Plans de données prêtes pour l'IA (French Edition)

Avant-propos

Dans mon labo à l’université de Rochester, on a passé plus de dix ans à développer des systèmes d’IA qui écoutent la voix des patients et observent leurs mouvements faciaux pour détecter les premiers signes de la maladie de Parkinson et de l’autisme, souvent avant même qu’un médecin ne les remarque. Les modèles qu’on a créés étaient sophistiqués. Les algorithmes étaient fiables. Mais le plus gros problème, ça n’a jamais été le modèle. C’était les données.

On a appris cette leçon comme la plupart des chercheurs : à la dure. Nos premiers systèmes fonctionnaient à merveille sur des ensembles de données triés sur le volet, puis s'effondraient dans le monderéel —non pas parce que les réseaux neuronaux étaient erronés, mais parce que les données qui les alimentaient étaient incomplètes, incohérentes ou dépourvues du contexte qui leur donnait tout leur sens. Un enregistrement vocal sans métadonnées sur l'horaire des médicaments du patient n'était que du bruit. Une expression faciale sans le contexte de la conversation était au mieux ambiguë, au pire trompeuse. Le signal était toujours là — les données n'étaient tout simplement pas prêtes à le révéler.

Cette expérience, qui s’est répétée au cours d’études cliniques, de déploiements d’IA dans le domaine de la santé à l’échelle nationale en Arabie saoudite et de missions de conseil auprès des Académies nationales, m’a convaincu : les organisations qui domineront l’ère de l’IA ne sont pas celles qui disposent des modèles les ...