Speexx Exchange Podcast – Episode 22 :
Équipes hybrides : L’avenir est en partie humain, en partie machine avec Greg Detre

Intro 0:01   
Bienvenue au podcast Speexx Exchange avec votre hôte Donald Taylor. En tant qu’expert renommé de l’industrie de la formation, ainsi que président de l’Institut de la formation et de la performance, Donald Taylor s’assoit avec des experts du monde entier pour parler de communication d’entreprise, de technologie d’apprentissage, de langue, de transformation digitale, et pour engager la montée en compétence et la requalification de votre organisation. Ce podcast vous est proposé par Speexx, la première plateforme intelligente d’apprentissage des langues pour le lieu de travail digital. Écoutez-le et vous apprendrez peut-être une chose ou deux. 

Donald Taylor 0:35   
Bienvenue dans cet épisode du podcast Speexx Exchange avec moi, votre hôte, Donald Taylor. Aujourd’hui, notre invité est Greg Detre, l’ancien chef scientifique des données de Channel 4 et, entre autres choses, consultant en données. Greg, c’est génial de vous avoir avec nous.  

Greg Detre 0:50   
Merci, Donald ! C’est un plaisir d’être ici.  

Donald Taylor 0:51   
Je n’aime pas me lancer dans une énorme présentation des gens quand ils peuvent le faire tellement mieux eux-mêmes. Greg, peux-tu te présenter ? D’où tu viens professionnellement parlant ?  

Greg Detre 0:59   
Eh bien, j’ai suivi une formation de neuroscientifique computationnel pour étudier les raisons pour lesquelles nous oublions des choses et on dit que les psychologues étudient leurs propres déficiences et j’ai donc une mémoire terrible. A la suite de cela, j’ai co-fondé une startup appelée Memrise. J’ai travaillé dans le monde des startups ces dernières années en tant que directeur technique et scientifique des données, et plus récemment à Channel 4 en tant que scientifique en chef des données. Aujourd’hui, j’aide les startups et les grandes entreprises à tirer le meilleur parti de leurs bases de données et des données qu’elles collectent pour recruter les bonnes personnes et les gérer de manière à les aider à résoudre efficacement des problèmes intéressants. 

Donald Taylor 1:35   
Les données sont partout en ce moment. Je faisais une conférence ce matin ; vous ne pouvez pas y échapper. J’ai projeté une diapositive qui montrait toutes les premières pages de magazines datant d’il y a probablement huit ou neuf ans, mais il n’était question que de big data. Puis j’ai dit ce qui est arrivé au big data ? Il a en quelque sorte disparu en tant que terme à la mode, mais l’utilisation des données est entrée dans notre vie quotidienne. J’ai illustré cela en présentant certaines des statistiques que nous utilisons tous les jours dans le monde du football. Si vous êtes un fan de football, vous êtes soudain habitué aux cartes thermiques, aux passes décisives, au nombre de kilomètres parcourus au cours d’un match, etc. Des choses dont on ne parlait jamais quand j’étais petit en grandissant et qui font maintenant partie de la vie quotidienne. Nous sommes donc déjà dans une phase où les données font partie de ce que nous faisons. Alors, quel est l’avenir ? L’avenir est-il entièrement dirigé par des machines ? Ou est-il humain ? Ou encore quelque chose d’autre ?  

