covid 19 bug ia

Covid-19 : notre comportement pendant la pandémie fait ” bugger ” l’IA

Les algorithmes de Machine Learning sont totalement confus par la pandémie de COVID-19 et le confinement. L’intelligence artificielle ne comprend plus rien à nos comportements en ligne…

La pandémie de Covid-19 a provoqué une crise sanitaire et économique d’une envergure sans précédent. Cependant, de manière inattendue, le coronavirus a fait une autre victime : l’intelligence artificielle.

Durant le confinement, le chaos et la confusion ont fait dérailler les systèmes de Machine Learning censés analyser notre comportement en ligne. Par exemple, selon MIT Technology Review, les algorithmes de recommandations d’Amazon ne comprennent plus rien à notre mode de vie.

Les outils de Machine Learning sont pourtant pensés pour évoluer à partir des nouvelles données qu’ils ingèrent. Toutefois, aucun algorithme d’IA actuel n’est assez adaptable pour faire face à un changement si brutal.



Par exemple, une entreprise spécialisée dans la détection de fraude à la carte de crédit a été contrainte de modifier manuellement son algorithme, à cause d’une explosion de la demande pour les équipements de jardinage.

Le COVID-19 révèle les limites actuelles du Machine Learning

De même, un revendeur en ligne a constaté que son intelligence artificielle commandait des stocks qui ne correspondaient plus avec ce qui se vendait. La demande avait été trop bouleversée par la pandémie.


Il en va de même pour une IA censée recommander des investissements en se basant sur l’analyse de sentiment sur des articles d’actualité. Le système était confus par le ton globalement négatif de tous les médias.

Comme l’explique Rael Cline, CEO de l’entreprise de consulting marketing algorithmique Nozzle, ” la situation est très volatile. Si vous essayiez d’optimiser pour du papier toilette la semaine dernière, cette semaine tout le monde veut acheter des puzzles ou du matériel sportif “.

Pour beaucoup d’entreprises, la situation est problématique puisqu’elle les contraint à consacrer plus de temps et de ressources à la modification manuelle des algorithmes. Cependant, d’autres estiment qu’il s’agit d’une opportunité à saisir pour créer de meilleurs modèles de Machine Learning capables de s’adapter à toutes les situations très rapidement…