Je tiens à commencer par vous remercier d'être venus et à remercier le public d'avoir assisté à cet événement très intéressant. On m'a demandé de commencer par un bref aperçu de mes recherches et de la manière dont elles se connectent au sujet d'aujourd'hui. Comme mentionné, j'étudie la nature changeante des carrières et de la relation employeur-employé au cours des quatre dernières décennies. Une grande partie de mon travail s'est concentrée sur la documentation du passage d'emplois à long terme chez un seul employeur à des travaux à plus court terme et à des carrières qui s'étendent sur plusieurs employeurs. Cela peut sembler être une tendance évidente, et presque tous ceux à qui j'en parle pensent qu'elle l'est. Cependant, lorsqu'on examine les statistiques gouvernementales sur la main-d'œuvre aux États-Unis et au Canada, il s'est avéré difficile de trouver des preuves de cette tendance par le passé. Mes recherches les plus récentes montrent qu'il existe en fait des preuves d'une tendance vers des emplois à court terme, qui était masquée par une tendance conflictuelle distincte. Ce passage au travail à court terme est pertinent pour le sujet d'aujourd'hui de deux manières. Premièrement, le changement technologique est probablement une cause ; un changement rapide signifie que les compétences deviennent obsolètes plus rapidement, ce qui réduit l'incitation à des relations d'emploi à long terme. L'IA semble présager un rythme de changement encore plus rapide. Deuxièmement, je ne pense pas que le changement technologique soit la seule raison. D'autres facteurs incluent la concurrence mondiale, le pouvoir croissant des actionnaires se concentrant sur les profits à court terme et le déclin du pouvoir des syndicats. Cela a conduit à une vision croissante des travailleurs comme un coût à minimiser. Je m'inquiète du contexte dans lequel l'IA est développée et de la manière dont elle pourrait avoir un impact sur ces tendances. Avec ce contexte, nous allons commencer par une question fondamentale. L'IA est souvent difficile à définir, mais une définition que j'ai aimée est que l'IA est tout ce qui se trouve à l'horizon. Dès qu'une technologie devient réalité, elle semble moins mystérieuse. Pour le moment, cette technologie de pointe est l'apprentissage automatique, plus précisément l'apprentissage profond. Pourriez-vous décrire, dans un langage non technique, ce qu'est l'apprentissage profond et en quoi il diffère des évolutions précédentes de l'IA ?

L'apprentissage automatique était présent au début de l'IA. Les gens travaillent sur l'IA depuis les années 50, lorsque l'expression a été inventée. Très tôt, les gens ont réalisé que l'apprentissage serait une composante importante. Il y a eu plusieurs vagues d'intérêt. La première vague a eu lieu à la fin des années 50 et au début des années 60, s'est éteinte, est réapparue dans les années 80 et s'est éteinte à nouveau. Aujourd'hui, elle réapparaît sous la forme d'apprentissage profond. On l'appelle profond par opposition aux techniques d'apprentissage automatique précédentes que l'on pourrait qualifier de superficielles. Les techniques d'apprentissage automatique traditionnelles effectuent des calculs relativement simples. Au lieu de programmer une machine directement avec des instructions, vous écrivez un court programme avec de nombreux paramètres ajustables. Vous entraînez la machine à trouver les réglages qui lui permettent de faire ce que vous voulez. Par exemple, pour entraîner une machine à reconnaître la parole ou des objets dans des images, vous collectez des images de voitures et d'avions. Vous montrez une image à la machine ; si la réponse est fausse, vous lui donnez la réponse correcte, et elle ajuste ses paramètres internes de sorte que la prochaine fois, la réponse soit plus proche de celle que vous voulez. Finalement, les paramètres convergent vers une configuration qui permet à la machine de reconnaître les avions des voitures, ou les chiens, les chats, les tables et les gens. Par le passé, la partie de la machine qui était entraînée était simple, et une grande partie du travail consistait en de l'ingénierie pour représenter les images de manière à ce que l'algorithme puisse fonctionner. Cela nécessitait une intervention manuelle et c'était coûteux et fragile. L'apprentissage profond automatise cela. Au lieu d'une pièce artisanale et d'une pièce entraînée, l'ensemble du système est entraîné. On l'appelle profond car le système est composé de plusieurs couches de traitement. L'image est introduite à une extrémité, traitée par ces couches, et produit une sortie. Toutes ces couches sont entraînées de bout en bout simultanément. Au cours des cinq dernières années, grâce à l'augmentation de la puissance de calcul et aux grands ensembles de données, nous avons constaté des améliorations incroyables dans la reconnaissance d'images, l'analyse vidéo, la reconnaissance vocale et la traduction linguistique. Toutes les grandes entreprises utilisent désormais l'apprentissage profond. Lorsque vous parlez à votre téléphone ou utilisez la traduction automatique sur Facebook, c'est de l'apprentissage profond. Les voitures autonomes l'utilisent également, et nous verrons bientôt beaucoup d'autres applications.