Greg Detre 2:19   
J’ai été confronté à cette question à plusieurs reprises, notamment au Guardian et à Channel 4. Les deux entreprises sont des sociétés qui accordent beaucoup d’importance aux mots. Si vous êtes le chef de l’équipe de science des données ou le chef des scientifiques des données, une équipe de personnes qui s’intéressent aux chiffres, il est facile de se parler les uns aux autres. Je me souviens, par exemple, d’un projet à Channel 4, où nous essayions de les aider à améliorer leurs prévisions et, au cours des 15 dernières années, cela a été fait par une équipe d’experts qui comprend la nuance de la télévision, des audiences, de tout ce qu’ils doivent savoir tout en étant assez conservateurs. Ils faisaient un excellent travail de prévision des audiences pour les semaines à venir, mais nous avions le sentiment que nous pourrions peut-être faire quelque chose avec le machine learning qui pourrait améliorer cela. Vous pouvez imaginer que nous disions naïvement : « Bon, d’accord, au lieu de demander aux humains de le faire, nous allons demander aux machines de le faire et elles feront un bien meilleur travail ». Je n’ai jamais cru un seul instant que cela allait être vrai, car ces experts faisaient cela depuis 15 ans et le faisaient bien. Bien sûr, lorsque nous avons essayé de le faire pour la première fois avec le machine learning, le machine learning a fait du bon travail, mais il n’y avait aucune chance que nous soyons en mesure de dire, oh, nous devrions le faire entièrement de manière automatisée. En fait, je pense qu’il y a une leçon intéressante à tirer ici, à savoir que les types d’erreurs commises par les humains et les types d’erreurs commises par les machines étaient différents, ils étaient complémentaires. Nous avons commencé à comprendre que peut-être une sorte d’équipe hybride qui prendrait le meilleur des deux mondes pourrait être la réponse. En effet, il est beaucoup moins menaçant comme message de dire : « Je pense que nous pouvons améliorer ce que font les humains, et je pense que nous pouvons améliorer ce que font les machines, et le résultat sera meilleur si les deux sont impliqués.  

Donald Taylor 4:02   
Je pense que la plupart des êtres humains seraient très heureux à l’idée que les machines fassent des erreurs, peut-être moins heureux à l’idée qu’ils fassent eux-mêmes des erreurs. Alors, comment formuler cela ? Comment dire à une équipe que vous faites maintenant partie de quelque chose de mieux, parce que vous avez des machines qui vous aident ?  

Greg Detre 4:15   
Eh bien, c’est une conversation délicate. Je pense qu’il faut commencer par admettre que les gens font des erreurs. Heureusement, avec cette équipe, ils étaient intelligents et expérimentés, et ils ont très soigneusement mesuré leurs erreurs. Donc, c’est un bon point de départ. Bien sûr, vous devez vous trouver dans un environnement psychologiquement sûr chaque fois que vous envisagez une innovation, quelle qu’elle soit. Mais, bon, je leur ai raconté une histoire. Si vous le souhaitez, je vais vous raconter la même histoire et vous verrez si vous la trouvez convaincante. Cette histoire commence il y a 20 ans, avec Garry Kasparov, le grand joueur d’échecs de l’époque et l’un des plus grands de tous les temps. En 1997, il a été battu par Deep Blue aux échecs, et nous aurions pu penser à ce moment-là, eh bien c’est fini pour nous, les singes, non ? En effet, le meilleur joueur d’échecs au monde n’est plus un être humain. Mais, fait intéressant, pendant 20 ans, le meilleur joueur d’échecs au monde n’était pas non plus une machine. Le meilleur joueur d’échecs au monde est ce qu’ils appellent une équipe de centaures, un hybride. C’est-à-dire un humain bon et intelligent jouant aux échecs avec un accès à un gros ordinateur et à une grosse base de données, et cette combinaison a surpassé un gros ordinateur tout seul.  

Donald Taylor 5:21   
Juste pour être clair, un centaure est un être mi-homme, mi-cheval. Si quelqu’un n’est pas familier avec la mythologie grecque. Je suppose, bien sûr, que la partie machine est constituée des jambes, et que l’humain reste le cerveau et la partie pensante du haut. Ne nous embrouillons pas trop.  

Greg Detre 5:39   
C’est exactement une des choses que j’ai dites à l’équipe de prévisionnistes de Channel 4. Que, comme dans cette image, la machine est le bout du derrière du centaure. Donc, vous savez, ça pourrait ne pas être un partage 50/50. Il se peut que ça commence avec 95% d’humains et juste un peu de machine. Ou dans le cas des échecs, à ce stade, je pense que les machines ont presque tout gagné. Mais il a fallu 20 ans, même pour le plus noir et blanc, le plus déterministe, le plus parfait scénario d’information, pour que les machines finissent par dire, ok, nous pouvons dominer ce jeu. Pour presque tous les autres problèmes auxquels nous nous attaquons, c’est intéressant surtout dans l’économie de la connaissance ou impliquant la créativité, c’est tellement plus nuancé, tellement plus gris, que je m’attendrais à ce que cette ère du centaure dans laquelle nous entrons, où les meilleures équipes sont hybrides, cela va durer très longtemps pour presque tous les problèmes intéressants que nous avons.  

