277
entraîner. Celles-ci sont alors un élément crucial du développement de ces machines auto-apprenantes :
sans une masse suffisante de données, les algorithmes d’apprentissage profond ne pourraient pas atteindre
des taux d’erreur satisfaisants. En matière de deep learning, plus une machine est entraînée, plus elle est
pertinente. Un algorithme de médiocre qualité pourrait ainsi être supérieur à un bon algorithme s’il est
mieux entraîné.
Au sein des organisations, entreprises et administrations, les enjeux et l’importance des mégadonnées (big
data) semblent de plus en plus compris et assimilés. Ce qui l’est beaucoup moins, c’est l’importance
cruciale des données brutes en matière d’intelligence artificielle. Prises en grand nombre, ces données,
même non raffinées, peuvent servir à entraîner des machines à détecter des corrélations pour, à moyen et
long termes, prendre des décisions sur la base de celles-ci. De fait, les organisations qui ont accès à de
larges bases de données sont en possession d’un actif crucial.
Recommandation : sensibiliser les organisations à la valeur des données en tant que ressources
essentielles à l’entraînement des algorithmes d’intelligence artificielle.
Il est indéniable que les géants du numérique – qu’ils soient chinois, russes ou américains – dont le succès
s’explique largement par leur capacité à collecter les données, notamment grâce à une taille de marché
importante, partent avec un certain avantage dans la course mondiale à l’intelligence artificielle. Cela peut
accroître les risques de dépendance économique et les inégalités en termes de répartition du pouvoir, de
manière générale, et de la valeur économique, en particulier. Les géants du numérique ont alors tout
intérêt à ouvrir les algorithmes de machine learning, pour capitaliser sur les logiques de l’innovation
ouverte, tout en gardant la main sur les actifs qui en constituent la clé. Si ces grandes entreprises nouent
aujourd’hui de nombreux partenariats avec des organismes de recherche pour alimenter en données les
algorithmes et les améliorer, elles se gardent bien d’ouvrir toutes leurs données. Elles conservent ainsi la
main sur leur actif stratégique dont elles déterminent les conditions d’accès éventuel et les modalités
d’utilisation.
Conséquences du développement de l’IA sur le marché de l’externalisation
L’intégration de l’IA dans les processus de production conduit à modifier les chaînes de valeur.
Différents effets peuvent être relevés. À l’échelle internationale, il est possible que des processus qui
avaient été externalisés vers des pays à bas coût de main-d’œuvre soient à nouveau internalisés, dès
qu’ils peuvent être réalisés par une IA. Ce processus ne met pas en danger l’emploi dans les pays
développés, puisqu’il était déjà externalisé. En revanche, il peut constituer une menace pour certains
pays qui se fondent uniquement sur une main-d’œuvre peu qualifiée spécialisée dans des tâches
cognitives répétitives. Ce processus est clairement à l’œuvre pour certaines activités bancaires ou dans
les centres d’appel.
Un autre processus est également à l’œuvre avec le développement des plateformes de micro-tâches,
telles qu’Amazon Mechanical Turk ou FouleFactory. Sur ces plateformes, les développeurs
d’intelligence artificielle ont recours à des travailleurs pour entraîner les algorithmes, via des tâches de
entraîner. Celles-ci sont alors un élément crucial du développement de ces machines auto-apprenantes :
sans une masse suffisante de données, les algorithmes d’apprentissage profond ne pourraient pas atteindre
des taux d’erreur satisfaisants. En matière de deep learning, plus une machine est entraînée, plus elle est
pertinente. Un algorithme de médiocre qualité pourrait ainsi être supérieur à un bon algorithme s’il est
mieux entraîné.
Au sein des organisations, entreprises et administrations, les enjeux et l’importance des mégadonnées (big
data) semblent de plus en plus compris et assimilés. Ce qui l’est beaucoup moins, c’est l’importance
cruciale des données brutes en matière d’intelligence artificielle. Prises en grand nombre, ces données,
même non raffinées, peuvent servir à entraîner des machines à détecter des corrélations pour, à moyen et
long termes, prendre des décisions sur la base de celles-ci. De fait, les organisations qui ont accès à de
larges bases de données sont en possession d’un actif crucial.
Recommandation : sensibiliser les organisations à la valeur des données en tant que ressources
essentielles à l’entraînement des algorithmes d’intelligence artificielle.
Il est indéniable que les géants du numérique – qu’ils soient chinois, russes ou américains – dont le succès
s’explique largement par leur capacité à collecter les données, notamment grâce à une taille de marché
importante, partent avec un certain avantage dans la course mondiale à l’intelligence artificielle. Cela peut
accroître les risques de dépendance économique et les inégalités en termes de répartition du pouvoir, de
manière générale, et de la valeur économique, en particulier. Les géants du numérique ont alors tout
intérêt à ouvrir les algorithmes de machine learning, pour capitaliser sur les logiques de l’innovation
ouverte, tout en gardant la main sur les actifs qui en constituent la clé. Si ces grandes entreprises nouent
aujourd’hui de nombreux partenariats avec des organismes de recherche pour alimenter en données les
algorithmes et les améliorer, elles se gardent bien d’ouvrir toutes leurs données. Elles conservent ainsi la
main sur leur actif stratégique dont elles déterminent les conditions d’accès éventuel et les modalités
d’utilisation.
Conséquences du développement de l’IA sur le marché de l’externalisation
L’intégration de l’IA dans les processus de production conduit à modifier les chaînes de valeur.
Différents effets peuvent être relevés. À l’échelle internationale, il est possible que des processus qui
avaient été externalisés vers des pays à bas coût de main-d’œuvre soient à nouveau internalisés, dès
qu’ils peuvent être réalisés par une IA. Ce processus ne met pas en danger l’emploi dans les pays
développés, puisqu’il était déjà externalisé. En revanche, il peut constituer une menace pour certains
pays qui se fondent uniquement sur une main-d’œuvre peu qualifiée spécialisée dans des tâches
cognitives répétitives. Ce processus est clairement à l’œuvre pour certaines activités bancaires ou dans
les centres d’appel.
Un autre processus est également à l’œuvre avec le développement des plateformes de micro-tâches,
telles qu’Amazon Mechanical Turk ou FouleFactory. Sur ces plateformes, les développeurs
d’intelligence artificielle ont recours à des travailleurs pour entraîner les algorithmes, via des tâches de