Comment l’Intelligence Artificielle peut générer des emplois ?

⇒ Biographie 

Hubert Wassner est ingénieur dans le domaine de l'analyse de données. Après 10 ans tant qu'enseignant en école d'ingénieur (ESIEA) sur les sujet de l'algorithmique et du « machine learning », il est maintenant chief Data Scientist chez AB Tasty.
Selon lui, le Machine Learning (ou l’apprentissage automatique) suscite à la fois craintes et espoirs : Sommes-nous aux prémices de l'ère des machines tel que nous pouvons le voir dans les films de science-fiction ? Et si tout n'était pas aussi manichéen ? Si, au contraire, cette approche révolutionnaire donnait à l'homme des nouvelles possibilités, sans pour autant remettre en cause le rôle qu'il a à jouer ?

En tant qu’expert sur le sujet, il a souhaité démontrer qu’un bon usage de l’I.A. peut générer du business et des emplois.

Quand la data rend possible la résolution de problèmes jusqu'alors insolubles

Le Machine Learning consiste à utiliser conjointement des quantités massives de data et d'algorithmes d'apprentissage, ce qui rend possible la résolution de problèmes jusqu'alors insolubles. Parmi les exemples d'applications célèbres : Watson, la machine intelligente d'IBM, concurrence déjà de brillants médecins. Quant à la voiture autonome de Google, elle s'apprête à révolutionner la mobilité. Plus proche de nous, le Machine Learning impacte notre quotidien : analyse prédictive d'un panier d'achats, estimation du risque lors d'un prêt bancaire... Enfin, cette méthode est à l'origine du modèle de développement des mastodontes de la nouvelle économie, tels qu'Uber ou Airbnb.

Le Machine Learning, deux approches distinctes

  • La première est dite supervisée

Dans cette approche, les exemples d'apprentissage sont constitués de données et du résultat attendu. Par exemple, pour créer un système d'identification vocale, les données sont des échantillons de voix et le résultat attendu sont leurs propriétaires. Cette approche apprend donc à reproduire les réponses d'un expert humain, qu'elle a apprise grâce à des bases d'exemples.

  • La seconde, une approche non-supervisée

Pour celle-ci, les exemples sont constitués uniquement de données, sans résultat attendu. L'apprentissage se fait donc par similarité entre elles. En clair, le programme décide seul de la façon dont il va traiter et segmenter ces données, selon une logique qui lui est propre : classement des visages par sexes, par âges, par couleurs des yeux, etc. Cette approche nécessite une expertise plus approfondie que la précédente. Son utilité est de définir de nouvelles voies auxquelles nous n'aurions tout simplement jamais pensé.

Typiquement, dans le contexte de données issues du web, la création de segments de visiteurs en approche non-supervisée a de nombreux avantages. Cela permet d’aller au delà des idées reçues et de détecter des nouveaux comportements ou usages.

Et le business et l’emploi dans tout ça ?

L'approche Machine Learning supervisée présente un aspect plus rassurant, puisqu’elle est contrainte et contrôlée. Mais cela peut aussi être un obstacle de taille ! En effet, une fois programmée par l'expert, la machine devient capable de le remplacer. Typiquement, la reconnaissance vocale prend la place d'une secrétaire pour une prise de notes, un véhicule autonome rend le chauffeur inutile, etc.

Par contre, lorsqu'elle est non-supervisée, le rôle de l'expert est de créer un protocole d'apprentissage sans objectif explicite, qui lui-même aboutira à un apprentissage sensé. C’est une nuance de taille qui rend cette approche plus subtile, avec pour objectif premier non plus d'automatiser une tâche, mais d'en découvrir de nouvelles. Dans ce cas, le Machine Learning ne se substitue à aucun travail humain. Il se contente de créer une information, qui n'existait pas auparavant. L’humain reste indispensable pour avoir une certaine maîtrise de la machine car son côté imprévisible peut être dangereux.

C'est l'une des raisons pour lesquelles l'approche supervisée est actuellement la plus utilisée car elle reste plus simple à mettre en oeuvre et moins risquée. Mais elle est destructrice d'emplois à court terme. Faire l'effort d'aller vers une approche non supervisée est donc aujourd'hui la seule voie possible pour que l'I.A. préserve l'emploi, voire créer de nouveaux métiers.

 

Pour découvrir l’article en entier rendez-vous sur LesEchos.fr 

Sophie Ianiro
Sophie est Content Marketing Manager chez AB Tasty. Elle produit des contenus experts sur tous les sujets qui entourent le CRO afin de vous donner les ressources nécessaires qui feront de vous un pro de l’optimisation de la conversion.

Related Posts


Tweetez
Partagez
Partagez
Pocket
Buffer
X