Ryan McElroy est vice-président de la technologie chez Hylaine, un cabinet de conseil en technologie axé sur les valeurs. Il collabore avec des entreprises du Fortune 1000 pour moderniser les systèmes, accélérer la livraison de logiciels et améliorer la précision des données pour une utilisation efficace de l'IA. Il dirige la vision technologique et l'équipe d'innovation d'Hylaine, en favorisant le leadership éclairé, en développant des solutions de pointe et en renforçant la présence de l'entreprise sur les principaux marchés américains.

Au fil des ans, il est passé de consultant à vice-président, construisant une carrière qui reflète à la fois une expertise technique approfondie et une solide compréhension de la manière dont la technologie basée sur les logiciels génère des résultats commerciaux. Avec une carrière marquée par la curiosité et l'adaptabilité, Ryan est passionné par le rapprochement entre la stratégie et la technologie—ne se limitant jamais à un seul secteur ou pile technologique, mais cherchant plutôt des solutions innovantes qui apportent un impact mesurable aux clients.

L'expérience de Ryan couvre le développement d'applications, l'intelligence d'affaires et le DevOps, une grande partie de son travail étant ancrée dans l'écosystème Microsoft et des secteurs tels que l'assurance, la santé et la fabrication.

Chez Hylaine, nous avons constaté le plus de succès lorsque les entreprises envisagent la gouvernance des données pour l'IA en termes plus larges. Lorsque le modèle de gouvernance établit les règles du jeu pour les pratiques de données de l'entreprise dans son ensemble, il maintient la stratégie de données sur la bonne voie grâce au suivi, à l'audit, au suivi des KPI (y compris les métriques de retour sur investissement) et aux rapports.

Plus tôt dans sa carrière, Ryan a occupé le poste d'ingénieur logiciel chez SentryOne et de consultant chez CTS, acquérant une expertise pratique qui éclaire son approche pragmatique et axée sur les affaires de la technologie aujourd'hui.

Ryan est également animateur d'ateliers et conférencier fréquent lors d'événements industriels de premier plan sur des sujets d'innovation, notamment « Le succès de l'IA commence avec vos données », « L'ingénierie de la fiabilité des données », « Le retour du centre de données » et « Data DevOps ».

Ryan a obtenu son baccalauréat en génie logiciel informatique de l'Université d'Auburn.

Regardez le webinaire d'Hylaine, La préparation à l'IA commence avec vos données, et téléchargez le nouveau livre blanc d'Hylaine qui propose 4 approches pratiques et actionnables pour résoudre le problème de préparation des données pour l'IA.

De nombreuses initiatives d'IA échouent en raison d'un manque de préparation des données, avec des données bloquées dans des silos ou truffées d'erreurs. D'après votre expérience, quels sont les obstacles les plus courants que rencontrent les entreprises lors de la préparation des données pour l'IA ?

Les plus grands obstacles à la préparation des données pour l'IA sont structurels, techniques et organisationnels. Nous constatons systématiquement des défis dans cinq domaines : l'accès aux données, les systèmes cloisonnés, la qualité des données, la gouvernance et le facteur humain.

Les problèmes d'accès aux données proviennent souvent de données qui existent mais ne peuvent pas être utilisées en raison de blocages juridiques ou de sécurité—ou parce qu'elles sont hébergées dans des formats ou des systèmes hérités incompatibles. Les données cloisonnées restent un problème de longue date, surtout lorsque les entreprises répartissent leurs opérations sur plusieurs plateformes cloud. Même lorsque les données sont accessibles, des problèmes de qualité comme des inexactitudes, des redondances et des enregistrements incomplets compromettent la précision des modèles et conduisent à des hallucinations ou des biais.

La gouvernance ajoute une autre couche de complexité. Les entreprises doivent garantir la conformité à la vie privée et éviter les PII (informations personnellement identifiables), en particulier dans des secteurs sensibles comme l'assurance et la santé. Enfin, le facteur humain—des objectifs commerciaux flous, des attentes irréalistes et une mauvaise communication entre les équipes informatiques et commerciales—peut faire dérailler les projets d'IA.

Sur quoi les responsables technologiques devraient-ils se concentrer en premier pour garantir le succès de leurs initiatives d'IA ?

Nous parlons de projets d'IA qui échouent au premier trimestre. Allons droit au but avec cette question.

