Pourquoi est-il indispensable d'avoir une supervision humaine avec une IA ?

Maintenant que vous avez mis en œuvre une solution basée sur l'IA dans votre réseau, vous pouvez vous détendre et laisser l'intelligence artificielle travailler pour vous, n'est-ce pas ? C'est faux !

Pourquoi ?

Parce que la relation entre un être humain et une solution alimentée par des capacités de machine learning doit toujours être une voie à double sens, avec un "trafic" continu dans les deux sens.

Pour être plus précis, la formule du succès est la suivante : données brutes du réseau + intelligence humaine + intelligence artificielle = réseau haute performance + décisions commerciales précises.

Ainsi, pour être sur la bonne voie dès le départ, l'intelligence artificielle n'est pas omnipotente en soi, même si elle en a l'air pour la plupart des utilisateurs. Dans de nombreux cas, elle s'intègre parfaitement au produit, au point que les utilisateurs ne remarquent même pas son existence. Comme l'a montré une étude, 77 % des consommateurs interrogés ont utilisé les capacités d'IA d'une machine sous une forme ou une autre, mais seulement 33 % d'entre eux en étaient conscients (source : Artboard 12 (pega.com). C'est peut-être la raison pour laquelle nous tenons pour acquis le potentiel des solutions et des produits alimentés par l'intelligence artificielle.

Le potentiel de la technologie de l'IA est immense, mais...

Il est désormais bien établi que l'adoption de la technologie de l'IA aide les organisations à générer de la valeur à long terme et à réduire les risques liés à la gestion de la complexité.

Mais, comme nous l'avons déjà dit, l'IA n'est pas un outil magique qui résoudra vos problèmes et réalisera vos souhaits dès qu'il sera appliqué ! Et il n'y a pas de solution universelle, même si vous avez entre les mains une solution avancée alimentée par des capacités de machine learning.

Malgré les investissements massifs et les progrès rapides de la technologie de l'IA, son champ d'application est encore étroit et très sensible aux cas d'usage.

Les entreprises et les institutions doivent encore apprendre à tirer parti de tout le potentiel de la technologie de l'IA. Toutefois, comme le montrent les études, la tendance est à la hausse.

Par exemple, le rapport de l'université de Stanford intitulé "2023 State of AI in 14 Charts" révèle que 2023 verra une augmentation des offres d'emploi recherchant des compétences en IA dans tous les secteurs, et que le nombre d'offres d'emploi en IA dans l'ensemble était nettement plus élevé en 2022 par rapport à l'année précédente. En outre, même si les investissements des entreprises dans l'IA ont baissé en 2022 par rapport aux sommets atteints en 2021, ils ont tout de même été multipliés par 13 au cours de la dernière décennie.

Reste à savoir comment exploiter pleinement le potentiel de l'IA.

Selon les experts, la clé réside dans l'introduction à grande échelle de l'IA et dans la personnalisation continue, qui implique l'intervention humaine.

Les coulisses du fonctionnement d'un système alimenté par l'IA

Pour mieux comprendre cette thèse, commençons par examiner les différences de logique entre le déploiement de logiciels traditionnels et de modèles d'IA.

Les logiciels traditionnels reposent sur un code et sont programmés pour effectuer une certaine tâche.

En revanche, dans le cas des logiciels fondés sur le modèle de l'IA, le code a une autre fonction. Il doit toujours être écrit, mais la base est ici constituée de données, à partir desquelles l'IA apprend à effectuer la tâche.

Le logiciel de modèle d'IA se compose de plusieurs sous-composants, d'éléments de pipeline de données, d'éléments de pipeline de machine learning (ML) et de flux de travail.

Ainsi, les techniques de traitement et le machine learning atteignent les niveaux requis par l'automatisation. Et contrairement aux logiciels traditionnels, il s'agit d'un processus continu et adaptatif avec une intervention humaine ponctuelle.

Que se passe-t-il avec un système "non guidé" alimenté par le machine learning/l'IA ?

