Tribune d’Odile Quesnel, Project management officer L’Argus de la presse I Groupe Cision #DigitalTransformation #CollectiveIntelligence.
Les sciences de l’information s’intéressent aux dispositifs de gestion de l’information et du document afin d’assurer l’accès à la bonne information au moment utile ou souhaité.
Depuis plus de 10 ans elles doivent répondre à de nouveaux enjeux en matière de recherche d’information et de traitement des résultats.
Les « clients » de l’information ont toujours eu des profils hétérogènes : professionnel de la veille, de la communication, analyste ou encore décideur pressé.
Les mutations récentes de l’expérience informationnelle sont dues en particulier à une demande d’autonomie des utilisateurs dans la manipulation d’ensembles d’information pré-construits et de prestations de plus en plus synthétiques, profilées et enrichies.
Les professionnels de l’information sont donc, plus que pour les périodes précédentes, confrontés à des contenus massifs hétérogènes, non structurés dans leur forme et leur langue. Mais ils doivent aussi faire face à de fortes mutations :
- La baisse des contenus originaux, la multiplication de la reprise d’information ou de fausses informations,
- L’importance croissante du contenu vidéo,
- Un niveau d’exigence de temps réel jusque-là inconnu.
Une complexité grandissante qui nécessite de plus en plus d’efficacité pour répondre à des clients au fait de la dimension stratégique de l’information sur la compétitivité de leur entité, du champ des possibles en matière de traitement de l’information et souvent prescripteurs sur le choix des sources.
Impacts sur les professionnels du traitement de l’information
Les impacts sont par conséquent nombreux pour les métiers de l’information, en particulier sur le « contrat de lecture » que le client souhaite se voir proposer :
- Extraire « la » pépite ?
- Trouver plusieurs pépites, les observer dans leur contexte ?
- Afficher un bilan statique à date
- Détecter des tendances ?
- Proposer une histoire adaptée aux données ?
Les professionnels ont toujours manipulé du contenu textuel, cherché à l’enrichir, et donc produit de la data mais au regard du contexte rappelé il y a nécessité de comprendre / se positionner sur de nouveaux champs disciplinaires :
- Design utilisateur
- Data visualisation
- Sciences des données
- Traitement automatique des langues et statistiques textuelles
- Fouille de données et extraction de connaissances
Sans céder à la mode actuelle pour laquelle tout est intelligence artificielle, les métiers de l’information ne peuvent ignorer cette dernière.
L’IA : une longue histoire qui ne fait que commencer
L’IA a plus de 60 ans, elle a changé le monde avec l’hypertexte, les robots, la biométrie, la reconnaissance de la parole, de l’image et le traitement du langage naturel.
L’IA un ensemble de disciplines techniques et scientifiques qui permettent de reproduire certains processus cognitifs humains comme l’apprentissage, l’intuition, la créativité, la planification de tâches. Elle contribue à améliorer la performance des processus complexes ou coûteux en temps humain.
L’IA c’est toujours le futur. Les problèmes dont on estime qu’ils exigent une « authentique » IA pour être résolus varient au cours de l’histoire. Ainsi une machine capable de battre un grand maître aux échecs aurait été considérée il y a cinquante ans comme « intelligente ».
Ce qui nous intéresse plus particulièrement au regard de nos pratiques en traitement de l’information est que l’IA doit apprendre. L’apprentissage machine ou machine learning est une branche de l’IA, qui permet aux machines d’effectuer des tâches pour lesquelles elles ne sont pas explicitement programmées par des règles préétablies.
Un modèle d’apprentissage machine est un procédé algorithmique, un programme qui permet de construire une fonction de prédiction à partir d’un corpus de données d’apprentissage. On parlera d’apprentissage supervisé, non supervisé ou encore par renforcement
Les technologies d’apprentissage machine sont nécessaires aux métiers de l’information, une réalité qu’il faut comprendre, apprendre à maîtriser.
Depuis 1955 une grande partie des travaux porte sur l’amélioration de ces techniques, ce qui change la donne aujourd’hui :
o Des masses de données sont disponibles mais l’on n’a pas forcément la maîtrise des critères pour construire les corpus,
o L’apprentissage dote les machines d’une capacité à construire elles-mêmes des connaissances pour se reconfigurer en réécrivant leurs propres programmes.
Il nous faut donc être conscient des risques qui en découlent :
- Risque sur le caractère inédit des comportements des algorithmes, construits sur des données que les humains ne peuvent examiner au regard de leur masse.
- Risque de biais, d’être enfermé dans des bulles informationnelles, d’oublier l’importance de la sérendipité dans la recherche d’information pertinente.
- Risque de croire que si un agent conversationnel (chatbot) répond, il aura pour autant su comprendre les subtilités du contexte de la question posée.
- Risque de baser un système prédictif sur des corrélations fallacieuses car le jeu d’apprentissage n’est pas représentatif.
Est-ce une raison pour se priver de ces algorithmes ?
Non mais il faut être armé pour savoir les exploiter en commençant par avoir à disposition des systèmes dans lesquels :
- Le traitement automatique des langues reprend sa juste place pour structurer l’information, la connaissance, modéliser le raisonnement,
- Les experts non programmeurs peuvent former en préparant données d’entrainement et grammaires et comprendre la décision générée par l’algorithme.
