L'intelligence artificielle dépend des données et ces dernières ont besoin de l'IA pour leur donner du sens.
Il est bien connu que toute IA est avant tout basée sur les données sans lesquelles elle ne peut être déployée. Les algorithmes d'apprentissage dépendent également de ces informations pour s'alimenter et se former. En retour, l'intelligence artificielle est nécessaire pour la préparation des données et l'automatisation de leur traitement.
Données et intelligence artificielle, un cycle infernal
Tout système d'intelligence artificielle repose sur une grande quantité de données. De même, les algorithmes de machine learning et de deep learning en dépendent, car il s'agit des informations qui leur permettent d'apprendre et de reproduire leur propre modèle. Autrement dit, les données sont au cœur de la technologie de l'IA. En contrepartie, l'intelligence artificielle joue également un rôle dans la science des données. Il consiste à identifier et à préparer les informations nécessaires pour les analyser ou pour le développement des systèmes d'IA.
Généralement, la mise en place des algorithmes d'IA requiert l'intervention des data scientists et des data analysts. Mais actuellement, l'intelligence artificielle elle-même peut contribuer à l'automatisation de leurs tâches. En d'autres termes, la préparation des données peut être prise en charge par l'IA et donc se passer des analystes.
Améliorez la performance de vos projets grâce à l’IA générative ?
Qu'adviendra-t-il des data scientists et des data analysts ?
Dans Harvard Business Review, Tom Davenport et Joey Fitts assurent que les analystes de l'intelligence économique et professionnels quantitatifs auront toujours un rôle à jouer. Néanmoins, les PME pourront plus facilement traiter leurs données sans avoir la charge de ces personnels scientifiques. En effet, l'utilisation de l'intelligence artificielle pour la préparation des données est plus accessible aux utilisateurs qui n'ont pas assez de formation en data science.
Par ailleurs, l'automatisation du traitement des données s'avère efficace, d'autant plus qu'elle fait gagner du temps. Toutefois, son application dépend des secteurs et des circonstances. Par exemple, pour les domaines de la finance et de la santé, un certain niveau de compétence en machine learning et de data sciences reste primordial.
C'est d'ailleurs ce qu'affirme John Mosch, directeur principal de l'analytique, de la veille économique et de la science des données chez Cisco. Selon lui, le rôle le plus important est celui d'un data scientist sans lequel aucune donnée ne serait disponible.
- Partager l'article :
