La course aux robots alimente une lutte pour les données d’entrainement. Est-ce que l’#IA peut résoudre des problème humains ?
Voici un article qui exprime le manque de données permettant d’entrainer les robots convenablement. Même si des robots peuvent être assez forts pour apprendre par eux même ; ils ont besoin des données pour apprendre.
Il semble que notre monde ne soit pas assez bien ou finement modélisé pour le permettre.
Vous pouvez dire [à un robot] : « Voici une personne qui joue au frisbee avec son chien », explique M. Chen, de la société Covariant, en imaginant une vidéo typique que l’on pourrait trouver sur YouTube. Mais il est très difficile de dire : « Lorsque cette personne lance un frisbee, voici l’accélération et la rotation, et c’est pourquoi le frisbee vole de cette façon ».
Le cerveau humain traite de milliers d’informations à la seconde, 99% d’informations dont l’humain n’a même pas conscience qu’il les traite. Pour modéliser le monde matériel complétement, il faudrait que chaque humain dans ses interactions avec la machine soit en mesure de qualifier les données.
Sauf qu’on arrive pas à former les personnes à remplir correctement les données, les logiciels sont souvent pas assez bien conçus pour le faire, et enfin c’est beaucoup trop long.
A force de tout avoir développé à travers le marché, on a préféré capter l’attention des utilisateurs plutôt que de développer leur autonomie et leur maîtrise du numérique.
Résultat, on se retrouve avec des giga de données sans intérêt et mal formatées.
Pour entrainer les robots, il aurait fallu mettre en place une stratégie pour avoir une assurance qualité logicielle haute. Mettre en place une stratégie d’amélioration de l’#AccessibiliteNumerique (#A11Y).
Et oui, ce n’est qu’en ayant une haute conscience de la manière dont doit être conçu un service numérique qu’il est possible de garantir la meilleure qualité de données.
Et ainsi entrainer les robots. Sans ça, le développement de l’#IA ne peut être que contre productif pour les citoyens.