Transformer une dette technique élevée en faible coût

Planifier à long terme peut sembler une sage sagesse. Mais dans un monde technologique en évolution rapide, le long terme semble être un jour qui n’arrive jamais. Les nouvelles technologies ou expériences digitales attirent toujours les managers à la recherche d’un avantage opérationnel. La discussion tourne souvent vers le remplacement d’un système actuel dans leur organisation.

Dans de nombreux cas, les dirigeants doivent souvent faire face à une dette technique avant d’adopter la nouvelle technologie. La dette technique est le coût des compromis acceptés pour maintenir les systèmes actuels pour atteindre un lancement immédiat ou un objectif budgétaire. La dette résulte d'un certain nombre de cas, d'une décision de programmation d'un projet d'ingénierie logicielle ou d'une décision d'économie de retarder la mise à niveau d'un système obsolète. Dans le développement d'applications, par exemple, le lancement d'une version plus simple du produit à livrer rapidement conduit à des fonctionnalités omises, créant une dette technique qui doit être réglée lorsque les nouvelles fonctionnalités sont ajoutées. Parfois, la dette technique « ressemble » à une mesure d’économie de coûts par rapport au choix techniquement meilleur à long terme.

La dette technique est un sujet croissant parmi les dirigeants, car le nombre de causes profondes potentielles liées au lancement d'une solution d'entreprise augmente. Les entreprises adoptent des solutions d'apprentissage automatique, d'IA et de cloud pour remplacer de nombreux systèmes obsolètes qui gèrent actuellement les services et les processus. La dette technique associée aux systèmes plus anciens se révèle sous la forme de coûts opérationnels cachés qui ont augmenté au fil du temps et doivent être résolus.

De nombreuses transformations technologiques sont autant influencées par les décisions de gestion des données que par les choix de conception de logiciels. Prenez la réglementation sur la confidentialité des données. La conservation des données dans les systèmes doit être identifiée pour répondre aux exigences de conformité en matière de confidentialité. La gestion des données doit mettre en évidence la manière dont la conformité est respectée.

En fait, une variante de la dette technique est apparue parmi les professionnels de l'informatique : la dette de données. La dette de données est une accumulation de compromis en matière de gestion des données. La dette de données se produit généralement partout où les données sous-tendent les opérations, telles que le contrôle qualité ou les renseignements sur les menaces pour la cybersécurité. Tout comme la dette technique, la dette de données se produit avec un investissement tardif dans la maintenance ou la gestion des actifs numériques – en l’occurrence les données opérationnelles.

La dette de données crée une différence familière mais distincte dans les compromis par rapport à ceux des cas de dette technique. Alors que La dette technique est plutôt un terme générique désignant les technologies utilisées pour fournir un produit et un service, tandis que la dette de données est un terme générique traitant des points de contact avec les données, tels que les silos, la duplication des observations et les incohérences des sources. L’essor de l’apprentissage automatique, ainsi que l’adoption actuelle de l’IA, rendent plus complexes à éviter les risques potentiels liés à une gestion des données mal investie.

Les responsables informatiques seront confrontés à davantage de problèmes de dette de données à mesure que les investissements dans l’IA augmenteront. Les grands modèles de langage (LLM) open source tels que le framework LangChain et le nouveau Llama2 de Meta introduisent la capacité de créer des modèles et des applications d'IA avec moins de paramètres et, par conséquent, une taille de modèle plus petite que le modèle de formation derrière ChatGPT. LLM open source offre un développement d'IA plus gérable pour les applications améliorées par l'IA qui fonctionnent avec vos données propriétaires. Il permet plus de transparence sur les données d'entraînement et de test, en supprimant la dépendance à l'égard de l'accès aux données provenant de serveurs et d'API tiers qui peuvent altérer et perturber les performances du modèle.

La gestion d’une plateforme d’IA interne permet également de déplacer les défis liés à l’utilisation des données. De nombreux LLM sont développés à l'aide de vectorstores, un support de stockage de données permettant d'indexer des données et des documents non structurés. Les magasins de vecteurs contiennent des données intégrées - un ensemble de données créé à partir de données non structurées à l'aide de LLM. Les Vectorstores sont spécialement conçus pour faciliter l’accès aux documents pour les modèles de formation et de test. Mais une entreprise qui planifie un modèle peut utiliser une documentation stockée sur des supports plus anciens. Ainsi, le développement avancé révèle souvent des situations de dette de données pour les données accessibles à partir d’un stockage de données plus ancien.