L’IA sur le lieu de travail deviendra très ennuyeuse avant de changer la vie
Français
Cet article fait partie de notre série qui explore les métier de l’intelligence artificielle.
Les technologies numériques, et à leur pointe l’intelligence artificielle, déclenchent des changements fondamentaux dans la société, la politique, l’éducation, l’économie et d’autres aspects fondamentaux de la vie. Ces changements offrent des opportunités de croissance sans précédent dans différents secteurs de l’économie. Mais en même temps, ils impliquent des défis que les organisations doivent surmonter avant de pouvoir exploiter pleinement leur potentiel.
Lors d’une récente conférence lors d’une conférence en ligne organisée par Stanford Human-Centered Artificial Intelligence (HAI), le professeur de Stanford Erik Brynjolfsson a discuté de certaines de ces opportunités et défis.
Brynjolfsson, qui dirige le Digital Economy Lab de Stanford, estime qu’au cours de la prochaine décennie, l’utilisation de intelligence artificielle sera beaucoup plus répandu qu’il ne l’est aujourd’hui. Mais son adoption sera également confrontée à une période d’accalmie, également connue sous le nom de courbe en J.
« Il y a un écart croissant entre ce que la technologie est capable de faire et ce qu’elle fait déjà par rapport à la façon dont nous réagissons à cela », déclare Brynjolfsson. “Et c’est là que résident bon nombre des plus grands défis et problèmes de notre société et certaines de nos plus grandes opportunités.”
Apprentissage automatique et productivité accrue
Selon Brynjolfsson, la prochaine décennie verra une productivité nettement plus élevée grâce à une vague de technologies puissantes, en particulier apprentissage automatique— qui se retrouvent dans chaque appareil informatique et chaque application.
Progrès en vision par ordinateur ont été formidables, en particulier dans des domaines tels que la reconnaissance d’images et l’imagerie médicale. Parler aux téléphones, montres et haut-parleurs intelligents est devenue monnaie courante grâce aux progrès du traitement du langage naturel et de la reconnaissance vocale. Recommandation de produits, emplacement d’annoncesouscription d’assurance, approbation de prêt et de nombreuses autres applications ont énormément bénéficié des progrès de l’apprentissage automatique.
Dans de nombreux domaines, l’apprentissage automatique réduit les coûts et accélère la production. Par exemple, l’application de grands modèles de langage en programmation peut aider les développeurs de logiciels à devenir beaucoup plus productifs et à en faire plus en moins de temps.
Dans d’autres domaines, l’apprentissage automatique peut aider à créer des applications qui n’existaient pas auparavant. Par exemple, les modèles d’apprentissage profond génératif créent de nouvelles applications pour arts, musique et autres travaux créatifs. Dans des domaines tels que les achats en ligne, les progrès de l’apprentissage automatique peuvent créer changements majeurs dans les modèles économiquescomme passer de “achats puis expédition” à “expédition puis achats”.
Les blocages et l’urgence causés par la pandémie de covid-19 ont accéléré l’adoption de ces technologies dans différents secteurs, notamment les outils de travail à distance, l’automatisation des processus robotiques, la recherche sur les médicaments et l’automatisation des usines.
“La pandémie a été horrible à bien des égards, mais une autre chose qu’elle a faite est d’accélérer la numérisation de l’économie, comprimant en environ 20 semaines ce qui aurait pris peut-être 20 ans de numérisation”, déclare Brynjolfsson. « Nous avons tous investi dans des technologies qui nous permettent de nous adapter à un monde plus numérique. Nous n’allons pas rester aussi éloignés que nous le sommes maintenant, mais nous n’allons pas non plus revenir en arrière. Et cette numérisation accrue des processus et des compétences de l’entreprise comprime le délai dont nous disposons pour adopter ces nouvelles méthodes de travail et, en fin de compte, augmenter la productivité. »
La courbe en J
Le potentiel de productivité des technologies d’apprentissage automatique comporte une mise en garde importante.
