AlphaFold et Insilico : l'IA redéfinit la science

Systèmes d'IA Collaborative : Flux de Travail en Équipe Humain-IA

Dans le monde de l'innovation, certaines entreprises pionnières ont adopté une approche collaborative entre l'intelligence artificielle et les humains pour prendre des décisions éclairées. L'IA génère des options et met en lumière des schémas, tandis que les humains apportent leur jugement et leur contexte pour finaliser les décisions. Ce modèle de collaboration ne se contente pas de donner des ordres, mais implique une interaction continue entre les deux parties.

Observer des Applications Réelles

Ce modèle de collaboration n'est pas seulement théorique ; il est déjà en application dans divers secteurs.

Transformer la Recherche Scientifique et les Soins de Santé

AlphaFold, par exemple, a révolutionné la recherche en biologie moléculaire en prédisant des structures protéiques en quelques heures, un processus qui aurait pris des années en laboratoire. Cependant, l'interprétation de ces prédictions et la planification des expériences nécessaires restent sous la responsabilité des scientifiques. La société biotechnologique Insilico Medicine a poussé cette approche encore plus loin. Le développement traditionnel de médicaments prend quatre à cinq ans juste pour identifier un composé prometteur. Insilico Medicine a construit une plateforme d'IA qui génère et filtre des milliers de molécules médicamenteuses potentielles, prédisant lesquelles sont les plus susceptibles de fonctionner. Ensuite, des chimistes médicaux examinent les meilleures candidates, affinent la structure et créent des expériences pour les valider. Les résultats ont été significatifs : le temps nécessaire pour découvrir un composé principal a diminué d'environ 75% — passant de quatre ou cinq ans à seulement 18 mois.

Le même schéma existe en pathologie. PathAI analyse des échantillons de tissus pour diagnostiquer des maladies comme le cancer. Les pathologistes examinent ensuite les résultats de l'IA et ajoutent leur propre expérience clinique pour établir un diagnostic. Selon une étude du Beth Israel Deaconess Medical Center, le résultat était de 99,5% de détections de cancer précises, contre 96% lorsque le pathologiste examinait les lames de manière indépendante. De plus, le temps nécessaire pour examiner les lames a diminué de manière significative. L'IA détecte des schémas que la fatigue aurait pu faire manquer ; les humains fournissent le contexte clinique.

Ce que nous avons appris, c'est que l'IA trouve des schémas — elle excelle en volume et en rapidité. Les humains excellent en jugement et en contexte ; ils déterminent si ces schémas ont de l'importance.

Améliorer les Décisions Commerciales

L'IA peut accomplir en quelques heures ce qui prenait des semaines aux équipes : examiner des milliers de contrats, analyser des risques à travers des marchés mondiaux et identifier des schémas dans les données d'utilisation. Tout cela peut être réalisé rapidement, mais décider quoi faire avec ces informations reste une responsabilité humaine.

Par exemple, les équipes juridiques de JPMorgan Chase examinaient manuellement des contrats pendant 360 000 heures chaque année, un processus lent, coûteux et sujet aux erreurs. Ils ont créé une solution appelée COiN, une plateforme d'intelligence artificielle conçue pour lire des documents juridiques via le traitement du langage naturel (NLP) et l'apprentissage automatique. COiN peut extraire des points clés dans des documents juridiques, identifier des clauses inhabituelles ou douteuses, et catégoriser des dispositions en quelques secondes. Cependant, les avocats examinent toujours les éléments signalés par le système. En conséquence, JPMorgan peut traiter des contrats beaucoup plus rapidement qu'auparavant, réduire ses erreurs de conformité de 80%, et permettre à ses avocats de passer leur temps à négocier et à développer des stratégies plutôt que de lire des contrats de manière répétée.

Dans un autre exemple, BlackRock est le plus grand gestionnaire d'actifs au monde, contrôlant des actifs d'une valeur totale de 21,6 trillions de dollars pour des clients institutionnels et des investisseurs individuels. À cette échelle, BlackRock doit analyser des millions de scénarios de risque à travers plusieurs marchés mondiaux, ce qui ne peut pas être fait manuellement. Pour résoudre ce problème, BlackRock a développé Aladdin (Asset, Liability, Debt, and Derivatives Investment Network), une plateforme basée sur l'IA pour collecter et traiter de grandes quantités de données de marché et identifier les risques potentiels avant qu'ils ne se produisent. Il y a toujours un composant humain : les gestionnaires de portefeuille de BlackRock examinent les analyses d'Aladdin et prennent toutes les allocations. Les résultats montrent que l'analyse des risques qui prenait auparavant des jours est désormais effectuée en temps réel. De plus, les portefeuilles de BlackRock créés en utilisant les analyses d'Aladdin, combinées au jugement humain, ont surpassé à la fois les approches purement algorithmiques et purement humaines. Actuellement, plus de 200 institutions financières licencient la plateforme Aladdin pour leurs propres opérations.

Le schéma est clair : l'IA met en lumière des options et des informations à grande échelle. Mais elle ne vous dira pas quand vous avez tort ; vous devrez le découvrir vous-même. Les avocats de JPMorgan examinent toujours ce que COiN signale, et les gestionnaires de portefeuille de BlackRock prennent toujours les décisions finales.

Examiner les Outils d'IA Collaborative

Tous les outils d'IA ne sont pas conçus pour la collaboration. Certains fournissent une sortie sous forme de "boîte noire", tandis que d'autres ont été créés pour collaborer avec vous. La liste ci-dessous met en évidence des outils qui soutiennent la collaboration :

Utiliser des Assistants de Usage Général

• Claude / ChatGPT : Ce sont des IA conversationnelles qui fournissent des retours sur votre raisonnement, signalent les ambiguïtés et vous diront quand elles ne sont pas sûres. Elles représentent les outils les plus proches d'une véritable collaboration interactive.

