Qu’est-ce que la gestion des données d’IA ?

De nombreux types d’outils de gestion de données, tels que les solutions de stockage de données, les outils d’intégration de données, les outils de gestion des données de référence, les solutions de gouvernance et autres, intègrent désormais des fonctionnalités de ML et d’IA. Ces outils peuvent utiliser à la fois des algorithmes d’IA traditionnels et des systèmes d’IA générative.

• Les systèmes d’IA traditionnels exécutent des tâches spécifiques basées sur des règles, par exemple un système de gestion de base de données qui catégorise automatiquement les données en fonction de critères prédéfinis.

• Les systèmes d’IA générative, tels que Microsoft Copilot, Llama de Meta et IBM Granite™, réagissent au langage naturel et créent du contenu original. Par exemple, un système de gestion de base de données doté de grands modèles de langage (LLM) intégré peut créer des résumés de données et accepter des requêtes en anglais simple au lieu du langage SQL.

L’IA et le ML peuvent s’intégrer à presque toutes les parties du processus de gestion des données, mais certains des cas d’utilisation les plus courants incluent :

• Découverte de données 
• Qualité des données
• Accessibilité des données
• Sécurité des données

Les organisations travaillent aujourd’hui avec une grande quantité de données, qui proviennent de différentes sources et se présentent sous différents formats. Ces données sont gérées par différents utilisateurs et se retrouvent dispersées dans des clouds publics et privés, dans des systèmes de stockage sur site et même sur les points de terminaison personnels des employés. 

Il peut être difficile de suivre et de gérer de manière centralisée toutes ces données, ce qui soulève deux problèmes.

Tout d’abord, une organisation ne peut pas utiliser un jeu de données si elle ne sait pas qu’il existe. 

Ensuite, ces « données fantômes » non découvertes et non gérées présentent des risques de sécurité. Selon le rapport sur le coût d’une violation de données d’IBM, un tiers des violations de données impliquent des données fantômes. Ces violations coûtent en moyenne 5,27 millions de dollars, soit 16 % de plus que le coût moyen global d’une violation. 

L’IA et le ML peuvent automatiser de nombreux aspects de la découverte de données, en accordant aux organisations plus de visibilité et de contrôle sur l’ensemble de leurs actifs de données.

Exemples d’IA dans la découverte de données

• Les outils de découverte de données alimentés par l’IA peuvent analyser automatiquement les périphériques réseau et les référentiels de stockage de données, en indexant les nouvelles données quasiment en temps réel. 

• Les outils de classification automatisés des données peuvent étiqueter les nouvelles données en fonction de règles prédéfinies ou de modèles de machine learning. Par exemple, l’outil peut classer tout numéro à neuf chiffres dans le format XXX-XX-XXXX comme un numéro de sécurité sociale américain. 

• Les LLM et autres outils de traitement automatique du langage naturel peuvent extraire des données structurées à partir de sources de données non structurées, par exemple en extrayant les coordonnées et l’expérience des candidats à l’emploi à partir de CV textuels de formats différents.

Des données de mauvaise qualité peuvent causer plus de problèmes que l’absence de données. Si les données d’une organisation sont incomplètes ou inexactes, les initiatives commerciales et les modèles IA élaborés à partir de ces données seront également médiocres.

Les outils d’IA et de ML peuvent aider à identifier et à corriger les erreurs dans les données organisationnelles, ce qui signifie que les utilisateurs n’ont pas besoin d’effectuer le travail fastidieux de nettoyage manuel des données. L’IA peut également travailler plus rapidement et détecter plus d’erreurs qu’un utilisateur humain.

Exemples d’IA appliquée au nettoyage des données

• Les outils de préparation des données basés sur l’IA peuvent effectuer des contrôles de validation et signaler ou corriger des erreurs telles qu’un formatage incorrect et des valeurs irrégulières. Certains outils de préparation des données alimentés par l’IA peuvent également convertir des données au format approprié, par exemple en transformant des notes de réunion non structurées en tableaux structurés. 

• Les générateurs de données synthétiques peuvent fournir des valeurs manquantes et combler d’autres lacunes dans les jeux de données. Ces générateurs peuvent utiliser des modèles de machine learning pour identifier des modèles dans les données existantes et générer des points de données synthétiques très précis. 

• Certains outils de MDM (master data management) peuvent utiliser l’IA et le ML pour détecter et corriger les erreurs et les doublons dans les enregistrements critiques. Par exemple, fusionner deux enregistrements clients avec le même nom, adresse et coordonnées. 

• Les outils d’observabilité des données alimentés par l’IA peuvent générer automatiquement des enregistrements de traçabilité des données afin que les organisations puissent suivre qui utilise les données et leur évolution au fil du temps.

Les silos de données empêchent de nombreuses organisations de tirer pleinement parti de leurs données. L’IA et le ML peuvent rationaliser les efforts d’intégration des données, en remplaçant les référentiels cloisonnés par des data fabrics unifiés. Les utilisateurs de l’ensemble de l’organisation peuvent accéder aux ressources de données dont ils ont besoin quand ils en ont besoin. 

Exemples d’IA dans l’accès aux données

• Les outils d’intégration de données basés sur l’IA peuvent détecter automatiquement les relations entre différents jeux de données, ce qui permet à l’organisation de les connecter ou de les fusionner. 

• Les outils de gestion des métadonnées dotés de fonctionnalités d’IA peuvent aider à automatiser la création de catalogues de données en générant des descriptions des actifs de données sur la base du marquage et de la classification. 

