Série L'intelligence artificielle est à nos portes : Comment l'IA transforme l'économie (DDN2-V22)

Transcription : Série L'intelligence artificielle est à nos portes : Comment l'IA transforme l'économie

[Le logo de l'EFPC apparaît à l'écran.]

[Erica Vezeau apparaît dans l'appel vidéo.]

Erica Vezeau de l'École de la fonction publique du Canada : Bonjour à tous. Bienvenue à l'École de la fonction publique du Canada. Je m'appelle Erica Vezeau et je suis la directrice générale de l'Académie du numérique, ici, à l'École. Je suis vraiment heureuse d'être avec vous aujourd'hui et souhaite la bienvenue à tous ceux qui ont décidé de prendre part à l'événement. Avant de poursuivre, j'aimerais reconnaître que, puisque je diffuse à partir de Gatineau, je suis sur le territoire traditionnel non cédé du peuple anichinabé. Dans le cadre de cet événement virtuel, prenons le temps de reconnaître que nous travaillons tous dans des endroits différents et que, par conséquent, nous travaillons tous dans un territoire traditionnel autochtone différent. Je vous invite à prendre un instant pour y réfléchir en guise de reconnaissance.

L'activité d'aujourd'hui est le quatrième épisode de notre série L'intelligence artificielle est à nos portes. L'École offre cette série d'événements en partenariat avec l'Institut Schwartz Reisman pour la technologie et la société, qui est le centre de recherche et de solutions dont le siège est à l'Université de Toronto et qui a pour mission de veiller à ce que les technologies comme l'intelligence artificielle (IA) soient sécuritaires, responsables et exploitées à des fins appropriées. Jusqu'à maintenant dans cette série nous avons présenté aux participants un aperçu de l'IA, y compris la façon dont l'IA pourrait bien transformer la prise de décisions, les enjeux entourant le consentement citoyen et quand et comment l'IA pourrait être utilisée dans un contexte gouvernemental.

Aujourd'hui, nous nous concentrerons sur la façon dont l'IA transforme l'économie. Le format de l'événement sera le suivant. D'abord, nous assisterons à une conférence préenregistrée donnée par Avi Goldfarb, titulaire de la chaire Rotman en intelligence artificielle et en soins de santé et professeur de marketing à l'École de gestion Rotman à l'Université de Toronto. Après la conférence, Avi rejoindra les participants en direct avec notre spécialiste invité, Alex Scott, développeur commercial de groupe pour Coriolis AI, qui constitue le groupe de recherche et développement de la Banque Royale du Canada. Veuillez prendre note que Pamela Snively, chef des données et du Bureau des relations de confiance de TELUS Communications, devait également être au nombre des invités aujourd'hui. Malheureusement, elle n'a pas pu être des nôtres pour cause de maladie. Nous lui souhaitons un prompt rétablissement. Après s'être présentés, Avi et Alex engageront une conversation s'inspirant de certains des thèmes et sujets abordés dans la conférence vidéo.

Mais avant de commencer, voici quelques points d'ordre administratif à mentionner, car nous vous avons planifié une activité géniale et voulons que vous ayez la meilleure expérience possible. D'abord, afin d'optimiser la qualité visuelle, nous vous recommandons de vous déconnecter de votre RPV ou d'assister à la séance à partir d'un appareil personnel si possible. Si vous éprouvez des problèmes techniques, nous vous recommandons de relancer le lien de webdiffusion qui vous a été envoyé par courriel. Une traduction simultanée est disponible pour les participants qui rejoignent la webdiffusion. Pour ceux qui souhaitent utiliser le service d'interprétation simultanée en français, veuillez suivre les instructions fournies dans le courriel de rappel, qui comprend un numéro de conférence qui vous permettra d'assister à l'événement dans la langue de votre choix. Les participants sont invités à soumettre des questions tout au long de l'événement en utilisant l'interface vidéo Collaborate. Pour ce faire, veuillez cliquer sur le bouton de la main levée dans le coin supérieur droit de votre écran, puis écrire votre question. La boîte de réception sera vérifiée tout au long de l'événement et les questions seront posées vers la fin. Maintenant, sans plus tarder, commençons la vidéo portant sur la façon dont l'IA transforme l'économie.

[L'image d'Erica s'efface pou r laisser place à un écran de titre qui indique « Série L'intelligence artificielle est à nos portes. »]

[« Comment l'IA transforme-t-elle l'économie? » Avi Goldfarb est debout devant un fond bleu et, pendant qu'il parle, des images et des titres apparaissent derrière lui.]

Avi Goldfarb : Bonjour, je m'appelle Avi Goldfarb. Je suis titulaire de la chaire Rotman en intelligence artificielle et en soins de santé et professeur de marketing à l'École de gestion Rotman à l'Université de Toronto. Je vais vous parler de l'économie simple de l'intelligence artificielle, en m'appuyant sur mon livre, Prediction Machines avec Ajay Agrawal et Joshua Gans. Donc, Ajay, Joshua et moi sommes professeurs à l'Université de Toronto. J'en suis fier, c'est une bonne université. Il y a une vingtaine d'années, quelque chose de spécial s'est produit à l'université. Il s'agissait de la découverte ou de l'invention, selon la façon dont on l'envisage, d'un certain nombre de technologies qui ont suscité l'engouement actuel pour l'intelligence artificielle. Et c'est par l'Université de Toronto que sont passés il y a de cela de 15 à 20 ans les futurs chefs de la recherche en IA de Facebook, d'Apple, d'OpenAI et d'autres entreprises. Très récemment, deux de ces personnes qui étaient à l'Université de Toronto il y a 15 ans, dont l'une, Geoffrey Hinton, y est toujours, ont remporté le prix Turing. C'est un peu comme recevoir le prix Nobel de l'informatique.

Maintenant, la façon dont l'université fonctionne habituellement, c'est que je m'assois au Département de gestion, je m'assois à l'école de commerce, j'ouvre le journal virtuel ou papier de l'école, puis je me dis « oh, il se passe des choses passionnantes au Département d'informatique », puis je m'arrête là et je poursuis mes activités quotidiennes. Mais Ajay, Joshua et moi sommes à la tête de l'organisme appelé Creative Destruction Lab, qui est un programme pour aider les jeunes entreprises scientifiques à prendre de l'expansion. Au cours de la toute première année de ce Creative Destruction Lab, il y a environ dix ans, nous avons connu une entreprise qui se disait une entreprise d'intelligence artificielle, car elle découvrait de nouveaux médicaments, des produits pharmaceutiques. C'était intéressant, un peu avant-gardiste. Et l'année suivante nous avons eu quelques autres entreprises qui se disaient des entreprises d'intelligence artificielle dans divers domaines. Et un an plus tard, et deux ans plus tard, nous avons été inondés d'entreprises provenant en grande partie du Département d'informatique à l'Université de Toronto et d'une poignée d'autres écoles du sud de l'Ontario qui se disaient des entreprises d'IA dans toutes sortes de domaines. C'est à ce moment que nous avons réalisé qu'il se passait quelque chose. C'est passionnant et cela valait la peine d'essayer de comprendre en mettant notre ancien chapeau d'érudits dans la technologie économique.

Et donc, ce dont je parle, de quoi traite le livre et ce sur quoi porte notre recherche depuis 2014 environ est de tenter de comprendre un tel changement dans l'intelligence artificielle et ce que cela signifie pour les entreprises et autres organisations. Et ce que vous voyez encore et encore – vous savez, cela a commencé en 2015 et l'engouement ne s'est pas démenti, et nous voilà en 2021 et nous constatons toujours cet engouement et cet enthousiasme à propos de l'IA. On s'attend à ce que l'adoption de l'IA augmente rapidement. Les robots se multiplient, attendez, les robots se multiplient, mais qu'est ce que ça signifie pour nous, les humains? On doit s'attendre à des pertes d'emploi records. Le professeur Daniel Kahneman, qui est psychologue et a reçu le prix Nobel d'économie, a dit, vous savez : « Manifestement, l'IA sera en mesure de faire tout ce que nous pouvons faire. Que reste-t-il pour nous, les humains? »

Maintenant, je crois qu'il est très important de reconnaître que nous parlons d'une technologie en particulier lorsque nous parlons de l'intelligence artificielle aujourd'hui. Ce n'est pas comme les robots de, disons, dans le film La guerre des étoiles qui, les droïdes, peuvent faire à peu près tout ce que nous faisons. Ils font deux ou trois choses mieux que les humains, les mains sur le robot. Alors, par exemple, C-3PO était un robot dans La guerre des étoiles; C-3PO peut faire deux choses mieux que les humains. La première, vous la voyez dans le film : C-3PO peut traduire les langues mieux que n'importe quel humain. La deuxième est moins évidente, mais elle rend en fait les droïdes dans La guerre des étoiles particulièrement utiles par rapport au reste de la science-fiction, c'est que C-3PO écoute les humains et les droïdes de La guerre des étoiles écoutent généralement ce que leurs humains leur demandent de faire. Le reste de la science-fiction, bien sûr, est rempli de ces robots qui peuvent faire à peu près tout ce que nous pouvons faire, faire plusieurs choses mieux que nous, et ils ne nous écoutent pas, et vous avez ainsi Skynet des films Terminator ou les robots de La Matrice ou HAL de 2001, l'Odyssée de l'espace.

Je ne crois pas que cette idée d'intelligence artificielle générale soit folle. Je le pensais avant, puis j'ai entendu quelques débats et discussions entre le professeur Kahneman et Yann LeCun et certains autres qui m'ont convaincu que, maintenant, ce sera possible un jour. Cela dit, il est important de prendre conscience que cette intelligence artificielle générale n'était pas envisageable avant de 20 à 50 ans à la toute première conférence sur l'IA au Collège Dartmouth en 1956 et que de 20 à 50 ans nous en séparent toujours. Il ne s'agit pas de la technologie dont nous parlons aujourd'hui. Si l'intelligence artificielle suscite un tel engouement aujourd'hui, c'est parce qu'une technologie très particulière, une branche de l'informatique et une branche de la statistique computationnelle appelée l'apprentissage automatique, s'est considérablement améliorée.

Et donc, lorsque vous essayez de comprendre les conséquences de l'IA et ses répercussions sur votre travail dans votre organisation, vous devez reconnaître que l'IA est une technologie de prévision. Qu'entend-on par prévision? Il s'agit d'utiliser l'information que vous avez pour générer de l'information que vous n'avez pas. Voilà le changement. La prévision s'est améliorée et elle est plus rapide et moins dispendieuse. Pour comprendre l'importance du fait qu'une technologie de prévision ou toute technologie soit maintenant meilleure, plus rapide et moins chère, il vaut la peine de revenir une génération en arrière, à 1995.

En 1995, j'étais étudiant de premier cycle et il y avait une nouvelle technologie prometteuse appelée Internet. Elle créait tout un engouement. C'est cette année-là que les derniers aspects du réseau Internet public, le NSFNET, ont été privatisés. C'est l'année où Bill Gates a écrit son courriel raz-de-marée à propos d'Internet qui disait à Microsoft : « il nous manquait cette technologie sur Internet, elle est l'avenir de l'informatique ». Et c'est l'année où l'entreprise Netscape a été introduite en bourse, en étant évaluée à plus d'un milliard de dollars sans faire le moindre profit. L'engouement a continué de croître en 1996, en 1997, en 1998, jusqu'à ce que les gens cessent de parler d'Internet comme d'une nouvelle technologie. Ils ont commencé à décrire ce qu'on appelle une nouvelle économie. Je commençais alors mes études supérieures et mes professeurs faisaient valoir avec véhémence que, non, ce n'était pas une nouvelle économie. Vous devez malgré tout suivre vos cours d'économie et vous devez tout de même acheter nos manuels scolaires d'économie. Ce qu'ils ont dit cependant, c'est que nous pouvons comprendre l'impact d'un tel changement technologique en comprenant ce qui est différent, ce qui est devenu moins cher. Et dans le contexte d'Internet, nous pouvons constater que la recherche est devenue moins chère, la communication est devenue moins chère et la copie est devenue moins chère. Et lorsque vous le comprenez, vous pouvez définir tout un tas de conséquences. Par exemple, la copie à bas prix. Qu'est-ce que cela voulait dire? Cela signifiait que la protection du droit d'auteur allait être un casse-tête et que l'industrie de la musique connaîtrait divers ennuis, du moins les éditeurs de musique.

