De l’étincelle à la stratégie: comment j’approche du brainstorming et de la planification des projets d’IA

Auteur (s): Elangoraj Thiruppandiaraj

Publié à l’origine sur Vers l’IA.

Introduction: le problème avec les idées d’IA

En tant que scientifique des données, je trouve souvent que chaque deuxième personne à qui je parle a un cas d’utilisation potentiel de l’IA. Je reçois des questions comme: L’IA peut-elle résoudre ceci? Cela peut-il être automatisé? Puis-je créer un agent pour mes tâches quotidiennes? Ai prendra-t-il le contrôle de mon emploi?

Je comprends parfaitement la curiosité – l’excitation d’amener l’IA dans tous les aspects de la vie est réelle. Mais avant de plonger, nous devons nous poser quelques questions importantes:
Cette idée a-t-elle un impact réel?
Est-ce que cela permettra de gagner du temps ou des efforts?
Est-ce que cela améliorera vraiment la vie?

Trop souvent, ces questions sont négligées – et c’est exactement pourquoi, selon Gartner, jusqu’à 30% de AI génératif Les projets seront abandonnés après la phase de preuve de concept (POC) d’ici 2025. Les raisons courantes incluent une mauvaise qualité des données, une valeur commerciale peu claire et des coûts en spirale. Informatica Note également que la plupart des initiatives d’IA échouées peuvent être retracées à une planification faible en phase d’initiation.

Dans cet article, je veux souligner ce que je crois être la phase la plus importante et souvent négligée d’un projet d’IA: le début. Du brainstorming et de la collecte des exigences à la portée précoce – ces étapes vous aident à déterminer la véritable valeur de votre idée et à jeter les bases de l’écriture d’une proposition claire et réaliste. C’est ce qui donne à votre projet d’IA une véritable chance de se transformer en quelque chose d’utile et, plus important encore, de réussir.

1.

Ces jours-ci, il semble que tout et tout peut être automatisé avec l’IA – de la génération de formules Excel et de la gestion de la consommation d’énergie à la numérisation des codes à barres et à la réservation de billets avec des agents d’IA. Les possibilités sont excitantes, mais voici la prise: Toutes les tâches qui peuvent être automatisées ne nécessitent pas l’IA.

Dans de nombreux cas, ce dont les gens ont vraiment besoin, c’est une solution simple basée sur des règles ou un programme personnalisé – pas un système d’IA complexe. Par exemple, l’automatisation d’un flux de travail Excel peut simplement obliger quelqu’un à écrire des formules efficaces ou à un script bien structuré avec des cas de test appropriés. Le lancer de l’IA pourrait ajouter une complexité inutile sans avantage réel.

C’est pourquoi Choisir le bon type de problème à résoudre avec l’IA est la première étape. Vous devez séparer les idées brillantes de celles qui offrent une valeur réelle et mesurable.

Lorsque je réfléchis aux idées pour les projets d’IA, je pose quelques questions de mise à la terre pour filtrer le bruit:

1. Quel est le retour sur investissement?
   La valeur créée (temps de conservation, les idées gagnées, les erreurs sont-elles réduites) supérieures au temps, aux efforts et au coût de la construction de la solution d’IA?
2. Quel coût économisons-nous en faisant cela?
   Est-ce que cela réduit les heures d’effort manuel? Réduire les coûts de licence? Éviter les erreurs?
3. Cela nous aidera-t-il à vendre plus ou à améliorer les bénéfices?
   L’IA devrait contribuer à la croissance des entreprises – soit en améliorant les ventes, en améliorant l’expérience client, soit en permettant de nouvelles capacités.
4. Qui est le principal utilisateur ou consommateur de cette solution?
   Comprenez leur flux de travail, leurs besoins et s’ils utilisaient réellement ce que vous construisez.
5. Existe-t-il une solution existante qui peut être réutilisée ou adaptée?
   L’utilisation de l’IA ou la construction de quelque chose à partir de zéro n’est pas toujours le meilleur point de départ – dans de nombreux cas, vous pouvez atteindre votre objectif plus rapidement en tirant parti d’outils, de services ou de solutions existants.

