Jérôme Baudin🇨🇵

« L'IA va automatiquement apprendre et s'améliorer. » 🤖✨ ❌ NON. Je comprends que ça rassure le client de dire ça. Je sais aussi que c’est un argument séduisant qui fait rêver , mais soyons honnêtes deux minutes : l’auto-labellisation n'existe pas.💭 Ça fait presque 10 ans que je développe des projets en IA, et je dois avoir entendu cette phrase approximativement 129 874 fois.... 👉Pourquoi ça ne marche pas comme ça ? 🧠Parce qu'un modèle ne peut pas savoir tout seul ce qui est bon ou mauvais sans critères clairement définis par des humains . Pour qu'un modèle de Machine Learning puisse prédire correctement, il faut précisément définir ce qu'on veut, et surtout ce qu'on ne veut pas. Cette étape cruciale porte un nom : l'analyse exploratoire des données (EDA) 📊. C’est à ce moment qu’on prend le temps de comprendre les données, d’éliminer les valeurs aberrantes , et d’étudier leur distribution 📈. ✅👥❌ 🎯 C'est précisément cette analyse qui permet de prendre des décisions techniques éclairées et de déterminer précisément quel résultat attendre d'un modèle . 🌀Depuis l'arrivée massive de l'IA générative , beaucoup essaient de nous convaincre que plus on interagit avec un agent, plus il s'améliorera automatiquement. En théorie, ça peut sembler logique pour une interaction isolée où l'utilisateur pourrait évaluer intuitivement les réponses de l'agent 🤔. Mais sur le long terme, c’est une illusion totale ❗ 🔍 Pourquoi ? Parce que chaque mise à jour du modèle source 🔄 rend ces préférences de personnalisation obsolètes, voire désastreuses 💥. Donner trop de contrôle et d’options de personnalisation à l’utilisateur—que ce soit pour un agent IA ou tout autre produit—finit presque toujours par saboter le produit lui-même 🛠️. 💣 Sans compter le fait que permettre à l'utilisateur de donner un feedback automatiquement pris en compte constitue une magnifique porte d'entrée pour modifier le comportement d'un modèle et lui faire dire absolument n'importe quoi. Alors oui on peut trier les feedbacks mais c'est une approche beaucoup trop biaisé et sans fort ROI. Certes, il existe des cas précis où l’apprentissage automatique continu est possible. Par exemple, en reinforcement learning 🎮, un modèle apprend de ses interactions avec l'environnement, ou via des mécanismes comme l'active learning 🔬 où le modèle sélectionne activement les données les plus utiles à labelliser par un humain 🙋‍♂️. 👉Même en apprentissage non supervisé, où l'algorithme détecte lui-même des comportements ou des motifs spécifiques sans labels explicites, ces approches restent limitées à des cas d’usage très particuliers. 🚨Donc la prochaine fois que vous entendrez « l'algorithme va automatiquement apprendre et s'améliorer », vous aurez une bonne idée du niveau de bullshitting de votre interlocuteur.