La valorisation de Snorkel AI triple sous l’effet de la demande en données…

La demande croissante en données d’entraînement pour l’intelligence artificielle soutient la croissance des jeunes entreprises du secteur. Fondée il y a sept ans, Snorkel AI a bouclé une levée de fonds de 350 millions de dollars en série E, triplant ainsi sa valorisation pour atteindre 3,5 milliards de dollars. Ce financement intervient alors que les besoins en données prennent une place croissante dans les applications d’IA en entreprise. Pour les organisations, cette évolution souligne la nécessité de s’intéresser non seulement au choix du modèle, mais aussi à la qualité des données d’entraînement.

Snorkel AI utilisera ces nouveaux capitaux pour développer son approche de fourniture de données sous forme de service, dite data-as-a-service, et renforcer les jeux de données d’entraînement destinés à l’IA en entreprise. L’objectif n’est pas simplement de collecter davantage de données, mais de consolider les sources de données utilisables dans les processus de développement de l’IA. Pour évaluer cette approche, les organisations doivent examiner conjointement les besoins auxquels les données répondront, la manière dont elles seront utilisées et leur articulation avec les processus métier existants.

Les données d’entraînement constituent les exemples utilisés par un modèle d’IA au cours de son apprentissage. Leur exactitude, leur cohérence et leur représentativité par rapport à l’usage visé sont donc essentielles. Des enregistrements incomplets ou contradictoires peuvent compliquer l’apprentissage du modèle. Plutôt que de considérer la préparation des données comme une simple opération technique de transfert, il est préférable de l’aborder comme un processus de transformation des connaissances métier en une structure compréhensible et évaluable.

Pour les PME, cette évolution se traduit concrètement par la nécessité d’évaluer l’état des données internes avant de se lancer dans l’IA. Il convient de déterminer quels enregistrements sont à jour, comment une même information est conservée dans différents systèmes et qui peut accéder aux données. Le périmètre des informations nécessaires à l’application envisagée peut ensuite être précisé. La préparation des données cesse ainsi d’être un travail de classement d’archives aux contours flous pour devenir une étape répondant à un besoin métier précis.

Toutes les applications d’IA en entreprise ne nécessitent pas l’entraînement d’un nouveau modèle. Il faut donc distinguer les besoins en données d’entraînement des besoins en informations internes auxquelles l’application devra accéder. Chez X Mind Solutions, nous considérons cette distinction comme importante dans le cadre des agents d’IA, des flux d’automatisation et des intégrations de systèmes. L’accent mis sur les données par la levée de fonds de Snorkel AI rappelle aux entreprises la nécessité de définir d’abord l’usage visé, puis de planifier une préparation des données adaptée.