L'intelligence artificielle est différente des logiciels traditionnels sous un aspect très important: elle doit apprendre à faire son travail.
Cela offre un avantage clé pour les cycles de vie des produits dans la mesure où au lieu d'avoir à attendre les assistants de codage pour mettre à niveau manuellement leurs créations une fois par an (ou même moins fréquemment), le système lui-même peut ajouter de nouveaux outils, créer de nouvelles fonctionnalités et autrement se modifier en mieux répondre aux besoins des utilisateurs. L'inconvénient, bien sûr, est que peu de programmes d'IA fourniront des performances de haut vol dès le départ; ce n'est que par une utilisation continue qu'ils parviendront à comprendre ce qu'on attend d'eux et comment atteindre au mieux leurs objectifs.
Un facteur clé de cette évolution est les données auxquelles les systèmes pilotés par l'IA sont exposés. De bonnes données, correctement conditionnées et placées dans le bon contexte, permettront aux services de prendre des décisions éclairées et de prendre les mesures appropriées, tandis que les mauvaises données conduiront à de mauvais résultats et à une diminution constante des performances.