Parallèlement, la copie bon marché signifiait que nous commencerions à accorder beaucoup plus d'attention au respect de la vie privée que par le passé. En effet, lorsque tout ce que vous dites à quelqu'un quelque part peut être transmis instantanément à tout le monde partout dans le monde, vous faites un peu plus attention à ce que vous dites. Il ne s'agit donc pas d'une nouvelle économie, mais la copie bon marché a transformé la façon dont nous pouvons envisager les possibilités offertes par la numérisation à partir d'Internet.
Reculons d'une autre génération pour vous faire à l'idée que le bas prix crée toutes sortes de nouvelles possibilités. Réfléchissez à votre ordinateur, aux semi-conducteurs. Que fait vraiment l'ordinateur? Eh bien, on dirait qu'un ordinateur accomplit toutes sortes de tâches, mais il ne fait qu'une chose en réalité. Il la fait simplement vraiment, vraiment, vraiment bien. Votre ordinateur fait de l'arithmétique. Et nous pouvons nous représenter cela comme une baisse du coût de l'arithmétique. Nous sommes des économistes, alors voir les choses dans l'angle des coûts est naturel pour nous. Mais une fois que vous vous mettez à penser aux choses et aux coûts, vous l'admettrez, lorsque quelque chose est bon marché, nous en faisons plus. Les courbes de demande sont en pente descendante. C'est de l'économie 101. Lorsque l'arithmétique est devenue bon marché, nous avons commencé à faire plus d'arithmétique. Au départ, nous avons commencé à utiliser l'arithmétique automatique et de bons vieux problèmes d'arithmétique. Par exemple, pendant la Seconde Guerre mondiale et peu après nous avons eu des canons. Les canons tiraient des boulets. L'endroit où ces boulets de canon vont tomber est un problème d'arithmétique très difficile à résoudre. Le film Les Figures de l'ombre mettait en scène des équipes de femmes qui travaillaient comme calculatrices et calculaient la trajectoire d'objets. L'arithmétique automatique a ensuite fait des progrès, et nous n'avons plus de calculateurs humains qui font de l'arithmétique et calculent les tableaux d'artillerie. Mais beaucoup d'humains occupent encore de tels emplois parce que les personnes qui pouvaient faire de l'arithmétique avaient également besoin d'interpréter l'arithmétique, et ils étaient aussi bien placées pour le faire.

De la même façon, prenons un comptable. Si vous demandez à un comptable des années 1940, 1950 et même des années 1960 et 1970 à quoi il consacrait son temps, eh bien il le passait à additionner. Mes collègues professeurs au Département de la comptabilité à l'école de commerce, ici, à l'Université de Toronto, se souviennent du temps où leurs professeurs leur demandaient d'ouvrir l'annuaire aux pages blanches, disons à la page 962. Et ils disaient, bon, c'est une colonne qui contient, vous savez, des dizaines, voire des centaines de chiffres, et ils disaient « additionnez ces chiffres ». Pourquoi? Eh bien en partie parce que nous, les professeurs, sommes ainsi. Mais en partie il y a plus. Les étudiants obéissaient. Les étudiants obéissaient, car ils savaient qu'ils passeraient leur vie à additionner des colonnes de chiffres. Plus, l'arithmétique automatique a fait des progrès, et les comptables ne passent plus leur temps à additionner des colonnes et des chiffres. Pourtant, il y a encore beaucoup de comptables, car les personnes douées pour l'arithmétique sont aussi bien placées pour tirer parti de cette arithmétique pour la stratégie et la politique fiscale d'une entreprise. Et donc, alors que l'arithmétique devenait moins chère, nous avons commencé à prendre conscience de la multitude d'autres applications pour l'arithmétique automatique. Il s'avère que les jeux sont de l'arithmétique, le courrier peut être redéfini comme de l'arithmétique, la musique, les photos. Nous avions l'habitude d'aborder les photos comme un problème chimique. Kodak était une entreprise de produits chimiques. Mais avec l'arithmétique bon marché, nous avons commencé à redéfinir les photos, les images, comme un problème d'arithmétique.

[Une image montre une série complexe de connexions pendant un moment avant de revenir à Avi.]

Ce qui nous amène à la technologie d'aujourd'hui. Voici une représentation d'un réseau de neurones à convolution. Il s'agit de l'une des technologies à la base de l'enthousiasme actuel pour l'IA. Vous devriez la considérer comme une prévision bon marché. Même graphique, axe différent. L'intelligence artificielle, cette transformation dont nous avons été témoins au cours des dernières années, peut être représentée comme une baisse du coût de la prévision. Et tout comme pour l'arithmétique, les premières applications sont de bons vieux problèmes de prévision. N'est-ce pas? Vous entrez dans une banque et demandez un prêt. La banque doit prévoir où elle va rembourser ce prêt. De plus en plus, les banques font appel à des outils d'apprentissage automatique pour faire de telles prévisions. Le secteur de l'assurance prévoit également si vous ferez une déclaration de sinistre. Il faisait autrefois appel à, vous savez, d'autres types de bonnes vieilles statistiques et utilise de plus en plus souvent des outils d'apprentissage automatique.
Mais alors que la prévision devient meilleur marché, nous commençons à prendre conscience qu'un tas d'autres choses peuvent être redéfinies comme des problèmes de prévision que nous n'avions pas envisagé comme tels, par exemple les diagnostics médicaux. Le diagnostic médical est une prévision. Que fait votre médecin? Il recueille les données à propos de vos symptômes, puis comble l'information manquante sur la cause de ces symptômes. Il s'agit de prévisions et, de plus en plus, les chercheurs appliquent les outils d'apprentissage automatique pour poser de meilleurs diagnostics plus rapides et moins coûteux. Et la reconnaissance d'images est une prévision. Comment reconnaissez-vous un visage familier? Vos yeux captent les signaux lumineux et comblent l'information manquante d'une étiquette et d'un contexte. Il s'agit de technologie de prévision et, dans une mesure toujours croissante, les outils d'apprentissage automatique et l'IA sont efficaces, sinon meilleurs que l'humain.

Donc, jusqu'à présent, nous en sommes au premier jour du cours d'économie 101. Quand la technologie devient bon marché, quand quelque chose devient bon marché, nous en faisons plus. C'est l'idée que les courbes de demande sont en pente descendante. Le prix de quelque chose chute, nous en achetons plus. Si le café est bon marché, nous achetons plus de café. Les craintes entourant l'IA concernent les produits de remplacement. Oui, quand le café est peu cher, nous achetons plus de café. Mais nous achetons également moins de thé, car le thé et le café peuvent se substituer l'un l'autre. Et donc, dans la mesure où votre emploi ou votre organisation est axé sur la prévision liée à l'humain, à mesure que la prévision automatique s'améliore et est plus rapide et moins chère, votre emploi au sein de votre organisation devra évoluer.

Cela n'est pas très encourageant. Que reste-t-il? Il reste les compléments. Lorsque le prix du café baisse, oui, nous achetons moins de thé, mais nous achetons plus de crème et de sucre. La question à laquelle vous devriez donc réfléchir pour vous et votre organisation est la suivante : qu'est-ce qui prend de la valeur quand la prévision devient bon marché? Qu'est-ce qui correspond à la crème et au sucre? Que sont ces compléments à la prévision? Afin de comprendre cela, vous devez savoir à quoi sert la prévision. La prévision est utile pour une raison. Elle est utile pour appuyer la prise de décisions. Et la prise de décisions n'est pas une mince affaire. Une prévision sans décision est inutile. L'essentiel est de rechercher les décisions et de trouver comment intégrer vos compétences dans votre organisation à ces décisions. Car la prévision n'est pas la prise de décisions.

Qu'est-ce que la prise de décisions? Eh bien, une décision comporte de nombreux éléments. La prévision se trouve au centre, puis il y a aussi les données qui vous permettent de faire une meilleure prévision. Il y a le jugement que vous pouvez considérer comme... les prévisions à faire et ce qu'il faut faire avec ces prévisions une fois que vous les avez. Et il y a les actions et les résultats, c'est-à-dire ce qui se passe, ce que vous pouvez faire avec la prévision et le jugement combinés.

Parlons de jugement. Il y a le film Les Robots, un film bien avec une scène fantastique. Donc, Will Smith est un protagoniste dans Les Robots. Et il déteste les robots. On peut deviner un peu la direction que prendra la trame du film. Pourquoi déteste-t-il les robots? Une scène montre un retour en arrière. Will Smith et une petite fille ont un accident de voiture et, pour une raison ou une autre, ils coulent tous deux dans une rivière, et il est assez évident que Will Smith et cette petite fille sont sur le point de se noyer. Puis, un robot arrive et le sauve, lui, mais pas la fille; voilà pourquoi il déteste les robots. Ce qui est intéressant, c'est que comme c'est un robot, il peut le vérifier. Il peut découvrir pourquoi le robot l'a secouru, mais n'a pas sauvé la fille. Et il découvre que le robot a effectué une prévision. Le robot avait prévu que ses chances de survie étaient de 45 % et que cette petite fille n'avait que 11 % de chances de survie; c'est pourquoi le robot l'a secouru plutôt qu'elle. Il manque toutefois quelque chose ici. C'est la prévision. Le jugement est de dire, eh bien, une probabilité de 45 % que Will Smith survive est mieux qu'une probabilité de 11 % que cette fille survive. C'est le... dans la mesure où il estime que le robot a pris la mauvaise décision, ce qu'il avance c'est que la vie de cette fille vaut plus que quatre fois sa vie. Le jugement est la récompense d'une action précise, dans une situation précise. C'est le résultat que vous obtenez en prenant des décisions. Et ceci, pour le moment du moins, est inscrit dans la nature humaine.

Comment cela se passe-t-il dans une organisation? Comment réfléchissez-vous à ceci : « D'accord, nous avons ces prévisions. Nous avons des machines à prévisions. Nous allons intégrer la prévision automatique au lieu de la prévision humaine. Il nous faudra tout de même le jugement de beaucoup d'humains. » Comment cela fonctionne-t-il? On peut penser que chaque organisation a un flux de travail, c'est-à-dire une série de tâches et de décisions dans chaque emploi. Et ce que vous faites est d'établir quelles tâches dans quelles décisions sont des prévisions. Et vous, dans la mesure du possible, prenez la machine et remplacez l'humain. Cela conduit à une vision plus pessimiste de macropolitiques, à savoir, eh bien, que les machines peuvent prévoir beaucoup de choses. Et un jour les machines pourraient même être en mesure de prévoir ce que feraient les humains. Donc, l'IA remplacera des emplois et nous laissera peu de place. Il existe un autre point de vue pessimiste selon lequel l'IA est merveilleuse et influente, mais comme l'a souligné Bob Gordon de l'Université Northwestern, elle n'est pas aussi passionnante que les technologies qui se sont répandues entre 1870 et 1970. L'IA est géniale, la technologie de l'information est en général extraordinaire, mais on ne parle pas de la toilette activée par une chasse d'eau ni d'antibiotique.

Joel Mokyr est un autre professeur de l'Université Northwestern; il a été mon professeur d'histoire il y a longtemps. Il a affirmé : « Eh bien, la bonne nouvelle est que ces deux prévisions pessimistes ne peuvent être exactes. Et la nouvelle encore meilleure est qu'elles peuvent être erronées toutes les deux. Nous ne pouvons à la fois avoir l'IA qui augmente énormément la productivité en nous laissant peu de place et l'IA qui n'a aucune importance. » C'est un peu l'un ou l'autre. Mais nous pourrions avoir l'IA qui améliore grandement notre vie, nous donne du temps et nous offre la possibilité de continuer à effectuer un travail intéressant et nouveau.