« Historiquement, lorsque ces nouvelles technologies deviennent disponibles, elles ne se traduisent pas immédiatement par une croissance de la productivité. Souvent, il y a une période où la productivité décline, où il y a une accalmie », dit Brynjolfsson. “Et la raison pour laquelle il y a cette accalmie, c’est que vous devez réinventer vos organisations, vous devez développer de nouveaux processus métier.”
Brynjolfsson appelle cela la «courbe en J de la productivité» et l’a documentée dans un papier publié dans l’American Economic Journal : Macroéconomie. Fondamentalement, le grand potentiel causé par les nouvelles technologies à usage général comme la machine à vapeur, l’électricité et, plus récemment, l’apprentissage automatique nécessite des changements fondamentaux dans les processus et les flux de travail, la co-invention de nouveaux produits et modèles commerciaux et l’investissement dans le capital humain.
Ces investissements et changements prennent souvent plusieurs années, et pendant cette période, ils ne donnent pas de résultats tangibles. Au cours de cette phase, les entreprises créent des «actifs incorporels», selon Brynjolfsson. Par exemple, ils pourraient former et recycler leur main-d’œuvre pour utiliser ces nouvelles technologies. Ils pourraient repenser leurs usines ou les instrumenter avec de nouvelles technologies de capteurs pour tirer parti des modèles d’apprentissage automatique. Ils peuvent avoir besoin de réorganiser leur infrastructure de données et de créer des lacs de données sur lesquels ils peuvent former et exécuter des modèles ML.
Ces efforts peuvent coûter des millions de dollars (ou des milliards dans le cas des grandes entreprises) et n’apporter aucun changement à la production de l’entreprise à court terme. A première vue, il semble que les coûts augmentent sans aucun retour sur investissement. Lorsque ces changements atteignent leur point tournant, ils se traduisent par une augmentation soudaine de la productivité.
Courbe en J AI
“Nous sommes actuellement dans cette période où nous effectuons une grande partie de cette transition douloureuse, du travail de restructuration, et il y a beaucoup d’entreprises qui luttent avec cela”, déclare Brynjolfsson. “Mais nous y travaillons, et ces courbes en J conduiront à une productivité plus élevée – selon nos recherches, nous sommes près du bas et nous montons.”
Passer à l’IA
Malheureusement, l’adaptation à l’IA et aux autres nouvelles technologies numériques ne suit pas une voie prévisible. La plupart des entreprises n’effectuent pas la transition correctement ou manquent de créativité et de compréhension pour effectuer la transition. Diverses études montrent que la plupart des projets d’apprentissage automatique appliqué échouent.
« Seuls les 10 à 15 % des entreprises les plus performantes réalisent la majeure partie des investissements dans ces actifs incorporels. Les autres 85 à 90 % des entreprises sont à la traîne et ne rendent pratiquement aucune de ces restructurations nécessaires », déclare Brynjolfsson. « Il ne s’agit pas seulement des grandes entreprises technologiques. Cela concerne toutes les industries, la fabrication, la vente au détail, la finance, les ressources. Dans chaque catégorie, nous voyons les entreprises leaders se détacher des autres. Il y a un écart de performance croissant.
Mais même si l’adoption de nouvelles technologies va être difficile, elle se déroule à un rythme beaucoup plus rapide par rapport aux cycles précédents d’avancées technologiques, car nous sommes mieux préparés à faire la transition.
“Je pense que ce qui devient clair, c’est que cela va se produire beaucoup plus rapidement, en partie parce que nous avons une catégorie de personnes beaucoup plus professionnelles qui essaient d’étudier ce qui fonctionne et ce qui ne fonctionne pas”, déclare Brynjolfsson. « Certains d’entre eux sont dans des écoles de commerce et des universités. Beaucoup d’entre eux sont dans des sociétés de conseil. Certains d’entre eux sont journalistes. Et il y a des gens qui décrivent quelles pratiques fonctionnent et lesquelles ne fonctionnent pas.
Un autre élément qui peut aider énormément est la disponibilité d’outils d’apprentissage automatique et de science des données pour traiter et étudier les énormes quantités de données disponibles sur les organisations, les personnes et l’économie.
