Pourquoi vous devriez arrêter de vous inquiéter du fait que l’IA prenne des emplois en science des données

ce qui m’ennuie, ce sont les innombrables personnes en ligne, en personne et même dans ma section de commentaires qui disent « comment l’IA va remplacer les data scientists ».

Je trouve cela frustrant car cela vient souvent de personnes qui ne travaillent pas dans le domaine, et cela décourage ceux qui seraient de grands data scientists de poursuivre cette carrière.

Sans oublier que je suis fermement en désaccord avec ce point de vue et que je pense que l’IA ne remplacera pas les data scientists, du moins certainement pas au cours de la prochaine décennie.

Et cela vient de quelqu’un qui a travaillé dans ce domaine pendant 5 ans dans diverses entreprises et qui a vu à quoi ressemblait l’industrie avant et après l’IA.

Je n’ai aucune inquiétude à l’idée que l’IA prenne mon travail tel qu’il est, et dans cet article, je veux expliquer exactement pourquoi je pense cela et mettre fin à toutes ces alarmistes.

Vous devez apprendre l’IA

Avant d’entrer dans le vif du sujet de l’article, permettez-moi de commencer par dire que je ne déteste pas complètement l’IA.

J’utilise l’IA quotidiennement et je me perfectionne constamment en IA car c’est un outil de productivité fou pour :

• Écrire du code passe-partout
• Brainstorming d’idées techniques
• Création et rédaction de documents
• Produire rapidement des visualisations de données et des graphiques
• Un excellent sparring-partenaire intellectuel dans l’ensemble

Cette technologie est là pour rester et vous devez apprendre à l’utiliser ; sinon, vous serez laissé pour compte.

La maîtrise des outils d’IA deviendra la norme, tout comme tout le monde est censé aujourd’hui utiliser le courrier électronique ou connaître Microsoft Word.

L’IA ne remplacera pas les data scientists, mais une personne ayant moins de compétences techniques mais une plus grande maîtrise de l’IA le fera probablement.

En tant que data scientist, vous devez bien connaître des outils tels que :

Et bien d’autres encore.

Ceux-ci deviendront des incontournables de notre industrie, tout comme Python est devenu la lingua franca de l’apprentissage automatique.

C’est inévitable et vous devez monter à bord du navire le plus tôt possible.

Il y aura de plus gros problèmes

Décomposons les compétences que l’IA devra développer pour remplacer pleinement les data scientists :

• Décomposez les problèmes commerciaux ambigus en systèmes ou algorithmes mathématiques structurés.
• Communiquez avec des parties prenantes non techniques et expliquez certains résultats avec des questions en direct.
• Écrivez un code de production sans erreur à tout moment pour garantir le bon déroulement de toutes les décisions critiques pour l’entreprise.
• Faites des compromis à la fois logiques et humains entre la complexité, la conception de l’architecture et le processus de développement.
• Établissez des relations et de la confiance au sein d’une équipe, d’une entreprise et d’un secteur.

Si l’IA maîtrisait toutes ces compétences à un niveau supérieur à celui d’un data scientist actuel, quel métier ne disparaîtrait pas ?

La plupart d’entre eux disparaîtraient également.

Si cela se produit, nous aurons des problèmes bien plus importants à résoudre, des problèmes presque au niveau de la singularité, et votre inquiétude quant à savoir si vous devriez opter pour un emploi en science des données sera pâle en comparaison.

La singularité de l’IA est un futur futur théorique où l’intelligence artificielle dépassera l’intelligence humaine, conduisant à une croissance technologique rapide, incontrôlable et irréversible.

Si les data scientists sont remplacés, nous aurons probablement de plus gros problèmes à régler dans nos vies que de simplement nous soucier de notre carrière.

Manque de raisonnement mathématique

Une chose qui manque grandement à l’IA, c’est le raisonnement mathématique.

Je ne parle pas des mathématiques profanes que la plupart des gens demandent à l’IA, comme :

• Aidez-moi à trouver le dégradé de cette fonction.
• Calculez le déterminant de cette matrice.
• Quelle est la formule des nombres de Fibonacci ?

Ce que j’entends par « raisonnement mathématique », c’est la capacité à résoudre des problèmes mathématiques non résolus.

Par exemple, l’IA ne peut actuellement pas résoudre le Hypothèse de Riemann parce qu’il lui manque la créativité et le raisonnement conceptuel nécessaires pour réaliser une percée majeure dans les mathématiques pures.

L’hypothèse de Riemann est une célèbre prédiction non résolue qui suggère qu’il existe un ordre caché et sous-jacent à la distribution apparemment aléatoire des nombres premiers. Il se concentre sur les « zéros » d’un outil mathématique complexe appelé la fonction zêta de Riemann, proposant que tous les zéros non triviaux se trouvent sur une seule ligne verticale (la « ligne critique »).

L’hypothèse de Riemann est un exemple extrême car c’est sans doute le problème le plus difficile qui existe à l’heure actuelle.

Cependant, cela montre que l’IA n’a pas surpassé les humains en termes de capacités mathématiques, qui constituent la pierre angulaire de la science des données.

La plupart des gens oublient que ces modèles d’IA sont en réalité un type de modèle appelé grands modèles linguistiques (LLM), spécialement conçus pour prédire le mot suivant à partir d’une distribution de probabilité pré-calculée.

Ces modèles ne peuvent produire, ou baser leur production, que sur les données qu’ils ont vues ; ils ne peuvent que partir de ce qui existe et ne peuvent pas nécessairement créer quelque chose de « flambant neuf ».