Donc, la première grande question politique est la suivante : est-ce la fin des emplois? Eh bien, laissez-moi la poser. Vous avez vu le film La Matrice. Dans le film La Matrice, chaque humain a un emploi dès sa naissance jusqu'au jour de sa mort. Il ne s'agit pas de bons emplois. Que font les humains? Les batteries; ils fournissent l'énergie. Y aura-t-il des emplois? Ce n'est pas la bonne question. La grande victoire du XXe siècle en matière de travail n'est pas d'avoir eu plus de travail, mais d'en avoir eu moins. Nous avons pu prendre notre retraite. Nous avons eu des fins de semaine et des journées de travail de huit heures. Y aura-t-il des emplois? Lorsqu'on se demande s'il y aura du travail, on se pose la mauvaise question. La bonne question est comment... si l'IA remplit sa mission et qu'elle améliore énormément la productivité et génère de la richesse, comment cette richesse sera-t-elle répartie? Comment pensons-nous qu'un petit nombre de personnes y gagnera? Dans un tel cas, oui, peut-être qu'à tout prendre avons-nous plus de richesses, mais avons-nous d'énormes inégalités? Ou nous songeons à des façons de répartir cette richesse de manière à ce que chaque personne puisse tirer avantage de l'augmentation de la productivité.

Maintenant, si l'on s'éloigne des compromis au niveau de la société, la productivité va augmenter, dans la mesure où cela se produit, est-ce que nous en profiterons tous ou est-ce que seules les personnes possédant les bonnes compétences et les machines en profiteront? Retournons maintenant à l'augmentation de la productivité. Qu'est-ce que cela signifie? À quoi ressemble le changement pour une organisation donnée en raison des prévisions? Et pour poser la question et y répondre, je vais vous poser une autre question, à savoir : si vous vouliez chercher quelque chose, disons il y a 30 ans, où seriez-vous allé à votre avis? Pour ceux d'entre vous qui ne cherchaient pas des choses il y a 30 ans, essayez de réfléchir aux gens de la génération précédente, vous savez, qu'auraient-ils fait? S'ils voulaient chercher quelque chose. Eh bien, ils auraient pu consulter une encyclopédie. Et sinon, ils seraient allés dans un beau grand édifice semblable à celui-ci.

[Une image de la bibliothèque Robarts apparaît derrière Avi.]

Voici la bibliothèque Robarts. C'est l'un des édifices les moins imposants du campus de l'Université de Toronto. Si vous étiez entrés dans la bibliothèque Robarts il y a 30 ans et aviez demandé à un bibliothécaire quels seraient, selon lui, les secteurs les plus passionnants au monde en 2020, je parierais qu'aucun de ces bibliothécaires en 1991 ou en 1992 n'aurait répondu : « Vous savez quoi? Le secteur de l'avenir est la bibliothéconomie. » Et pourtant, il s'avère que si vous pensez à ce qui est sans doute l'entreprise la plus passionnante au monde aujourd'hui, à ce qu'elle fait, il s'agit d'une entreprise de bibliothéconomie. Google vous aide dans vos recherches. C'est ce que fait l'entreprise. Et elle le fait mieux, plus rapidement et à moindre coût que ce qui se faisait auparavant dans les bibliothèques. Les bibliothèques pourraient faire valoir qu'elle ne le fait pas aussi bien. Cependant, une fois que l'accès à l'information, une fois qu'effectuer des recherches est suffisamment bon marché, la recherche de choses présente toutes sortes d'occasions commerciales. Nous n'avons plus à subventionner la bibliothèque. Maintenant, nous, euh... l'endroit où vous faites des recherches, la bibliothèque peut faire beaucoup d'argent sur diverses autres recherches pour lesquelles nous n'aurions peut-être pas octroyé une somme avant. Il s'avère que les recherches bon marché peuvent remplacer la bibliothèque et les pages jaunes et les petites annonces de manière beaucoup plus efficace et ainsi générer beaucoup d'argent, beaucoup de revenus.

Alors qu'en pensez-vous dans le contexte de votre propre organisation et de votre propre travail? Que signifie le fait que l'IA fasse... transforme votre façon de fonctionner? On peut voir cela comme un cadran. C'est là que vous pouvez monter le cadran de la prévision. Et vous en viendrez à tourner assez le cadran pour pouvoir changer votre façon de fonctionner. Par exemple, voici les prévisions d'Amazon sur ce que vous pourriez vouloir acheter. Le catalogue d'Amazon compte des centaines de millions d'articles. Et d'après ce que l'on sait, l'entreprise a raison, environ une fois sur 20. C'est extraordinaire. Pensez-y un moment. Des centaines de millions d'articles différents. Elle prévoit ce que vous achèterez et obtient quelque chose environ 5 % du temps. C'est extraordinaire, mais ce n'est pas vraiment une transformation des activités d'Amazon. Qu'est-ce que j'entends par là?

Amazon est dans le même secteur d'activité qu'à ses débuts dans les années 1990. En fait, l'entreprise est dans le même secteur que le catalogue Sears il y a plus de 100 ans. Amazon est une entreprise de catalogue. Elle est une excellente entreprise de catalogue. Mais, au fond, il s'agit d'un catalogue. Vous consultez son catalogue en ligne, vous lui dites ce que vous voulez. Elle envoie l'information à son entrepôt, puis elle effectue l'expédition à votre porte. Tout comme Sears l'aurait fait il y a longtemps. De nos jours, qu'est-ce que cela signifie pour ces recommandations, ces prévisions de ce que vous achèterez pour transformer l'entreprise? Bien, au lieu de 5 %, imaginons que ses prévisions soient justes à 20 %, ou à 50 %, ou à 70 %. À un moment donné, Amazon peut faire quelque chose de totalement différent. Par exemple, peut-être n'a-t-elle pas besoin d'attendre que vous effectuiez vos achats. Si ses prévisions sont assez bonnes, cela peut valoir la peine de simplement vous expédier les produits. Vous ouvrez ensuite une boîte chez vous, prenez ce que vous voulez et laissez le reste. Et Amazon vous vendra beaucoup plus d'articles, car elle vous les fournit quand vous les voulez. Cela vaut la peine pour l'entreprise d'investir dans l'infrastructure pour gérer les 10 %, 20 %, 30 % ou 50 % d'articles que vous ne voulez pas et pour s'occuper des retours. Maintenant, laissez-moi être clair. Nous ignorons si Amazon le fera vraiment ou si ce sera possible. Mais nous savons qu'elle y a pensé.

[Un formulaire de brevet apparaît à l'écran.]

Voici un brevet de 2013 pour l'expédition anticipée de colis. L'idée de passer de l'achat sur le site Web dans le catalogue, puis de la livraison à votre porte à la livraison à votre porte, puis à l'achat lorsque vous ouvrez la porte existe depuis longtemps.

[Avi revient.]

Donc, quel que soit votre secteur d'activité, réfléchissez aux prévisions en ce moment et à ce que vous pouvez faire différemment lorsque vous tournez le cadran. Avec l'amélioration de la prévision automatique sur le plan des diagnostics, le secteur des soins de santé peut changer. Peut-être toutes ces années de formation des médecins de première ligne ne sont-elles pas nécessaires dans la sélection de votre capacité à, vous savez, passer l'examen d'admission en médecine (MCAT) et mémoriser des choses. Peut-être devons-nous plutôt former nos médecins différemment. Et toute l'expérience des soins primaires... pourrait évoluer, de quelqu'un que nous considérons comme un médecin à quelqu'un qui a des compétences s'apparentant plus à celles d'un psychologue ou d'un travailleur social.
Nous avons passé une bonne partie de 2020 et des bouts de 2021 à l'intérieur à regarder à l'extérieur. Pourquoi? En raison d'un problème de prévision : nous ne savions pas qui était contagieux. Et parce que nous ne savions pas qui était contagieux, nous devions traiter tout le monde comme s'il l'était. Une meilleure prévision de la contagiosité des personnes aurait permis à la plupart d'entre nous de simplement poursuivre nos activités comme avant. Et ces quelques personnes contagieuses seraient restées à la maison. Le confinement a été une conséquence directe d'une mauvaise prévision. Et une meilleure prévision plus rapide et moins dispendieuse de la contagiosité dans le cas présent aurait pu transformer notre façon de vivre, vous savez, à cette période. Donc, quel que soit votre secteur d'activité, vous pouvez réaliser l'expérience. Imaginez que nous nous améliorons toujours pour prévoir un aspect fondamental de ce que vous faites. Comment cela vous permet-il de faire quelque chose de différent? Merci.

[L'écran de titre réapparaît. Avi apparaît dans l'appel vidéo avec Alex Scott.]

Bienvenue à tous. Je m'appelle Avi Goldfarb. Je crois que vous venez de voir une vidéo de moi. Je suis avec Alex Scott. Alex est développeur commercial de groupe pour Borealis AI. Et il va... il va nous dire ce qu'il pense de l'écosystème canadien de l'IA et du rôle de Borealis dans celui-ci. J'envisage avec plaisir ce qui devrait être une discussion animée d'une demi-heure, suivie de bien des questions et réponses. Alors, Alex, je vais vous laisser présenter de manière plus approfondie votre propre expertise et ce que vous êtes en train de faire, puis nous parler de ce que vous faites et votre point de vue. Alex, allez-y.

Alex Scott, développeur commercial de groupe, Borealis AI : Merci Avi. Je m'appelle Alex Scott. Je travaille chez Borealis AI, l'institut de recherche en intelligence artificielle de la Banque Royale du Canada (RBC). Je suis chez Borealis depuis un peu moins de deux ans maintenant et mon rôle consiste vraiment à combler le fossé entre l'apprentissage automatique, entre les chercheurs en intelligence artificielle et l'entreprise elle-même. RBC est l'une de nos plus importantes et plus anciennes organisations. Nous avons beaucoup de données, beaucoup de possibilités, l'apprentissage automatique. Et une grande partie de la réussite dans le domaine consiste à trouver d'incroyables talents en apprentissage automatique. Trouver de très bons problèmes d'analyse dans l'entreprise et marier les deux éléments de manière très efficace. Je me considère donc un peu comme un traducteur qui sert d'intermédiaire entre nos dirigeants à RBC et nos excellents chercheurs en IA chez Borealis.

En réalité, je possède des connaissances dans les deux domaines. J'ai fait des études commerciales de premier cycle il y a de très nombreuses années et ensuite une maîtrise en analyse et en intelligence artificielle il y a quelques années. J'essaie vraiment de faire coïncider ces domaines. Et j'ai commencé ma carrière en analytique à l'époque où on appelait ça simplement de la statistique, en fait. À l'époque où nous étions un peu plus axés sur les données, partout où c'était possible. Ainsi, j'ai passé beaucoup de temps en consultation en gestion à aider le secteur public et d'autres institutions financières à améliorer leur jeu de données et d'analyse, puis je suis passé tranquillement à l'industrie, où j'ai pu aider Borealis à réaliser d'excellents projets dans l'ensemble de RBC. Je vais juste vous donner un aperçu de ce que nous faisons avec RBC. Nous avons des projets qui vont du travail sur les marchés financiers, où nous tentons d'aider nos négociateurs à prendre de meilleures décisions sur-le-champ. Nous effectuons du travail relatif à nos énoncés de risque où nous essayons de prendre de meilleures décisions de répartition du crédit. Et nous effectuons un travail que certains d'entre vous connaissent peut-être si vous utilisez l'application mobile RBC avec laquelle nous tentons d'aider les consommateurs à gérer leur propre avenir financier et de les informer du moment des prélèvements automatiques et des factures à venir ainsi que du montant de celles-ci. Nous essayons donc de donner un peu plus de renseignements aux gens à propos de leur vie financière et de leur avenir financier. Pour ce, nous misons sur l'excellence et l'énorme quantité de données dont nous disposons à propos de nos clients, ici, au Canada.

Avi Goldfarb : Bien, merci Alex. C'était une excellente présentation pour réfléchir au rôle de Borealis. Avant d'aborder les questions relatives au paysage canadien, je me demandais si vous pouviez examiner l'un des cas d'usage. Je comprends qu'il y a certaines choses que vous ne pouvez sans doute pas dire, mais juste pour que nous ayons une idée de ce que signifie l'utilisation de l'IA dans le contexte d'une banque. Alors, oui, nous l'avons vue dans nos applications mobiles. Mais qu'est-ce qui, qu'avons-nous vu exactement et que se passe-t-il dans les coulisses pour que cela fonctionne vraiment?

