Chapitre 5. Raisonnement décisionnel : Le processus de simulation de décision
Avec l'IA, il y a deux gouffres à franchir pour transformer les données en informations utiles. Le premier consiste à savoir si nous pouvons faire confiance aux systèmes d'apprentissage machine (ML), et cette question est de plus en plus résolue. Le second défi est de savoir comment s'y prendre pour transformer les prédictions de ML en actions - franchir le fossé " connaissance-action ". C'est pourquoi l'intelligence décisionnelle est une discipline émergente essentielle. L'intelligence décisionnelle est tout aussi nuancée et difficile que l'était la ML au départ. Elle nécessite des approches intégratives, une pensée systémique, des facteurs humains, une conception de l'interface utilisateur, et souvent plusieurs pipelines de ML travaillant de concert, ainsi qu'une gestion avancée des pipelines de ML, un apprentissage actif, des MLOps, une identification de l'incertitude, une éthique de l'IA, et tous les autres facteurs d'hygiène qui devraient toujours accompagner l'IA mature.
C'est pourquoi l'ID est énormément transdisciplinaire ; nous ne produisons pas encore de scientifiques des données capables de naviguer dans toute la pile, des données aux décisions, et c'est pourquoi, chez FDL.ai, nous disons toujours que ce processus est un " sport d'équipe. "
James Parr, fondateur ...