Les fausses promesses de l’IA
Livre

Les fausses promesses de l’IA

Ce que l’intelligence artificielle peut faire, ce qu’elle ne peut pas et comment distinguer les deux

Arvind Narayanan et Sayash Kapoor
Princeton UP, 2024
Acheter le livre

Lire, Ă©couter ou discuter

Amazon Kindle  Discuter
  • 0.5×
  • 0.75×
  • 1×
  • 1.25×
  • 1.5×
  • 1.75×
1×

Classement Ă©ditorial

9

Caractéristiques

  • Analytique
  • Approche scientifique
  • RĂ©vĂ©lateur

Commentaires

Selon Arvind Narayanan, professeur d’informatique, et Sayash Kapoor, doctorant, il est essentiel de diffĂ©rencier les vĂ©ritables capacitĂ©s de l’IA des promesses dĂ©mesurĂ©es des grandes entreprises technologiques. À l’instar des charlatans qui vantaient l’huile de serpent comme remĂšde miracle, nombreux sont ceux qui surestiment actuellement les possibilitĂ©s offertes par l’IA. Si les systĂšmes d’IA se rĂ©vĂšlent incapables de prĂ©visions futures, ils peuvent entraĂźner de mauvaises dĂ©cisions. Les auteurs nous encouragent Ă  militer pour l’avenir de l’IA que nous souhaitons, plutĂŽt que d’accepter celui que les entreprises technologiques tentent de nous imposer.

Résumé

Les performances de l’IA prĂ©dictive sont largement exagĂ©rĂ©es.

Les dĂ©cideurs, les gouvernements et les entreprises s’efforcent de remplacer le jugement humain par l’analyse prĂ©dictive basĂ©e sur l’IA. Il y a cependant un problĂšme : les outils d’IA ne produisent pas toujours les rĂ©sultats escomptĂ©s. Aux États-Unis, par exemple, les prestataires de soins agrĂ©Ă©s par Medicare ont commencĂ© Ă  utiliser l’IA prĂ©dictive pour estimer la durĂ©e d’hospitalisation des patients. Or, ces estimations ne sont pas toujours exactes et peuvent compromettre la qualitĂ© des soins dispensĂ©s. 

Les fausses promesses abondent quant Ă  la capacitĂ© de l’IA Ă  formuler des prĂ©dictions prĂ©cises. Scientific American et Axios ont notamment Ă©voquĂ© un article de 2023 prĂ©tendant Ă  tort que l’IA pouvait prĂ©dire les futurs succĂšs musicaux avec une prĂ©cision avoisinant les 100 %. Les conclusions de cette Ă©tude Ă©taient cependant erronĂ©es : les chercheurs avaient Ă©valuĂ© l’outil en utilisant des donnĂ©es identiques ou similaires Ă  celles employĂ©es lors de l’entraĂźnement, ce qui avait nettement amĂ©liorĂ© la prĂ©cision de leurs rĂ©sultats. Des analyses systĂ©matiques des recherches...

À propos des auteurs

Arvind Narayanan est directeur du Center for Information Technology Policy et professeur d’informatique Ă  Princeton. Sayash Kapoor prĂ©pare un doctorat au Center for Information Technology Policy de l’universitĂ© de Princeton.

Commenter ce résumé