Alex Scott : Oui. Je vais vous parler de ce que vous voyez frontalement dans votre application mobile, car c'est ce que beaucoup d'entre vous connaissent peut-être. Donc, nous appelons la fonction Prévisions NOMI et, dans l'application mobile si vous êtes un client de RBC, vous pouvez y accéder et elle vous donnera nos prévisions sur vos prochains paiements, qu'il s'agisse d'un relevé de carte de crédit, d'un versement hypothécaire, d'une facture de services publics, etc. À première vue, cela vous semble assez facile, car vous effectuez peut-être un paiement hypothécaire une fois par mois ou recevez votre facture de services publics une fois par mois. Mais en fait le degré de complexité est incroyable. Et si l'on pense à toutes les données dont nous disposons. Prenons donc l'exemple d'un client de RBC comme moi, qui possède une carte de crédit et un compte chèques à RBC. Ainsi, le plus clair de ma vie financière passe par RBC d'une manière ou d'une autre. Et nous suivons toutes les opérations, toutes les entrées et sorties.

En arrière-plan, nous extrayons toute l'information qui, à l'échelle de RBC, se mesure en téraoctets par jour. Songez aux dizaines de milliers, aux centaines de milliers d'opérations exécutées et essayez de les faire concorder avec un client donné et ce qui s'en vient prochainement. Donc, un paiement hypothécaire peut être très, très facile à gérer. N'est-ce pas? Il est prélevé le même jour chaque mois. Mais il présente un autre niveau de complexité. Que se passe-t-il si votre paiement hypothécaire a lieu un jour de fin de semaine? Que faisons-nous? Nous devons maintenant commencer à faire des prévisions sur son déplacement. Sera-t-il devancé au vendredi ou reporté au lundi? Ferez-vous des paiements hypothécaires anticipés? Accélérez-vous le remboursement du prêt? Comment pouvons-nous faire des prévisions à ce sujet? Eh bien, nous essayons d'en savoir plus sur vous en tant que client, sur vos habitudes de dépense, sur votre situation financière. Bien entendu, si vous êtes un excellent client de RBC, vous avez peut-être aussi des placements chez nous, et nous pouvons voir comment vous utilisez vos comptes de placement. Rassembler toutes les données en arrière-plan nous permet de mieux comprendre votre situation actuelle et, avec un peu de chance, comprendre un peu plus ce que vous ferez demain et le mois prochain. D'un point de vue technologique, nous disposons d'un très grand nombre de technologies, notamment des ordinateurs très puissants et de nombreux systèmes de stockage de données. Et bien sûr, les algorithmes d'apprentissage automatique que nos développeurs créent pour faire de telles prévisions.

Avi Goldfarb : D'accord. Et quel genre d'équipe met tout cela en place? Alors vous avez... il y a une équipe des données, il y a une équipe de l'apprentissage automatique. Euh, il y a un chef de produit, je présume. Comment tout cela s'articule-t-il, par exemple, il a fallu combien de personnes pour que la fonction NOMI soit opérationnelle?

Alex Scott : Oui. Je compare toujours les projets d'analytique et les projets d'IA à un sport d'équipe. Et vous avez mis le doigt sur deux grandes équipes. Du point de vue de Borealis, un projet compte toujours quatre piliers. Nous avons une équipe de recherche. Une équipe de recherche est composée de titulaires de doctorat, de scientifiques de données, de gens très, très brillants dans le domaine. Euh, beaucoup d'entre eux ont été formés ici même. Nous avons une équipe de génie. L'équipe d'ingénieurs... c'est ce que je décris. Elle rend cela réel. Alors, notre équipe de recherche construit le modèle. Elle obtient les prévisions, mais ensuite les prévisions doivent aller quelque part. Et notre équipe de génie est celle qui se charge de trouver le moyen de les intégrer à l'application mobile. Les ingénieurs établissent quelles données doivent être disponibles pour faire ces prévisions. Ils nous aident à maintenir ces données, à les mettre à jour continuellement. Un chef de produit fait toujours partie de l'équipe. Il s'agit de la personne qui assure la coordination entre la recherche et le génie en veillant à ce que, pendant que nous développons des algorithmes très complexes du côté de la recherche, l'équipe de génie sache exactement ce qu'il se passe pour pouvoir mettre au point la technologie permettant l'intégration et de rendre les données disponibles. Ensuite, nous avons un responsable commercial. C'est mon rôle. Le responsable commercial est celui qui s'assure que nous résolvons le bon problème pour, dans notre cas, nos clients à RBC.

Alors, comment nous assurons-nous que les employés de RBC connaissent notre travail, savent pourquoi nous le faisons et que nous résolvons le bon problème? Les quatre piliers sont uniquement du côté de Borealis. Nous avons ensuite une équipe de taille presque égale à RBC, qui nous aide à comprendre où les données sont stockées, comment elles fonctionnent. Les données sont-elles claires et nettes? Ou est-il en fait assez difficile de travailler avec? Avons-nous besoin de beaucoup d'information, de métadonnées à propos de ces données? Des équipes d'ingénieurs de RBC nous aident à tout synchroniser pour nous assurer que nous pouvons aller chercher les données. Et donc, en tout, combien de personnes a-t-il fallu pour concrétiser le tout? Probablement plus de 40 ou 50 personnes au cours de, vous savez, l'année et demie qui a été nécessaire pour élaborer quelque chose comme cela. Il s'agit donc de projets de grande envergure à concrétiser. Et je n'avance pas que tous les projets d'apprentissage automatique ont besoin de 50 personnes pour réussir. Dans certains projets beaucoup plus petits, vous pouvez avoir quelques développeurs, quelques ingénieurs, et arriver à quelque chose de vraiment génial. Toutefois, lorsque vous souhaitez déployer quelque chose auprès de 14 millions de clients sur une application mobile, il faut vraiment un village pour tout mettre en place.

Avi Goldfarb : D'accord, et puis... c'est d'une telle envergure, sur le plan de... et vous avez dit qu'il y a vous, en tant que responsable commercial, qui s'assure que vous résolvez le bon problème. Qu'est-ce que cela signifie? Comment une organisation, ou comment RBC dans Borealis décide en quoi consiste le bon problème? Pourquoi NOMI et aider les gens à comprendre cela au lieu de, je ne sais pas, une autre prévision?

Alex Scott : Oui.

Avi Goldfarb : Sur quoi ces 50 personnes auraient pu travailler.

Alex Scott : C'est une excellente question. Et il est très difficile d'y répondre. C'est un combat de tous les jours chez Borealis parce qu'il existe tant de possibilités ici, et être capable de faire ces prévisions change vraiment la façon dont nous menons nos activités. Nous pouvons voir les choses de quelques façons. RBC est une organisation à but lucratif. Nous sommes tenus envers nos actionnaires de générer des bénéfices. Alors nous attaquons-nous uniquement aux problèmes les plus rentables? Vous savez, pouvons-nous simplement nous appuyer sur les marchés financiers, véritablement y optimiser nos activités? Eh bien, c'est une chose à laquelle il faut penser. Mais nous avons aussi une responsabilité à l'égard de nos clients et collectivités. Et donc, comment pouvons-nous nous assurer que, lorsque nous recherchons le profit, nous agissons de manière responsable? Voilà l'équilibre constant auquel nous pensons. L'une des raisons pour lesquelles nous avons voulu NOMI est que nous savons que les Canadiens se préoccupent de leur avenir financier et tout ce que nous pouvons faire pour les aider à mieux comprendre leur situation actuelle, où ils seront demain, signifie que nous aurons un meilleur avenir financier pour tous les Canadiens. Nous avons de meilleures relations avec nos clients. Nous établissons une relation de confiance avec eux. Et nous espérons qu'à long terme nous pourrons approfondir ces relations avec les clients pendant que nous continuons à aider les Canadiens à construire une vie meilleure. Toutefois, chez Borealis, nous réfléchissons toujours à la manière de repousser les limites de l'IA. Comment nous pouvons effectuer de la recherche plus innovante, résoudre des problèmes plus difficiles et c'est... une grande partie de notre ADN consiste à nous assurer de dépasser le seuil de la recherche en intelligence artificielle.

Avi Goldfarb : D'accord. Et donc, la fonction NOMI est maintenant lancée. Je pose en principe que vous l'améliorez continuellement, mais en fait elle est là. Comment mesurez-vous si une telle chose, vous savez, fonctionne ou atteint les objectifs que vous lui aviez fixés?

Alex Scott : Oui. Il y a donc une manière technique d'examiner le succès ici, qui consiste à prévoir qu'Alex aura un paiement hypothécaire de tel montant vendredi. Est-ce que cela s'est produit? Et avec cela, nous pouvons arriver à un pourcentage très rapide et grossier, si vous voulez. C'est la description la plus facile. Mais il s'agit là d'un point de vue très technique du succès, n'est-ce pas? Vous pouvez avoir une exactitude de prévision de 100 %, mais si cela n'intéresse pas les clients, eh bien, ce n'est pas très utile. Nous examinons donc également l'utilisation de l'application. Combien de personnes consultent les prévisions? Modifient-elles leur comportement sur une telle base? L'une des choses qui nous satisfont vraiment, c'est lorsque les clients ouvrent l'application, qu'ils voient cette prévision et qu'ils se rendent compte que leur compte chèques pourrait ne pas disposer de fonds suffisants pour payer la facture à venir et qu'ils peuvent transférer de l'argent de leur compte d'épargne pour ne pas être à découvert. Dans notre esprit, c'est un énorme succès, non? Nous ne voudrions jamais qu'un client se retrouve avec un compte à découvert. Alors, si nous pouvons lui fournir l'information à l'avance pour dire, vous savez, tant que virez 200 $ de votre compte d'épargne, vous vous trouverez en bonne posture, nous sommes vraiment heureux. Et c'est vraiment là où se situe le succès pour nous. Je veux dire, nous devons bien sûr maintenir une exactitude élevée dans nos prévisions. Mais avoir l'engagement est très très important.

Avi Goldfarb : Excellent. Alors, merci pour cette vaste introduction. Si les gens ont des questions générales sur la façon de penser à... la stratégie d'IA, aux projets d'IA et à la gestion des projets d'IA. Oui, nous pouvons – je vais prendre ces questions maintenant avant que nous nous penchions sur la politique.

Sinon, nous y reviendrons. Je ne suis pas sûr. Je ne peux pas, vous savez, voyons comment fonctionnent les questions et réponses. Je vais simplement – d'accord. Nous allons passer à la prochaine série de questions, puis nous reviendrons aux éléments de la stratégie d'IA. Donc, nous sommes au Canada et il y a, vous savez, une journée de neige, ce que vous pouvez considérer comme un aspect positif du Canada ou un aspect négatif du Canada pour ceux d'entre vous qui se trouvent dans le sud de l'Ontario. Hum, mais ce qui est excellent à propos du Canada dans le contexte de l'IA est que beaucoup de ces technologies ont été inventées ici, d'accord. Alors vous savez, à l'Université de Toronto et... le professeur Geoffrey Hinton, qui a peut-être fait plus que n'importe qui pour développer des technologies d'apprentissage profond, est ce qu'il reste à l'Université de Toronto, Rich Sutton est à l'Université de l'Alberta. Il est le développeur principal, ou du moins l'un des développeurs principaux exploitant une technologie appelée apprentissage par renforcement, qui est essentielle à une grande partie de notre travail. Et Yoshua Bengio était à Montréal. Nous avons beaucoup d'expertise. J'ai les trois grands, je crois. Car Yann LeCun n'est plus ici. Bien. Et donc nous avons beaucoup d'expertise au Canada et c'est, vous savez, quelque chose dont nous pouvons être fiers. Et c'est honnêtement la raison pour laquelle, vous savez, j'ai connu l'IA avant d'autres. Comme je l'ai mentionné dans la vidéo, nous avons vu ces entreprises d'IA passer par le Creative Destruction Lab en 2012. Donc, je veux parler un peu du Canada, mais en fait nous recevons des questions alors nous allons y aller avec ces questions. Mon blocage a fonctionné. Merci. Et nous allons jeter un coup d'œil aux questions, puis nous reviendrons au Canada. Alors première question : quelles sont les retombées d'une exactitude de prévision accrue que l'IA procurera aux marchés financiers? Donc, si les établissements... est-ce que cela signifie – je suppose que la question philosophique est, est-ce que nous, les investisseurs institutionnels, nous avons... un plus grand avantage par rapport aux particuliers? Et est-ce quelque chose dont il faut s'inquiéter? Je ne sais pas si vous y avez réfléchi, Alex.