L'une des différences par rapport aux autres approches de l'intelligence artificielle est que vous ne dites pas à la machine à quoi ressemble une voiture. Vous lui dites : voici un ensemble de données, trouvez le motif qui définit une voiture. C'est ce que signifie apprendre. L'apprentissage profond permet à cet apprentissage d'être beaucoup plus complexe qu'auparavant.

Oui, en alimentant essentiellement la machine directement avec l'image brute. Pour un ordinateur, une image est un tableau de nombres représentant les valeurs des pixels. Identifier un chat dans ces nombres est difficile pour un ordinateur. Ces systèmes d'apprentissage profond utilisent des architectures comme les réseaux convolutionnels, qui sont conçus pour traiter des données sous forme de tableau, comme une image, une vidéo ou du texte. Ces systèmes s'inspirent des neurosciences et de la biologie. C'est une inspiration ténue, un peu comme les oiseaux ont inspiré les concepteurs d'avions. Nous les appelons parfois réseaux de neurones profonds parce qu'ils s'inspirent de la structure du cerveau.

Les gens parlent parfois de l'apprentissage profond comme d'un système de boîte noire. Qu'est-ce que cela signifie et pourquoi ce terme revient-il ?

De nombreuses applications de l'apprentissage profond concernent la perception, qui sont des processus inconscients dans l'esprit humain. Nous ne pouvons pas expliquer comment nous reconnaissons les images, c'est pourquoi nous ne pouvons pas écrire de programme traditionnel pour le faire. Ces tâches se situent en dessous du niveau verbal et conscient. Tout comme il est difficile de demander à un chauffeur de taxi d'expliquer exactement pourquoi il a tourné le volant à un moment précis, il est difficile de demander à un réseau de neurones d'expliquer une décision. Cependant, ce n'est pas vraiment une boîte noire car c'est un programme informatique que nous pouvons analyser. Nous pouvons comprendre comment modifier l'entrée pour changer la sortie. La notion de boîte noire est un peu une légende.

Une partie de cela est qu'il n'est pas conçu pour expliquer comment le monde fonctionne, mais plutôt pour apprendre comment il fonctionne, et il ne fournit pas nécessairement d'explication.

C'est exact. Ce serait un processus séparé d'entraîner un système à fournir une explication après avoir pris une décision. Par défaut, ces systèmes effectuent une prédiction, et une explication peut venir plus tard par l'apprentissage.

Une chose sur laquelle vous vouliez faire un commentaire est que ces machines ne sont pas nécessairement aussi avancées que les gens le pensent.

