Trouvez le bon équilibre homme-machine pour prendre des décisions data-driven éclairées

Face à l'évolution des fonctionnalités analytiques, nous devons nous interroger sur le rôle des machines dans le processus décisionnel. Les opportunités les plus importantes nécessitent toujours une intervention humaine.

Le tout dernier rapport Future of Jobs du Forum économique mondial décrit l'impact que les nouvelles technologies comme l'IA, le machine learning et le Big Data auront sur les emplois au cours des cinq prochaines années. Selon ce rapport, la redistribution des tâches entre hommes et machines pourrait affecter 75 millions d'emplois, mais pourrait également créer jusqu'à 133 millions de nouveaux emplois.

Cette évolution majeure ne va pas forcément rassurer ceux qui pensent que la technologie menace de remplacer l'homme. Il n'en demeure pas moins que les technologies intelligentes nous offrent une opportunité exceptionnelle de créer un maximum de valeur pour les entreprises. La créativité et la réflexion stratégique restent des caractéristiques clairement humaines, et lorsqu'elles sont couplées à la puissance de traitement toujours plus grande des machines, il y a de quoi regarder l'avenir avec optimisme.

Complémentarité des hommes et des machines

Nous sommes encore loin de pouvoir faire confiance aux machines et les laisser prendre des décisions métier avec les mêmes capacités de jugement et de compréhension contextuelle qu'un humain. Aujourd'hui, nous leur confions l'automatisation de tâches et d'analyses dans des domaines définis par des paramètres stricts et qui présentent un minimum de risques. Lorsqu'une intervention ou une supervision humaine est nécessaire, nous nous appuyons sur les capacités des machines pour avoir une meilleure compréhension de la situation et prendre une décision en toute confiance.

L'utilisation de l'IA et du machine learning présente de nombreux avantages pour l'homme. Par exemple :

  • Automatisation des tâches opérationnelles : le machine learning et l'IA ont réalisé des progrès phénoménaux dans les applications où les algorithmes s'appuient sur des tâches répétitives et spécialisées. Pensez par exemple à des sites Web dont les pages présentent des suggestions du type « Cet article pourrait vous intéresser », ou encore à des programmes de détection de la fraude. Même si les variables permettant d'identifier des dépenses non autorisées sont plus complexes que celles générant des recommandations de livres, les algorithmes utilisés sont, dans les deux cas, ciblés sur une tâche et, de fait, très précis en raison de leur puissance de calcul.
  • Des points de départ plus pertinents pour vos analyses : avec un suivi plus global des comportements des utilisateurs, les systèmes peuvent proposer des points de départ et des recommandations plus pertinents, puis les affiner et les personnaliser au fil du temps en fonction des réactions. Cette pratique est déjà utilisée dans les applications analytiques où des informations exploitables peuvent être découvertes plus rapidement lorsque l'on applique les caractéristiques positives d'un ensemble de données à d'autres sources aux caractéristiques similaires.
  • Des analyses sophistiquées plus accessibles : les plates-formes analytiques s'appuient sur le machine learning pour proposer des fonctionnalités sophistiquées à des utilisateurs qui n'ont pas de compétences en data science. La machine peut par exemple faire une sélection parmi plusieurs algorithmes de prévision et de clustering, en fonction de ceux qui offrent le plus de certitude. Les modèles sous-jacents peuvent être présentés et expliqués, pour favoriser la transparence et donner aux utilisateurs la possibilité de les affiner si nécessaire.
  • Une vue d'ensemble plus exhaustive : les machines fonctionnent en permanence et peuvent se charger efficacement des tâches et calculs répétitifs. Grâce à leur capacité à réaliser des analyses bien plus complètes, les ordinateurs sont en mesure d'explorer toutes les possibilités dans vos données. Avec une vue d'ensemble aussi exhaustive, les utilisateurs peuvent réaliser leurs analyses de manière plus objective.

Nécessité d'une intervention humaine

Aujourd'hui encore, les ordinateurs ne sont pas aussi performants que les hommes pour la planification à long terme, la réflexion abstraite ou créative, ou encore de la prise de décision nécessitant une expérience ou un contexte spécifiques. Par exemple, un processus machine peut vous alerter lorsque vous êtes sur le point de perdre un client. Mais pour vous, cette perte est peut-être une bonne chose, car les achats de ce client n'étaient pas suffisamment rentables. Nous sommes mieux équipés que les machines pour comprendre qu'il existe différentes façons d'analyser la perte d'un client.

De la même manière, un commercial peut choisir d'ignorer des leads en fonction de son expérience passée. Ces « instincts » ne sont pas faciles à intégrer dans les machines. Une machine peut très bien signaler une opportunité manquée, là où le commercial estime qu'il s'agit d'une perte de temps.

La capacité à comprendre un lien de cause à effet est également un trait spécifiquement humain. Alors que les machines sont de plus en plus capables de trouver des corrélations cachées dans des ensembles de données de taille limitée, seul un humain pourra faire la distinction entre causalité et coïncidence. L'analytique prédictive est efficace pour explorer des scénarios de simulation, mais nécessite toujours une intervention humaine pour valider les actions prescriptives de la machine.

Perspectives et opportunités

Dans notre quête perpétuelle d'un équilibre entre les capacités d'analyse de l'homme et de la machine, de nouveaux rôles importants vont faire leur apparition et permettront aux humains de trouver leur place. Il n'est guère surprenant de constater que des millions de rôles émergents, y compris la plupart de ceux présentés dans le rapport du Forum économique mondial, sont axés sur les données. Ces rôles seront amenés à évoluer en même temps que les scénarios auxquels s'appliquent les données.

Nous continuerons à avoir recours à l'ingéniosité humaine pour poser des questions pertinentes et affiner les résultats produits par l'analytique intelligente. Nous aurons également de plus en plus besoin d'utilisateurs humains pour surveiller et maintenir une approche éthique en matière d'IA et de machine learning. D'autres rôles se concentreront sur l'élévation de la connaissance des données, pour rendre l'analytique plus accessible et plus utile aux utilisateurs de tous les niveaux de compétence.

Même si la technologie devient de plus en plus intelligente, nous ne devons pas oublier que l'objectif ultime de l'analytique est de nous aider à prendre des décisions plus éclairées. Une fois que nous connaissons la voie à suivre, nous pouvons déterminer quelles décisions automatiser, quelles actions confier aux machines en gardant un contrôle humain, et quelles décisions confier strictement à des humains. Au-delà de la course à l'automatisation, les entreprises devront avant toute chose comprendre comment les machines et les données peuvent soutenir au mieux les utilisateurs dans leur prise de décision.