Donald Taylor 6:35   
J’adore l’âge du centaure en tant que terme, je pense que c’est fantastique. Vous vous êtes attaqué à ce problème, n’est-ce pas, à Channel 4, lorsque vous y dirigiez l’équipe de développement de la formation ? Vous vouliez obtenir du bon matériel, et vous avez découvert que c’était une tâche presque sisyphéenne si nous devions continuer à utiliser des termes mythologiques. C’était quelque chose qui semblait ne jamais devoir s’arrêter, une tâche énorme, pour collecter toutes les informations que vous vouliez pour votre équipe.  

Greg Detre 6:56   
Oui, donc je ne dirigeais pas le développement de la formation, mais j’étais très impliqué dans ce problème pour mon équipe de science des données. Exactement, comme vous le dites, en essayant de réfléchir à la façon de trouver les meilleurs matériaux pour les former. Alors oui, je vais vous parler un tout petit peu du genre de problèmes sur lesquels je travaille maintenant et qui sont assez liés. Ce que nous essayons de faire avec une société avec laquelle je travaille très étroitement, appelée Filtered, c’est qu’ils essaient d’appliquer cette idée d’un outil centaure exactement comme vous le dites. Donc, lorsque vous avez des milliers, voire des centaines de milliers de podcasts, d’articles et de webinaires, et Dieu sait quoi d’autre sur une variété de sujets différents, et vous dites, eh bien, nous savons que nous voulons enseigner à nos collaborateurs une variété de compétences. Qu’il s’agisse d’avoir des conversations difficiles, ou de savoir comment visualiser une série chronologique, n’est-ce pas ? Donc, les compétences générales, les compétences spécifiques, nous avons toutes ces compétences que nous voulons leur enseigner. Comment pouvons-nous choisir, parmi le matériel didactique auquel nous avons accès, celui qui serait le mieux adapté à chacune d’entre elles ? Il s’agit d’une tâche idéale pour un centaure, car vous pourriez essayer de le faire avec le machine learning, et le machine learning peut, vous savez, passer en revue 100 000 documents, mais il ne fera pas un si bon travail à moins que vous n’ayez des êtres humains intelligents qui créent l’ensemble d’entraînement et affinent les résultats en réponse. Au final, la balle fait des allers-retours entre les humains et les machines si souvent que vous obtenez quelque chose que vous n’auriez pas pu produire avec les humains ou les machines isolément.  

Donald Taylor 8:21   
C’était la grande promesse d’internet, ou plutôt du World Wide Web, qui a vu le jour vers, je ne sais pas, pas quand il a été déposé pour la première fois, ou même probablement au milieu des années 90, mais vers la fin des années 90, début des années 2000. Lorsqu’il a atteint la conscience générale, les gens disaient : « Mon Dieu, nous avons maintenant accès aux informations du monde entier, c’est fabuleux, nous allons pouvoir trouver exactement ce dont nous avons besoin. Mais bien sûr, le problème est que lorsque vous avez toutes ces informations, c’est la mer dans laquelle vous nagez. La question est de savoir comment la trouver, ce n’est même pas une aiguille dans une botte de foin, c’est un atome dans une botte de foin. A partir de toutes ces informations, comment trouver ce qui vous est utile ? Donc, vous avez cette équipe hybride et vous avez une machine, vous avez des gens. Vous avez dit, une balle qui va en avant et en arrière ? Pouvez-vous nous parler du processus de qui fait quoi ? Quels sont les points forts des machines ? Quelles sont les compétences des personnes pour trouver un chemin dans cette botte de foin afin de trouver cette petite chose qui sera ce que vous voulez ?  

Greg Detre 9:12   
Eh bien, prenons un exemple concret. Prenons l’exemple que Channel 4 a dû résoudre avec les recommandations et la personnalisation de la page d’accueil. Vous êtes probablement allé sur channelfour.com, ou sur n’importe quel site Netflix et un million d’autres, et ils personnalisent ce que vous voyez en fonction de ce que vous avez regardé et apprécié dans le passé. D’accord, jusqu’ici, tout va bien. Mais il y a un compromis à faire, car si nous confions ce travail entièrement aux machines, nous risquons d’abord de ne pas recommander les choses que nous voulons que les gens regardent, ou de ne pas avoir la possibilité d’exprimer la voix de notre marque. Nous risquons de ne pas pouvoir nous assurer qu’il y a suffisamment de diversité ou, dans le cas de Channel 4, que la mission de promouvoir un contenu expérimental, innovant ou pluraliste est respectée.  