Il est très facile de s'embrouiller quand une machine accomplit un exploit à un niveau supérieur à la performance humaine. Ces systèmes peuvent être entraînés à reconnaître des espèces obscures de plantes ou des races de chiens mieux que la plupart des gens. Bien que leur performance soit surhumaine dans des domaines restreints, ils n'ont pas la même intelligence générale que les humains. Si vous changez légèrement la situation, ils ne seront pas performants. Nous pouvons faire de l'IA étroite, mais pas de l'IA générale. Nous n'avons pas les principes de base pour construire des machines aussi intelligentes qu'un rat ou un chat, sans parler d'un humain. Ce qui manque, c'est que le processus d'entraînement que j'ai décrit est un apprentissage supervisé, où l'on indique à la machine la réponse correcte. La majeure partie de l'apprentissage chez les humains et les animaux n'est pas de ce type ; nous apprenons en observant et en interagissant avec des objets. Nous ne savons pas encore tout à fait comment reproduire cela. Tant que nous ne le saurons pas, nous n'aurons pas de machines véritablement intelligentes. C'est une condition nécessaire pour progresser vers l'intelligence générale, mais pas suffisante. Cela pourrait prendre beaucoup de temps avant d'avoir des machines véritablement intelligentes.

Vous avez mentionné des applications où l'IA est utilisée pour des tâches spécifiques et étroites. Quelles sont les caractéristiques communes des tâches pour lesquelles l'apprentissage profond est efficace ? De quoi a-t-on besoin pour qu'une tâche puisse permettre d'entraîner l'IA à la réaliser mieux que les humains ?

Ces techniques fonctionnent bien pour les choses qu'un humain peut accomplir en moins d'une demi-seconde. Les tâches perceptuelles sont de ce type. Les neuroscientifiques nous disent que vous pouvez identifier des objets dans votre champ visuel en environ un dixième de seconde. Toute tâche que les animaux et les humains peuvent accomplir rapidement convient à ces systèmes. Cela se traduit par des tâches pour lesquelles vous pouvez collecter des millions d'exemples étiquetés par des humains, de sorte que le système sache quelle sortie correspond à des entrées particulières.

Vous avez besoin de beaucoup de données, souvent issues de tâches répétitives, mais vous ne devez pas nécessairement être capable de l'expliquer. Qu'est-ce qui pourrait caractériser les tâches qui sont très peu susceptibles d'être apprises par l'IA dans un avenir proche ?

Fixer des horizons est difficile, mais je pense que les progrès vers l'intelligence générale prendront quelques décennies. Avec les techniques d'aujourd'hui, les tâches qui peuvent être automatisées sont celles qui disposent de beaucoup de données et d'une correspondance évidente entre l'entrée et la sortie. S'il y a une décision facile à prendre qui ne nécessite pas de raisonnement complexe mais implique de nombreuses variables, ces systèmes peuvent faire un meilleur travail et être plus cohérents que les humains. Par exemple, les systèmes de conduite autonome pourraient réduire considérablement les accidents dus à l'inattention. Une autre application prometteuse est l'analyse d'images médicales. Dans un avenir proche, des systèmes automatisés traiteront les images médicales pour éliminer les cas simples, permettant aux médecins de se concentrer sur les cas difficiles.

Ainsi, les tâches qui comportent plus d'exceptions, qui ne sont pas routinières ou qui impliquent de la créativité sont moins susceptibles d'être automatisées.

Il existe des travaux sur l'entraînement de systèmes pour créer des images ou simuler la création, mais en fin de compte, ces systèmes seront utiles pour aider à la création. Un système qui transforme un simple dessin au trait en peinture permettra à davantage de personnes d'être créatrices. Les logiciels de composition musicale ont déjà multiplié le nombre de personnes capables de produire de la musique sans être des musiciens formés. Cette technologie amplifiera la créativité humaine. Je crois que la créativité humaine et la communication d'humain à humain deviendront plus précieuses à l'avenir.

Je voulais discuter d'un exemple que j'ai examiné : des entreprises utilisant l'IA pour évaluer des CV et recommander des candidats à un emploi. Que pensez-vous de cette application ?

De nombreuses entreprises utilisent l'apprentissage automatique pour cela, bien que pas nécessairement l'apprentissage profond ; certaines utilisent des techniques simples d'il y a 20 ans. Le problème est de s'assurer que les décisions sont impartiales. Ces systèmes sont généralement des aides à la décision qui produisent des résultats interprétés par des humains. Pour les décisions affectant la vie des gens, comme l'offre d'un emploi ou d'un prêt hypothécaire, on veut des explications. Bien que certains disent que l'apprentissage profond est un objet difficile à partir duquel générer des explications, je ne pense pas que ce soit le cas. Ils sont simplement plus complexes parce qu'ils produisent des réponses plus précises.