Alex Scott : J'y ai pensé un peu, vous savez, je vais lancer quelques idées, je veux dire, je ne connais pas la réponse. Il s'agit d'une question très philosophique, mais j'aimerais dire que l'IA et l'apprentissage automatique offrent la possibilité de démocratiser le domaine, car il n'est pas tellement avantageux d'être une grande organisation quand il s'agit d'utiliser l'apprentissage automatique. Oui, nous disposons de données, mais dans la sphère des marchés financiers, les données ne sont pas un avantage concurrentiel. Les données sont publiques et pour l'essentiel gratuites. Ainsi, quiconque est abonné à Azure ou Google Cloud ou AWS peut avoir des environnements informatiques tout aussi puissants. Et avec un peu d'études et des amis peut produire un algorithme sans doute supérieur à ce que nous pouvons élaborer à RBC. Ce que nous faisons à RBC et chez Borealis n'est pas tellement de l'investissement institutionnel, nous en faisons un peu à RBC. Mais nous sommes avant tout un teneur de marché. Et c'est dans un tel écart que nous gagnons notre argent sur les marchés financiers. Nous serions heureux d'optimiser la tenue de marché, de réaliser un écart plus petit, mais de créer plus de marchés. Voilà où l'IA va véritablement jouer un rôle : accélérer les choses. Cette exactitude de prévision accrue, qui signifie que nous pouvons mieux fixer les prix à midi, avant la fermeture du marché, et que nous recalculons tout, améliore les choses pour tout le monde. Donc, nous ne jouons pas vraiment beaucoup dans le gros investissement institutionnel instantané comme... comme le ferait un fonds spéculatif, par exemple.

Avi Goldfarb : D'accord. C'est super, merci Alex. Je vais tenter le coup avec mes connaissances en économie. Hum, pour que vous le sachiez, je suis un économiste reconnu. Et il y a... Alors, pour étayer ce qu'a dit Alex sur les marchés efficients et, vous savez, la tenue de marché. Plus vous faites le marché, mieux c'est en général selon nos modèles. Et ce serait inquiétant si un investisseur institutionnel possédait tous les meilleurs outils d'IA et que personne d'autre n'en avait, car il bénéficierait alors d'un avantage en matière de prix par rapport aux particuliers, etc. Mais dès que vous en avez deux, oui, ces entreprises peuvent avoir un peu d'avance l'une sur l'autre. Mais les renseignements que possèdent deux entreprises vont se refléter dans le cours des valeurs mobilières. Et donc, vous savez, notre modèle soutient que tant que, vous savez, pour faire suite au point de vue d'Alex, l'investisseur individuel n'a pas vraiment accès à de tels modèles. Mais tant que nous avons des douzaines, même pas des centaines, d'investisseurs qui ont accès à de tels outils et modèles, alors le prix devrait finir par en rendre compte. Et tant que la tenue de marché est efficiente, ce que je viens tout juste de faire valoir, il y a lieu d'être optimiste à ce sujet.
Question suivante. Euh, le coût est toujours un élément clé à prendre en considération pour les entreprises. Donc, vous pensez au coût de ne pas adopter l'IA. Commence-t-il à dépasser le coût de l'adoption? Qu'en pensez-vous?

Alex Scott : Je pense qu'il existe un argument puissant en faveur du oui. Ne pas investir dans l'IA commence à être coûteux. En ce moment, je parle surtout du point de vue des institutions financières. Voyons comment cela se passe pour le marché canadien, d'accord? Nous avons essentiellement cinq banques, peut-être six ou sept, selon les seuils que vous voulez fixer, et le Canada fait affaire avec une banque dans une proportion d'environ 99 %, ce qui signifie que 99 % des Canadiens ont un compte bancaire, au moins un compte bancaire quelque part. Ce qui signifie que, pour qu'une banque connaisse une croissance, d'accord, oui, nous avons eu quelques centaines de milliers d'immigrants par année, alors nous devrions aller les chercher. Pour le reste, nous volons des clients d'autres banques. Comment pouvez-vous « voler » un client d'une autre banque? Vous devez être une meilleure banque. Donc, offrir un meilleur service à la clientèle, de meilleures applications, une meilleure expérience mobile. Tout ceci s'appuie sur l'IA, et je crois que ce que nous verrons, c'est le client... les banques qui n'ont pas doublé leurs investissements dans le domaine il y a cinq ans vont commencer à constater la tendance maintenant que l'IA est devenue monnaie courante.
Comment pouvez-vous faire valoir que vous ne devriez pas investir dans l'IA en marketing en ce moment? Là où les canaux sont coûteux. Nous envoyons toujours des choses par la poste – c'est cher. Vous faire parvenir un imprimé par la poste coûte plus d'un dollar. Vous pouvez donc épargner en étant plus précis, et si vous en savez beaucoup plus sur votre client que la banque voisine, vous saurez quand l'aborder à propos de ce prêt hypothécaire. Vous saurez à quel point il est sensible aux prix. Vous saurez quelle expérience il lui faut pour conclure une vente. Si une banque est meilleure que vous dans l'un de ces trois domaines, elle remportera la mise. Donc un coût extrêmement élevé.

Avi Goldfarb : Merci Alex. C'est, en fait, un peu le sujet de mon prochain livre, qui sortira à l'automne. En y réfléchissant bien, oui, il y a de vrais défis relativement à l'adoption. C'est difficile, mais, vous savez, dans les secteurs concurrentiels, les entreprises qui l'emportent sont celles qui comprennent comment s'y prendre. La partie difficile est qu'il y aura tout un tas d'entreprises qui essaieront et se tromperont, et donc elles auront, vous savez, investi dans la technologie et ne profiteront pas des avantages de la même manière que les entreprises qui ont compris, vous savez. J'affirmerais que Borealis ou RBC est l'une d'elles. Bien. Question suivante. Euh, les nouveautés et les progrès en IA sont souvent tributaires des gros ensembles de données. Est-ce difficile au Canada implicitement parce que nous ne représentons que le dixième de la taille des États-Unis ou de l'Europe à cet égard?

Alex Scott : Ma première réaction est que non, ce n'est pas un problème. Bien entendu, j'aborde la question du point de vue d'une institution financière où la plupart de nos banques comptent des millions de clients, voire plus de 10 millions pour nombre d'entre elles. Lorsque vous pensez à toutes les opérations que nous traitons, à tous les renseignements que nous possédons sur ces clients, nous gérons de très grands ensembles de données. Il existe donc une sorte de point d'inflexion et la taille que doit avoir un ensemble de données pour être utile pour les tâches d'apprentissage automatique, et je pense que nous avons atteint ce point d'inflexion, du moins dans les services financiers. Avi, avez-vous une idée des secteurs dans lesquels les États-Unis pourraient avoir un avantage concurrentiel considérable?

Avi Goldfarb : Eh bien, il n'est pas certain qu'il y en a beaucoup, mais il n'est pas certain que quelque chose est différent de l'IA par rapport à où nous étions auparavant. Vous savez, si vous êtes un détaillant, il y a des avantages à être aux États-Unis par rapport au Canada. La taille est tout simplement – vous savez, les économies d'échelle sont énormes et les données feront partie de ces économies d'échelle, mais je crois que dans le contexte bancaire vous avez dit que vous aviez 14 millions de clients. C'est beaucoup. Euh, c'est beaucoup de données, et pour ceux d'entre vous qui ont suivi un cours de statistiques, la prévision est améliorée à la racine carrée de N. Qu'est-ce que cela signifie? Cela veut dire des rendements décroissants d'échelle et de données, et 14 millions dans la plupart des contextes est un chiffre assez important. Et donc, oui, 140 millions c'est 10 fois 14 millions, mais nous sommes déjà en train de repousser les limites de ce qu'un grand N peut faire, et là où se trouveront beaucoup d'avantages, pouvez-vous, vous savez, traiter plus de points de données ou d'autres éléments de différentes manières?

Il y a – il y a une question politique relative au respect de la vie privée, que nous, vous savez, peut-être nous aborderons plus tard quant à savoir si c'est une contrainte dans le contexte canadien. Mais, mais pour ce qui est, vous savez, de juste la taille du Canada et en général d'après mon expérience cela n'a pas posé problème non plus. D'accord. Euh, prochaine question – la question suivante est pour moi. D'accord. Je vais la lire. D'accord. Euh, donc [Avi rigole] je suppose que je vais me lire la question. Quelle sera selon vous l'incidence de la technologie de l'IA sur la fonction publique dans l'ensemble et le financement public en particulier? Croyez-vous qu'elle aura des conséquences sur l'élaboration et la formulation de politiques ou la gestion de programmes?

Alors, ce qui selon moi se produira et ce qui selon moi devrait se produire sont deux choses différentes. Bien. Donc, ce qui selon moi devrait se produire est que différents aspects de la fonction publique devraient tirer avantage des possibilités de la technologie, à l'instar de RBC. Les données peuvent permettre d'accomplir de grandes choses pour rendre, vous savez, le gouvernement plus efficace dans la prestation de services publics. C'est ce qui devrait se passer à mon avis, et je crois qu'il y a beaucoup... il y a des secteurs de la fonction publique où cela se passe déjà, d'accord? D'après ce que je sais.

Mais c'est plus difficile dans le secteur public. C'est plus difficile dans le secteur public pour diverses raisons. L'une d'elles, qu'Alex a déjà soulignée, est la suivante : si RBC décidait de ne pas utiliser l'IA, elle aurait au moins quatre grands concurrents qui la devanceraient, et RBC perdrait des parts de marché et ce serait mauvais pour l'entreprise. De telles pressions concurrentielles, vous savez, ne se produisent pas naturellement dans un contexte gouvernemental, et donc il y a beaucoup plus, comme vous, le public, le savez bien mieux que moi, il y a beaucoup plus de gestion du risque de perte. Euh, si on fait cela et que quelque chose tourne vraiment mal, alors il faut examiner le potentiel de hausse. Il y a donc une question de conception organisationnelle qui consiste à établir comment obtenir les avantages dans la fonction publique sans prendre le risque de voir un service essentiel s'effondrer. N'est-ce pas? Par exemple, sans vouloir offenser Borealis à la RBC, si vous avez investi, vous savez, des milliards dans l'IA sans succès, les choses iront mal pour vous et iront mal pour les gens qui travaillent à RBC, mais, vous savez, d'un point de vue de société, nous ne voulons pas un effondrement de la banque, mais, vous savez, si vous perdez 10 % en parts, vous perdez 10 % en parts, quelqu'un d'autre les gagne et c'est correct pour tous. Voilà comment les marchés fonctionnent.

Dans la fonction publique, nous n'avons pas un tel luxe et cela devient donc plus difficile. Hum, il y avait une question. Vous savez, la fonction publique dans son ensemble. Il s'agit de la fonction publique dans l'ensemble, et non de protéger le financement de la fonction publique. La fonction publique, vous savez, le financement de la fonction publique est plus délicat, parce qu'en grande partie il ne s'agit pas d'IA dans le sens classique du terme, car... selon ce que je comprends, vous savez, le financement de la fonction publique ou les finances publiques en tout cas, c'est que vous n'êtes pas dans un grand monde de données, vous êtes dans un petit monde de données. Vous avez une série temporelle et peut-être que c'est une série temporelle fréquente, mais vous avez en quelque sorte des séries temporelles sur la façon dont les budgets sont alloués. Il ne s'agit donc pas de problèmes de prévision au sens de l'apprentissage automatique, mais d'une combinaison de problèmes d'inférence causale, à savoir ce qui va se passer si je fais ceci ou cela, et de prévisions reposant sur l'extrapolation des tendances antérieures. C'est une autre boîte à outils axée sur les statistiques.