Donald Taylor 9:59   
Cela fait partie du travail de Channel 4 explicitement, on leur dit qu’ils doivent le faire, ou c’est leur mission de toute façon.  

Greg Detre 10:02   
Exactement, le gouvernement a littéralement dit, par la loi, c’est votre travail. Donc, pour faire toutes ces choses, il est presque impossible de vraiment former une machine à ce stade pour prendre en compte cette sorte de multitude de facteurs différents. Mais en même temps, les rédacteurs humains font ce travail, et bien, ils font un excellent travail, mais ils ne peuvent pas personnaliser 16 millions ou 20 millions de pages d’accueil différentes. Il y a donc un compromis à faire. Nous nous sommes retrouvés dans une situation où les machines avaient divisé le public de Channel 4 en plusieurs groupes différents. Elles avaient assigné différents éditeurs à différents groupes d’utilisateurs. Les rédacteurs avaient créé ce que nous appelons des tranches, c’est-à-dire des groupes de contenu, qui pouvaient porter sur les voitures rapides, ou sur un type particulier de contenu de bricolage, ou tout autre type de contenu qu’ils savaient susceptible de plaire à un groupe particulier de personnes. Puis les machines décidaient, ok, super vous savez, à l’intérieur de ça pour vous, Dawn, je pense que nous allons recommander cet épisode particulier d’Anthony Bourdain ou autre.  

Donald Taylor 10:04   
C’est parfait. J’adore Anthony Bourdain quand il traverse l’Amérique du Sud en nous donnant toutes ces fabuleuses recettes. Tu as raison en tant qu’être humain, mais je suis sûr que l’algorithme aurait trouvé ça trop intéressant, ok.  

Greg Detre 11:13   
Ainsi, les rédacteurs peuvent créer un ensemble de contenu, l’algorithme peut le modifier pour une personne en particulier. Ce que vous obtenez, comme résultat, est quelque chose qui est à la fois évolutif, mais aussi nuancé. C’est le compromis, non ? Parce que le machine learning peut généralement évoluer, mais il manque une sorte de nuance humaine qui le rende significatif ou qui lui donne l’impression d’avoir une voix distincte.  

Donald Taylor 11:38   
Maintenant, c’est fascinant, et je le comprends totalement. Donc, vous avez l’algorithme capable d’évoluer, la machine capable d’évoluer, nous avons les êtres humains qui fournissent la nuance, le détail. C’est l’opposé de la métaphore que j’avais en tête. La métaphore que j’avais en tête, c’était Michel-Ange dans son atelier avec un bloc de marbre, disant à ses sous-fifres : « Va tailler des morceaux sur les bords du bloc de marbre, et quand il sera à peu près à mi-chemin, je prendrai le relais et je ferai les cils et les rotules ou autre, tu sais, tu t’occupes des petits détails. C’est presque l’inverse. C’est comme si les êtres humains, vous dites, les clumps catégorisaient les choses, mais qu’ensuite la mise à l’échelle jusqu’au détail fin pour chaque personne était faite par les machines parce que c’est la seule façon de le faire à l’échelle. Il n’était pas possible de faire faire cette mise à l’échelle individuelle par des êtres humains. Comment s’assurer que ce travail d’équipe fonctionne correctement ? Donc, à quel moment l’éditeur abandonne-t-il le travail consistant à dire, bien, c’est la collection de programmes qui convient ici et la machine prend le relais et dit, maintenant nous allons le couper pour Donald Taylor ou qui que ce soit ?  

Greg Detre 12:38   
Oui, et je pense que c’est là que ça finit par être probablement une réponse différente pour chaque problème. Vous avez besoin d’une grande communication entre vos experts du domaine humain et votre équipe de science des données. Je ne connais pas de moyen de s’assurer que cela fonctionne bien, si ce n’est en ayant construit des relations au départ, en créant un environnement de sécurité, où chacun respecte l’expertise et la valeur que l’autre apporte, et une sorte d’engagement relativement ferme pour essayer d’arriver à ce qui est le mieux pour l’organisation. En général, vous avez besoin d’un moyen de mesurer si vous faites du bon travail. De sorte que vous puissiez dire, oh, super quand nous ajoutons un peu d’expertise de l’humain qui aide ici, quand nous essayons de faire cette partie avec l’algorithme qui ne fonctionne pas très bien, oh, maintenant ça marche. Si vous ne disposez pas d’un moyen de noter les choses de manière quantitative et relativement objective, alors vous êtes probablement mort dans l’eau avec ce type d’approche.  