Lorsqu'ils sont exposés à un flux continu de nouvelles données d'entrée sans contrôle humain et sans modèles sur lesquels s'appuyer, les algorithmes "parfaits" et les modèles d'IA dans les environnements de production en direct peuvent devenir disparates et déviants, enclins à différents biais. Cela les rend potentiellement fragiles et exposés à des risques post-déploiement liés à des questions d'éthique, de sécurité et de logique.

Dans l'histoire des logiciels alimentés par l'IA, nous avons des exemples om l’apprentissage non supervisé a donné des résultats bizarres, comme lorsqu'un système de reconnaissance faciale a identifié à tort un plus grand nombre de législateurs comme des criminels ou lorsqu'un robot d'IA a appris le racisme à partir de données biaisées et non vérifiées reçues d'utilisateurs mal intentionnés.

En bref, voici les raisons sous-jacentes pour lesquelles les systèmes de machine learning "non guidés" peuvent se retrouver en difficulté, ainsi que leurs créateurs.

Les données brutes sans annotation et/ou interaction humaine représentent un risque important pour la pertinence et la précision du système alimenté par l'IA.

La qualité des décisions est l'avantage crucial des systèmes de machine learning. Dans le monde de l'IA, une décision de qualité est prise en rassemblant les bons ingrédients et en faisant une lecture correcte de ces ingrédients. L'une de ces mauvaises lectures est le calcul, et les mauvais ingrédients peuvent être des données. Lorsque l'on atteint l'échelle, qui est l'un des principaux moteurs de l'automatisation, la qualité des décisions devient une question cruciale.

Un ensemble de données insuffisant ou incorrect représente un risque énorme par rapport à une vision humaine erronée.

Par conséquent, le processus de production d'ingrédients annotés en combinant les données brutes et les connaissances humaines est fondamental lors de la conception et du développement de services et de plateformes basés sur l'IA.

C'est pourquoi la synergie entre la technologie de l'IA et un encadrement humain est indispensable

La nécessité d'une synergie entre la technologie de l'IA et l'encadrement humain est particulièrement évidente dans les cas d'usage de l'IA.

Ici, un mélange de compétences en matière de sources de données, de science des données et d'ingénierie des données, ainsi que des scénarios de déploiement et des capacités à gérer les flux post-déploiement, représentent la recette pour obtenir le maximum d'une solution alimentée par l'IA.

La puissance des solutions basées sur l'IA provient de la combinaison des connaissances acquises par :

• L’ingénierie des applications et des solutions de machine learning, par le suivi des scénarii de déploiement de cas d'usage et l'acquisition des facteurs qui comptent.
• L’expérience et de la compréhension acquises grâce à l'optimisation du réseau pendant et après le déploiement de cas d'usage utilisant l'IA.
• Travailler main dans la main avec les clients pour naviguer dans le parcours d'adoption de l'IA et la capacité d'observer, de discerner et d'ajuster périodiquement les modèles d'IA.

Les cas d'usage sont parmi les exemples les plus caractéristiques de la nécessité d'une synergie entre la technologie de l'IA et l'encadrement humain.

Au fur et à mesure que les lacunes et les écarts dans les cas d'usage basés sur le modèle d'exploitation de l'IA sont compris, des changements sont continuellement apportés aux composants de l'IA incorporés dans la piste d'architecture de la solution, dans le but de répondre aux situations spécifiques ou, pour être plus précis, aux cas d'usage spécifiques.

Cas d'usage d'un modèle d'IA - quoi et comment

Les secteurs de la finance, du retail, de la santé et de l'industrie sont en tête de liste pour ce qui est des cas d'usage fondés sur des modèles d'IA. Chacune de ces industries a un domaine où le niveau d'adoption de l'IA est le plus élevé, avec la perspective de s'étendre à d'autres domaines, comme le montre l'étude 451 Research - New Survey Sheds Light on Top Use Cases for AI and Machine Learning in Key Industries (en anglais).