Les responsables technologiques devraient commencer par construire une infrastructure de données mature et prête pour l'IA. Cela inclut d'investir dans des outils et des talents en ingénierie des données. Cela signifie également moderniser les architectures de données pour gérer des moyens supplémentaires de collecter, traiter et stocker des données à l'échelle et à la vitesse que l'IA exige. Souvent, l'architecture de données traditionnelle n'est pas optimisée pour cela. Les entreprises qui disposent à la fois d'entrepôts de données (avec des ensembles de données structurés, fiables et organisés) et de lacs de données (conçus pour accueillir divers types de données) ont une longueur d'avance.

En parallèle, les dirigeants devraient établir l'ingénierie de la fiabilité des données (DRE) comme une capacité centrale dans l'organisation des données pour garantir la qualité, la disponibilité et l'observabilité continues des données. Ces mêmes capacités rationalisent les tests et l'analyse des causes profondes lorsque des erreurs surviennent dans le mouvement des données.

Une fois l'infrastructure de base et une architecture de haute qualité en place, ils peuvent adopter des outils modernes pour l'intégration des données. Ceux-ci peuvent prendre la forme d'outils ELT (Extract, Load, Transform) hautement gérés tels que FiveTran ou Airbyte, ou de plateformes ETL (Extract, Transform, Load) cloud natives comme Azure Data Factory ou Databricks. Enfin, il est crucial de définir de solides cadres de gouvernance tôt—afin que les systèmes d'IA puissent accéder à des données conformes et fiables dès le départ.

Quelles leçons les entreprises peuvent-elles tirer de succès comme American Express et Astra Zeneca lors de la construction de systèmes d'IA dans des industries hautement réglementées ou complexes ?

American Express et Astra Zeneca montrent toutes deux que l'investissement dans une architecture de données robuste et prête pour l'IA jette les bases de processus fiables et reproductibles pour développer des systèmes d'IA qui conservent les retours, mémorisent le contexte et s'améliorent avec le temps—produisant un retour sur investissement (ROI) positif. American Express a construit un système capable d'analyser les transactions de millions de détenteurs de cartes et de commerçants en temps réel pour repérer des schémas de fraude potentielle—parce que leur architecture de données pouvait supporter un apprentissage continu et des boucles de rétroaction. Astra Zeneca a investi dans une solide fondation de données qui permet à son IA d'éclairer la découverte de médicaments, la conception d'essais cliniques et d'améliorer l'efficacité des soumissions réglementaires—le tout dans des limites de conformité strictes.

La leçon est claire : le succès de l'IA dans les industries réglementées dépend autant de la gouvernance que de l'innovation. Les données doivent être propres, sécurisées et traçables, et la gouvernance doit être intégrée à l'architecture dès le premier jour. Lorsque les organisations conçoivent leurs systèmes de données en tenant compte de la conformité, de la transparence et de l'auditabilité, elles peuvent déployer l'IA en toute confiance et démontrer des résultats commerciaux mesurables.

Comment les équipes informatiques et commerciales peuvent-elles collaborer pour instaurer la confiance dans les systèmes d'IA et encourager l'adoption à travers l'organisation ?

La confiance vient de la transparence, de l'explicabilité et de la collaboration. Les équipes informatiques doivent communiquer clairement ce que l'IA peut et ne peut pas faire—et montrer aux commerciaux comment les résultats sont générés. C'est là que l'explicabilité devient essentielle ; les utilisateurs doivent comprendre comment l'IA arrive à ses conclusions pour se sentir confiants en l'utilisant.

Nous avons constaté que les projets d'IA les plus réussis sont dirigés par un trio de champions : un sponsor exécutif, le propriétaire du processus commercial et un responsable technique. Ensemble, ils assurent l'alignement entre la stratégie, les résultats et l'exécution.

Une autre approche pour les organisations qui débutent est de sélectionner des groupes d'utilisateurs à la fois déjà pro-IA et vocaux comme cibles initiales pour les projets. Cela peut réduire le risque de ce premier projet et garantir que les retours arrivent rapidement et clairement avant le suivant.

Compte tenu de la pression des dirigeants pour adopter l'IA rapidement, comment les responsables technologiques devraient-ils équilibrer la vitesse avec la construction d'une infrastructure de données durable et digne de confiance qui soutient l'adoption, l'explicabilité et le retour sur investissement à long terme ?

