Data actus - Semaine 18

Prendre en considération les risques liés à l’Intelligence Artificielle

Il ne fait aucun doute que l’utilisation de l’Intelligence Artificielle offre de nombreuses possibilités et des avantages certains pour le développement de la société, mais parallèlement, nous ne pouvons pas ignorer les risques qu’elle représente :

  • Concernant le travail, son utilisation soulève non seulement des problématiques de changement des emplois, mais aussi la question de la responsabilité de la protection des données personnelles.
  • Au niveau technique, il est nécessaire de prendre en compte les difficultés de traitement des données et les conséquences d’un usage 
    inapproprié de la technologie.
  • A propos de la sécurité, en plus de la sécurité de l’information, l’interface entre les personnes et les machines est un autre facteur de risque important.

Vous voulez en savoir plus sur les risques liés à l’Intelligence Artificielle ? Par ici :

Comment maîtriser les risques liés à l’intelligence artificielle

Intelligence Artificielle et Machine Learning : quelles différences ?

Les termes d’Intelligence Artificielle (IA) et de Machine Learning sont utilisés fréquemment de nos jours, mais connaissez-vous vraiment leurs définitions et leurs différences ? 
L’Intelligence Artificielle est le concept le plus large dont la cible est en mouvement perpetuel, il repose sur une notion importante de temporalité. Par exemple, les applications que nous décrivons aujourd’hui comme de l’IA, comme les assistants vocaux seront peut-être dans quelques années considérées comme des technologies de base puisque l’IA représente le fait de chercher à reproduire des capacités humaines que les machines n’ont pas encore.
Le Machine Learning est une sous-branche de l’IA, qui consiste à définir des algorithmes qui permettent aux machines de s’améliorer avec l’expérience. 
Découvrez plus en détail ces deux concepts dans l’article de IT Social :

Quelles différences entre intelligence artificielle et Machine Learning ?

Le Big Data, se méfier des idées préconçues

Dans l’ère du Big Data, tous les secteurs d’activité souhaient valoriser leurs données pour répondre aux mêmes objectifs : améliorer leurs services et augmenter leurs revenus. Pour autant, il y a encore des mythes qui réfrènent leur développement :

  • Mythe 1 : Les grandes données ne concernent que les grands comptes
  • Mythe 2 : Le Big Data nécessite obligatoirement un gros budget, de grosses équipes et d’importantes plateformes
  • Mythe 3 : Plus la quantité de données dont on dispose est importante, plus il est rentable de faire du Big Data
  • Mythe 4 : Les machines sont meilleures que les humains

Pour en savoir plus sur ces mythes, consultez l’article de IT Social :

4 mythes sur le Big data

Fermer le menu