L’IA peut analyser des données, automatiser des tâches et résoudre des problèmes compliqués. Mais en ce qui concerne la complexité du monde réel, imprévisible et les systèmes en constante évolution, il est difficile. Pourquoi ? Parce que l’IA ne réfléchit pas, elle ne fait que reconnaître les modèles. Voilà pourquoi cela compte et ce que cela signifie pour l’avenir du travail.
Les années 2025 et l’IA sont maintenant partout. Ce n’est plus la promesse technologique de demain mais plutôt l’outil quotidien d’aujourd’hui. Alors que nous continuons à utiliser et explorer les possibilités de ce que ces nouveaux outils passionnants peuvent nous offrir, nous commençons également à rencontrer des obstacles et à dresser un tableau de leurs limites.
Ici, chez Drive, nous discutons toujours, en tant qu’équipe, des plateformes à adopter et de celles à abandonner. Nous essayons toujours de trouver un équilibre entre productivité, créativité et automatisation. En tant que tel, nous testons constamment de nouveaux outils et mettons les fonctionnalités annoncées à leurs tests.
Après les 18 derniers mois, un schéma a émergé qui décrit les limites de ces plateformes et nous donne un cadre pour comprendre où ces outils ont le plus de valeur pour notre travail. Cela nous donne également une idée plus claire du type de travail que l’IA (actuelle) n’est tout simplement pas très douée pour.
Limitations évoquées dans le flux principal
Lorsque les gens discutent des limites de l’IA, en particulier vis-à-vis du remplacement du travail humain, quelques limites récurrentes apparaissent souvent :
- Limites de l’idéation
- Limites de la créativité (peut seulement imiter mais pas vraiment créer)
- Limites d’exactitude
- Limites de la formation
Il y a aussi beaucoup de discussions sur l’impact climatique et les limitations matérielles, mais nous n’en discutons pas ici. Dans cet article, nous allons nous concentrer sur les limites de la production. Mais je pense qu’il manque quelque chose dans la discussion :
Compliqué vs. Complexe
Bien qu’ils soient souvent utilisés comme synonymes dans la conversation quotidienne, ils ont en fait des significations différentes, surtout en ce qui concerne la conception de systèmes. Un système compliqué utilise des composants simples dans des relations simples qui créent des sorties prévisibles. Un système complexe peut encore être composé de composants simples, mais ils interagissent entre eux de manière dynamique, créant des sorties imprévisibles et des propriétés émergentes.
Alors qu’un grand système logiciel peut contenir des centaines de milliers de lignes de code et être extrêmement difficile à comprendre, il est censé créer une sortie prévisible. Souvent, le logiciel est délicat en ce sens qu’un élément mal configuré ou mal codé peut faire tomber une partie du système parce que les interactions sont rigides.
- Systèmes compliqués
- Peut être compris en les décomposant en leurs parties
- Peut être géré avec la bonne expertise et les bons modèles
- Peut être simplifié en supprimant les pièces inutiles
- Exemples ; Moteur de voiture
- Systèmes complexes :
- Sont difficiles à prédire en raison de leurs propriétés émergentes
- Sont difficiles à comprendre en raison des relations complexes entre leurs parties
- Exiger une approche nuancée de la gestion
- Exemples : inclure le corps humain, les systèmes de circulation et les systèmes météorologiques
- Différences clés :
- Compréhensibilité : Les systèmes compliqués peuvent être compris en les décomposant en parties, tandis que les systèmes complexes sont difficiles à comprendre en raison des interactions entre leurs parties
- Prévisibilité : Les systèmes compliqués peuvent être gérés avec la bonne expertise, tandis que les systèmes complexes sont difficiles à prévoir en raison de leurs propriétés émergentes
Solutions:Les systèmes compliqués ont des solutions définies, tandis que les systèmes complexes ne le font pas
Pourquoi l’IA a cette limitation
La façon dont la plupart des IA sont créées aujourd’hui en utilisant des données d’entraînement alimentées dans des réseaux neuronaux complexes ou des transformateurs. La formation est essentiellement une forme sophistiquée de reconnaissance des motifs. La puissance de l’IA vient de la capacité des machines à dépasser les humains en matière de vitesse et de mémorisation. La limitation cependant, est qu’il s’agit toujours d’un processus compliqué basé sur des algorithmes statistiques flous. À mon avis, une sorte de pseudo-complexe.
Il y a déjà des discussions sur la limite de ces modèles en raison de la limite des données. Même avec toutes les données d’Internet à sa disposition, les données de formation sont limitées. Il ne peut pas prédire l’avenir parce que la quantité de données auxquelles nous avons accès par rapport à la quantité de données que nous créerons un jour est logiquement insignifiante. Les humains, étant vraiment complexes, ne doivent pas être limités par notre passé.
Nous pouvons innover.
Comment cela s’applique à l’IA
Bien que nous aimerions imaginer que l’IA puisse résoudre des problèmes complexes, lorsque nous réfléchissons vraiment à ses capacités, elle est limitée à des problèmes compliqués. La partie intelligente est que les scientifiques et les ingénieurs travaillent à réduire des problèmes complexes pour qu’ils soient simplement compliqués. En d’autres termes, les humains sont ceux qui font le travail de réflexion consistant à réduire un problème pour qu’une IA le résout via la reconnaissance de motifs.
Une fois que nous gardons ce cadre à l’esprit, il commence à devenir plus facile pour nous de décider s’il existera ou non un outil d’IA pour résoudre le problème.