Donald Taylor 13:30   
Si nous avons deux équipes, qui sont toutes deux effectivement des médecins, l’une s’occupant de l’aspect machine, l’autre de l’aspect expertise humaine. Ce sont des personnes et, à moins qu’il n’y ait une mesure objective de l’extérieur, disant que vous êtes dans la bonne direction ou non, elles sont susceptibles de croire qu’elles le sont, et vous devez les ramener sur la bonne voie. En plus de cela, bien sûr, comme vous le dites, le besoin de sécurité psychologique. Sans citer de noms, et peut-être que cela ne vous est jamais arrivé, mais avez-vous déjà rencontré le problème d’une rupture de communication ? Cela n’a pas fonctionné, pour une raison quelconque ? Si ce n’est pas le cas, c’est très bien.  

Greg Detre 14:01   
Je veux dire, dans un certain sens, c’est le défaut. Le défaut est que les projets semblent prometteurs et puis, pour une raison quelconque, vous avez un tas de réunions, et d’une manière ou d’une autre, vous n’arrivez pas à obtenir l’adhésion. Que ce soit de la part des experts du domaine ou de la personne qui va signer le budget ou, je veux dire, c’est pourquoi j’ai un emploi en tant que consultant en données parce que le plus souvent, il est très difficile de fusionner ces deux types d’approches assez disparates.  

Donald Taylor 14:28   
Pour en revenir à cette idée de contenu pour la formation. Beaucoup de personnes qui écoutent ce podcast sont des personnes qui se concentrent particulièrement sur l’apprentissage. C’est un peu comme les chaînes et le contenu dans votre situation de diffusion avec Channel 4, mais vous avez beaucoup plus de types de choses différentes. Je veux dire, juste en termes de support, vous aurez des PDF, vous aurez des PowerPoints, vous aurez de l’audio, vous aurez de la vidéo, vous aurez du texte, vous aurez aussi des choses qui sont de différentes longueurs, différents styles, différents formats, et qui considèrent différents sujets. C’est un ensemble de choses beaucoup plus compliqué. Il est également fort probable que vous en ayez beaucoup plus, vous aurez certainement des dizaines, voire des centaines de milliers d’éléments. A quel point cela complique-t-il les choses ?   

Greg Detre 15:09   
Et bien, c’est le cas. Je suppose qu’une réponse rapide et grossière est, eh bien, de tout traduire en texte. Ainsi, qu’il s’agisse d’une vidéo YouTube richement produite ou d’un podcast, nous pouvons finalement le représenter comme un simple script. Ou peut-être qu’il y a une courte description, comme un résumé ou un extrait qui a été fourni. Donc, généralement, le machine learning a besoin de quelque chose comme ça pour travailler. Vous ne pouvez pas si facilement lui fournir des matières premières, des matières premières riches comme celles que vous décrivez, pour qu’il leur donne un sens. Nous traduisons donc tout dans un domaine universel de texte, puis nous le filtrons avec l’aide de professionnels de la formation. Nous avons un groupe d’experts en la matière qui sont capables de réfléchir aux besoins des grandes entreprises. Quels sont les ensembles de compétences que leurs collaborateurs doivent développer ? Nous avons travaillé avec eux pour essayer d’abord de construire un ensemble de données d’exemples où les différents matériaux d’apprentissage ont été correctement catégorisés, où l’être humain fait cette catégorisation. Puis, au fil du temps, vous essayez de confier un peu plus de ce travail à l’algorithme. Mais vous aurez toujours besoin d’un humain dans la boucle pour continuer à affiner les choses et réaliser que le cadre de compétences que vous avez conçu peut avoir changé au fil du temps parce que le travail à distance est soudainement très important en 2020. Donc, vous évoluez constamment avec ce type de jugement humain nuancé de méta-niveau, comme un jugement sur l’ensemble du  projet lui-même à un niveau supérieur. Alors que les algorithmes se contentent de dire, ok, vous me donnez un matériel de formation, et je vais vous dire de quelle compétence il s’agit. C’est tout ce que je fais, non ? Il n’est pas occupé à penser aux tendances à long terme, ou au fait qu’il y a une pandémie, et que cela pourrait changer les choses, juste complètement inconscient.  

