Five Fatal Assumptions: Why T-Shirt Sizing Systematically Fails for AI Projects
Cet article démontre que le système de dimensionnement en tailles de T-shirt échoue systématiquement dans les projets d'IA car il repose sur cinq hypothèses erronées concernant l'effort et la prévisibilité, et propose à la place une approche itérative appelée « Checkpoint Sizing » pour mieux gérer l'incertitude inhérente au développement de l'intelligence artificielle.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
🚨 Pourquoi la méthode "T-Shirt" échoue avec l'Intelligence Artificielle
Imaginez que vous êtes un chef de projet. Pour estimer combien de temps il faut pour construire une maison, vous utilisez une vieille méthode éprouvée : la méthode du T-Shirt.
- Une petite tâche = un T-shirt S (Small).
- Une tâche moyenne = un T-shirt M.
- Une grosse tâche = un T-shirt L.
Cela fonctionne très bien pour le logiciel classique (comme construire des murs ou poser des fenêtres). Mais les auteurs de ce papier (des experts de Cisco) disent : "Arrêtez d'utiliser des T-shirts pour l'Intelligence Artificielle (IA) !"
Pourquoi ? Parce que l'IA, ce n'est pas comme construire une maison. C'est plus comme apprendre à un enfant à parler une langue qu'il n'a jamais entendue, ou diriger un orchestre où les musiciens inventent leur partition en direct.
Voici les 5 fausses croyances (les "assomptions fatales") qui font exploser vos estimations quand vous utilisez la méthode du T-Shirt pour l'IA.
1. L'illusion de la ligne droite 📏
La croyance : "Si je double la taille du projet, je double le travail."
La réalité de l'IA : C'est une courbe exponentielle.
- L'analogie : Imaginez que vous apprenez à courir. Passer de 0 à 10 km/h est facile. Mais passer de 90 à 100 km/h ? Cela demande des années d'entraînement, des équipements spéciaux et des risques de blessures.
- En IA : Améliorer un modèle de 85% à 95% de précision ne demande pas un peu plus de travail. Cela demande 10 fois plus de données, de puissance de calcul et d'essais. Le "dernier kilomètre" est en fait un marathon infini.
2. Le mythe de l'expérience passée 🧠
La croyance : "On a déjà fait un chatbot pour les RH, donc celui pour le support technique sera pareil."
La réalité de l'IA : Chaque nouvelle donnée est un territoire inconnu.
- L'analogie : C'est comme si vous saviez cuisiner des pâtes italiennes (votre projet précédent) et que vous pensiez pouvoir cuisiner un plat de sushis (le nouveau projet) exactement de la même façon, juste en changeant les ingrédients. Sauf que l'IA, c'est comme si les poissons changeaient de goût chaque fois que vous les touchez.
- En IA : Les données sont imprévisibles. Des biais cachés ou des erreurs apparaissent souvent au tout dernier moment, là où vous ne les attendiez pas. Votre expérience passée ne vous aide pas vraiment ici.
3. L'illusion du "plus de bras, plus vite" ⏱️
La croyance : "Si le projet prend 8 semaines avec un ingénieur, il prendra 4 semaines avec deux."
La réalité de l'IA : Certaines étapes ne peuvent pas être accélérées.
- L'analogie : Vous ne pouvez pas faire pousser un bébé en 9 mois avec 10 femmes. Il faut 9 mois, point final.
- En IA : L'entraînement d'un modèle est comme une plante qui pousse. Vous ne pouvez pas ajouter plus d'ingénieurs pour faire pousser les données plus vite. De plus, si un agent (un robot) échoue à l'étape 7, il faut parfois rejouer tout le film de l'étape 1 à 6 pour comprendre pourquoi, ce qui prend du temps, peu importe le nombre de personnes dans la pièce.
4. Le piège du découpage 🧩
La croyance : "On peut diviser le projet en 4 équipes qui travaillent chacune sur une pièce séparée."
La réalité de l'IA : Tout est collé ensemble (très "couplé").
- L'analogie : Imaginez un château de cartes. Si vous changez une carte en bas (les données), tout le château tremble et s'effondre, même si vous n'avez touché qu'au sommet (l'interface utilisateur).
- En IA : Si vous changez un petit détail dans la base de données, cela peut obliger à réécrire tout le code de l'IA. On ne peut pas travailler en silos. Tout est interconnecté.
5. La fin qui bouge 🎯
La croyance : "Quand les tests sont verts, c'est fini. On livre."
La réalité de l'IA : La cible bouge tout le temps.
- L'analogie : C'est comme jouer au tennis, mais l'adversaire change la taille du filet et la forme de la balle à chaque point.
- En IA : Vous pouvez avoir un modèle qui fonctionne parfaitement techniquement. Mais soudain, le service juridique dit : "Non, il y a trop de risques de mensonges (hallucinations)" ou "C'est trop biaisé". Le projet, qui semblait "Terminé" le vendredi, devient un "Super Gros Projet" le lundi matin.
💡 La Solution : La méthode des "Points de Contrôle" (Checkpoint Sizing)
Puisque les T-shirts ne fonctionnent pas, les auteurs proposent une nouvelle méthode : Le "Checkpoint Sizing".
Au lieu de deviner la taille du projet au début (ce qui est impossible), on avance par étapes de validation.
Imaginez que vous traversez une forêt inconnue. Au lieu de dire "Je vais mettre 2 jours pour traverser", vous dites :
- Point de contrôle 1 (Données) : "Est-ce que la forêt est traversable ?" -> Si non, on arrête ou on change de route.
- Point de contrôle 2 (Sécurité) : "Y a-t-il des ours ?" -> Si oui, on ajoute des protections (ce qui prend du temps).
- Point de contrôle 3 (Coût) : "Combien coûte le carburant ?" -> Si c'est trop cher, on réduit le voyage.
À chaque point de contrôle, on réévalue le projet en fonction de ce qu'on a vraiment appris, et non de ce qu'on pensait savoir.
📝 En résumé
- Le problème : Utiliser les vieilles règles du logiciel classique pour l'IA, c'est comme essayer de naviguer dans l'espace avec une carte de la Terre. Ça ne marche pas.
- La cause : L'IA est imprévisible, non-linéaire et tout y est lié.
- La solution : Arrêtez de promettre des dates fixes au début. Faites des petits pas, vérifiez souvent, et ajustez votre plan à chaque étape.
C'est une méthode plus humaine, plus honnête, et surtout, beaucoup moins risquée pour votre budget et votre santé mentale !
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.