Obtenir de meilleurs résultats

Dans notre dernière leçon, nous avons traité de la confidentialité et de la sécurité des données — ce que vous devez absolument protéger et comment le faire. Alors maintenant, parlons de la question qui vous a probablement empêché d'utiliser l'IA pour l'analyse de données en premier lieu : comment puis-je faire confiance aux résultats ?

La leçon d'aujourd'hui porte sur la boucle délégation-démarche responsable, plus précisément sur la construction de la confiance dans les capacités analytiques de l'IA pour votre travail spécifique en la testant systématiquement sur des données que vous comprenez déjà. En faisant cela, vous pouvez mieux comprendre comment l'IA soutiendra vos circonstances spécifiques.

Le processus commence par la délégation. Voici comment cela fonctionne. Tout d'abord, identifiez une tâche analytique spécifique que vous effectuez régulièrement et que vous souhaitez déléguer à l'IA. Trouvez des données passées pour lesquelles vous avez déjà réalisé l'analyse, puis travaillez avec l'IA pour reproduire ce que vous avez fait, en évaluant ce qui fonctionne et ce qui ne fonctionne pas. Affinez votre approche et testez à nouveau. Si l'IA peut correspondre à vos résultats connus, vous savez comment l'utiliser et lui faire confiance pour des tâches futures similaires. Et si ce n'est pas le cas, vous avez appris que cette tâche est quelque chose que vous ne devriez pas déléguer.

Laissez-moi donc vous montrer à quoi cela ressemble en pratique, puis nous parlerons de ce qu'il faut faire si vous n'êtes pas si à l'aise avec les données au départ.

Faites la connaissance de Rio, le directeur de programme chez Valley Veterans Services. Chaque trimestre, il analyse la fréquentation du programme en parallèle des résultats en matière d'emploi, calculant les taux de participation, suivant les changements mensuels et déterminant si la fréquentation est corrélée au succès du placement professionnel. Cette analyse lui prend systématiquement des heures.

En envisageant la délégation, Rio sait qu'il veut continuer à utiliser les résultats de cette analyse pour améliorer son programme. Il veut interpréter les résultats lui-même, mais il se passerait bien du nettoyage des données et du chaos des formules dans lesquels il se retrouve habituellement pour effectuer l'analyse proprement dite. Alors, afin de tester si l'IA est appropriée dans ce scénario, il va l'évaluer en utilisant les données du trimestre dernier. Il sait exactement ce que ces données ont montré après les avoir analysées sans IA, et il dispose des données brutes et désordonnées d'avant qu'il ne commence. C'est son cas de test.

Rio télécharge les données et commence à travailler avec l'IA, en utilisant la description et le discernement pour effectuer son analyse. Seulement, à chaque fois que l'IA répond, Rio va vérifier les résultats par rapport à ce qu'il sait être vrai et noter les lacunes potentielles dans le raisonnement de l'IA. Parfois, une description supplémentaire aide l'IA à obtenir le résultat qu'il recherche. Dans ces cas, Rio sait qu'il doit inclure ce type d'information pour les futures tâches d'analyse de données. D'autres fois, Rio peut découvrir de véritables lacunes de capacité. C'est la boucle délégation-démarche responsable en action. La démarche responsable de Rio pour évaluer les capacités du modèle peut changer ce qu'il choisit de déléguer à l'IA à l'avenir.

Sa première tentative pourrait ressembler à ceci : « Je partage les données de fréquentation et les données de résultats en matière d'emploi de notre programme de formation professionnelle du trimestre dernier. Veuillez analyser les tendances de participation sur les trois mois et représenter graphiquement les corrélations entre les niveaux de fréquentation et le succès en matière d'emploi. Je suis particulièrement intéressé à comprendre si une fréquentation régulière prédit de meilleurs résultats de placement professionnel. »

L'IA répond avec un résumé. Mais plutôt que de supposer qu'il s'agit d'un fait, Rio vérifie cela par rapport à ses dossiers et note ce qui est bon et ce qui ne l'est pas. L'IA a correctement identifié la corrélation entre la fréquentation du programme et le placement professionnel, mais elle a manqué un élément critique concernant le programme combiné d'aide au logement et de placement professionnel. Rio affine donc sa description, demandant à l'IA de réessayer mais en portant une attention particulière au type de programme. Cette fois, l'IA corrige son erreur. Rio note donc que pour les futurs trimestres, il devra spécifiquement demander à l'IA de prendre en compte le type de programme lors de son analyse.