D'accord, question suivante. Quelle sera l'incidence de l'IA sur les divers groupes sous-représentés et quel pourrait être le soutien nécessaire? Hum, je vais commencer, puis je vais te passer la parole. Alex c'est... euh – on entend un commentaire très pessimiste à propos de la technologie qui est... selon lequel l'IA est partiale, d'accord? Et ce commentaire n'est pas faux. Dans le sens qu'elle est partiale, les prévisions sont partiales. Pourquoi donc? Parce qu'elles reposent sur des décisions humaines. Et nous, les humains, sommes extrêmement partiaux, d'accord? La solution à ceci que nous voyons souvent est que nous ne devrions pas, par conséquent, utiliser l'IA. Et cela semble être exactement la mauvaise conclusion. Ce qui est génial à propos de l'IA, ce qui est génial à propos des machines à prévisions, c'est que nous pouvons les utiliser pour d'abord repérer les partis pris, puis tenter d'apporter des améliorations de manière proactive. Donc, Sendhil Mullainathan, qui est économiste aux États-Unis, à Chicago, a traité abondamment de la question dans le New York Times et dans beaucoup de ses travaux de recherche. Il est en quelque sorte un éminent penseur sur la façon, vous savez, sur une version optimiste de l'IA en ce qui a trait aux partis pris et à la discrimination. Je vais raconter une, vous savez, une histoire à ce sujet, je pense qu'elle résume la préoccupation, d'accord? Et puis, puis je passe la parole à Alex. Donc Amazon, il y a quelques années, je ne sais pas si vous vous en souvenez, a essayé de mettre au point un outil d'IA pour l'embauche. Et ils ont conçu un système de criblage de CV et ont essayé d'embaucher des personnes. Et ils ont constaté avant de déployer l'outil que ce système de criblage de curriculum vitæ, ils n'étaient pas... il prévoyait que toutes les femmes ne réussiraient pas dans l'entreprise. Au point où si un homme entraînait une équipe féminine de soccer et que le mot « femmes » apparaissait sur son CV, il était pénalisé et ne serait pas embauché. Et donc Amazon, à son honneur, n'a pas déployé l'outil. L'entreprise a conçu la machine, puis a dit, vous savez quoi, nous ne la déployons pas, elle est terriblement tendancieuse. Et qu'a-t-elle fait? Elle est revenue à ses anciens processus, d'accord? Donc, elle est du côté de l'IA, elle a fait exactement ce qu'il fallait, d'accord, elle a dit, hé, cet outil d'IA est partial. Nous avons découvert qu'il n'est pas impartial, nous n'allons pas le déployer. Mais il semble que, vous savez... l'IA a donné à l'entreprise l'occasion d'apprendre et, théoriquement, de mettre en place un meilleur processus humain pouvant ensuite alimenter un meilleur outil d'IA. Et alors, vous savez, oui, l'outil d'IA était partial, mais Amazon n'aurait jamais su qu'elle était... La raison pour laquelle il était partial est parce que le processus d'embauche l'était. Elle ne l'aurait jamais su autrement. Et donc elle est... oh, il y a un autre cas de partialité de l'IA. Restez à l'affût. Cela viendra de quelqu'un qui a plus que l'anecdote que je viens de vous donner de Sendhil, d'accord. Hum, Alex, je ne sais pas si vous voulez ajouter quelque chose.

Alex Scott : Ah, je vais dire quelques mots ici provenant de RBC, où nous sommes très réglementés dans l'espace public. Nous en sommes très conscients et, vous savez, pour l'ajouter à votre point, l'IA peut-elle être partiale? Oui, bien sûr, elle peut être partiale. Notre travail en tant que scientifiques de données, comme les gens qui utilisent l'IA, est de le comprendre et le corriger. L'un des aspects positifs de l'IA est qu'elle apprend, et elle apprend selon ce que nous lui demandons d'apprendre. Donc, la première itération revient et vous montre que votre modèle est partial envers le groupe X. Nous pouvons pondérer de nouveau l'élément. Nous pouvons demander d'être impartial envers le groupe X. Voici ce que nous devons faire pour éliminer le parti pris. Et donc, nous... nous recevons souvent le commentaire que l'IA est une boîte noire incompréhensible. Elle est tendancieuse. Mais il s'agit tous de problèmes solubles dans un certain sens. Et la question que je vous poserais est la suivante : préféreriez-vous, sachant cela, sachant que l'IA peut être impartiale et, qu'avec les bonnes vérifications, avec un examen minutieux, elle peut être améliorée, préféreriez-vous avoir une décision prise par une IA dont l'impartialité a été vérifiée ou par une personne au hasard assise dans le bureau au fond de votre succursale bancaire? Je connais ma réponse.

Avi Goldfarb, recoupant : Oui. Oui. [inaudible]

Alex Scott : Mais nous n'en sommes pas là du tout, hein? C'est une question difficile et c'est difficile d'accorder sa confiance à cela. Une grande partie de ce que je souhaite pour Borealis et de ce que nous nous efforçons de faire consiste à publier nos normes d'impartialité de l'IA. Voici tout ce que vous devez savoir à propos du modèle qui prend les décisions sur votre vie financière. Voici pourquoi nous savons qu'il est juste. Voici à quel point il est juste.

Avi Goldfarb : Oui.

Alex Scott : Voici les paramètres actuels.

Avi Goldfarb : Oui.

Alex Scott : Établissons la confiance ici.

Avi Goldfarb : Et les progrès accomplis sont énormes. Et d'après ce que j'ai compris de la façon de faire, et c'est génial d'entendre ça, que vous y réfléchissez résolument.

Alex Scott : Beaucoup.

Avi Goldfarb : Et à propos de... vous êtes enthousiaste à l'idée d'être à la fine pointe en matière de recherche. Je suis sûr que c'est... c'est une façon de maintenir l'intérêt de vos chercheurs.

Alex Scott : Exactement.

Avi Goldfarb : Ah, d'accord, alors pensez-y, une bonne équipe de science des données. Donc, je change un peu de direction ici. Euh, qu'est-ce qui serait une bonne équipe de science des données? Et de manière plus générale, comment... comment attirez-vous les talents?

Alex Scott : Donc, une bonne équipe de science des données. Il n'y a pas qu'un seul bon scientifique des données, n'est-ce pas? De telles équipes ont besoin de diversité. Lorsque vous pensez à tout ce qui doit être réuni, il vous faut des données d'un côté. Et pas simplement des données, mais des données épurées, des données avec lesquelles vous pouvez travailler. Vous avez donc besoin de quelqu'un pour cela. Vous avez besoin de quelqu'un pour comprendre et construire les modèles. Vous avez besoin de quelqu'un pour mettre en valeur ces modèles. Vous avez besoin de quelqu'un pour réfléchir aux partis pris, à l'impartialité et à la sécurité de ce modèle d'IA. Vous avez besoin de quelqu'un qui comprend le problème opérationnel de façon appropriée. Je dirais donc que la meilleure équipe de science des données est une équipe équilibrée, une équipe qui se comprend, qui comprend ce dont l'autre a besoin. Pour ce qui est d'attirer les talents, il s'agit d'une très bonne question. Comme tout le monde le sait, j'en suis certain, il y a la guerre des talents et la Grande Démission, et bien sûr, nous sommes également aux prises avec cela. Nous sommes très chanceux d'être au Canada où nous avons des talents impressionnants en IA. Malheureusement, les entreprises comme les GAFAM, comme Facebook, Amazon et Google, peuvent payer une fortune pour les meilleurs talents, et elles le font. Nous voyons des gens partir... ils ont été formés au Canada et partent pour les États-Unis où ils sont grassement payés.

Avi Goldfarb : Pourquoi est-ce... je vais juste protester un peu. Pourquoi est-ce malheureux? Hum, c'est...

Alex Scott : Je pense que c'est – égoïstement, c'est malheureux.

Avi Goldfarb : D'accord [Avi rit], j'allais dire que cela semble super pour, vous savez, pour nos talents et nous aimerions que nos talents... obtiennent, je suppose que nous aimerions que ces bureaux se trouvent au Canada, pour qu'ils paient des impôts ici. Mais outre cela, euh...

Alex Scott : Égoïstement, nous...

Avi Goldfarb : D'accord.

Alex Scott : Nous aimerions ces meilleurs talents, mais l'aspect économique de la chose n'a aucun sens par rapport à ce que Google paie. RBC ne va tout simplement pas faire ce que nous ne sommes pas en mesure de faire. C'est toutefois une bonne nouvelle que nous produisions des talents qui sont recherchés dans le monde entier. J'en suis très très heureux. Alors comment attirons-nous les bons talents? Nous offrons de la flexibilité. Nous voulons que les gens puissent travailler quand, où et comment ils le souhaitent. Nous offrons ce qui est selon nous un ensemble de données assez convaincant pour travailler. Peut-être environ 14 millions de clients. Nous avons beaucoup de données historiques, ce qui est donc plutôt excitant. Et nous essayons de proposer de très gros problèmes. Cela a été très attrayant pour moi, mais aussi pour beaucoup d'autres personnes qui travaillent chez Borealis. Venez travailler sur de gros problèmes ayant un grand impact. RBC n'est pas encore au même point que Google dans son parcours de l'IA. Donc oui, vous pouvez aller travailler pour Google et améliorer les recherches de Google de 0,2 %. Vous serez payé très cher. Ou vous pouvez venir mettre au point NOMI et aider 14 millions de Canadiens à comprendre leur avenir financier.

Avi Goldfarb : Bien. Maintenant, c'est – cela étant, je voudrais juste parler un peu du paysage canadien, puisque vous avez soulevé la question. Comment tirez-vous parti de votre présence au Canada? Qu'est-ce qui est bon pour RBC et Borealis du point de vue de l'IA, vous savez, parce que vous êtes au Canada?

Alex Scott : Nos partenariats – ce qui vient en tête en premier ce sont nos partenariats avec les universités. Notre partenariat avec l'Institut Vecteur a été tout simplement phénoménal pour nous à plusieurs points de vue. L'un d'eux est le bassin de talents. Ainsi, nous pouvons rencontrer des étudiants au doctorat pendant leurs études. Nous avons des programmes de stages. Nous allons chercher des gens de partout au Canada pour travailler avec nous. Cela a été phénoménal du point de vue des talents. Mais aussi juste la qualité de la recherche. Pouvoir nous associer à l'Université de Toronto, à l'Université McGill, à l'Université Queen's et à l'Université de la Colombie-Britannique, faire appel à leurs professeurs et les faire travailler comme conseillers facultaires sur certains de nos problèmes de recherche a été énorme pour nous. Premièrement, il est très attrayant pour les scientifiques de données de pouvoir travailler avec les esprits les plus brillants dans le domaine, en particulier les chercheurs qui veulent publier et participer à des conférences. Deuxièmement, cela nous aide vraiment à repousser les limites. Ces deux aspects ont été énormes pour nous. Notre relation avec l'Institut Vecteur a été géniale. Nous avons un tel appui du public pour l'IA ici que cela nous a vraiment facilité la vie, même pour promouvoir le travail à l'interne, à RBC, tout le monde sait que c'est important.

Avi Goldfarb : Excellent. Maintenant, c'est le bon côté des choses. Y a-t-il des aspects du contexte canadien qui vous freinent?

Alex Scott : Une chose qui nous pose parfois problème est le paysage de la réglementation et comprendre comment tout s'intègre. L'exemple que je vais donner est, donc, nous sommes réglementés par le BSIF, c'est-à-dire le Bureau du surintendant des institutions financières. Il s'agit d'un organisme de réglementation fondé sur des principes. Donc, il nous dira, lorsque nous utilisons un modèle d'apprentissage automatique, qu'il doit être équitable. Et cela semble être une bonne chose à dire. Mais l'incidence est très difficile à cerner en raison des nombreuses définitions différentes de l'échec. Aux dernières nouvelles, je pense que nous avions 23 définitions différentes de l'impartialité par l'apprentissage automatique, et certaines d'entre elles se contredisent.

Un exemple très simple est l'impartialité individuelle et de groupe. Nous avons parlé des partis pris précédemment. Et nous savons que RBC est une organisation très ancienne. Auparavant, nous reconnaissions davantage les hommes que les femmes. Ce n'est que pure vérité. Ainsi, lorsque nous examinons les données historiques, nos modèles sont portés à accorder plus de mérite aux hommes qu'aux femmes. Mais cela s'explique par leurs profils de crédit, leurs cotes de crédit. Ce sont des choses qui s'accumulent avec le temps. Alors, sommes-nous justes individuellement ici? Ce qui veut dire qu'on ne regarde pas du tout le sexe. Nous nous contentons d'examiner vos portefeuilles de crédit, ou sommes-nous justes envers le groupe et nous tenons compte de votre sexe et normalisons les éléments? Il s'agit donc d'éléments qui entrent en contradiction. Vous ne pouvez avoir les deux. Et quand un organisme de réglementation vous demande d'être impartial, mais n'en précise pas la teneur, le problème est très épineux.