La tentation d'aller vite conduit souvent à des pilotes gaspillés et à des résultats décevants. Pour équilibrer vitesse et données fiables, résistez à l'envie de poursuivre des gains à court terme sans une solide fondation. Ce n'est pas toujours sexy, mais l'ingénierie de la fiabilité des données (DRE) devrait être une capacité centrale dans l'organisation des données. Parfois, il s'agit simplement de construire un nouveau pipeline qui déplace les données d'un endroit à un autre et les nettoie en même temps. C'est un travail qui se fait depuis longtemps pour différentes raisons, mais il est simplement plus urgent maintenant, et avoir cette expertise est important.

La DRE fournit des stratégies et des processus pour garantir la qualité, la disponibilité, l'observabilité, les tests et l'analyse des causes profondes des erreurs des données.

La préparation des données garantit que vous avez les ingrédients nécessaires pour livrer une implémentation d'IA. Mais le succès de l'IA nécessite l'adoption—si les employés n'utilisent pas l'outil agentique pour effectuer une tâche ou si les clients ne trouvent pas un chatbot IA utile, l'investissement sera gaspillé. Comme le montre une étude du MIT, c'est l'adoption reproductible et évolutive, et non les succès ponctuels, qui génèrent un retour sur investissement soutenu de l'IA.

Comment les entreprises peuvent-elles créer des cadres de gouvernance qui protègent à la fois l'entreprise et accélèrent l'innovation en IA ?

Une gouvernance solide n'est pas un frein à l'innovation—c'est ce qui permet à l'IA de se déployer en toute sécurité. Un bon cadre de gouvernance définit des règles claires pour l'utilisation des données, protège les données personnelles et empêche l'utilisation non autorisée de contenu ou de données propriétaires.

Chez Hylaine, nous avons constaté le plus de succès lorsque les entreprises envisagent la gouvernance des données pour l'IA en termes plus larges. Lorsque le modèle de gouvernance établit les règles du jeu pour les pratiques de données de l'entreprise dans son ensemble, il maintient la stratégie de données sur la bonne voie grâce au suivi, à l'audit, au suivi des KPI (y compris les métriques de retour sur investissement) et aux rapports. Nous recommandons souvent de créer un conseil de gouvernance qui inclut des représentants de différentes parties de l'entreprise, ainsi que des experts informatiques. Une fois que vous avez créé un cadre de gouvernance des données, il est important de noter que la gouvernance de l'IA reste un effort distinct, même s'il est étroitement lié à la gouvernance globale des données.

Pour accélérer l'innovation en IA, nous conseillons de mettre en œuvre des garanties techniques telles que la tokenisation des données réelles et l'automatisation des alertes pour l'exposition des PII. Des outils prêts à l'emploi comme Delphix de Perforce peuvent soutenir la « conformité continue » sans ralentir le développement. Lorsque la gouvernance est intégrée aux opérations de données, et non ajoutée ultérieurement, les organisations gagnent la liberté d'innover en toute confiance.

De nombreuses organisations sous-estiment les défis humains et organisationnels de l'IA. Quelles mesures les dirigeants peuvent-ils prendre pour combler le déficit de compétences et soutenir le succès à long terme de l'IA ?

La technologie seule ne génère pas de retour sur investissement—ce sont les personnes qui le font. De nombreux projets d'IA échouent parce que les équipes de données responsables de la mise en œuvre manquent d'expérience avec l'infrastructure cloud moderne, l'ingénierie des données et le DevOps. Pour combler ce déficit, les entreprises peuvent former ou embaucher de nouveaux talents (déjà en pénurie) ou faire appel à des experts externes. Une manière efficace de former les employés est de créer des équipes hybrides qui associent le personnel interne à des experts externes. Travailler en tant que pairs avec des experts externes permet à votre équipe d'utiliser sa connaissance approfondie de l'entreprise et les spécialistes aident à accélérer la préparation des données pour l'IA. Une fois que les équipes apprennent la « nouvelle manière » de travailler avec les données, elles ne veulent rarement revenir aux méthodes dépassées.

Lorsque les employés comprennent à la fois les données et le raisonnement derrière les sorties de l'IA, l'adoption suit naturellement.

Enfin, les dirigeants doivent cultiver une culture de confiance et de curiosité autour de l'IA. Lorsque les employés comprennent comment l'IA soutient leur travail et peuvent voir ses résultats expliqués clairement, ils sont plus susceptibles de l'adopter, de l'améliorer et de générer le retour sur investissement soutenu que la plupart des organisations recherchent.

Se connecter »

En savoir plus »

L'article Q&R avec Ryan McElroy, vice-président de la technologie d'Hylaine : Résoudre le problème de préparation des données pour l'IA est apparu en premier sur citybiz.

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour citybiz (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.