Ce n’est pas à propos de ce que l’IA peut faire pour nous, mais de ce que nous pouvons faire pour l’IA

La plupart des gens considèrent l’intelligence artificielle (IA) à travers une lentille unidirectionnelle. La technologie n’existe que pour servir les humains et atteindre de nouveaux niveaux d’efficacité, de précision et de productivité. Mais qu’est-ce que nous manquons la moitié de l’équation ? Et qu’est-ce que, en le faisant, nous ne faisons que amplifier les défauts de la technologie ?

L’IA est encore dans son enfance et fait face à des limitations importantes en termes de raisonnement, de qualité des données et de compréhension de concepts tels que la confiance, la valeur et les incitations. Le fossé entre les capacités actuelles et la véritable « intelligence » est considérable. La bonne nouvelle ? Nous pouvons changer cela en devenant des collaborateurs actifs plutôt que des consommateurs passifs de l’IA.

Les humains détiennent la clé de l’évolution intelligente en fournissant de meilleurs cadres de raisonnement, en alimentant des données de qualité et en comblant le fossé de confiance. En conséquence, l’homme et la machine peuvent travailler côte à côte pour un gain mutuel – avec une meilleure collaboration générant de meilleures données et de meilleurs résultats.

Considérons ce que pourrait ressembler une relation plus symbiotique et comment, en tant que partenaires, une collaboration significative peut bénéficier aux deux côtés de l’équation de l’IA.

La relation requise entre l’homme et la machine

L’IA est sans aucun doute excellente pour analyser de vastes ensembles de données et automatiser des tâches complexes. Cependant, la technologie reste fondamentalement limitée dans sa capacité à penser comme nous. Tout d’abord, ces modèles et plateformes ont du mal à raisonner au-delà de leurs données d’entraînement. La reconnaissance de modèles et la prédiction statistique ne posent pas de problème, mais le jugement contextuel et les cadres logiques que nous tenons pour acquis sont plus difficiles à reproduire. Cette lacune en termes de raisonnement signifie que l’IA échoue souvent lorsqu’elle est confrontée à des scénarios nuancés ou à des jugements éthiques.

Deuxièmement, il y a le problème de la qualité des données, avec « des déchets à l’entrée, des déchets à la sortie ». Les modèles actuels sont formés sur d’immenses trésors d’informations avec ou sans consentement. Les informations non vérifiées ou biaisées sont utilisées sans autorisation appropriée, ce qui entraîne des biais ou des informations non vérifiées dans l’IA. Le « régime alimentaire des données » des modèles est donc discutable au mieux et aléatoire au pire. Il est utile de penser à cet impact en termes nutritionnels. Si les humains ne mangent que de la nourriture junk, nous sommes lents et léthargiques. Si les agents ne consomment que des matériaux sous copyright ou de seconde main, leur performance est similaire, avec des sorties inexactes, peu fiables et générales plutôt que spécifiques. Ceci est encore loin de la prise de décision autonome et proactive promise dans la prochaine vague d’agents.

De manière critique, l’IA est encore aveugle à qui et à ce qu’elle interagit. Elle ne peut pas distinguer les utilisateurs alignés et non alignés, a du mal à vérifier les relations et ne comprend pas les concepts tels que la confiance, l’échange de valeur et les incitations des parties prenantes – éléments essentiels qui régissent les interactions humaines.

Problèmes de l’IA avec des solutions humaines

Nous devons considérer les plateformes, les outils et les agents d’IA non plus comme des serviteurs, mais comme des assistants que nous pouvons aider à former. Pour commencer, regardons le raisonnement. Nous pouvons introduire de nouveaux cadres logiques, des lignes directrices éthiques et une pensée stratégique que les systèmes d’IA ne peuvent pas développer seuls. Grâce à une sollicitation réfléchie et à une supervision soigneuse, nous pouvons compléter les forces statistiques de l’IA avec la sagesse humaine – en l’enseignant à reconnaître les modèles et à comprendre les contextes qui rendent ces modèles significatifs.

