relation entre un produit et son fabricant, ou entre un client et son historique de commande.

Ensuite, les métadonnées fournissent des informations sur le contenu, le contexte et la structure des données, comme le créateur, la date de création et le type de fichier.

Pensez à un agent de l’IA qui doit recommander des produits aux clients en fonction de leur historique de navigation. L’agent doit être en mesure de comprendre les relations entre les différents produits, les clients et leurs préférences. Les ontologies, les taxonomies et le marquage des métadonnées lui permettent de comprendre ces données complexes et de fournir des recommandations précises.

(6) Maintenir la gouvernance et la conformité des données

Il est essentiel de s’assurer que vos agents d’IA fonctionnent dans les limites réglementaires et éthiques. Mettre en œuvre des pistes de vérification, des contrôles d’accès et des cadres d’explication pour vérifier que vos données sont utilisées de manière responsable et qu’elles sont conformes aux réglementations pertinentes de votre industrie.

Comment l’IA peut accélérer vos efforts

L’IA elle-même — dans diverses applications — peut jouer un rôle important dans l’accélération de la préparation de vos données. Par exemple, il peut être utilisé pour le profilage des données, pour numériser et classer les données et pour évaluer la qualité des données. Il peut automatiser la déduplication, la normalisation et le marquage contextuel.

Les modèles de grande langue peuvent classer et enrichir automatiquement vos données avec un contexte et une signification supplémentaires, ce qui facilite l’intégration et l’analyse des données provenant de différentes sources.

L’IA peut également accélérer les processus ETL traditionnels et surveiller l’utilisation des données tout en signalant les anomalies et en appliquant les politiques de façon autonome.

Chez NTT DATA, nous avons développé plusieurs ’accélérateurs qui peuvent vous aider à accélérer votre parcours de préparation aux données. Il s’agit notamment d’outils de profilage et de nettoyage des données alimentés par l’IA, ainsi que de cadres de gouvernance des données qui peuvent vous aider à garder vos données exactes, fiables et conformes aux règlements.

Défis courants à surmonter

Malgré les avantages évidents, vous pourriez faire face à plusieurs défis pour atteindre la préparation des données.

Pour commencer, vous pouvez utiliser des outils comme des modèles de maturité et des calculateurs de RCI pour évaluer votre préparation actuelle aux données. Vous pouvez également demander l’avis de partenaires experts ayant de l’expérience dans la mise en œuvre non seulement de systèmes d’IA agents, mais aussi des écosystèmes technologiques plus larges dans lesquels ils opèrent.

Les silos de données peuvent être traités à l’aide d’un apprentissage fédéré (une technique d’apprentissage automatique qui permet la formation sur les modèles d’IA sur les données décentralisées) et de stratégies de maillage de données (avec la propriété et la responsabilité des données réparties entre les équipes de votre organisation, permettant une gestion des données plus agile).

Si vous avez un système existant incompatible avec les architectures de données modernes, vous pouvez utiliser un enveloppeur d’IA pour extraire des données de ce système et les intégrer à d’autres sources de données. Cela déverrouille la valeur des données sans avoir à remplacer l’ensemble du système.

Ensuite, la gestion du changement demeure essentielle. Harmonisez vos équipes d’affaires et TI grâce à des évaluations de maturité et à des programmes pilotes.

Êtes-vous prêt?

La préparation des données est un impératif stratégique qui définira le succès de vos initiatives d’IA.

En comprenant ce que la préparation des données implique et en prenant des mesures concrètes pour y parvenir, vous pouvez positionner l’IA, GenAI et surtout l’IA agentique comme le moteur de la transformation numérique ’de votre organisation.

Êtes-vous prêt à entreprendre ce voyage? Nous ’sommes là pour vous soutenir à chaque étape du processus.

En savoir plus sur les  services ’d’IA agentique de NTT DATA et collaborer avec nous pour maximiser le plein potentiel de l’IA agentique.