Un danger de l'apprentissage profond est qu'il est entraîné sur des données du monde réel, nous devons donc être prudents avec ces données. Il ne sera pas meilleur qu'un humain ; il reflétera les décisions humaines sur lesquelles il a été entraîné. Si vous utilisez les données de recrutement passées, l'algorithme reflétera ces biais humains initiaux.

Il y a deux points ici. Premièrement, vous pouvez obtenir des machines meilleures que n'importe quel individu parce que les données sont produites par un ensemble, fournissant un effet de sagesse de la foule qui lisse les variations individuelles. Deuxièmement, des personnes travaillent sur des techniques pour supprimer les biais des données. S'il y a des variables que vous ne voulez pas que le système utilise, il existe des moyens de supprimer cette information et les variables corrélées. En fin de compte, vous pourriez obtenir un système moins biaisé qu'un humain accomplissant la même tâche. Si vous ne voulez pas utiliser l'origine ethnique pour les décisions de prêt hypothécaire, vous devez également éliminer les informations corrélées comme les adresses. J'ai bon espoir que nous construirons des systèmes considérablement moins biaisés que les décisions humaines.

Je m'intéresse également au contexte de la mise en œuvre de l'IA. Une grande partie de la recherche en IA est financée et menée au sein d'entreprises privées, dont Facebook. Cela devrait-il être une préoccupation, et cela influence-t-il les applications de l'IA ?

Alors que certaines entreprises investissent massivement dans la recherche en IA, la majorité des bonnes idées proviennent toujours du milieu universitaire, y compris d'endroits comme Montréal. La plupart des entreprises impliquées dans la recherche en IA pratiquent en fait la recherche ouverte. Chez Facebook AI Research, tous les travaux sont publiés et la plupart des codes sont distribués en open source. Nous faisons cela parce que l'IA n'est pas un problème résolu et qu'il faut l'ensemble de la communauté de recherche pour progresser. L'ouverture de nos recherches aide la communauté à avancer dans des directions importantes. Cela a eu des répercussions, rendant des entreprises comme Google et Apple plus ouvertes. Pratiquer la recherche ouverte était la règle dans les années 70 et 80 dans des endroits comme Bell Labs et Xerox PARC. Bien que le développement interne de produits ne soit pas publié, les idées de base le sont.

En regardant comment l'IA est mise en œuvre au sein d'une entreprise, il y a un article que je fais lire à mes étudiants sur un logiciel de numérisation de chèques. Dans un département, la technologie a abouti à des tâches inintéressantes et morcelées. Dans un autre, ils ont consulté les travailleurs et combiné les tâches pour créer des emplois plus intéressants, en utilisant l'ordinateur pour gérer les parties frustrantes. La leçon à retenir est que la technologie en elle-même ne détermine pas l'impact sur le travail ; ce sont la mise en œuvre et la consultation qui le font. Vous avez mentionné avoir adopté cette approche de consultation avec des radiologues. Pouvez-vous en parler ?

Concernant la situation de la lecture des chèques, Yoshua Bengio et moi-même avons participé aux Bell Labs au début des années 90 au développement d'un tel système. À la fin des années 90, il lisait environ 20 % de tous les chèques aux États-Unis. La machine lisait les chèques rapidement, et elle en lisait automatiquement environ la moitié. Je me sentais mal à l'idée que des gens perdent leur emploi, mais ce ne fut pas le cas. Le processus a réduit les coûts pour les banques, et les employés sont passés à des tâches moins frustrantes. Je pense qu'un phénomène similaire se produira avec les radiologues. Des systèmes automatisés traiteront les cas simples, permettant aux radiologues de passer plus de temps sur les cas difficiles. Cela ne réduira pas le nombre de radiologues, mais rendra le travail plus intéressant et fiable, surtout lorsque l'attention diminue après des heures de travail.