Le travail en science des données nécessite de développer de nouvelles solutions à des problèmes invisibles. En fait, nous avons en fait besoin de data scientists et de praticiens de l’apprentissage automatique pour construire ces modèles d’IA et les maintenir !

L’IA fait encore des erreurs

En tant que personne qui travaille quotidiennement avec ces outils pour une gamme d’applications, l’IA fait tellement d’erreurs que c’en est ridicule.

Ces LLM « hallucinent » souvent, terme que vous avez probablement entendu et c’est lorsque ces modèles d’IA produisent des résultats qui semblent plausibles mais qui sont en réalité très incorrects.

Cela vient du fait qu’il s’agit de modèles probabilistes par nature et qu’ils peuvent potentiellement « enchaîner » des mots qui n’ont aucun sens pour répondre aux demandes ou aux attentes des utilisateurs.

Les humains font également des erreurs, mais la différence est que la plupart des humains sont conscients de leurs erreurs une fois que vous les avez corrigées. Ils ne sont pas non plus très sûrs de leur réponse initiale, selon le scénario.

Alors que l’IA est assez têtue, intelligente et très certaine des réponses qu’elle vous donne, ce qui nous trompe psychologiquement, nous les humains, en nous faisant croire que c’est correct.

Imaginez à quel point cela serait choquant dans un environnement de travail.

Un data scientist en IA ne serait pas en mesure d’évaluer avec précision à quel point son résultat est scandaleux ou ridicule, et il ne parviendrait donc pas à définir les attentes lorsque vous mettriez en œuvre la solution qu’il propose.

Il manque le manque de nuances et d’intangibles que nous, les humains, avons dans de nombreux projets de science des données et d’apprentissage automatique.

Limiter les performances

Ce qui m’intéresse, c’est que ces modèles d’IA ne s’améliorent pas sensiblement au fil du temps.

La raison est double :

• L’algorithme sous-jacent est toujours le même ; tous ces LLM utilisent le Transformateur architecture, donc chaque « nouveau » modèle n’est pas réellement « nouveau ».
• Il y a une limite à la quantité de données sur lesquelles ils peuvent être formés, car il n’existe qu’une quantité limitée d’informations dans le monde.

Par exemple, les modèles GPT d’OpenAI ont été formés essentiellement sur l’ensemble d’Internet, dans une certaine mesure, il n’y a pas beaucoup de « nouvelles » données à utiliser.

Il y a littéralement une limite à la qualité qu’ils peuvent obtenir.

Ces données proviennent également d’humains, elles ne peuvent donc pas dépasser l’intelligence humaine ; c’est son plafond.

Ces modèles d’IA ne s’amélioreront pas sans une avancée scientifique massive dans l’algorithme sous-jacent.

Et le fait qu’ils ne s’améliorent pas signifie que l’état actuel restera le même et que l’IA n’a pas encore remplacé les data scientists.

Je ne peux pas établir de relations

L’IA est incapable d’établir des relations, malgré le nombre de personnes qui s’attachent malheureusement émotionnellement à ces robots.

Les humains sont des créatures sociales et la plupart des interactions commerciales dans le monde se font par le biais de relations.

Les gens font des affaires, embauchent et travaillent avec des personnes qu’ils aiment, même s’ils ne sont peut-être pas les plus qualifiés « techniquement ».

C’est simplement la façon dont nous sommes programmés pour agir d’un point de vue biologique.

Une partie prenante vous fera confiance en tant que data scientist si vous lui avez fourni des résultats cohérents.

Même si une IA propose une « meilleure » solution à son problème, la partie prenante vous donnera probablement la priorité en raison de la relation humaine intangible que vous avez construite.

Chaque travail repose sur la connexion humaine. Certaines parties seront automatisées, mais beaucoup ne le seront pas.

Dans le cas d’un data scientist, il serait incroyablement difficile d’automatiser :

• Narration de données d’un problème technique à une partie prenante spécifique
• Recueillir les exigences d’un responsable commercial pour un problème qu’il souhaite résoudre
• Communiquer et influencer les membres d’autres équipes et fonctions

Toute partie humaine active serait impossible à remplacer.

Quelque chose a-t-il vraiment changé ?

Un de mes anciens supérieurs hiérarchiques m’a demandé un jour :

Quelque chose a-t-il vraiment changé depuis la sortie de l’IA ?

Bien sûr, nous disposons désormais de meilleurs outils pour résoudre certains problèmes et la productivité dans certains aspects de notre travail a augmenté, mais honnêtement, le rôle du data scientist n’a pas beaucoup changé.

Prenez une minute et réfléchissez à ce qui a sensiblement changé dans votre vie quotidienne grâce à l’IA.

Je doute que vous puissiez en nommer grand-chose, voire rien.

L’IA, dans sa forme actuelle, existe depuis plus de 4 ans, mais la société dans son ensemble n’a pas été significativement impactée d’où je me trouve.

C’est tout ce qu’il faut dire ici.

---

Si, après avoir lu ceci, vous souhaitez vraiment approfondir l’apprentissage de l’IA, je vous recommande mon article précédent, qui vous donne une feuille de route complète et détaillée de tout ce dont vous avez besoin pour maîtriser l’IA.

Vous pouvez le consulter ci-dessous !

Une autre chose !

Rejoignez ma newsletter gratuite où je partage chaque semaine des astuces, des idées et des conseils issus de mon expérience en tant que data scientist et ingénieur en apprentissage automatique. De plus, en tant qu’abonné, vous recevrez mon Modèle de CV GRATUIT !

Diffuser les données
Des e-mails hebdomadaires vous aidant à décrocher votre premier emploi en science des données ou en apprentissage automatiquenewsletter.egorhowell.com

Connectez-vous avec moi