L’intelligence artificielle est un sujet qui fait beaucoup jaser en éducation. Toutefois, peu d’enseignants comprennent les implications de l’avènement de l’IA dans leur discipline et dans les différentes sphères de la société. Les enseignants qui s’intéressent aux technologies, qui veulent essayer de nouveaux outils et qui entendent parler de l’IA devraient-ils l’intégrer à leurs cours?
L’auteur d’un article paru récemment sur le site Edweek présente quelques questions à se poser afin de déterminer si une solution basée sur l’IA est d’intérêt pour aider à résoudre certains problèmes.
- Est-ce que le problème à résoudre est suffisamment complexe? S’il s’agit de définir quelques règles simples permettant, par exemple, de prédire un résultat anticipé, l’IA ne sera pas d’une grande utilité. Toutefois, s’il faut prendre en considération des douzaines de variables pouvant interagir entre elles, des algorithmes plus sophistiqués associés à une grande puissance de calcul pourraient grandement faciliter l’accompagnement de l’enseignant auprès de ses étudiants dans leurs apprentissages. L’auteur compare le déclenchement d’une alarme en milieu hospitalier lorsque le taux d’oxygénation sanguine descend sous un seuil prédéterminé à la prédiction d’une crise cardiaque pouvant être causée par l’interaction d’une quarantaine de facteurs (incluant le niveaux d’oxygène dans le sang, mais aussi la température corporelle, la pression artérielle, etc.).
- Existe-t-il des indicateurs pouvant aider à définir les buts à atteindre? L’apprentissage machine, qui n’est qu’un type d’IA, s’appuie sur des humains qui fournissent une grande partie de son “intelligence”. Ils doivent définir ce que sont les buts d’une manière spécifique afin que l’ordinateur puisse passer au crible les différents états possibles et déterminer mathématiquement à quel point ils sont proches de l’état désiré. Si vous ne savez pas exactement comment déterminer des exemples associés à de bons et de mauvais résultats, l’IA ne sera probablement pas en mesure de résoudre le problème.
- A-t-on accès à des données en quantité suffisante pour bien décrire ces indicateurs? Les experts débattent encore les vertus de la quantité versus la qualité des données disponibles, mais il n’en demeure pas moins qu’il est difficile d’obtenir de bons résultats sans un volume suffisant de données. Si vous pouvez décrire les résultats souhaités mais que vous n’avez pas beaucoup d’exemples à fournir en amont, l’algorithme d’apprentissage machine n’aura pas assez d’éléments pour vous être utile.
- Les données sont-elles suffisamment définies et décrites en termes pouvant être interprétées par des humains? Reprenons l’exemple de la première question: vous avez un grand nombre de signaux provenant de divers appareils de surveillance, vous les exécutez à travers un algorithme d’apprentissage machine et pouvez l’entraîner à déclencher une alarme au bon moment. Comment un étudiant va-t-il interpréter le signal et savoir où regarder, quoi faire en premier ainsi que dans les étapes subséquentes afin de résoudre le problème posé initialement? Imaginons que vous avez fourni un certain contexte à l’algorithme et ensuite à votre étudiant (ex.: l’oxygène a chuté à une vitesse dangereusement rapide et le pouls est élevé). En tant que spécialiste, vous savez ce qu’il faut faire. Avec le temps et l’entraînement, ce contexte aidera à développer l’intuition et la confiance dans l’algorithme.
Il ne faut pas négliger la capacité à ignorer un algorithme si l’on se méfie du résultat, ou encore si l’on croit qu’il est probable que ce dernier réagit plutôt à du “bruit” dans les données et qui vient affecter le résultat obtenu.
Source: Coglianese, Charlie. 4 Questions to Determine Whether Educators Need Artificial Intelligence. Edweek, 9 août 2018.
