Transition :

Si votre employeur vous a offert un soutien à la transition professionnelle par l’intermédiaire d’Optimum Talent, cliquez ici pour commencer.

Formulaire de soutien à la transition de carrière

 

Obtenez de l’aide avec :
  • Évaluation et planification de carrière
  • Perfectionnement et optimisation du CV
  • Soutien à la création de votre profil professionnel en ligne
  • Événements de formation et de réseautage
  • Préparation à l’entrevue

Pandémie et intelligence artificielle

Avant que la COVID-19 n’envahisse le monde entier, les gouvernements, les chercheurs et le monde médical fondaient de grands espoirs envers l’intelligence artificielle (IA) et l’apprentissage automatique. On comptait sur l’IA pour nous aider à tirer des leçons du passé afin de surmonter la crise qu’on voyait poindre à l’horizon. Ces espoirs furent vains.

Les modèles d’apprentissage automatique sont conçus pour analyser des données – d’énormes quantités de données – afin d’identifier des tendances et prédire le futur. Toutefois, la qualité de ces modèles dépend de la qualité des données qui sont analysées. Si ces dernières sont erronées ou s’il y a un énorme écart qui compromet l’historique des données, l’apprentissage automatique risque d’être grandement déficient.

Prenons l’exemple du commerce en ligne. Un récent article du MIT Technology Review révélait que, en l’espace de quelques jours après la globalisation de la pandémie, un changement drastique des 10 produits les plus populaires vendus sur Amazon s’est opéré.

Les étuis de téléphone, les chargeurs et les Lego qui étaient la vache à lait d’Amazon ont disparu. À leur place, les gens achetaient du papier toilette, des masques, des produits d’épicerie et du désinfectant. En février, les dix meilleurs vendeurs dans chaque catégorie du géant de la vente en ligne étaient d’une manière ou d’une autre reliés à la COVID-19.

L’article du MIT précise que la qualité de l’IA dépend de la qualité des données et que, lorsque l’IA est soumise à des changements radicaux, les pouvoirs prédictifs de l’apprentissage automatique le sont également. « Les modèles d’apprentissage automatique sont conçus pour répondre aux fluctuations », écrit Will Douglas Heaven, rédacteur en chef du MIT Technology Review. « Mais la plupart sont également fragiles ; ils sont déficients lorsque les données d’entrée diffèrent trop des données sur lesquelles ils ont été bâtis. »

Lire l’article complet ici

Inscrivez-vous au webinaire!