Découverte des cadres décisionnels et des modèles d’IA

Objectifs de formation

Une fois cette unité terminée, vous pourrez :

• Énumérer trois modèles de prise de décision
  
• Expliquer comment appliquer des cadres décisionnels axés sur les données à des situations réelles
  
• Décrire les trois modèles d’IA fondamentaux et leurs applications
  
• Identifier les biais et garantir l’équité des données et des modèles d’IA
  

Abordons à présent les modèles de prise de décision, les cadres axés sur les données et les modèles d’IA, ainsi que l’impératif majeur de tenir compte des biais et de l’équité dans ces composants.

Modèles de prise de décision

Il existe un large éventail de modèles et de théories de prise de décision. Ces cadres sont conçus pour aider les entreprises et les individus à prendre des décisions plus éclairées, objectives et efficaces basées sur des données concrètes.

Voici quelques-uns des principaux modèles.

Modèle de prise de décision rationnel : ce modèle part du principe que les individus prennent des décisions logiques et cohérentes en pesant toutes les alternatives possibles et en choisissant celle qui a la plus grande utilité. Basé sur la rationalité, ce modèle cherche à prendre la meilleure décision.

Modèle de prise de décision dit « de la rationalité limitée » : la rationalité limitée reconnaît que dans les scénarios de la vie réelle, les décideurs opèrent souvent avec des informations limitées et des contraintes cognitives. Ils prennent des décisions qui sont « suffisamment bonnes » plutôt que de rechercher la meilleure décision.

Prise de décision intuitive : la prise de décision intuitive repose sur des impressions et des expériences personnelles. Elle est souvent utilisée lorsque des décisions rapides sont nécessaires ou lorsque les informations sont incomplètes.

Cadres décisionnels axés sur les données

Les cadres décisionnels axés sur les données fournissent une approche structurée de la prise de décision, utilisant les données comme principal levier. Voici deux cadres décisionnels majeurs de l’industrie.

Arbre de décision

Un arbre de décision vous donne une approche systématique pour faire des choix ou des décisions sur la base d’un ensemble de critères. Il constitue un moyen structuré d’évaluer différentes options et leurs résultats potentiels, ce qui vous aide à choisir le plan d’action le plus approprié. Les arbres de décision sont constitués de nœuds et de branches, où les nœuds représentent les décisions ou les choix, et les branches représentent les résultats ou les conséquences possibles.

Par exemple, un arbre de décision peut vous aider à déterminer si vous devez jouer un match (oui ou non) en fonction des conditions météorologiques. Il peut indiquer que s’il fait beau, il faut d’abord vérifier le taux d’humidité : si celui-ci est élevé, vous ne pouvez pas jouer le match, s’il est faible, vous pouvez le jouer. Autre exemple : si le ciel est simplement nuageux, oui, vous pouvez jouer le match, et ainsi de suite.

Ce cadre est couramment utilisé dans les domaines du commence, de la finance, de la santé et de l’apprentissage automatique pour modéliser les processus de prise de décision et optimiser les choix sur la base de données et de la logique.

Matrice de Pugh

La matrice de Pugh, également connue sous le nom de méthode de Pugh ou matrice de décision, est un outil de prise de décision que vous utilisez pour évaluer et comparer plusieurs alternatives ou options en fonction d’un ensemble de critères. Elle vous donne une approche systématique pour prendre des décisions éclairées en quantifiant et en classant différentes options. Cette méthode a été développée par Stuart Pugh, ingénieur et théoricien de la conception britannique.

La matrice de Pugh vous aide à prendre des décisions rationnelles en tenant compte de plusieurs facteurs et de leur importance relative de manière structurée. L’exemple de matrice de Pugh ci-dessous montre des critères qui présentent la valeur de référence 0 ainsi que des alternatives auxquelles sont attribuées des valeurs en comparaison à la valeur de référence : valeur positive (+), valeur négative (-) ou valeur équivalente (0). Ces valeurs de comparaison sont totalisées pour classer et optimiser les solutions. Cette méthode est un outil précieux dans des domaines tels que l’ingénierie, la conception de produits et la gestion d’entreprise.

Ces cadres décisionnels axés sur les données vous donnent la possibilité de faire des choix objectifs et fondés sur des données concrètes.

Dans le domaine de la logistique et de la gestion de la chaîne d’approvisionnement, les cadres décisionnels axés sur les données peuvent être appliqués afin d’optimiser le flux des marchandises. Les entreprises peuvent utiliser des données sur les niveaux de stocks, les prévisions de la demande, les coûts de transport et les délais de livraison pour prendre des décisions concernant les itinéraires, les lieux de stockage et les points de réapprovisionnement les plus rentables. Cela permet de minimiser les coûts, de réduire les situations de rupture de stock et de s’assurer que les produits parviennent aux clients de manière efficace.