Je veux insister sur la partie où vous vous êtes assis avec les radiologues. À quelle fréquence les chercheurs en IA rencontrent-ils les personnes qui effectuent la tâche pour parler de leur travail ? Est-ce une pratique courante, ou les chercheurs développent-ils généralement la tâche sans penser au travailleur ?

Il est rare qu'un scientifique de l'IA dans le milieu universitaire fasse cela, mais pas pour ceux qui déploient la technologie dans le monde réel. Vous devez parler aux utilisateurs pour construire quelque chose qui sert à quelque chose. Il y a une différence entre parler au radiologue et à l'entreprise qui les emploie. Les radiologues sont puissants et beaucoup voient cela comme une opportunité plutôt que comme une menace. Notre objectif est de sauver des vies et de les rendre meilleures, c'est pourquoi la plupart ont choisi cette profession. Les employeurs n'ont peut-être pas la même motivation, mais ils ne peuvent pas réussir sans leurs employés.

Je m'intéresse aux carrières. Je sais que vous avez trois fils. Quels conseils de carrière leur avez-vous donnés puisque vous avez une meilleure idée de ce qui s'en vient dans le futur ?

Notre plus jeune fils a terminé ses études il y a quelque temps et a étudié la science des données. Je ne suis pas économiste, alors prenez ce que je dis avec des pincettes. L'automatisation modifie la valeur des choses. Un lecteur Blu-ray sophistiqué est très bon marché car il est fabriqué par des machines. Un bol en céramique fait à la main utilisant une technologie vieille de 10 000 ans est beaucoup plus cher. Il y a une augmentation continue de la valeur des choses ayant une touche humaine authentique par rapport aux choses faites par des machines. Nous accorderons beaucoup de valeur à la communication directe d'humain à humain et à l'émotion humaine. Les biens matériels deviendront moins chers et l'expérience humaine deviendra plus précieuse.

Alors vous avez dit à vos fils de devenir chanteurs d'opéra ?

No, l'un est avocat, le second mathématicien, et le troisième a étudié l'économie et l'informatique. Je recommande d'apprendre des choses avec une longue durée de vie et des choses qui vous rendent unique. Les mathématiques et la physique ne changeront pas beaucoup. En fin de compte, les systèmes d'IA seront à notre service comme une amplification de notre intelligence, et non un remplacement. Notre néocortex est au service de notre cerveau reptilien ; de même, l'IA nous sera assujettie.

Vous avez mentionné la philosophie. Pourquoi la philosophie est-elle une bonne chose à étudier ?

Je me suis intéressé à l'apprentissage automatique par la philosophie. En tant qu'étudiant en ingénierie, je suis tombé sur un livre documentant un débat entre Jean Piaget et Noam Chomsky. C'était un débat sur l'inné et l'acquis où Chomsky soutenait que le langage est inné et Piaget soutenait que nous apprenons. Une personne plaidant pour Piaget était Seymour Papert, qui parlait du perceptron, une machine capable d'apprendre. C'est ce qui m'a rendu accro à ce domaine.

Quelle est l'importance du fait que tout le monde devienne technologiquement instruit à l'avenir ?

C'est déjà le cas. Tout le monde est plus sophistiqué technologiquement que les gens ne l'étaient il y a 30, 50 ou 100 ans. Cela évolue avec le temps.

Tout le monde doit-il apprendre à coder ?

Apprendre à coder est un moyen de réduire un problème complexe à un ensemble simple d'instructions, ce qui est une compétence de base dont les gens ont besoin. Dans l'éducation classique, les élèves apprenaient le latin pour se former l'esprit et apprendre à penser. Les mathématiques ont remplacé le latin à cet effet. Le codage vous fait réfléchir à la réduction de problèmes complexes en opérations simples. Tout le monde n'a pas besoin d'être programmeur, mais les compétences requises pour le codage sont très bonnes à avoir.

Comment voyez-vous les institutions éducatives devoir s'adapter à la technologie et à l'IA ?

Le progrès technologique s'accélère, mais les institutions éducatives sont connues pour leur conservatisme et leur lenteur au changement.