Une bonne idée d’IA commence par un vrai problème – qui est assez douloureux à résoudre, et suffisamment précieux pour justifier l’effort. Le brainstorming avec cette lentille maintient le projet ancré et augmente les chances de faire un impact significatif.

2. Rassembler les données et les exigences de compréhension

Une fois que vous avez cloué votre idée, l’étape suivante – et souvent la plus critique – est rassembler les bonnes données et définir des exigences claires. C’est là que votre projet d’IA commence vraiment à prendre forme.

La réalité? L’accès à des données pertinentes et de haute qualité est difficile. Environ 70% des fabricants rapportent des données problèmes – des enregistrements obsolètes et incomplets à un faible formatage. Bien que les données propres soient idéales, ce qui compte le plus est la pertinence, la diversité et la couverture. Un ensemble de données réduit les biais et améliore la généralisation. Pour exempleDeepseek – une source ouverte chinoise LLM – Faire face à un contrecoup pour les réponses restreintes dues à une formation sur des données étroites et spécifiques à la région.

Vous devez également considérer Règlements sur la confidentialité des données Comme le RGPD. Les contraintes juridiques peuvent limiter la façon dont les données sont utilisées, même si elles sont précieuses – donc comprendre ces frontières tôt est essentiel.

Tout aussi important que les données ont Exigences claires et bien communiquées. Sans savoir exactement ce que vous résolvez, même le meilleur modèle ou ensemble de données ne donnera pas de résultats. Les bonnes exigences alignent les équipes, réduisent la confusion et conduisent à de meilleurs résultats.

Chaque fois que je recueille des données et de façonne les exigences, ce sont les questions auxquelles je essaie de répondre:

1. Avons-nous des données pertinentes pour résoudre ce problème?
   Sans pertinence, même l’ensemble de données le plus propre ne déplacera pas l’aiguille.
2. Quelle est la qualité de ces données?
   Des données obsolètes ou incohérentes conduisent à de mauvaises performances du modèle et à des efforts gaspillés.
3. Les données sont-elles internes ou externes? Où est-il stocké?
   Connaître la source et l’emplacement aide à évaluer l’accessibilité, la propriété et les défis d’intégration.
4. Les exigences du projet sont-elles claires et alignées sur les objectifs commerciaux?
   Des objectifs clairs garantissent que la solution résout le bon problème et offre une valeur réelle.
5. Y a-t-il des règles de protection des données ou des restrictions légales que nous devons considérer?
   Les contraintes juridiques et de conformité peuvent affecter si et comment les données peuvent être utilisées dans votre solution d’IA.

Passer du temps sur cette phase peut être lent, mais c’est ce qui vous prépare au succès – ou à l’échec. Pas de données, pas d’IA. Pas de clarté, pas de direction.

3. Scoping the Project: Drawing the Line

À ce jour, vous savez pourquoi vous construisez cette solution d’IA et quelles données et leurs exigences vous avez. L’étape suivante consiste à définir clairement ce que le projet Va – et ne fera pas – livrer.

C’est là que la portée entre en jeu. Une portée bien définie évite la confusion, empêche le fluage de la portée et maintient le projet réaliste. Je le divise habituellement en deux seaux:

Dans la portée: Ce sont les livrables auxquels vous pouvez vous engager en fonction des données, du temps et des ressources actuels – par exemple, une API de travail, un prototype WebApp, des scripts de prétraitement des données, une documentation ou une base de code. N’incluez que les éléments réalisables et convenus pour cette phase.

Hors de portée: Tout aussi important, c’est dire ce qui n’est pas inclus. Par exemple, un WebApp peut être dans la portée, mais le déploiement complet ou l’intégration d’entreprise peut ne pas l’être. Définir cela tôt – souvent en termes de MVP (produit minimum viable) – aide à définir les attentes et à éviter la confusion plus tard.