Avi Goldfarb : Existe-t-il un moyen de parler à l'organisme de réglementation pour comprendre comment cela fonctionne ou comment faire la quadrature du cercle?

Alex Scott : Oui. Nous passons donc beaucoup de temps à discuter avec l'organisme de réglementation et à lui dire ce que nous en pensons, comment nous composons avec cela. Toutes les façons différentes dont nous pouvons mesurer l'impartialité. Nous avons en fait une équipe à RBC, qui ne fait que vérifier la sécurité de l'apprentissage automatique. Et elle est notre voie vers l'organisme de réglementation. Donc, avant de mettre en valeur le modèle, nous exécutons des douzaines d'essais sur l'impartialité, les partis pris, la robustesse. Et nous les examinons avec cette équipe qui dit : « Oui, cela a l'air plutôt bien. Nous avons mené notre recherche. Nous savons que c'est là et que la littérature est contre. Cela semble vraiment intéressant. Pourquoi ne pas en parler au BSIF, savoir ce qu'il en pense, voir s'il est d'accord. » Et nous avons une relation de collaboration, qui est l'une des bonnes choses, une collaboration très étroite avec le BSIF et les autres institutions financières nous permettant de commencer à façonner la réglementation et de nous assurer que nous n'oublions personne. Donc, quand nous proposons un nouveau style d'essai, tout le monde devrait l'utiliser. C'est mieux pour tout le monde.

Avi Goldfarb : Excellent. Bon, revenons à nos questions et réponses. Oh, vous savez quoi? J'ai une question prévue supplémentaire. Alors nous répondrons à la dernière question prévue, puis y reviendrons. Et je crois que cette question prévue figure implicitement dans une poignée des autres questions, c'est-à-dire, vous savez qu'il y a beaucoup d'inquiétudes à propos du fait que l'IA remplacera les humains et que les machines vont nous remplacer. D'accord? Ainsi, chaque fois que je donne une conférence sur l'IA, c'est un peu le thème dominant... et dans la vidéo que tout le monde vient de voir. Ils m'ont entendu dire, eh bien, nous pensons toujours aux remplaçants, mais les compléments offrent un grand nombre de possibilités. Donc, de nouveaux domaines d'activité humaine qui se présentent à partir de, vous savez, grâce à l'IA. Et donc, avez-vous une idée des emplois complémentaires que les outils d'IA que vous avez mis en place aident à créer? Il y a un ensemble qui est évident et je vais simplement... je ne vais pas vous laisser répondre « hé, il y a des gens de science des données qui doivent mettre au point l'IA ». Mais de manière plus générale, existe-t-il un secteur d'activité ou de nouvelles possibilités en raison des outils d'IA qui sont créés?

Alex Scott : Quelques réflexions à ce sujet. D'abord, lorsque nous lançons l'IA, les prévisions faciles constituent le meilleur point de départ. Amusons-nous donc ici avec l'attribution du crédit. Lorsque vous demandez une carte de crédit, vous passez par ce processus, et nous décidons si nous allons vous prêter et combien nous allons vous prêter. Certaines sont très évidentes. Donc, vous savez, peut-être avez-vous une cote de crédit parfaite, vous n'avez jamais raté un paiement, vous n'utilisez pas beaucoup le crédit et vous ne demandez pas beaucoup. Ça semble assez évident, non? Et l'apprentissage automatique trouvera cela tout de suite. Les plus difficiles sont, vous savez, peut-être... peut-être avez-vous déjà fait faillite, mais votre situation s'est rétablie. Il y a longtemps. Cela a été effacé de votre dossier. Il y a tous ces autres petits éléments de crédit. Vous avez eu quelques cartes avec garantie. Une situation financière beaucoup plus complexe. Peut-être vous possédez votre entreprise également et n'avez donc pas de salaire conventionnel. Beaucoup plus difficile pour travailler et beaucoup moins de données sur lesquelles se baser. Vous faites partie d'un très petit sous-ensemble de Canadiens. C'est là que les humains brillent vraiment.

Alors, l'IA entre en scène et, ce que nous avons constaté, c'est que vous pensez avoir mis en place cet outil d'apprentissage automatique qui va vous faire gagner énormément de temps pour l'attribution du crédit, par exemple. Et il s'avère qu'il n'épargne pas de temps du tout. Nous traitons plus de demandes, mais devons éliminer toutes les demandes vraiment complexes. Donc, nous avons créé l'espace pour une prise de décisions humaine très spécialisée, pour superposer à l'IA le jugement humain. Et il s'agit un peu d'un ensemble de compétences différentes, n'est-ce pas? Si... si vous retirez complètement l'apprentissage automatique, eh bien, la majeure partie de votre travail quotidien consiste à trouver les cas vraiment faciles où vous vous dites, ouais, il est clair qu'Alex mérite une carte de crédit. Approuvée. Et c'est parti. Et maintenant, vous avez cette personne très spécialisée qui passe tout son temps à apprendre toutes les subtilités sur vous comme client. Nous avons donc la possibilité de bonifier nos capacités d'IA par un jugement humain, de les superposer et de prendre ainsi de bien meilleures décisions, beaucoup plus nombreuses.

Avi Goldfarb : C'est vraiment... il existe une entreprise canadienne qui s'appelle Ada. Je ne sais pas si vous la connaissez. C'est une entreprise de clavardage qui a aidé Zoom à se développer en mars 2020. Donc, ah, elle avait obtenu Zoom comme client par hasard en janvier 2020 ou quelque chose comme ça, et Zoom était, vous savez, il était bon un client et puis soudainement la pandémie a frappé, et Zoom a eu besoin de beaucoup de soutien à la clientèle. Et je ne sais pas si vous vous souvenez et si vous avez communiqué... vous savez, du point de vue du public, si vous avez utilisé Zoom en mars et avril 2020, ce n'était pas génial, mais c'était étonnamment fonctionnel par rapport à, vous savez, beaucoup d'autres applications semblables à ce moment. Et donc, Zoom a pris de l'expansion. L'une des raisons qui lui ont permis de se développer est le clavardage semi-automatique. D'accord? Et c'est très semblable à ce qu'Alex vient de décrire, c'est-à-dire pour les problèmes faciles, oh, je dois modifier mon mot de passe. D'accord. Ils avaient des robots conversationnels pour vous aider. Si vous envoyiez un courriel à Zoom pour modifier votre mot de passe, il est probable que le robot conversationnel d'Ada vous répondait. Mais si vous aviez un problème plus complexe, qui n'était pas, vous savez, que le robot ne connaissait pas exactement, vous savez, qu'Ada n'avait pas encore programmé, alors vous traitiez avec un humain. Et vous traitiez avec un humain parce que cet humain pouvait mettre à profit ses compétences pour aider à gérer votre problème. Bien sûr, s'il y avait suffisamment de ce genre de problèmes, avec le temps, ils pourraient être automatisés. Mais à mesure que Zoom prenait de l'expansion, vous aviez encore plus besoin d'autres clients qui avaient des besoins très spécialisés, qui avaient donc besoin d'un jugement humain sur le plan de leur expérience de clavardage et de leur courriel. Donc, le service à la clientèle. Nous avons ici une histoire très semblable et c'est pourquoi, vous savez, c'est une histoire canadienne. C'est pourquoi j'en ai également parlé, où nous avons une entreprise d'apprentissage automatique qui semble automatiser le travail des humains. Mais en cours de route, vous finissez par avoir besoin de beaucoup, beaucoup, beaucoup d'humains parce que leur jugement à propos des cas spécialisés est bien meilleur que la machine. Hum, donc, je pense...

Où était-ce? Désolé, j'avais une autre question pour vous sur un tel type de thème, j'essaie juste de me souvenir où elle est passée. D'accord, ah, elle était là. Alors, si quelqu'un arrive maintenant dans le domaine. Donc, nous pensons qu'il existe des possibilités de jugement, mais si quelqu'un souhaite faire de la recherche sur l'IA ou mettre en œuvre l'IA dans son organisation. Avez-vous des conseils généraux sur ce qu'il devrait faire? Donc, si vous allez, vous savez, vous allez à l'Institut Vecteur et vous voyez quelqu'un, un étudiant à la maîtrise et vous le rencontrez autour d'un dîner ou d'un café. Quels conseils pensez-vous lui donner?

Alex Scott : C'est en réalité une question très difficile parce qu'il y a tellement de possibilités ici et, selon ce qui vous intéresse, il y aura du travail pour vous. Les occasions sont très nombreuses dans le domaine. Il y a quelques éléments qui sont, je pense, ce que j'appellerais des critères de base. Vous devez être à l'aise avec un langage de programmation. Il faut suivre cette voie d'une manière ou d'une autre. Même si vous ne serez jamais le meilleur programmeur au monde, être capable d'écrire quelques lignes de Python est très utile, même si vous ne serez pas un scientifique de données, mais toucherez simplement à la science des données. Être capable de voir cela aide énormément. Et le fait d'avoir un peu d'expérience dans le domaine, d'apprendre à programmer vous aidera, mais, vous savez, à un moment donné, quelqu'un vous montrera une matrice de confusion et celles-ci sont déconcertantes la première fois que vous en voyez. Mais vous apprendrez finalement à lire de telles choses et elles deviendront des outils vraiment, vraiment précieux pour comprendre où le modèle réussira et où il échouera. Vous devez donc avoir une compréhension de base, que ce soit des connaissances en statistiques ou en programmation.

L'autre conseil que je donnerais, c'est que si vous voulez vraiment être un scientifique des données et travailler avec les données, construisez des modèles tous les jours, entraînez-vous et c'est tellement facile à faire. Allez sur Kaggle, participez à quelques compétitions Kaggle, il y a beaucoup de possibilités. Montez dans un classement, créez une page GitHub, commencez à publier certains de vos travaux, constituez un portfolio. Nous demandons aux gens de présenter de telles choses dans le cadre de leur candidature chez Borealis parce que cela nous montre qu'ils sont passionnés par le domaine et ce dont ils sont capables. Toutes d'excellentes choses.

Puis, complètement de l'autre côté, si vous ne voulez pas être un programmeur, il n'y a rien de mal à cela. L'IA sera partout sans que tout le monde soit programmeur. Il y aura des gens qui utiliseront l'IA dans le cadre de leur travail quotidien. Donc, avoir une certaine capacité d'analyse et je ne parle pas de capacité d'analyse de programmation, mais de pensée logique, d'un bon jugement humain. Être capable d'incorporer à la fois ce que vous comprenez et le résultat d'un modèle, cela sera vraiment, vraiment convaincant. Ce seront les personnes qui transformeront les entreprises, qui seront capables de dire : « Voilà où j'ai besoin de l'IA. Je ne peux pas la mettre au point moi-même, mais je peux trouver les personnes qui le feront ».

Avi Goldfarb : Bien, ce sont d'excellents conseils, merci Alex. Alors, une autre version est, vous savez, donc la question précise était juste de savoir s'il fallait être généraliste ou spécialiste ou, vous savez, entrer dans les détails. Et votre réponse est oui. Peu importe ce qui vous convient, il y a beaucoup d'emplois pour les spécialistes, il y a beaucoup d'emplois pour les généralistes. Les possibilités sont passionnantes pour les gens qui peuvent passer de leur domaine d'activité à l'IA. Allez-y, l'investissement en vaut la peine et l'IA évidemment... je pense évidemment, entièrement d'accord, et c'est pourquoi nous sommes ici. D'accord.

D'accord. Une question pour moi, ah, mais Alex vous pourriez avoir un suivi là-dessus : « Ai-je constaté l'utilisation de l'IA dans le secteur public? Un exemple d'utilisation de l'IA qui n'est pas lié à des objectifs de profits ». Oui, j'ai vu un grand nombre... il y a un grand nombre d'exemples et il y a de la place pour beaucoup, beaucoup, beaucoup d'autres. Dès que vous avez une personne qui remplit un formulaire par exemple, l'IA peut améliorer le processus. D'accord, je ne veux pas seulement dire à moindre coût. Cela peut être moins cher parce que vous n'avez peut-être pas besoin d'un humain pour traduire ou taper ou autre chose, mais je veux aussi dire meilleur. L'expérience d'avoir quelqu'un qui remplit au préalable un formulaire pour vous et qu'il ne vous reste que quelques questions auxquelles l'IA ne peut répondre est une bien meilleure expérience dans les interactions avec la fonction publique que de devoir remplir des pages, des pages et des pages.

