Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

La croissance rapide des technologies d’intelligence artificielle (IA) et d’apprentissage automatique (ML) offre des occasions significatives pour les entreprises de toutes tailles. Cependant, les petites entreprises rencontrent souvent des défis uniques lors de l’adoption de ces technologies en raison de ressources et d’expertise limitées. De plus, la multitude d’outils et de plateformes disponibles pour l’implémentation de l’intelligence artificielle complique la tâche lorsque celle-ci doit faire un choix. Cette étude vise à développer un modèle de décision pour aider les petites entreprises à sélectionner la plateforme d’apprentissage automatique (MLaaS) la plus adaptée pour l’apprentissage supervisé. Le modèle proposé est conçu pour être pratique et facile à utiliser, en tenant compte des besoins et des contraintes spécifiques des petites entreprises. Nous commençons par examiner la littérature existante et identifier les critères clés qui influencent la sélection des plateformes MLaaS. Ces critères incluent la réputation du fournisseur de services, les coûts d’abonnement périodiques, la disponibilité des services et la portabilité de la plateforme. En utilisant le processus hiérarchique analytique (AHP) et sa version simplifiée, AHP-express, nous développons un cadre de prise de décision structuré que les petites entreprises peuvent utiliser pour évaluer et comparer efficacement différentes plateformes MLaaS. Le modèle est appliqué dans une étude de cas impliquant Econochef, une petite entreprise en démarrage développant une application mobile de recommandation de recettes. En mettant en oeuvre le modèle de décision, Econochef sélectionne avec succès une plateforme d’apprentissage automatique répondant à ses besoins et contraintes financières, démontrant l’efficacité du modèle. Dans la discussion, les avantages et les limitations du modèle proposé sont soulignés et des idées pour de futures recherches sont proposées. Celles-ci incluent l’amélioration de la collecte et de la qualité des données, l’automatisation du processus de prise de décision, la validation du modèle à travers d’autres études de cas et l’assurance de la scalabilité et de l’adaptabilité du modèle aux nouvelles technologies. Cette étude fournit un outil précieux pour les petites entreprises cherchant à tirer parti des technologies d’apprentissage automatique, offrant une approche claire et structurée pour sélectionner des plateformes MLaaS appropriées et facilitant l’intégration de l’IA dans leurs opérations.