Alors que l'IA générative fait face à une surcharge de données, les experts préconisent que les entreprises donnent la priorité à l'adéquation produit-marché plutôt qu'à l'échelle. Des discussions notables à TechCrunch Disrupt 2024 soulignent le besoin de données de qualité et d'objectifs spécifiques. Que s'est-il passé Lors de TechCrunch Disrupt 2024, Chet Kapoor a lancé une conversation sur le « nouveau pipeline de données » dans le contexte des applications modernes de l'IA. La discussion a abordé plusieurs sujets, notamment l'importance de la qualité des données et le rôle des données en temps réel dans l'IA générative.
Le principal enseignement est que dans les premières étapes de l'IA, la priorité doit être donnée à l'adéquation produit-marché avant la mise à l'échelle. Aujourd'hui, l'IA générative (GenAI) est confrontée au défi de la surcharge de données. Ce phénomène rend les entreprises moins efficaces lorsqu'elles traitent de vastes quantités d'informations, ce qui complique la prise de décision.
Des leaders de l'industrie, dont Kapoor, Vanessa Larco, associée chez NEA, et George Fraser, PDG de Fivetran, ont souligné que les entreprises développant l'IA générative devraient privilégier l'adéquation produit-marché plutôt que de simplement étendre leurs solutions. De plus, Fraser suggère que les entreprises devraient se concentrer sur les vrais problèmes auxquels elles sont confrontées aujourd'hui.
Lire aussi: L'IA générative souffre de la surcharge de données, les entreprises devraient donc se concentrer sur des objectifs plus petits et spécifiques Lire aussi: Comment l'IA générative peut-elle s'attaquer à la « surcharge d'information » et responsabiliser les voyageurs Pourquoi c'est important Alors que les entreprises de divers secteurs adoptent la technologie GenAI, beaucoup constatent que la surcharge de données entraîne une baisse de l'efficacité des applications d'IA et de la qualité des décisions. La conversation de TechCrunch Disrupt 2024 a lieu alors que les organisations sont aux prises avec ce défi.
Le point clé de ces discussions est l'importance de construire une base solide et de se concentrer sur des objectifs clairs. Par exemple, la startup DataCraft a mis en œuvre une stratégie ciblée axée sur la fourniture de solutions d'IA spécifiquement pour les petites entreprises de vente au détail. En se concentrant sur des ensembles de données plus petits comprenant les préférences et les comportements d'achat des clients, DataCraft a développé un moteur de recommandation efficace qui augmente considérablement les ventes.
Cette focalisation sur des marchés et des cas d'utilisation spécifiques permet à DataCraft de se démarquer de ses concurrents plus importants, démontrant le potentiel d'une approche ciblée dans un marché saturé. Mettre l'accent sur l'adéquation produit-marché permet aux entreprises de rationaliser leurs efforts et de s'assurer que leurs solutions d'IA répondent efficacement aux besoins spécifiques de leur public cible. En même temps, en se concentrant sur des ensembles de données plus petits et de haute qualité et des objectifs clairs, les entreprises peuvent améliorer leur efficacité opérationnelle et stimuler l'innovation.