Je suis choquée par cette déclaration. Je suis sûre que tout le monde ici est également choqué.

Il est de plus en plus difficile pour le milieu universitaire de suivre le rythme des transitions technologiques. Certaines écoles conservatrices ont raté le coche lors du récent succès de l'IA et de l'apprentissage profond. Des écoles innovantes ont pris un risque et ont investi. Les institutions doivent trouver des moyens de lutter contre le conservatisme et se concentrer sur l'enseignement aux étudiants de compétences qui seront utiles pour toute leur carrière. Puisque les gens changent souvent de carrière, ils doivent acquérir des compétences de base qui leur permettent d'apprendre. Apprendre à apprendre est plus important que tout le reste.

Enfin, à quoi le gouvernement ou la société devraient-ils réfléchir maintenant pour assurer un avenir positif plutôt que dystopique ?

Je ne suis ni économiste ni politicien, mais c'est davantage une question politique que technique. Le progrès technologique semble provoquer une augmentation de la richesse et des inégalités de revenus, et les gouvernements doivent trouver des moyens de corriger cela. Ce n'est pas spécifique à l'IA ; c'est un phénomène observé dans toutes les technologies. Nous sommes passés de la majorité des gens travaillant dans les champs à seulement 2 %. De nouveaux emplois sont créés qui n'existaient pas il y a 10 ans. Je ne m'inquiète pas du fait que les robots prennent des emplois. Nous ne serons pas à court d'emplois tant que nous ne serons pas à court de problèmes. Cependant, la concentration de la richesse est un problème politique que les gouvernements doivent traiter.

Nous devons également prendre en compte ceux qui y perdent. Lorsque vous perdez un emploi à 50 ans après un investissement initial important dans vos compétences, c'est un défi majeur. Les politiques publiques n'ont pas encore trouvé comment soutenir ces personnes.

J'avais l'habitude d'être plus inquiet à ce sujet, mais après avoir parlé à des économistes, ma perspective a changé. Le chômage technologique survient lorsque les compétences ne sont pas en phase avec la nouvelle économie. Cependant, la diffusion de la technologie est limitée par la rapidité avec laquelle les gens peuvent apprendre. Les ordinateurs sont apparus dans les années 70, mais la productivité n'a augmenté que dans les années 90 en raison d'une courbe en J. La même chose pourrait se produire avec l'IA. Les économistes appellent l'IA une technologie à usage général qui pénétrera tous les recoins de l'économie, mais ce processus prend 10 à 20 ans. La vitesse à laquelle les gens apprennent limite le déploiement de la technologie, ce qui limite également le nombre de personnes au chômage technologique.

Donc votre théorie est que la technologie ralentira jusqu'à ce que les gens puissent rattraper leur retard.

C'est exact.

Merci. Nous avons maintenant une courte session de questions-réponses. Notre première invitée est Madame Louise Poissant, Directrice Scientifique du Fonds de recherche Société et culture, Gouvernement du Québec.

Merci beaucoup pour cette présentation et cette discussion très intéressantes. J'aimerais savoir à votre avis comment les institutions, les universités dans cet environnement très compétitif peuvent faire pour attirer et retenir les talents.

C'est un problème pour les universités étant donné qu'il y a énormément de compétition avec l'industrie et beaucoup de jeunes diplômés créent des startups ou vont travailler dans l'industrie. Je pense que ça va redéfinir la relation entre certaines industries et l'université. Dans mon cas, je suis directeur de Facebook AI Research, mais aussi toujours professeur à NYU. On va voir de plus en plus de gens qui ont un poste académique et qui passent du temps dans l'industrie à temps partiel, ou le contraire. C'est le cas à Facebook AI Research, où deux chercheurs sont affiliés à NYU et supervisent des étudiants.

Notre deuxième invité est M. Helge Seetzen, associé principal et PDG de TandemLaunch.

Merci pour ces éclairages. Vous avez parlé de la distinction entre l'IA générale et les techniques d'apprentissage profond. Quel est selon vous le chemin vers l'IA générale et quel rôle l'apprentissage profond jouera-t-il dans cette transition, compte tenu de ses limites ?

