Un regard intéressant sur les pièges de l'utilisation aveugle de l'intelligence artificielle, de l'apprentissage automatique et d'autres méthodes de corrélation sans expertise en la matière.
Nous sommes tous témoins de l'engouement que suscitent le big data et l'intelligence artificielle : « Nous n'aurons plus besoin d'experts, il suffira de nourrir des algorithmes d'intelligence artificielle ou d'apprentissage automatique avec des données, et l'ordinateur nous donnera la réponse, comme par magie. » Selon Nate Silver, la réalité est pourtant quelque peu différente : « Les chiffres ne peuvent pas parler d'eux-mêmes. C'est nous qui parlons pour eux, nous leur donnons du sens. » Prenons l'exemple des prévisions des notes d'examen. Pendant l'été 2020, le gouvernement anglais a utilisé un modèle prédictif pour déterminer les notes obtenues par les élèves aux examens. Les notes attribuées ont fait l'objet de multiples objections, et le gouvernement a rejeté la faute sur l'algorithme, le qualifiant de « mutant ». Pourtant, nous savions tous que l'utilisation du code postal pour prédire des notes d'examen était injuste. L'algorithme n'était pas réellement en cause ; il s'agissait plutôt de l'incapacité des experts à concevoir des modèles prédictifs basés sur des données avec impartialité et en leur donnant du sens.
Ce webinaire sera l'occasion de démontrer l'importance d'associer des connaissances en la matière avec le savoir-faire des analyses de données, afin de s'assurer que l'on tire les informations les plus utiles possible de nos données. Nous présenterons les situations dans lesquelles les prévisions sont suffisantes, ainsi que la manière dont traiter les processus de modélisation des données différemment lorsque notre objectif est d'augmenter la compréhension (comme c'est souvent le cas en recherche, en développement et pour les paramètres de production). À l'aide de plusieurs exemples, nous explorerons quelques approches de base liées à l'apprentissage automatique, leurs pièges et comment éviter les conclusions erronées.
Vous découvrirez :
- L'importance d'associer votre connaissance du domaine, votre expérience et votre intuition aux méthodes statistiques et d'apprentissage automatique.
- Comment ouvrir la « boîte noire » des méthodes et algorithmes orientés données en toute sécurité et impliquer votre public à l'aide de vos propres visuels simples et interactifs.