• Les bases de données et les catalogues de données dotés d’interfaces alimentées par LLM peuvent accepter et traiter des commandes en langage naturel, ce qui permet aux utilisateurs de trouver des données actives et des produits sans avoir à écrire de code personnalisé ou de requêtes SQL. Certaines interfaces alimentées par LLM peuvent également aider les utilisateurs à affiner leurs requêtes, à enrichir des jeux de données ou à suggérer des points de données connexes. 

• Les moteurs de requête basés sur l’IA peuvent utiliser des algorithmes de machine learning pour améliorer les performances des bases de données en analysant les modèles de workload et en optimisant l’exécution des requêtes. 

La priorité donnée à la sécurité des données peut être justifiée par des raisons commerciales. Selon le rapport sur le coût d’une violation de données, une violation de données coûte en moyenne à une organisation 4,88 millions de dollars entre la perte d’activité, le temps d’arrêt du système, l’atteinte à la réputation et les efforts de réponse. 

L’IA et le ML contribuent à l’application des politiques de sécurité, à la détection des violations et au blocage des activités non autorisées.

Exemples d’utilisation de l’IA dans la sécurité des données

• Les outils de prévention des pertes de données pilotés par l’IA peuvent détecter automatiquement les données personnelles (PII) et autres données sensibles, appliquer des contrôles de sécurité et signaler ou bloquer l’utilisation non autorisée de ces données.  

• Les outils de détection des menaces basés sur les anomalies, tels que l’analyse du comportement des utilisateurs et des entités (UEBA) et la détection et la réponse des terminaux (EDR), utilisent des algorithmes d’IA et de ML pour surveiller l’activité du réseau. Ils détectent des écarts suspects par rapport à la norme, comme un grand nombre de données déplacées soudainement vers un nouvel emplacement.

• Les LLM peuvent aider les organisations à générer et à mettre en œuvre des politiques de gouvernance des données. Par exemple, dans un système de contrôle d’accès basé sur les rôles (RBAC), un LLM peut aider l’équipe de sécurité à définir les différents types de rôles et leurs autorisations. Le LLM peut également aider à convertir ces descriptions de rôle en règles pour un système de gestion des identités et des accès.

• Les outils de détection des fraudes basés sur l’IA peuvent utiliser l’IA et le ML pour analyser les modèles et repérer les transactions anormales.

L’IA peut contribuer à transformer la gestion des données en automatisant des tâches ardues telles que la découverte, le nettoyage et le catalogage des données, tout en rationalisant la recherche et l’analyse des données. Les organisations peuvent créer des processus de gestion des données plus efficaces, moins sujets aux erreurs et plus propices à la science des données, aux initiatives d’IA et à la confidentialité des données.

Dans le rapport d’AvePoint sur l’IA et la gestion de l’information, 64 % des entreprises interrogées ont déclaré gérer au moins un pétaoctet de données.¹ Pour mettre les choses en perspective, cela équivaut à environ 9 quadrillions de bits d’information. Une grande partie de ces données se présente sous des formats non structurés, tels que des fichiers texte, des images et des vidéos.

Toutes ces données peuvent être une aubaine pour les data scientists, mais il est impossible de gérer manuellement des données aussi complexes en si grandes quantités. Les outils d’IA et de ML peuvent rendre ces données utilisables en automatisant des tâches critiques telles que la découverte, l’intégration et le nettoyage. 

Lorsque les données sont propres et accessibles, les organisations peuvent les utiliser pour des projets d’analyse de données avancés, tels qu’une initiative d’analyse prédictive qui utilise les données historiques pour prévoir les tendances futures des dépenses des consommateurs.

Les technologies d’IA peuvent également rendre les données plus accessibles aux utilisateurs sans connaissance de science des données. Grâce à des catalogues de données conviviaux dotés d’interfaces de base de données alimentées par des LLM et de visualisations automatisées, davantage d’utilisateurs au sein de l’entreprise peuvent exploiter les données pour éclairer leurs décisions.  

59 % des PDG interrogés par l’IBM Institute for Business Value pensent que l’avantage concurrentiel futur d’une entreprise dépend de sa capacité à disposer de l’IA générative la plus avancée. Pour créer et déployer ces modèles IA, les organisations ont besoin de flux réguliers de données propres et de qualité. 

En rationalisant la gestion des données, les outils d’IA permettent de créer les pipelines de données fiables et de haute qualité dont les organisations ont besoin pour entraîner leurs propres modèles d’IA et de ML. Et comme ces modèles peuvent être entraînés sur les données de l’entreprise, ils peuvent être entraînés pour effectuer des tâches et résoudre des problèmes spécifiques à l’entreprise et à ses clients.

Les outils de sécurité et de gouvernance basés sur l’IA permettent de repousser les cyberattaques et les violations de données, qui peuvent être coûteuses. Ils permettent également aux entreprises d’utiliser les données dont elles disposent tout en se conformant aux réglementations en matière de confidentialité et de protection des données telles que le RGPD et la norme de sécurité des données de l’industrie des cartes de paiement (PCI-DSS).

Selon l’Institute for Business Value, 57 % des PDG affirment que la sécurité des données constitue un obstacle à l’adoption de l’IA générative. 45 % affirment que la confidentialité des données constitue également un obstacle. Ces obstacles peuvent être particulièrement difficiles à surmonter dans les secteurs hautement réglementés, tels que la santé et la finance.

La gestion des données basée sur l’IA peut aider en appliquant automatiquement des protections et des politiques d’utilisation des données appropriées. Ainsi, seuls les utilisateurs autorisés peuvent accéder aux données et ils ne peuvent les utiliser que dans la mesure permise par les réglementations du secteur et la politique de l’entreprise.

Les générateurs de données synthétiques peuvent également aider en générant des jeux de données qui reflètent avec précision les tendances générales tout en supprimant les données personnelles sensibles qu’une organisation n’est peut-être pas autorisée à utiliser d’une certaine manière.