IA : 3 solutions pour préserver la qualité des données
L’intelligence artificielle (IA) est l’évolution technologique la plus intrigante que nous connaissons aujourd’hui. Elle nous intrigue par ses multiples champs d’application, sa vitesse d’évolution et la qualité variable des données générées. Elle a tendance à cliver la société digitale en deux camps. D’un côté, il y a des sceptiques et de l’autre ceux qui gardent l’enthousiasme pour l’avenir de l’IA.
Sans rejoindre l’un des camps, Ludotic prend du recul à ce sujet. Nous avons eu l’occasion de participer à l’évènement « Soirée du test logiciel » le 21 mars 2024 à Bordeaux. Un intervenant de la soirée, Arthur Magne, a parlé de la manière de préserver la qualité des données avec l’IA. Ludotic, spécialisée en ergonomie, UX design et accessibilité, complète ce discours dans ses propres domaines d’expertise.
Les questions que nous posons aujourd’hui :
1. Pourquoi parle-t-on de la qualité des données générées par l’IA ? Et, par conséquent, quels sont les enjeux si l’humain n’alimente pas l’IA avec des entrants de qualité ?
2. Quelles sont les trois solutions que nous pourrons envisager pour préserver au mieux la qualité des données ?
La qualité des données avec l’IA : l’humain a son rôle à jouer
Pourquoi préserver la qualité des données ? Quels sont donc les enjeux si l’humain n’alimente pas l’IA avec des entrants de qualité ? Pour répondre à ces questions, il faut tout d’abord bien comprendre comment fonctionne l’IA générative. Des individus lui fournissent des entrants préalables, sélectionnés selon certains critères. Ensuite, l’IA se base dessus pour “apprendre” et générer de nouvelles données.
De ce fait, l’enjeu principal concerne la qualité des données. Si la qualité des entrants est erronée, l’IA va créer des données nouvelles fausses ou de mauvaise qualité. Les erreurs existantes même minimes vont s’intensifier.
Donc, pensons à alimenter l’IA avec des entrants de qualité. Ainsi, elle peut « apprendre » correctement tout en préservant la qualité des sortants. Il est essentiel que l’IA utilise les données correctes lors de son apprentissage. Les critères de sélection de ces données sont également importants.
Dans votre quête pour la qualité des données avec l’IA, nous vous présentons trois solutions possibles, détaillées ci-dessous.
Que faire pour préserver la qualité des données avec l’IA ?
1. S’appuyer sur les bonnes pratiques existantes
Arthur Magne nous expose une méthode en deux étapes. Elle se base sur une approche itérative pour aider les équipes à se partager de bonnes pratiques en entreprise :
- Capturer des bonnes pratiques de l’équipe et les expliciter;
- Valider ces bonnes pratiques collectivement en réunion, dite revue de pratiques.
Comme nous voyons, les entrants de qualité sont liés directement aux bonnes manières de faire. Nous fournissons à l’IA nos pratiques et nos standards. En retour, l’IA génère des lignes de codes, des maquettes ou encore des rapports d’audits d’accessibilité . La mise en place des bonnes pratiques demande une bonne organisation collective. Selon Arthur Magne qui accompagne les équipes de développement dans différentes entreprises, la mutualisation des bonnes pratiques humaines est essentielle.
En conclusion, nous devons capitaliser sur nos expertises et nos connaissances en commun. Cela permet d’éviter des maquettes mal construites ou des rapports de tests d’accessibilité incomplets générés par l’IA. L’IA enregistre nos standards, les scanne et trouve de bons échantillons dans nos entrants pour générer des données améliorées.
2. Vérifier et valider les données
L’expertise humaine est indispensable dans la collecte, le tri et le choix des pratiques et des entrants. Mais elle ne s’arrête pas là car l’humain continue à valider les données sortantes générées par l’IA. Nous devons donc garder l’habitude de vérifier systématiquement la source renseignée dans ces données générées. Existe-t-elle réellement ? Les références sont-elles erronées ?
Nous pouvons pousser la réflexion encore plus loin. Et si l’habitude de porter un regard critique sur toute donnée faisait partie de notre éducation ? S’agit-il d’une culture que nous devrions continuer à diffuser autour de nous ?
Enfin, l’IA permet de générer rapidement des données en masse. Mais la vraie compétence d’analyse et de validation reste toujours une prérogative humaine.
3. Savoir communiquer avec l’IA
Pour obtenir des réponses pertinentes avec l’IA, apprenons à communiquer avec elle. Pour cela, exposons un contexte explicitement, rédigeons un prompt concis et efficace. Il y a plus de chance de recevoir des réponses de qualité avec des instructions claires pour l’IA.
Xavier Blanc, un autre intervenant de la soirée, a donné un exemple concret avec un agent IA : AXNav. Cet agent de tests d’accessibilité est capable de planifier et d’évaluer son action de test. Tout cela est possible si l’humain lui communique « des instructions manuelles réalistes », comme le dit bien Xavier Blanc. Les consignes exprimées en langage naturel sont un moyen de communication entre l’humain et l’IA.
Grâce à ses consignes bien pensées en amont, l’humain reprend le contrôle sur la qualité des sortants. Cela lui permet également de mieux se focaliser sur son objectif de test. Ne s’agit-il pas d’une vraie compétence à acquérir aujourd’hui ? Savoir rédiger un prompt pour communiquer avec l’IA.
Conclusion : l’expertise humaine est indispensable face à l’IA
Au fur à mesure de notre réflexion, nous avons pu constater la place centrale de l’humain dans le sujet de la qualité des données. L’expertise humaine est au centre de la question de la qualité des données, autant pour sélectionner selon les bons critères les données entrantes que pour valider la pertinence des données créées par l’IA.
“I’ve been recluctant to try ChatGPT. Today I got over that reluctance. Now I understand why I was reluctant.
The value of 90% of my skills just dropped to $0. The leverage for the remaining 10% went un 1000x. I need to recalibrate.
Post de Kent Back
Dans le tweet ci-dessus, Kent Back après avoir essayé ChatGPT fait le constat que l’IA remplace 90% de ses compétences mais que les 10% restantes ont fortement augmenté de valeur. Mais nous pouvons retenir de là qu’il ne faudrait pas craindre l’IA de manière irrationnelle. Les compétences actuelles humaines comme l’esprit d’analyse et la prise de recul resteront celles de demain face à l’IA. Elles seront donc à développer et à valoriser pour continuer à garantir la qualité des données.
Pour poursuivre votre lecture sur l’expertise humaine dans le domaine des tests d’accessibilité, nous vous invitons à consulter notre page Formation UX & Accessibilité qui vous donnera les prochaines dates de formation en accessibilité à Ludotic.
Présentation d'introduction au "World Usability day" 2021 de Sophia Antipolis 
