L'une des craintes les plus répandues concernant la place de l'IA dans l'avenir est que de nombreux domaines d'activité humaine, voire la plupart, ne deviennent superflus. D'ores et déjà, nous voyons des emplois disparaître au profit de l'automatisation dans des secteurs que nous n'aurions pas pu prévoir il y a une ou deux décennies.
Mais qu'en est-il des emplois créés par l'IA ? Si l'émergence de l'IA a certainement entraîné la création de nombreux emplois intéressants pour les programmeurs qui écrivent les algorithmes d'apprentissage, les emplois dans le domaine de l'étiquetage des données sont de loin les plus nombreux : il s'agit de la création des vastes quantités de données d'entraînement à partir desquelles les algorithmes d'IA apprennent. Dans notre dernier blog, nous avons souligné l'importance des pratiques d'étiquetage éthique en tant que composante de tout système d'IA éthique. Est-il possible de concilier le travail d'étiquetage éthique avec des pratiques d'IA compétitives ? En matière d'étiquetage, le moins-disant n'est-il pas toujours gagnant ?
L'approche de l'IA dite "human-in-the-loop" (HITL) est prometteuse dans ce domaine. Dans les domaines où les capacités de l'IA sont poussées à leurs limites, comme la détection aérienne des baleines, les systèmes HITL confient à l'algorithme le gros du travail, puis s'en remettent au jugement d'experts humains pour les "cas limites", où l'algorithme de détection est moins sûr de lui (oui, les ordinateurs peuvent aussi être incertains!) De cette manière, les ordinateurs font les parties du travail où ils peuvent apporter la plus grande valeur ajoutée (en termes de rapidité/efficacité), tandis que les humains font les parties du travail où ils apportent la plus grande valeur ajoutée (grâce à leur discernement dans les cas limites).
En prime, les cas limites d'étiquetage sont précisément le type de travail le plus intéressant pour les humains. Pensez : "huh, c'est une vague, mais je peux vraiment voir comment elle ressemble à une baleine", par opposition à : "vague, vague, vague, vague, baleine, vague, vague..."
Notre biologiste en chef, Bertrand Charry, au travail.
Et ce n'est pas tout : en plus d'exploiter plus efficacement le talent humain, le HITL permet également au modèle de se réapprendre et de s'améliorer, puisque les jugements de l'expert sur les cas limites ciblent précisément les lacunes dans la "connaissance" de l'algorithme original. Ce qui est bon pour les humains, dans ce cas, est également bon pour l'IA - et l'échange entre les deux permet d'atteindre une précision et une rapidité supérieures à celles que l'une ou l'autre pourrait atteindre seule. Cela est particulièrement vrai pour les tâches qui repoussent les limites des capacités d'apprentissage automatique. Par exemple, Stitch Fix est un service de stylisme personnel en ligne qui utilise une approche HITL pour fournir aux clients des recommandations de vêtements qui s'améliorent au fil du temps, en utilisant le sens humain pour affiner les recommandations générées par l'IA.
La détection des baleines est une autre tâche qui se prête bien au "HITL-ing". La détection manuelle est un travail lent et souvent fastidieux, mais la détection entièrement automatisée perd souvent en précision ce qu'elle gagne en efficacité, ou bien elle est liée au contexte spécifique pour lequel elle a été entraînée (par exemple, eau calme, absence de glace, espèces cibles différentes). C'est pourquoi Whale Seeker est heureux de présenter son nouvel outil d'étiquetage, Möbius, qui applique l'approche HITL à la détection des mammifères marins. Plutôt que de remplacer les biologistes experts, nous les avons intégrés à notre produit, leur permettant ainsi de couvrir plus d'images, plus rapidement. Whale Seeker développe également des approches de détection qui vont au-delà du spectre de la lumière visuelle (en utilisant l'infrarouge, par exemple), élargissant encore les capacités humaines. Ces gains d'efficacité ne remplacent pas les biologistes, ils leur donnent des super pouvoirs !