Par exemple, Brynjolfsson et ses collègues travaillent sur un grand ensemble de données de 200 millions d’offres d’emploi, qui incluent le texte intégral de la description de poste ainsi que d’autres informations. À l’aide de différents modèles d’apprentissage automatique et de techniques de traitement du langage naturel, ils peuvent transformer les offres d’emploi en vecteurs numériques pouvant ensuite être utilisés pour diverses tâches.
« Nous considérons tous les emplois comme cet espace mathématique. Nous pouvons comprendre comment ils peuvent se rapporter les uns aux autres », déclare Brynjolfsson.
Par exemple, ils peuvent faire des déductions simples telles que la similarité ou la différence de deux offres d’emploi ou plus en fonction de leurs descriptions textuelles. Ils peuvent utiliser d’autres techniques telles que le regroupement et réseaux de neurones graphiques pour tirer des conclusions plus importantes telles que le type de compétences les plus demandées, ou comment les caractéristiques d’un poste de travail changeraient-elles si vous modifiiez la description pour ajouter des compétences en IA telles que Python ou TensorFlow. Les entreprises peuvent utiliser ces modèles pour trouver des failles dans leurs stratégies d’embauche ou pour analyser les décisions d’embauche de leurs concurrents et des principales organisations.
« Ces types d’outils n’existaient tout simplement pas il y a cinq ans, et je pense que c’est une révolution qui est tout aussi importante que le microscope ou certaines des autres révolutions scientifiques », déclare Brynjolfsson. « Nous en avons maintenant pour que les sciences sociales et les entreprises aient ce genre de visibilité. Cela nous permet d’effectuer une transition beaucoup plus rapidement qu’auparavant.
Cependant, Brynjolfsson prévient que peu d’entreprises utilisent ce type d’outils. Cela témoigne peut-être davantage de son point précédent selon lequel les entreprises n’ont pas encore trouvé la bonne stratégie de transition et s’appuient sur d’anciennes méthodes pour se restructurer et s’adapter à l’ère de l’IA. Et au centre de cette stratégie devrait se trouver l’utilisation correcte du capital humain.
«Vous avez des centaines de milliards de dollars de capital humain, de compétences qui sortent, puis l’entreprise essaie de réembaucher des personnes possédant les compétences dont elles ont besoin. Ce qu’ils ne réalisent pas, c’est que les travailleurs qu’ils ont licenciés avaient souvent des compétences très proches de celles pour lesquelles ils embauchent », déclare Brynjolfsson.
Avec l’aide de l’apprentissage automatique, ils auront une meilleure visibilité et une meilleure connaissance de leurs « contiguïtés de compétences », explique Brynjolfsson. Par exemple, une entreprise peut découvrir qu’au lieu de licencier un groupe de personnes et de chercher à embaucher de nouveaux talents, il lui suffit peut-être de se recycler un peu et de réorienter sa main-d’œuvre.
“Il est beaucoup plus coûteux d’embaucher quelqu’un de nouveau que de prendre certaines de ces personnes qui sont déjà dans l’entreprise et de dire, si nous vous enseignons Python ou des compétences en service client ou d’autres compétences, vous pouvez faire ce travail qui nous cherchons à embaucher des gens pour », dit Brynjolfsson. « J’espère qu’au cours de la prochaine décennie, les travailleurs seront en bien meilleure position pour tirer pleinement parti de leurs capacités et de leurs compétences. Et il sera également bon pour les entreprises de comprendre tous les atouts dont elles disposent, et l’apprentissage automatique peut beaucoup aider à comprendre ces relations. »
Cet article a été initialement publié par Ben Dickson sur TechTalks, une publication qui examine les tendances technologiques, leur impact sur notre façon de vivre et de faire des affaires, et les problèmes qu’elles résolvent. Mais nous discutons également du côté pervers de la technologie, des implications les plus sombres des nouvelles technologies et de ce que nous devons surveiller. Vous pouvez lire l’article original ici.