Réaliser des Recherches et des Analyses

• Elicit : Cet outil recherche des articles académiques et extrait des résultats, vous montrant les preuves derrière les affirmations pour que vous puissiez déterminer si vous devez accepter l'information.

• Consensus : Cette plateforme synthétise la littérature scientifique et affiche les zones d'accord et de désaccord parmi les chercheurs afin que vous puissiez voir tous les aspects d'une discussion.

• Perplexity : Cela fournit des résultats de recherche avec des citations. Chaque affirmation est liée à une source vérifiée.

Optimiser le Codage et le Développement

• GitHub Copilot : Cet outil suggère des complétions de code. Vous examinez, acceptez ou modifiez ; rien ne s'exécute sans votre approbation.

• Cursor : C'est un éditeur de code natif à l'IA. Il affiche les différences des modifications proposées afin que vous voyiez exactement ce que l'IA souhaite modifier avant que cela ne se produise.

• Replit : Cela fournit des explications pour le code, suggère des corrections et aide au débogage. Vous restez en contrôle de ce qui est déployé.

Avancer les Flux de Travail en Science des Données

• Julius : Cet outil analyse des données et crée des visualisations. Il affiche le code utilisé pour créer la visualisation afin que vous puissiez auditer la méthodologie.

• Hex : C'est un espace de travail de données collaboratif avec assistance IA. Il a été créé pour des équipes où les humains et l'IA travaillent ensemble sur l'analyse.

• DataRobot : C'est une plateforme d'apprentissage automatique automatisée (AutoML) qui fournit des explications sur les décisions des modèles. Elle affiche l'importance des caractéristiques et la confiance des prédictions afin que vous compreniez la logique sous-jacente.

Améliorer l'Écriture et la Communication

• Notion AI : Cet outil est intégré dans votre espace de travail pour des brouillons, des résumés et des séances de brainstorming, mais vous choisissez ce qui reste.

• Grammarly : Cela fournit des suggestions de modifications avec des explications. Vous acceptez ou rejetez chaque modification individuelle.

Ce qui rend ces outils collaboratifs, c'est qu'ils montrent leur travail. Ils vous permettent de vérifier leurs résultats et ne demandent pas que vous acceptiez leur sortie. C'est la différence entre un outil et un collaborateur.

Mesurer le Succès Collaboratif

Trois types de métriques vous aident à évaluer si la collaboration humain-IA fonctionne réellement :

• Métriques de résultat : Faciles à suivre. Obtenez-vous de meilleurs résultats ? Un délai d'exécution plus rapide ? Moins d'erreurs ? Vous devriez suivre ces indicateurs.

• Métriques de processus : Encore plus significatives. Si vous n'êtes jamais en train de rejeter les sorties de l'IA, ce n'est pas un signe d'IA de haute qualité ; c'est un signe que vous avez cessé de réfléchir.

• Expérience humaine : Est-il possible de produire ces résultats sans l'IA ? Comprenez-vous vraiment pourquoi l'IA a choisi ce qu'elle a fait, ou suivez-vous simplement parce que cela semble intelligent ?

Un bon contrôle : si vous acceptez toujours la première sortie, cela ressemble plus à un tamponnage qu'à une collaboration. Travailler sans IA de temps en temps vous aide à maintenir une base de référence, afin que vous sachiez ce qui est votre travail et ce qui est celui de l'outil.

Mettre en Œuvre des Pratiques Efficaces

Les équipes qui réussissent à bien collaborer avec l'IA ont tendance à suivre quelques pratiques communes :

• Établir des rôles clairs : Déterminez quel rôle vous jouez et quel rôle l'IA joue. Une configuration courante implique que l'IA génère des options pendant que vous sélectionnez la meilleure. Cela vous permet d'utiliser la capacité de l'IA à explorer de nombreuses possibilités tout en gardant la décision finale avec vous.

• Intégrer des points de contrôle : Ne laissez pas les sorties de l'IA passer directement à la phase suivante sans une brève pause. Vous n'avez pas besoin d'une approbation formelle, mais vous devriez prendre une minute pour réfléchir à pourquoi l'IA a choisi ce qu'elle a fait. Si vous ne pouvez pas articuler la raison, n'acceptez pas la sortie.

• Exiger de la transparence : Utilisez des outils qui montrent leur travail, y compris le code qu'ils ont généré, les sources qu'ils ont utilisées et les modifications qu'ils ont proposées. Si vous ne pouvez pas voir comment l'IA a atteint sa sortie, vous ne pouvez pas la vérifier.

• Rester affûté : Travaillez périodiquement sans IA. Ce n'est pas une déclaration de résistance, mais plutôt un standard de comparaison. Vous voulez savoir à quoi ressemble votre travail sans assistance, et vous voulez être capable de performer si les outils échouent.

Pensées de Conclusion

Le travail en équipe humain-IA représente un véritable changement. Nous apprenons à interagir avec des systèmes qui fournissent des entrées, plutôt que de simplement exécuter des commandes.

Pour que cela fonctionne, il faut acquérir de nouvelles compétences, comme savoir quand se fier à l'IA et quand la remettre en question. Cela implique d'évaluer les processus pour savoir s'ils produisent des résultats ou semblent simplement productifs. Plus important encore, cela nécessite de rester suffisamment vigilant pour repérer les erreurs lorsqu'elles se produisent.

Les équipes qui développent des moyens de collaborer avec l'IA produisent de meilleurs résultats. Elles identifient les erreurs plus tôt et envisagent des options qu'elles n'auraient pas considérées autrement.