Donald Taylor 16:53   
Il s’agit de suivre les règles et quiconque a déjà essayé, au niveau le plus élémentaire, d’écrire un processus ou, je ne sais pas, une formule Excel ou un programme informatique, sait que l’on est convaincu d’avoir raison. Vous mettez quelques variables, et vous obtenez des résultats inattendus, et vous devez revenir en arrière et l’affiner. C’est à un niveau très basique, en écho à ce que vous dites. Donc, l’être humain est désolé, Greg.  

Greg Detre 17:13   
Eh bien, oui, exactement, comme vous le disiez. Donc, je pense, pour monter d’un niveau et dire, ok, ce n’est pas encore vraiment une équipe hybride de données, ce que j’ai décrit, c’est plus comme, ok, l’être humain fournit un ensemble de formation, le remet à un algorithme. Là où nous voulons aller, là où ils commencent à ressembler un peu plus à une équipe hybride, c’est si l’algorithme commence à aider à la définition des compétences, d’accord ? L’algorithme commence à remarquer où il y a des lacunes et si l’humain s’en sert. Donc, c’est presque un peu comme un match de tennis. Où la balle fait des allers-retours rapides entre eux ou s’ils sont debout près du filet, et ils font juste des volées d’avant en arrière. Au point que vous ne pouvez plus voir exactement où l’humain s’est arrêté et où la machine a pris le relais. C’est là que je l’ai vu bien fonctionner. C’est quand vous pouvez finir par produire une production de haute qualité à l’échelle.  

Donald Taylor 18:06   
Peut-être jonglent-ils ensemble, et c’est une collaboration, plutôt que du tennis où ils sont en compétition l’un avec l’autre. Allons-y avec ça. Ok, donc nous ne pouvons pas anthropomorphiser l’algorithme. Il ne pense à rien. Alors comment aide-t-il à catégoriser les compétences ? Que fait-il ? Peut-être que vous l’avez configuré pour faire ça, et ensuite il s’exécute et le fait ? 

Greg Detre 18:28   
On pourrait s’amuser à parler de formation automatique. Je ne sais pas si quelqu’un d’autre appréciera autant que moi, mais je suppose que c’est un grand sujet. Je pense que dans le cas que nous avons filtré, ils ont conçu un système assez intelligent qui se base un peu sur l’extraction des mots les plus importants et les plus saillants, des mots-clés et des phrases qui sont indicatifs de certains types de documents, de certains types de compétences. C’est donc quelque chose que les machines et les gens peuvent converser, dans le langage des mots-clés et des phrases les plus importants et les plus saillants, et ils font un tas d’autres trucs intelligents par-dessus. Mais ce n’est qu’un exemple. Je veux dire, si vous voulez, nous pourrions parler un peu plus de l’écriture et de la créativité en général, et imaginer où cela va dans le futur. Parce que pour l’instant, tout ça est réel, ici et maintenant. Mais dans 10 ans, je pense que ça aura l’air très différent.  

Donald Taylor 19:18   
Je veux dire, c’est une grande question. Nous avons parlé au début de la façon dont les données étaient beaucoup de bruit il y a environ huit ans. Maintenant, elles font partie de notre vie quotidienne. Vont-elles s’insinuer davantage dans nos vies ? Y a-t-il des choses qu’elles ne peuvent pas faire ? Que verriez-vous faire à terme, en termes de créativité, qui est le bastion ultime ? N’est-ce pas le travailleur en col blanc ? Non, personne ne peut écrire quelque chose comme moi, pour l’amour de Dieu. Allez-vous me dire maintenant qu’il est possible pour quelqu’un d’autre d’écrire les sonnets de Shakespeare ?  

