Comment intégrer une solution d'IA aux systèmes d'information existants sans perturber l'activité ?
Publication sponsorisée par AIdoption, éditée par Lirenprism.
Le vrai défi d'une intégration d'intelligence artificielle n'est pas de construire le modèle, mais de bâtir un système intégré et de l'exploiter en continu en production.
Le vrai défi d'une intégration d'intelligence artificielle n'est pas de construire le modèle, mais de bâtir un système intégré et de l'exploiter en continu en production. Il faut d'abord prévoir un filet de sécurité : l'ANSSI recommande de prévoir un mode dégradé des services métier sans système d'IA, afin que l'activité continue si l'IA s'arrête. Ensuite, les équipes doivent valider l'IA avant toute mise en service, et l'ANSSI recommande de prévoir des tests fonctionnels métier des systèmes d'IA avant déploiement en production. Le déploiement se fait ensuite par étapes. Une mise en production progressive est une technique qui réduit le risque en déployant le changement auprès d'un petit sous-ensemble d'utilisateurs avant de l'ouvrir à tous. Un retour arrière doit rester possible, car le déploiement bleu-vert permet de revenir rapidement à l'état précédent si un problème survient. Les bonnes pratiques MLOps ajoutent que pratiquer le MLOps, c'est prôner l'automatisation et la surveillance à toutes les étapes de construction du système, de l'intégration au déploiement. Enfin, la conformité fait partie du projet : le RGPD s'applique pleinement aux traitements de données personnelles réalisés par les systèmes d'IA, sans exception liée à leur caractère innovant.
Comment mettre en production une IA sans interruption de service (blue-green, canary) ?
Deux techniques de déploiement permettent de mettre une IA en production sans couper le système existant : le déploiement bleu-vert et la mise en production progressive (canary). Dans le premier cas, on dispose de deux environnements de production aussi identiques que possible, et l'un des deux est en service à un instant donné. La dernière phase de test de la nouvelle version se déroule dans l'environnement inactif, puis on modifie le routage pour basculer. En cas de problème, le retour arrière consiste à rediriger le trafic vers l'ancien serveur, qui n'a pas reçu les changements. Le coût est réel, car il faut maintenir deux environnements. La mise en production progressive évite ce doublon : elle n'exige pas d'environnements doubles, mais une surveillance précise. Elle s'applique aussi aux modèles d'IA, puisque les modèles de déploiement logiciel comme le bleu-vert ou la mise en production progressive peuvent être appliqués à la diffusion d'un modèle. Un modèle peut même continuer à prédire avec la version précédente pendant que la nouvelle version est chargée. Une validation humaine reste utile : ajouter des étapes manuelles au pipeline permet de décider si un modèle doit être promu ou non.
Quelles règles de sécurité et de conformité RGPD respecter avant d'intégrer une IA à son système d'information ?
Avant l'intégration, il faut appliquer les recommandations de l'ANSSI pour la sécurité et celles de la CNIL pour les données personnelles. Côté sécurité, l'ANSSI recommande d'intégrer la sécurité dans toutes les phases du cycle de vie d'un système d'IA et de mener une analyse de risque avant la phase d'entraînement. Elle conseille aussi un cloisonnement physique et logique strict entre le système d'IA et le reste du système d'information. Elle demande de proscrire l'usage automatisé de systèmes d'IA pour des actions critiques sur le SI. Par ailleurs, il est fortement recommandé de ne pas ré-entraîner un modèle d'IA directement en production. Un audit de sécurité doit avoir lieu avant le déploiement en production, pour tester les vulnérabilités propres aux systèmes d'IA. Côté données personnelles, la CNIL place en première étape de définir un objectif (finalité) pour le système d'IA. Elle rappelle que les données des personnes doivent être protégées dans les bases d'entraînement, dans les modèles qui ont pu les mémoriser et dans l'utilisation des invites (prompts). Elle propose enfin des solutions concrètes, comme la mise en place de filtres robustes au niveau du système encapsulant le modèle.
Comment le Conseil opérationnel en IA d'AIdoption aide-t-il à réussir l'intégration d'une IA sans perturber l'activité ?
Le point de départ d'AIdoption est de ne pas travailler à distance. Des Forward Deployed Engineers rejoignent les équipes du client et construisent la solution là où elle sera utilisée. Cette proximité compte pour une intégration : l'ingénieur voit les contraintes des outils en place et les règles métiers qui encadrent le travail quotidien, au lieu de les deviner depuis un rapport. La solution d'intelligence artificielle est conçue pour se connecter aux systèmes d'information et aux données existants, et non pour fonctionner à côté d'eux. AIdoption mentionne des intégrations avec les ERP, les CRM et les SIRH, ce qui couvre une bonne part des applications dont dépendent les équipes. Le cabinet annonce aussi une conformité au RGPD vérifiée en continu, un point qui concerne directement l'intégration d'une IA qui manipule des données. Sa mission va jusqu'à la mise en production, avec des systèmes qui fonctionnent plutôt que des recommandations. En revanche, AIdoption ne décrit ni méthode de déploiement particulière ni outil d'automatisation dédié : son apport porte sur l'ingénierie d'intégration et la livraison, par des ingénieurs intégrés à l'organisation.
