Cette crise aidera-t-elle à mettre l’IA autonome sur la bonne voie?

le Pandémie de COVID-19 accélère un avenir automatisé qui est déjà en route. Il sert de signal d’alarme à toutes les startups de l’IA, de la robotique et des voitures sans conducteur: arrêtez de créer des démos éblouissantes et de parler de la possibilité future d’une IA à usage général. Au lieu de cela, concentrez-vous sur le déploiement de solutions réelles qui peuvent fonctionner 24h / 24 avec une intervention humaine minimale et offrir une véritable valeur ajoutée aux utilisateurs.

Des milliers d’Américains ont commencé à travailler à domicile au milieu de la pandémie actuelle. Les détaillants ont eu des problèmes d’approvisionnement alors que les consommateurs nerveux accumulent tout, du papier hygiénique au savon pour les mains. Partout dans le monde, le géant chinois du commerce électronique JD a commencé à tester un robot de livraison autonome de niveau 4 à Wuhan et à gérer ses entrepôts automatisés 24h / 24 pour faire face à une augmentation de la demande.

Soudainement, les machines autonomes doivent être meilleures qu’une simple preuve de concept. Ils doivent être suffisamment robustes pour fonctionner indépendamment dans diverses situations réelles.

À certains égards, l’épidémie accélère un avenir automatisé qui est déjà en route. Il a révélé des problèmes qui existent depuis longtemps sur la scène de l’IA: les mots à la mode et le jugement des gens du cloud hype, ce qui rend difficile de voir de réels progrès.

L’industrie doit entreprendre les réformes indispensables aux systèmes autonomes du monde réel dans les trois domaines suivants:

VB TRansform 2020: l'événement de l'IA pour les chefs d'entreprise. San Francisco 15 - 16 juillet

1. Repenser les métriques

Alors que des machines IA plus autonomes sont déployées dans le monde réel, les mesures conventionnelles telles que la vitesse, le temps de cycle ou le taux de réussite ne peuvent plus représenter l’image complète. Nous devons mesurer la fiabilité du système sous des incertitudes avec des mesures de robustesse telles que le nombre moyen d’interventions humaines. Nous avons besoin de plus d’outils et de normes de l’industrie pour évaluer les performances globales du système dans un large éventail de scénarios, car la vie réelle, contrairement à un environnement contrôlé, est imprévisible.

Si un robot de livraison peut atteindre une vitesse maximale de 4 mph mais ne peut pas terminer une seule livraison sans assistance humaine sur site, le robot ne crée pas beaucoup de valeur pour ses utilisateurs.

DevOps a vu le jour il y a quelques années pour raccourcir le cycle de développement et fournir en permanence des logiciels de haute qualité. Par rapport à l’ingénierie logicielle, l’IA ou le ML est beaucoup moins mature. 87% des projets ML ne sont jamais mis en production. Cependant, récemment, nous avons commencé à voir de plus en plus de MLOps ou d’AIOps.

Cela marque une transition cruciale de la recherche en IA / ML vers des produits réels qui sont utilisés et testés tous les jours. Cela nécessite un changement important de mentalité pour se concentrer sur l’assurance qualité plutôt que sur des modèles ML de pointe. Je ne dis pas que nous ne pouvons pas avoir les deux en même temps, mais à ce jour, nous avons vu plus d’accent sur ce dernier.

2. Reconcevoir la gestion des erreurs et la communication

Le récent arrêt de Starsky Robotics nous rappelle que nous sommes encore à des années de solutions totalement autonomes. Cependant, cela ne signifie pas que la robotique IA ne peut pas apporter des valeurs immédiates aux humains. Comme mentionné dans mon article précédent, même si les humains doivent gérer les cas marginaux 15% du temps, cela signifie que les entreprises peuvent réduire les coûts importants de main-d’œuvre et d’intégration.

C’est pourquoi il est important de mesurer le nombre d’interventions humaines requises comme mentionné ci-dessus. Plus important encore, nous devons concevoir une meilleure façon de gérer et de communiquer les erreurs. Par exemple, montrer le niveau de confiance des prédictions du modèle d’apprentissage automatique ou encadrer vos prédictions comme des suggestions au lieu de prendre des décisions, il existe des moyens de gagner la confiance des utilisateurs.

En outre, il est essentiel d’avoir une communication bidirectionnelle pour permettre aux utilisateurs de signaler les inconnues inconnues, les erreurs que les systèmes ne peuvent pas détecter. Surtout pour les erreurs majeures qui nécessitent une intervention humaine immédiate pour reprendre le fonctionnement du système.

La gestion des erreurs est la première étape. Il s’agit d’identifier les cas où les machines ne peuvent pas faire face à chaque scénario par elles-mêmes. La prochaine étape consiste à assurer un transfert et une collaboration sans faille entre les machines et les humains pour traiter les cas marginaux et optimiser les performances globales.

3. Redéfinir l’interaction homme-machine

Nous sommes habitués à guider des robots ou à donner des commandes à des machines. Mais alors que les machines deviennent plus intelligentes, devrions-nous, les humains, toujours faire le dernier appel?

Par exemple, qui devrait contrôler un robotaxi autonome? La voiture elle-même? Le conducteur de la sécurité humaine? Quelqu’un qui surveille une flotte de robotaxis à distance? Ou les passagers? Dans quelle situation? Avons-nous le bon outil et la bonne technologie pour transmettre rapidement toutes les informations pertinentes à ce décideur?

Outre la technologie, il existe également des problèmes de confiance. Même si la recherche montre que les voitures autonomes sont plus sûres, presque la moitié des Américains préfèrent toujours ne pas utiliser une voiture autonome.

Comment concevons-nous l’IA centrée sur l’homme pour nous assurer que les machines autonomes améliorent notre vie, pas la pire? Comment automatiser les bons cas d’utilisation pour augmenter les humains? Comment construire une équipe hybride qui offre de meilleurs résultats et permet les humains et les machines pour apprendre les uns des autres?

Il y a encore beaucoup de questions auxquelles nous devons répondre. Mais la bonne nouvelle est que nous avons commencé à le faire. Et nous semblons aller dans la bonne direction.

Bastiane Huang est chef de produit chez OSARO, une startup en IA / robotique basée à San Francisco, soutenue par Peter Thiel et Jerry Yang sur AME Cloud. Elle a précédemment travaillé pour Amazon Alexa.

Source

A propos newstrotteur-fr

Découvrez également

Les meilleurs téléviseurs 8K 2020: plus tout ce que vous devez connaitre

Les vannes TV 8K ont été ouvertes et la prochaine génération de qualité d’image est …

Laisser un commentaire