Dans le secteur financier, le machine learning est principalement utilisé pour la détection des fraudes, suivi d'un autre cas d'usage centré sur la sécurité - la sécurité numérique et la sécurité des données. Dans le retail, l'engagement des clients est le cas d'usage le plus populaire. Dans le secteur de la santé, les systèmes de surveillance des patients figurent en tête de liste des cas d'usage étudiés utilisant le machine learning, suivis par l'optimisation du flux de travail des cliniciens.

Dans le secteur des télécommunications, l'amélioration de la satisfaction des clients et la réduction des délais de mise sur le marché sont les principales raisons invoquées par les CSPs interrogés par Omdia (rapport "How CSP network executives are overcoming barriers to ZTO") pour justifier la mise en place d'opérations automatisées "zero touch".

Alors que la transformation des industries, les nouvelles exigences de l'IoT et les nouveaux cas d'usage nécessitent des réseaux intelligents, Ericsson est sur la bonne voie, développant des solutions axées sur l'IA ciblant ces cas d'usage spécifiques. Nos efforts en matière d'IA s'attaquent aux nouvelles complexités des réseaux, augmentent leur performance et permettent leur automatisation.

La suite d'applications Service Continuity AI, récemment ajoutée à notre portefeuille de services d'assistance réseau, applique l'IA et le machine learning pour fournir une assistance prédictive et préventive pour chaque utilisation spécifique du réseau. Les algorithmes intelligents s'ajustent et s'adaptent en cours de route pour répondre aux cas d'utilisation ciblés.

Comment cela fonctionne-t-il ?

Le modèle de ML mis en œuvre dans chaque cas d'usage est une combinaison de modèles d'IA hors ligne et en temps réel utilisant des méthodes d'apprentissage non supervisées. Lorsque le modèle est utilisé pour la première fois, il s'agit d'un modèle hors ligne pré-entraîné qui passe de l'environnement de développement à l'environnement de production et qui est ensuite entraîné en ligne.

Un développeur de modèle utilise l'environnement de développement pour écrire et enregistrer le code. Deux tâches sont effectuées dans l'environnement d'essai : l'inférence en ligne et le réentraînement. Dans l'environnement de production, l'utilisateur peut demander une prédiction en utilisant le point final exposé par l'application. Les utilisateurs peuvent contrôler les performances du modèle de simulation et du modèle de production. Lorsque cela se produit, l'utilisateur augmente encore la qualité des ingrédients dans l'environnement de préparation afin de faciliter une précision encore plus grande dans l'obtention d'un résultat de plus grande valeur. Il y a aussi l'insistance de la découverte en éliminant les variables qui ont interprété les résultats de manière différente. Dans tous les cas, l'IA et les humains apprennent tous deux au cours du processus, en travaillant ensemble pour obtenir les résultats souhaités.

Si l'utilisateur conclut que le modèle de simulation est meilleur que le modèle de production, une option est fournie dans l'interface utilisateur pour remplacer le modèle de production par le modèle de simulation. Cette interface utilisateur permet également aux utilisateurs de surveiller les données d'inférence à l'aide d'un tableau de bord de gestion ML. En production, le résultat généré par le nouvel ensemble de données d'entrée est stocké à des fins de recyclage. Le recyclage en ligne du ML est alors déclenché périodiquement ou à la demande.

Quoi qu'en disent les superproductions, l'intelligence artificielle fonctionnera de pair avec l'intelligence humaine !

Tous les systèmes du futur alimentés par l'IA seront fortement tributaires des connaissances humaines. Même si nous disposons d'avancées technologiques incroyables, nous devrons superviser ces systèmes pour nous assurer qu'ils sont construits pour répondre à nos attentes et produire des résultats que nous attendons et qui ont du sens.

Nous avons développé une suite de plus de 200 applications d'IA pour faire de l'assistance réseau préemptive et prédictive une réalité. Découvrez comment fonctionnent nos services d'assistance réseau, alimentés par l'intelligence artificielle et le machine learning, et guidés par l'intelligence humaine.

Lire la suite :

Services d'assistance réseau alimentés par l'IA et le ML - Ericsson