Lorsque je définis la portée, ce sont les questions que je pose:

1. Quels sont les livrables confirmés pour cette phase?
   Être spécifique – prototypes, rapports, modèles, API, etc.
2. Sommes-nous en train de nous engager à déploier ou simplement un POC / MVP?
   La clarification de ce départ empêche les attentes mal alignées.
3. Quelles fonctionnalités ou tâches sont explicitement hors de portée?
   Les répertorier aide à éviter le fluage de la portée et les conflits futurs.
4. Les rôles et les responsabilités sont-ils clairement définis?
   Savoir qui possède ce qui évite les surprises de dernière minute.
5. La portée est-elle alignée avec les ressources et le temps disponibles?
   Votre portée devrait correspondre à la bande passante et aux capacités de votre équipe.

4. Rédaction d’une proposition de projet qui est réellement lue

Une fois la portée définie, l’étape suivante consiste à rédiger la proposition du projet – l’ascenseur de votre projet pas. Ce document présente le projet aux principales parties prenantes en décrivant les objectifs, la portée, les livrables, les délais et l’effort ou le coût estimé.

Contrairement à une charte de projet, qui est généralement créée pendant la phase de planification, la proposition arrive plus tôt – pendant la phase d’initiation – et sert de base à l’alignement. Il n’a pas besoin d’être trop technique ou long. L’objectif est simple: expliquez clairement ce que vous construisez, pourquoi cela compte et ce qui est nécessaire pour y arriver.

Il existe de nombreux modèles et ressources excellents, mais je me concentre sur la réponse à quelques questions fondamentales lorsque je rédige une proposition:

1. Quel est le problème que nous essayons de résoudre?
   Une déclaration de problème clair donne l’objectif et l’urgence du projet.
2. Quel est l’objectif de cette solution d’IA?
   Cela montre le résultat prévu – qu’il s’agisse d’économies, d’automatisation ou d’amélioration des informations.
3. Qui sont les principales parties prenantes?
   L’identification des décideurs, des utilisateurs et des contributeurs garantit l’alignement dès le début.
4. Quelle est la portée et quels sont les livrables convenus?
   Décrivez exactement ce qui sera livré et ce qui est exclu.
5. Quelles sont les prochaines étapes ou contour de la solution proposée?
   Définissez les attentes de la façon dont le travail se déroulera et de ce qui est nécessaire pour commencer.

Une proposition bien écrite n’informe pas seulement – elle renforce la confiance. Il aide tout le monde à comprendre la valeur du travail et garantit que vous ne construisez pas de manière isolée.

Conclusion

Cette phase de planification du projet n’est peut-être pas la plus glamour, mais c’est sans aucun doute le plus essentiel. Lorsque vous prenez le temps de poser les bonnes questions, de fixer des objectifs réalistes et de retirer le jargon et les hypothèses, vous jetez les bases d’un projet qui est réellement construit pour réussir.

Une proposition claire, soutenue par une portée bien définie et des critères d’acceptation convenus, ne se contente pas de déconnecter – il vous donne un moyen de suivre l’impact mesurable et garder le projet en mouvement dans la bonne direction.

En fin de compte, une forte planification n’est pas de ralentir les choses – il s’agit de s’assurer que ce que vous construisez mérite d’être construit.

Rester en contact

J’aimerais entendre vos réflexions sur cette approche pour planifier des projets d’IA. Comment procédez-vous pour réfléchir à des idées, en rassemblant des exigences ou en réduisant des propositions? Avez-vous fait face à des défis transformant un grand concept d’IA en quelque chose de réel?

Connectons et partageons des expériences – déposez un commentaire, partagez l’article ou contactez-moi sur Liendin.

Suivez-moi Moyen Pour plus d’informations sur l’IA et l’exécution du projet. Gardons la conversation en cours! 🚀

#ArtificialIntelligence #ProjectManagement #aiprojectPlanning #TechLeadership #MachineLearning

Publié via Vers l’IA