L'apprentissage profond fait partie de la solution. Le concept de construction d'un circuit de fonctions et de leur entraînement sur des données ne va pas disparaître. Cependant, nous avons besoin d'un paradigme d'apprentissage différent. Il existe trois paradigmes : l'apprentissage supervisé, l'apprentissage par renforcement et l'apprentissage non supervisé ou prédictif. Nous ne savons pas comment faire le troisième type, qui est la manière dont les humains et les animaux apprennent. C'est le chemin vers l'intelligence artificielle générale. Tant que nous n'aurons pas franchi cet obstacle, nous serons limités. L'histoire montre que nous sous-estimons souvent la difficulté de l'IA. Nous voyons l'obstacle de l'apprentissage prédictif et nous y travaillons, mais il pourrait y avoir beaucoup d'autres obstacles derrière.

Notre troisième invitée est Mme Alexandra Duval, co-présidente du McGill Data Network.

Merci. Les étudiants obtiennent leur diplôme pour des emplois qui n'existaient pas lorsqu'ils ont commencé l'université. Je voulais avoir d'autres conseils pour les étudiants sur la façon de se préparer à ce marché du travail, tant à l'intérieur qu'à l'extérieur de leur formation.

Je recommande d'apprendre des connaissances de base avec une longue durée de vie, comme les mathématiques et la physique, ainsi que la pensée critique et la philosophie. Celles-ci sont plus difficiles à apprendre en vieillissant. Les compétences opérationnelles requises par les employeurs actuels sont moins importantes à apprendre à l'école car vous pouvez les acquérir sur le tas. Un cours de programmation d'application pourrait vous permettre de décrocher un emploi rapidement, mais il sera inutile dans 10 ans. Il est préférable de suivre des cours de mathématiques appliquées ou d'optimisation qui vous apprennent à réfléchir.

Je fais à mes étudiants un discours sur la pensée critique au début de chaque cours. Notre quatrième invité est Monsieur Philippe Crevier, Conseiller syndical, FSSS-CSN.

Merci. Je me demandais si on pouvait anticiper les effets du virage en matière de relations de travail et quelles conséquences ça aurait pour les organisations syndicales. Comment va évoluer le syndicalisme au fil de cette transformation ? Est-ce que je vais avoir encore un travail dans 5-10 ans ?

La valeur des interactions humaines directes va augmenter, donc l'utilité du syndicaliste ne va pas décroître. Il va y avoir des transformations et un risque de concentration des pouvoirs qui devra être accompagné de décisions gouvernementales. Nous allons peut-être assister à un nouveau contrat social. J'ai participé à la création du Partnership on AI, qui regroupe des grandes compagnies comme Facebook et Google, mais aussi des ONG et des partenaires sociaux pour discuter de ces questions d'éthique ouvertement. Ces discussions doivent être publiques pour établir des lignes de conduite et s'assurer de la fiabilité des systèmes, comme pour les voitures autonomes ou la médecine.

Concernant le Partnership on AI, y a-t-il déjà des syndicats impliqués, ou est-ce quelque chose que vous aimeriez avoir ?

Je ne connais pas la liste complète des membres, mais des organisations comme l'ACLU et l'UNESCO sont impliquées, ainsi que des entreprises du monde entier. C'est un effort mondial impliquant des partenaires de différents types d'organisations qui participent aux comités et aux discussions.

Pensez-vous que cette organisation réussira à influencer le développement de l'IA ?

Ce n'est que le début et nous avons récemment nommé un directeur exécutif. Elle réussira dans la mesure où elle rassemblera des personnes capables de réfléchir à ces questions et de formuler des recommandations pratiques pour les entreprises, les organisations sociales et les gouvernements. Les gouvernements doivent être informés car il y a souvent peu de culture scientifique au sein du gouvernement. Il y a un devoir d'informer ceux qui prennent des décisions à ce sujet.

Veuillez vous joindre à moi pour remercier Yann LeCun de s'être joint à nous et d'avoir partagé avec nous.