D'accord, nous avons vu que cela se produit déjà, vous savez, à la frontière où vous devez répondre à moins de questions parce que beaucoup d'entre elles ont déjà été répondues. C'est dans le monde entier, un peu au Canada, mais plus ailleurs. À mon avis, il existe de nombreuses possibilités d'améliorer et de rendre plus efficaces, non pas tant les services d'immigration, mais au moins les services frontaliers... Elles ont été peu exploitées, mais je crois que les possibilités sont immenses pour les impôts. L'Agence du revenu du Canada s'en sert un peu après le fait, et du point de vue des prévisions en ce qui concerne à la somme qu'une personne devrait payer ou de ce qu'elle doit payer. Mais je crois qu'il y a beaucoup à réaliser. Vous savez, le système actuel de déclaration de revenus où nous – où vous remplissez – vous devez embaucher quelqu'un. De nombreuses personnes doivent embaucher quelqu'un pour les aider à remplir un formulaire gouvernemental. Elles remplissent ce formulaire gouvernemental, puis le gouvernement leur dit si elles l'ont rempli correctement ou non, et leur soumet sa propre offre. Il semble que ce soit une manière très inefficace du point de vue de l'utilisateur de fournir l'information. Alors, une autre vision pour les impôts, qui sait si elle pourra se concrétiser un jour quelque part pour une multitude de raisons. Je comprends qu'il y ait des obstacles. Le gouvernement fait une offre et dit « voici notre prévision quant à ce que vous devez, c'est à prendre ou à laisser ». Cela permettrait d'économiser beaucoup de temps et d'énergie dans tout le système et le gouvernement pourrait alors se concentrer sur les personnes dont les impôts sont compliqués. Et pour la plupart d'entre nous, dont les déclarations de revenus sont très, très faciles, presque tout pourrait être effectué par l'IA. Je ne connais aucun territoire qui l'ait fait encore. Je sais que les gens en parlent et je comprends qu'il existe toutes sortes d'obstacles politiques et logistiques incroyables pour que cela se produise.

Mais lorsque des gens remplissent des pages et des pages de forums, c'est de la prévision, non? Vous fournissez les renseignements manquants, et l'IA va ainsi améliorer les choses. Ah, nous l'avons vu dans quelques aspects de la fonction publique axée sur le client... non, le citoyen, cela se produit déjà et je crois qu'il existe des tonnes et des tonnes de possibilités pour cette sorte de, vous savez, pour répondre à la remarque précédente d'Alex, où il y a... hé, il y a une prévision évidente, nous pouvons... nous pouvons mettre une petite équipe là-dessus, fournir les renseignements manquants et simplement améliorer l'efficacité d'un tel aspect des activités, ce qui est différent d'une réorganisation totale. Il y a une autre chose, c'est-à-dire réorganisons complètement la façon dont nous gérons cette partie des activités en fonction d'une meilleure prévision, ainsi je pense qu'il y a des possibilités là aussi, mais la tâche est plus lourde.

D'accord. Je vais passer à cette... cette dernière question que j'aime vraiment. Eh bien, peut-être l'avant-dernière question, le Canada en fait-il assez pour investir dans l'IA et empêcher l'exode des cerveaux vers les États-Unis et ailleurs? Je vais donc diviser la question en deux, le premier point porte sur la possibilité que nous investissions suffisamment dans le développement des talents. Et puis l'autre, c'est que vous avez dit que nous ne pouvons être compétitifs sur les salaires, et finalement je suppose que la question est pourquoi pas? Vous êtes RBC, une entreprise assez importante. Vous gagnez beaucoup d'argent. Pourquoi le Canada ne peut-il pas rivaliser sur le plan salarial avec les... avec les grands joueurs pour les meilleurs talents en IA?

Alex Scott : C'est une... c'est une très grande question. Alors, le Canada en fait-il assez pour développer les talents? Je pense que nous sommes parmi les meilleurs au monde pour développer nos talents en matière d'IA, ce qui explique en premier lieu cet exode des cerveaux. Ce que nos universités rassemblent, les talents qui sortent des universités sont vraiment spectaculaires. Je veux dire, j'ai réfléchi au cours des dernières années au fait que je ne peux plus suivre un programmeur de premier cycle. À une certaine époque, j'étais vraiment bon. Et maintenant, vous rencontrez quelqu'un qui a obtenu son diplôme l'année dernière et vous vous demandez pourquoi vous donner la peine d'essayer de rivaliser avec lui. Nous faisons donc de l'excellent travail. À mesure que nous prenons de l'ancienneté dans l'industrie, je pense que c'est là où nous pourrions vraiment doubler nos efforts et, vous savez, une part de l'objectif de Borealis est de retenir les talents canadiens en IA. Cela nous tient à cœur. Mais nous ne sommes que 100 personnes. Nous faisons partie d'une grosse machine, mais nous ne sommes que 100 personnes à Borealis, alors nous avons besoin d'aide, d'accord? Nous ne pouvons embaucher tous les talents en IA au Canada, et je serais enchanté que plus de groupes comme Borealis se manifestent, car il y a des problèmes à régler, il y a d'excellentes données à utiliser et le Canada est un endroit extraordinaire où vivre.

Pour ce qui est de la conversation sur les salaires, je crois que nous pouvons être compétitifs. J'ignore pourquoi cela nous fait tellement peur. Et, vous savez, les gens affirment que, oui, il est beaucoup plus cher de vivre à San Francisco que dans certaines villes du Canada. C'est sans doute vrai, mais je ne suis pas sûr que les calculs sont exacts en ce qui concerne les différences entre la rémunération et le coût de la vie. Je n'en suis pas convaincu. Une partie du défi parfois est que nous avons une grande organisation qui n'a pas l'habitude de recruter un tel type de talents et qui a du mal à trouver la bonne façon de s'y prendre. Je vais donc vous donner un exemple. Dans de nombreuses grandes organisations, normalement, la façon dont vous passiez au rang supérieur et gagniez plus d'argent était de constituer de plus grandes équipes, d'assumer plus de responsabilités au sein de la banque. Ainsi, vous passez de la gestion d'une équipe de cinq personnes à cinq personnes ayant une équipe de cinq personnes et ainsi de suite jusqu'à ce que vous gériez toute la banque. Cela ne fonctionne pas vraiment en science des données, n'est-ce pas?

Il n'existe pas d'équipe d'IA de 10 000 personnes. Et donc comment créer un poste pour quelqu'un qui ne veut pas gérer de personnel et qui ne devrait peut-être pas en gérer parce qu'il est le meilleur programmeur d'apprentissage automatique en ville? C'est un aspect avec lequel la banque doit composer et qui fait partie de notre problème à mon avis. Nous devons prévoir un espace pour cela. Borealis en est le début, mais nous ne sommes pas la fin. Il reste beaucoup de travail à accomplir.

Avi Goldfarb : C'est passionnant. Et cela nous amène à la dernière question, n'est-ce pas? Alors, vous savez que RBC est une grande bureaucratie. Le gouvernement canadien est une grande bureaucratie. Vous avez fait des progrès incroyables pour concrétiser l'apprentissage automatique et l'IA dans une organisation bureaucratique. Il nous reste environ une minute. Ou encore, pouvez-nous nous faire une leçon d'une minute, vous savez, sur le secret de la réussite?

Alex Scott : Probablement pas, mais je... je vais essayer.

[Avi rit.]

Je crois qu'il vaut la peine de mentionner quelques éléments ici. D'abord, si vous avez le bon soutien des bonnes personnes, vous pouvez aller loin. Et nous devons une grande partie de notre succès à RBC au renforcement de la confiance. Commencez petit, commencez à faible risque, affichez quelques victoires, inscrivez quelque chose au tableau et progressez à partir de là. C'est... RBC est très hiérarchique. Nous comptons beaucoup de cadres, et une poignée de cadres, des personnes de rang très élevé, y ont cru et sont ensuite devenus des adeptes, qui ont pu parler du succès, qui ont pu dire à quel point il était génial de travailler avec une telle équipe de science des données, et tout ce qu'ils ont appris a été énorme pour circuler dans la banque. Puis vous commencez à avoir d'autres groupes de personnes qui ne veulent rien manquer. Vous savez alors que vous avez apporté le changement. Quand les gens commencent à venir vous voir et à dire « hé, j'ai entendu parler de ce truc d'apprentissage automatique et je pense que nous pouvons vraiment faire quelque chose ici ».

Avi Goldfarb : Euh, c'est excellent. Vous avez réussi! C'était en moins d'une minute. D'accord. Une question utile. Alors, un grand merci, Alex. Il est temps de céder la parole à Erica pour conclure.

Alex Scott : Merci de m'avoir invité.

Avi Goldfarb : Merci.

[Erica apparaît dans l'appel vidéo.]

Erica Vezeau : Un grand merci Avi et Alex d'avoir tenu une conversation aussi perspicace et qui incite à réfléchir au cours de la dernière heure. Alex, je pense que vous avez tout résumé. Vous venez d'avoir la, comme, la meilleure phrase dans la dernière minute, le concept d'instaurer la croyance, vous savez, nous sommes vraiment une grosse machine au gouvernement du Canada. Et parfois, nous avons l'impression, ceux d'entre nous qui ont bu le Kool-Aid et tentent de faire la distinction, que la montagne est infranchissable. Mais vous avez mis le doigt dessus. On commence petit, on passe le mot et on y arrivera; on y arrivera probablement tous ensemble.

[Erica rit.]

Je crois aussi qu'il est très utile pour les fonctionnaires d'avoir accès à des conversations entre universitaires et professionnels de l'industrie, vous savez, sur n'importe quel sujet, mais en particulier celui-ci, afin que nous puissions mieux comprendre les points de vue uniques que vous apportez aux questions essentielles. Alors encore une fois, je vous remercie tous les deux de votre temps aujourd'hui. Au nom de l'École de la fonction publique du Canada, votre expertise est inestimable et votre contribution nous permet de produire des activités d'apprentissage de qualité supérieure pour les fonctionnaires de tout le pays. Nous espérons vous revoir.

J'aimerais rappeler à ceux d'entre vous qui sont en ligne, comme Avi l'a mentionné plus tôt, que le prochain événement de la série L'intelligence artificielle est à nos portes aura lieu le 14 février et que les sujets des partis pris, de l'impartialité et de la transparence seront abordés. Les renseignements relatifs à l'inscription à cet événement se trouveront sur notre site Web très bientôt. Nous souhaitons en outre attirer votre attention sur certains de nos autres événements à venir, qui ne portent pas forcément sur l'IA, mais qui sont plutôt intéressants. Je vais donc partager mon écran ici et j'espère que vous pouvez voir derrière moi, qu'il y a quatre événements qui se déroulent en janvier et février sur l'innovation... deux sur l'innovation, un sur l'informatique quantique et la conférence sur les données qui a lieu les 23 et 24 février.

Pendant que vous recherchez de plus amples renseignements sur ces événements sur notre site Web, nous vous invitons à découvrir les dernières offres d'apprentissage à venir. Ainsi, nous proposons non seulement des événements, mais aussi des cours, des programmes et d'autres outils d'apprentissage. Et pour terminer, je vais simplement mentionner que la présente activité d'apprentissage vous est présentée grâce à un partenariat entre l'Académie du numérique et le secteur Compétences transférables de l'École de la fonction publique du Canada. Nous tenons également à remercier notre partenaire de la série, l'Institut Schwartz Reisman pour la technologie et la société, qui nous a soutenus dans l'organisation de l'activité d'aujourd'hui. Enfin, à tous les apprenants qui se sont inscrits, merci d'avoir assisté à l'événement. Nous espérons qu'il vous a été utile. Vos commentaires sont très importants pour nous, et je vous invite à remplir l'évaluation électronique que vous recevrez par courriel dans les prochains jours. Encore une fois, merci à nos conférenciers et merci à nos participants. Au plaisir de vous revoir. Portez-vous bien. Je vous souhaite une bonne semaine.

[L'appel vidéo laisse place au logo de l'EFPC.]

[Le logo du gouvernement du Canada apparaît, puis l'écran devient noir.]