LearnHub getAbstract
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, écouter ou discuter

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

Classement éditorial

9

Caractéristiques

  • Analytique
  • Approche scientifique
  • Révélateur

Commentaires

Selon Arvind Narayanan, professeur d’informatique, et Sayash Kapoor, doctorant, il est essentiel de différencier les véritables capacités de l’IA des promesses démesurées des grandes entreprises technologiques. À l’instar des charlatans qui vantaient l’huile de serpent comme remède miracle, nombreux sont ceux qui surestiment actuellement les possibilités offertes par l’IA. Si les systèmes d’IA se révèlent incapables de prévisions futures, ils peuvent entraîner de mauvaises décisions. Les auteurs nous encouragent à militer pour l’avenir de l’IA que nous souhaitons, plutôt que d’accepter celui que les entreprises technologiques tentent de nous imposer.

Résumé

Les performances de l’IA prédictive sont largement exagérées.

Les décideurs, les gouvernements et les entreprises s’efforcent de remplacer le jugement humain par l’analyse prédictive basée sur l’IA. Il y a cependant un problème : les outils d’IA ne produisent pas toujours les résultats escomptés. Aux États-Unis, par exemple, les prestataires de soins agréés par Medicare ont commencé à utiliser l’IA prédictive pour estimer la durée d’hospitalisation des patients. Or, ces estimations ne sont pas toujours exactes et peuvent compromettre la qualité des soins dispensés. 

Les fausses promesses abondent quant à la capacité de l’IA à formuler des prédictions précises. Scientific American et Axios ont notamment évoqué un article de 2023 prétendant à tort que l’IA pouvait prédire les futurs succès musicaux avec une précision avoisinant les 100 %. Les conclusions de cette étude étaient cependant erronées : les chercheurs avaient évalué l’outil en utilisant des données identiques ou similaires à celles employées lors de l’entraînement, ce qui avait nettement amélioré la précision de leurs résultats. Des analyses systématiques des recherches...

À propos des auteurs

Arvind Narayanan est directeur du Center for Information Technology Policy et professeur d’informatique à Princeton. Sayash Kapoor prépare un doctorat au Center for Information Technology Policy de l’université de Princeton.

Commenter ce résumé