Faut-il rendre le Big Data loyal ? (2/3)
Transcript de mon intervention au colloque “Intelligence Artificielle. Loyauté et transparence des Algorithmes” à l’Institut Henri Poincaré. Intervenants Cédric Villani, Dominique Cardon, Pierre Saurel, Igor Carron et Franck Bardol
Des calculs qui se nourrissent du comportement de la foule
Ces algorithmes peuvent prendre différentes formes. Une des plus connues étant le moteur de recommandation d’un site internet.
Ces procédés de prescription automatique sont à l’affut d’internautes ayant des actes similaires et comparables (clics, historique d’achat, heures de connection, contenu de discussions sur les réseaux sociaux, profils appréciés).
C’est l’approche dite du crowd-sourcing qui consiste à proposer à chacun les choix de l’autre.
Les internautes dont l’attitude est proche devraient apprécier des produits semblables aux nôtres. La foule résout le problème elle même en fixant la norme des comportements.
L’algorithme n’a plus qu’a cartographier les usages afin d’échanger les préférences.
“Les clients ayant achetés cet article ont également achetés…” est la sentence qui nous informe des démarches les plus proches des nôtres.
De manière paradoxale, c’est en observant les autres que l’algorithme parvient le mieux à nous connaître.
Le client cède ses données contre un service loyal hyper-personnalisé
En échange de ses données le client attend clairvoyance et discernement dans les résultats.
En d’autres termes, il espère que l’algorithme de recommandation produise un résultat fiable et impartial.
De surcroit, l’usager attend que ce résultat l’informe mais ne le deserve pas.
En effet, un moteur de recommandation pertinent doit deviner les souhaits de ses utilisateurs afin de leur proposer le produit cherché.
Parfois, avant même qu’ils en ait conscience. L’utilisation la plus poussée de ces système prédictifs franchit l’étape ultime.
On les autorise a agir en notre nom et passer commande étant donné qu’ils ont pressentis que cet article nous plaira.
C’est l’aboutissement de systèmes combinant hyper-personnalisation et calculs prédictifs.
A l’inverse, un moteur de recommandation ne doit pas suggérer un produit dans le but de gérer au mieux un stock de marchandises.
De même, un moteur de calcul d’itinéraires doit présenter le chemin idéal et non pas un chemin qui passerait en des étapes commerciales négociées au prix fort.
Plus encore que de fiabilité et de performance, c’est donc bien de loyauté dont il s’agit. La loyauté d’un algorithme est sa capacité à “faire ce qu’il dit”.
Les usagers échangent leurs traces numériques éparses contre un conseil … mais pas contre une vente masquée et déguisée.
L’auteur
Helps you to gain strategic insights for your business through your data
Former Programmer in Software industry — Analyst in Hedge-fund industry — ALM consultant in Insurance
Founder & co-organizer biggest european community of Data-Scientists (Paris Machine Learning)
