L’intelligence artificielle et le Machine Learning vont-ils permettre aux robots de voler votre travail ? Découvrez huit signes qui indiquent que votre métier peut être automatisé facilement.
Dans les années à venir, de nombreux métiers vont disparaître à cause de l’automatisation. L’intelligence artificielle, et plus précisément les algorithmes de Machine Learning, vont permettre d’automatiser de nombreuses tâches à tel point que les personnes qui exercent les professions correspondantes vont devenir inutiles.
Afin de prédire avec plus de précision quels sont les métiers qui risquent de disparaître à cause de l’IA, le Dr. Tom Mitchell de l’université Carnegie Mellon a publié une étude sur les impacts qu’aura probablement le Machine Learning sur différents types de professions.
Pour ce faire, ce spécialiste a établi une liste de 8 tâches particulièrement » machine-learnable « . Les métiers dans lesquels ces tâches occupent une place importante sont les plus enclins à disparaître dans les années à venir.
A l’issue de cette étude, le chercheur conclut que la grande majorité des emplois risquent d’être affectés par l’essor du Machine Learning. Cependant, très peu de métiers vont disparaître totalement.
Dans la plupart des cas, les jobs seront transformés par l’automatisation au sens où les tâches qui incomberont aux humains qui les exercent ne seront plus les mêmes. Par exemple, les médecins profiteront de l’aide du Machine Learning pour réaliser des diagnostics. Toutefois, ils continueront à prodiguer eux-mêmes les soins.
Découvrez à présent quelles sont les huit tâches que le Machine Learning permet d’automatiser facilement. Si votre métier repose sur une ou plusieurs de ces tâches, considérez que vous risquez d’être au chômage dans un avenir proche…
Apprendre une fonction qui cartographie des inputs bien définis avec des outputs bien définis
Ce type de tâche inclut notamment la classification, par exemple le fait d’étiqueter des images de races de chiens ou des enregistrements médicaux en fonction des probabilités de cancer.
Il inclut également la prédiction, par exemple l’analyse d’une demande de prêt en vue de prédire la probabilité d’un futur défaut de paiement. Si c’est ce que vous faites au quotidien, une IA risque de vous remplacer.
De larges ensembles de données contenant des paires input-output existent ou peuvent être créés
S’il existe de tels ensembles de données liés à votre travail, vous êtes potentiellement menacé par le Machine Learning.
En effet, plus une IA a de données à sa disposition, plus l’apprentissage automatique est facilité.
La tâche fournit un feedback clair avec des objectifs et des métriques clairement définis
Lorsqu’une tâche vise à décrire des objectifs avec précision, le Machine Learning se révèle redoutablement efficace.
C’est le cas même lorsqu’il n’est pas forcément possible de définir les meilleures procédures à suivre pour atteindre ces objectifs.
La tâche ne repose pas sur des raisonnements basés sur le sens commun
Il faut savoir que les systèmes de Machine Learning sont très doués pour les associations de données empiriques, mais beaucoup moins pour les tâches qui requièrent de longues chaînes de raisonnement, du sens commun ou des connaissances que l’ordinateur ne possède pas.
Par exemple, un algorithme de Machine Learning peut exceller dans un jeu vidéo qui requiert des réactions rapides et fournit un feedback instantané. En revanche, il sera beaucoup moins efficace dans un jeu où le choix d’une action optimale dépend de la capacité à se rappeler de précédents événements séparés dans le temps et sur des connaissances sur le monde issues de sources inconnues.
La tâche ne requiert pas d’explications sur la façon dont une décision est prise par l’intelligence artificielle
Les réseaux de neurones apprennent à prendre des décisions en ajustant subtilement plusieurs millions de poids numériques qui servent à interconnecter les neurones artificiels. Il est très difficile d’expliquer le raisonnement derrière de telles décisions, car les réseaux de neurones n’utilisent pas les mêmes abstractions intermédiaires que nous pour faire des choix.
Si votre métier nécessite de fournir des explications détaillées sur la façon dont les décisions sont prises, vous êtes donc a priori à l’abri du Machine Learning pour le moment. Par exemple, les ordinateurs peuvent désormais diagnostiquer certains types de cancers avec la même efficacité que les experts humains, mais ils sont incapables d’expliquer comment ils sont parvenus à ce diagnostic.
Les erreurs sont tolérées et il n’y a pas besoin de fournir des solutions optimales
La majorité des algorithmes de Machine Learning dérivent leurs solutions de statistiques ou de probabilités. Il est donc généralement impossible de les entraîner à atteindre une précision de 100%.
Même les meilleurs systèmes de reconnaissance d’objets ou de discours peuvent commettre des erreurs. C’est la raison pour laquelle les métiers où les erreurs ne sont pas tolérées ne peuvent pas encore être automatisés.
La fonction ou le phénomène appris ne doit pas changer rapidement au fil du temps
En règle générale, les algorithmes de Machine Learning ne fonctionnent bien que lorsque la distribution de futurs exemples de test est similaire à la distribution d’exemples de test.
Par exemple, les filtres anti-spam des boites mail fonctionnent bien parce que le taux d’acquisition de nouveaux emails d’exemple est élevé par rapport à la vitesse à laquelle les spam changent. Si les fonctions ou les phénomènes que l’algorithme apprend changent rapidement, le Machine Learning se retrouve rapidement désemparé.
Le métier ne requiert ni mobilité ni capacités physiques
Fort heureusement pour les humains, les robots manquent encore d’agilité par rapport aux humains lorsqu’il s’agit d’effectuer des manipulations physiques dans des environnements non structurés.
Par conséquent, les métiers qui nécessitent une certaine dextérité ou de la mobilité ne peuvent pas encore être automatisés par le Machine Learning.
- Partager l'article :