L’impact de l’apprentissage automatique (Machine Learning) sur l’emploi
Français
Dans un commentaire, 2 chercheurs tentent d’analyser les impacts économiques de l’apprentissage automatique (machine learning). Contrairement à ce qu’on entend, ce ne sera pas la perte de tous les emplois, mais il y aura forcément des perdants et des gagnants.
Suivez-nous sur notre page Facebook et notre canal Telegram
Les systèmes d’apprentissage automatique (Machine learning), qui s’améliorent avec l’expérience, sont en passe de transformer l’économie de la même manière que les machines à vapeur et l’électricité dans le passé. Ils peuvent surpasser les personnes dans un certain nombre de tâches, mais il est peu probable qu’ils remplacent les personnes dans tous les emplois.
Sommaire
L’apprentissage automatique vient juste de débarquer
C’est les conclusions de Tom Mitchell de l’Université Carnegie Mellon et Erik Brynjolfsson du MIT dans un commentaire du Policy Forum, qui est publié dans la revue Science.1 Mitchell, qui a fondé le premier département d’apprentissage automatique à la CMU et Brynjolfsson, directeur de l’initiative MIT sur l’économie numérique à la Sloan School of Management, décrivent 21 critères pour évaluer si une tâche ou un travail est susceptible d’apprentissage automatique (Machine Learning).
Même si les effets économiques de l’apprentissage automatique sont relativement limités aujourd’hui et que nous ne soyons pas confrontés à la fin imminente du travail, les implications pour l’économie et la main-d’oeuvre sont profondes selon ces chercheurs. Les compétences des personnes et les investissements des entreprises détermineront ce qui va marcher ou non une fois que l’apprentissage automatique sera ancré dans notre vie quotidienne.
Le machine learning est un élément de ce qu’on appelle l’intelligence artificielle. Les progrès rapides du machine learning ont permis d’améliorer la reconnaissance faciale, la compréhension du langage naturel et la vision par ordinateur. Il est déjà largement utilisé pour la détection de fraude par carte de crédit, les systèmes de recommandation et l’analyse des marchés financiers avec de nouvelles applications telles que le diagnostic médical.
L’automatisation des tâches, mais pas du métier
Il peut être difficile de prédire comment le machine learning affectera un métier ou une profession en particulier, car le machine learning a tendance à automatiser ou à semi-automatiser des tâches individuelles, mais les métiers impliquent souvent plusieurs tâches dont certaines sont susceptibles de faire l’objet d’approches à base de machine learning.
Nous ignorons comment tout cela va se décanter reconnait Mitchell. En début de cette année, des chercheurs ont montré qu’un programme d’apprentissage automatique pouvait mieux détecter les cancers de la peau qu’un dermatologue.2 Cela ne signifie pas que le machine learning remplacera les dermatologues, qui font beaucoup plus que d’évaluer les lésions.
Je pense qu’ils deviendront de meilleurs dermatologues et qu’ils auront plus de temps à consacrer aux patients selon Mitchell. Les personnes dont le travail implique une interaction interhumaine vont avoir plus de valeur, car elles ne peuvent pas être automatisées.
Mitchell et Brynjolfsson écrivent que les tâches pouvant faire l’objet d’un examen de gestion comprennent celles pour lesquelles on dispose de beaucoup de données. Pour apprendre à détecter le cancer de la peau, par exemple, les programmes de machine learning ont pu étudier plus de 130 000 exemples de lésions cutanées. De même, les programmes de détection de fraude par carte de crédit peuvent être formés avec des centaines de millions d’exemples.
Des tâches complexes ne conviennent pas à l’apprentissage automatique
Le machine learning peut être une évolution majeure pour les tâches qui sont déjà en ligne telle que la planification. Les emplois qui ne nécessitent pas de dextérité, de compétences physiques ou de mobilité sont également plus adaptés au machine learning. Les tâches qui impliquent de prendre des décisions rapides basées sur des données conviennent également à l’apprentissage automatique. Mais ce n’est pas le cas si la décision dépend de longues chaînes de raisonnement, de diverses connaissances de base ou de bon sens. Le machine learning n’est pas une bonne option si l’utilisateur a besoin d’une explication détaillée de la façon dont on prend une décision selon les auteurs.
[stextbox id=”cadrage”]En d’autres termes, le machine learning peut être meilleur qu’un médecin pour détecter les cancers de la peau, mais un dermatologue est mieux à même d’expliquer pourquoi une lésion est cancéreuse ou non.
[/stextbox]La compréhension de l’applicabilité précise du machine learning dans la main-d’oeuvre est essentielle pour comprendre son impact économique probable selon les auteurs. En début de cette année, une étude des Académies nationales des sciences, de l’ingénierie et de la médecine, coprésidée par Mitchell et Brynjolfsson, a noté que les progrès de la technologie de l’information contribuaient à accroître les inégalités salariales.3
Même s’il existe de nombreux facteurs contribuant à l’inégalité telle que la mondialisation, le potentiel de changements importants grâce au machine learning dans environ une décennie suggèrent que les effets économiques peuvent être très perturbateurs créant à la fois des gagnants et des perdants. Cela exigera une attention considérable chez les décideurs, les chefs d’entreprise, les spécialistes et les chercheurs.