Puis il fait quelque chose de plus difficile : « Pouvez-vous aussi examiner cela en fonction du moment où les participants se sont inscrits ? » L'IA répond, et Rio observe que malgré le fait de ne pas connaître les données d'inscription, l'IA a pu aider à les extraire. Il note qu'il devra recouper ces résultats plus tard.

En passant par ce processus, Rio a systématiquement validé ce que l'IA peut et ne peut pas faire pour ses rapports trimestriels. Il a appris qu'avec la bonne description, l'IA peut reproduire avec précision l'analyse qu'il effectuait auparavant manuellement. Mais il a également identifié des limites claires et des points à approfondir. L'IA a besoin des dates d'inscription dans les données pour effectuer une analyse de cohorte ; sinon, elle essaiera de les déduire, ce qu'il ne souhaite pas. Et surtout, Rio dispose désormais d'une approche testée qu'il peut utiliser en toute confiance avec les données de ce trimestre, ainsi que de notes claires sur les informations qu'il doit inclure et le contexte qu'il doit encore ajouter lui-même.

Lorsque Rio utilise cette approche validée avec de nouvelles données, sa démarche responsable se poursuit. Il vérifiera si les chiffres ont du sens en fonction de ce qu'il sait de ses programmes. Il assumera la responsabilité du rapport final, et il sera transparent sur le rôle de l'IA si on le lui demande. Mais maintenant, il travaille à partir d'une confiance validée, et non d'une supposition.

Voici donc le cadre. Identifiez une tâche analytique spécifique que vous souhaitez déléguer. Soyez précis sur ce dont vous avez besoin. Trouvez ensuite des données passées pour lesquelles vous avez déjà réalisé cette analyse. Vous avez besoin des bonnes réponses pour évaluer si l'IA peut y parvenir. Travaillez avec l'IA pour reproduire votre analyse passée et évaluez systématiquement les résultats. Qu'a produit l'IA ? Comment a-t-elle abordé la tâche ? Comment a-t-elle communiqué ses conclusions ? Identifiez les lacunes, affinez votre délégation, puis testez à nouveau. Si vous pouvez valider que l'IA produit des résultats corrects, vous avez construit une approche que vous pouvez utiliser en toute confiance sur de nouvelles données. Mais si vous n'y parvenez pas après plusieurs ajustements, vous avez appris que ce n'est pas une tâche que vous devriez déléguer.

Tout cela est donc très bien, mais que faire si vous n'êtes pas très à l'aise avec les données au départ et que vous ne seriez pas en mesure de repérer vous-même ces lacunes dans le processus ? L'IA peut également être un outil utile pour réfléchir et mettre en œuvre des solutions auxquelles vous n'auriez peut-être pas pensé vous-même. Parce que les modèles d'IA sont particulièrement doués pour le code, ils peuvent aider pour des choses comme l'écriture de formules Excel, la reformatage de données désordonnées, et plus encore. Dans ces cas, vous pouvez simplement apporter votre question ou votre idée à l'IA et demander spécifiquement de l'aide pour comprendre à quoi pourrait ressembler une solution, tout comme vous le feriez en travaillant avec un analyste de données de votre équipe. Pendant que vous travaillez avec l'IA, continuez simplement à demander des clarifications et des explications afin de pouvoir suivre le processus et comprendre le résultat final.

Rappelez-vous simplement que la validation renforce la confiance, mais n'élimine pas la responsabilité. Vous êtes toujours responsable de vérifier que ces résultats ont du sens et d'être transparent sur le rôle de l'IA dans votre processus d'analyse.

Ce test fonctionne pour toute tâche analytique que vous envisagez : analyse des donateurs, prévisions budgétaires, synthèse d'enquêtes, suivi des résultats. Testez d'abord, validez ce qui fonctionne, puis appliquez avec plus de confiance, ou apprenez ce que vous ne devriez pas déléguer du tout.

Dans notre prochaine leçon, nous examinerons l'augmentation des flux de travail et comment appliquer ces mêmes principes lorsque l'IA gère des tâches routinières en votre nom.