Introduction aux modèles d’IA

Intéressons-nous maintenant aux modèles d’IA. Comme vous l’avez appris, l’intelligence artificielle et l’apprentissage automatique sont des outils puissants qui peuvent soutenir vos processus de prise de décision.

Types de modèles d’IA

Il existe trois principaux types de modèles d’IA : apprentissage supervisé, apprentissage non supervisé et apprentissage par renforcement.

Les modèles d’apprentissage automatique supervisé sont entraînés avec des jeux de données étiquetées, ce qui leur permet d’apprendre et de gagner en précision au fil du temps. Par exemple, un algorithme est entraîné avec des photos de chiens et d’autres objets, toutes étiquetées par des humains, et la machine apprend à identifier les photos de chiens par elle-même. L’apprentissage automatique supervisé est le type de modèle d’IA le plus couramment utilisé aujourd’hui.

Dans le cadre de l’apprentissage automatique non supervisé un programme recherche des schémas dans des données non étiquetées. L’apprentissage automatique non supervisé permet de détecter des schémas ou des tendances que les individus ne recherchent pas forcément. Par exemple, un programme d’apprentissage automatique non supervisé peut analyser des données de ventes en ligne et identifier les différents types de clients effectuant des achats.

L’apprentissage automatique par renforcement entraîne les machines à prendre les meilleures décisions au moyen d’un système de récompense, en exploitant les tentatives et les échecs. L’apprentissage par renforcement peut entraîner des modèles à jouer à des jeux ou des véhicules autonomes à conduire en indiquant à la machine quand elle a pris les bonnes décisions, ce qui l’aide à apprendre au fil du temps les actions qu’elle doit entreprendre.

Les modèles d’IA générative utilisent des réseaux neuronaux pour identifier les schémas et les structures au sein de données existantes afin de générer du contenu nouveau et original. L’une des avancées majeures de l’IA générative réside dans sa capacité à exploiter différentes approches d’apprentissage, y compris l’apprentissage non supervisé ou semi-supervisé pour l’entraînement. L’IA générative utilise les trois techniques d’apprentissage conjointement.

Cliquez sur les onglets de cas d’utilisation ci-dessous pour découvrir comment les différents secteurs utilisent ces modèles d’IA dans leurs processus de prise de décision. (Nous étudierons ces cas d’utilisation de façon plus détaillée dans l’unité suivante.)

Biais et équité dans le cadre de l’IA

L’intégration de l’intelligence artificielle aux processus de prise de décision dans divers domaines a permis des progrès sans précédent en matière d’efficacité et de précision. Toutefois, à mesure que l’IA fait de plus en plus partie intégrante de nos vies, nous devons nous pencher sur la question des biais et de l’équité dans les systèmes d’IA. Il est important de rappeler l’importance de garantir l’équité et de respecter les lignes directrices en matière d’éthique. Des biais, des discriminations et des dilemmes éthiques peuvent survenir lorsque les systèmes d’IA ne sont pas développés et utilisés de manière responsable.

Identification des biais et garantie de l’équité dans les données et les modèles d’IA

Les biais font référence à la présence de distinctions ou de préférences systématiques et injustes qui peuvent conduire à des résultats discriminatoires. Identifier les biais est la première étape pour traiter et limiter leur impact : une fois les biais identifiés, les développeurs, les experts en science des données et les utilisateurs professionnels peuvent prendre des mesures correctives. Cliquez sur chaque onglet pour découvrir les mesures que les organisations peuvent prendre pour identifier les biais et promouvoir l’équité dans les données et les modèles d’IA.

Dans cette unité, vous avez découvert divers modèles de prise de décision, cadres axés sur les données et modèles d’IA, ainsi que l’impératif éthique de limiter les biais et de promouvoir l’équité. Dans l’unité suivante, vous découvrirez les applications réelles de l’IA dans divers scénarios.

Ressources

• Article : Arbres de décision pour aider à la prise de décision
  
• Article : Qu’est-ce qu’une matrice de décision ?
  
• Site Web externe : Toturiel pour élaborer un arbre de décision
  
• Article : Types de modèles d’apprentissage automatique
  
• Trailhead : Principes fondamentaux de l’intelligence artificielle
  
• Trailhead : Fondamentaux des données pour l’IA
  
• Article : Décret présidentiel sur le développement et l’utilisation sécurisés et fiables de l’intelligence artificielle