De même, plutôt que de laisser l’IA se former sur n’importe quelle information qu’elle peut extraire d’Internet, les humains peuvent créer des ensembles de données de meilleure qualité qui sont vérifiés, diversifiés et éthiquement sourcés.

Cela signifie développer de meilleurs systèmes d’attribution où les créateurs de contenu sont reconnus et rémunérés pour leurs contributions à la formation.

Les cadres émergents rendent cela possible. En unissant les identités en ligne sous une bannière unique et en décidant si et ce qu’ils sont prêts à partager, les utilisateurs peuvent équiper les modèles avec des informations de zero-party qui respectent la vie privée, le consentement et les réglementations. Mieux encore, en suivant ces informations sur la blockchain, les utilisateurs et les créateurs de modèles peuvent voir d’où proviennent les informations et rémunérer adéquatement les créateurs pour fournir cette « nouvelle huile ». C’est ainsi que nous reconnaissons les utilisateurs pour leurs données et les impliquons dans la révolution de l’information.

Enfin, combler le fossé de confiance signifie équiper les modèles avec des valeurs et des attitudes humaines. Cela signifie concevoir des mécanismes qui reconnaissent les parties prenantes, vérifient les relations et différencient les utilisateurs alignés et non alignés. En conséquence, nous aidons l’IA à comprendre son contexte opérationnel – qui bénéficie de ses actions, ce qui contribue à son développement et comment la valeur s’écoule à travers les systèmes dans lesquels elle participe.

Par exemple, les agents soutenus par l’infrastructure blockchain sont plutôt bons pour cela. Ils peuvent reconnaître et donner la priorité aux utilisateurs qui ont démontré leur engagement dans l’écosystème grâce à la réputation, l’influence sociale ou la propriété de jetons. Cela permet à l’IA d’aligner les incitations en donnant plus de poids aux parties prenantes qui ont des intérêts dans le jeu, en créant des systèmes de gouvernance où les partisans vérifiés participent à la prise de décision en fonction de leur niveau d’engagement. En conséquence, l’IA comprend mieux son écosystème et peut prendre des décisions éclairées par des relations réelles entre parties prenantes.

Ne pas perdre de vue l’élément humain dans l’IA

Beaucoup a été dit sur l’essor de cette technologie et sur la façon dont elle menace de bouleverser les industries et d’éliminer les emplois. Cependant, en intégrant des garde-fous, nous pouvons nous assurer que l’IA améliore plutôt qu’elle ne remplace l’expérience humaine. Par exemple, les implémentations d’IA les plus réussies ne remplacent pas les humains, mais étendent ce que nous pouvons accomplir ensemble. Lorsque l’IA gère l’analyse de routine et que les humains fournissent une direction créative et une surveillance éthique, les deux côtés contribuent à leurs forces uniques.

Lorsqu’elle est bien faite, l’IA promet d’améliorer la qualité et l’efficacité de nombreux processus humains. Mais lorsqu’elle est mal faite, elle est limitée par des sources de données douteuses et ne simule que l’intelligence plutôt que de la montrer réellement. C’est à nous, le côté humain de l’équation, de rendre ces modèles plus intelligents et de nous assurer que nos valeurs, notre jugement et notre éthique restent au cœur de ceux-ci.

La confiance est non négociable pour que cette technologie devienne mainstream. Lorsque les utilisateurs peuvent vérifier où vont leurs données, voir comment elles sont utilisées et participer à la valeur qu’elles créent, ils deviennent des partenaires volontaires plutôt que des sujets réticents. De même, lorsque les systèmes d’IA peuvent utiliser des parties prenantes alignées et des pipelines de données transparents, ils deviennent plus dignes de confiance. En retour, ils sont plus susceptibles d’accéder à nos espaces privés et professionnels les plus importants, créant un effet d’entraînement de meilleure accessibilité des données et d’amélioration des résultats.

Donc, en entrant dans cette prochaine phase de l’IA, concentrons-nous sur la connexion de l’homme et de la machine avec des relations vérifiables, des sources de données de qualité et des systèmes précis. Nous devrions nous demander non pas ce que l’IA peut faire pour nous, mais ce que nous pouvons faire pour l’IA.