Greg Detre 19:47   
Si nous commençons par la situation actuelle, puis essayons d’imaginer, disons 10 ou 20 ans dans le futur, il est très difficile de donner de grandes intuitions sur ce qui est actuellement possible avec le machine learning. Mais ce que je peux vous dire, c’est que si un être humain est capable de faire quelque chose en moins d’une demi-seconde ou d’une seconde, nous pouvons probablement apprendre à un algorithme de machine learning à le faire également. Ainsi, par exemple, le machine learning peut reconnaître différents types de fleurs en les regardant. Le machine learning peut traduire le français et l’anglais, ou même, vous savez, écrire une transcription de ce que vous dites. Ce sont tous des exemples de choses que les humains peuvent faire si rapidement ; on dirait presque que cela ne nous prend pas de temps du tout. Mais tout ce qui vous prend trois heures à vous creuser la tête pour trouver exactement la bonne façon de présenter un point à un conseil d’administration, ce n’est pas quelque chose que nous verrons de sitôt de la part d’une machine. En fait, je ne suis pas sûr que ce soit quelque chose que nous verrons dans les machines au cours des 10 ou 20 prochaines années. En pratique, si nous revenons à notre idée de l’âge du centaure, pensons à l’écriture puisque c’est l’exemple que vous avez utilisé. Nous pourrions nous poser la question suivante : une IA va-t-elle écrire un scénario primé ? Eh bien, probablement pas, parce que je pense qu’il y a encore trop d’humanité, trop de sens de la faim quand on a besoin de la physiologie humaine pour savoir ce qu’est la faim, pour pouvoir écrire de manière convaincante. Cela dit, tout comme les meilleurs joueurs d’échecs au monde depuis 20 ans ne sont pas des humains ou des machines, ce sont des équipes de centaures. Je pense que les meilleurs écrivains du monde dans 20 ans ne seront peut-être pas des machines. Ils ne seront peut-être pas non plus des humains. Ce seront peut-être des équipes de centaures ; ce seront peut-être de grands écrivains humains ayant accès à des outils intéressants. Je suppose que nous pourrions penser à des exemples. Imaginons que je pense à une émission de Channel 4 impliquant le détective Dearing, qui est un peu grossier et hilarant. Disons que vous écrivez vos scripts, et vous dites, le détective Dearing dit, d’accord, je rentre à la maison maintenant. Je pense que l’algorithme pourrait dire, neah, notre détecteur de caractérisation dit que ça ne lui ressemble pas. Ce n’est pas suffisamment différencié de toutes les autres personnes du casting. Et bien sûr, dans la pratique, elle est beaucoup plus comme, disons, je vais à la maison pour un shampoing et quelque chose qui commence par « sha ». C’est beaucoup plus dans son caractère. Donc, vous pouvez imaginer comment le ton de la voix pourrait être remarqué et vous pourriez commencer à voir que ces deux personnages sont peut-être trop semblables l’un à l’autre. Vous pourriez obtenir des indices, de l’aide ou des conseils d’un algorithme qui vous aiderait à les différencier.  

Donald Taylor 22:18   
C’est extraordinaire, je pense à Coronation Street, qui a été conçue et écrite à l’origine par un jeune homme de 20 ans, Stoney Warren. Il avait une oreille fabuleuse pour les dialogues parce qu’il avait grandi en grande partie assis sous la table de la cuisine, à écouter sa mère et ses voisins parler. Tous les dialogues percutants qui faisaient partie de la vie de la classe ouvrière dans cette rue représentée dans Coronation Street, sortaient de sa tête. Bien sûr, ce que nous disons maintenant, c’est que nous ne pouvons probablement pas compter sur une personne qui a, disons, 20 ans d’expérience dans ce domaine avant de commencer à écrire, mais nous pouvons demander à des algorithmes de le récupérer et de nous dire où nous devons modifier le script. Et on en revient à Michel-Ange et à David. La nuance est ajoutée ici par les gens, mais quelqu’un d’autre, dans ce cas, la machine, détecte où le travail doit être fait. Pourrait-elle également détecter les endroits où l’arc narratif ne se déroule pas correctement et où il y a un vide dans l’intrigue ? Ou est-ce que c’est trop ? 

Greg Detre 23:11   
Eh bien, c’est difficile à dire. Je pense que l’arc narratif est une bonne idée. Nous avons le sentiment intuitif qu’un arc narratif, vous savez, si nous pensons au voyage du héros, il y a souvent une sorte de descente dans le chaos et le désordre, et puis peut-être qu’il y aura une certaine rédemption à la toute fin. Si nous n’avons pas eu cette sorte de geste émotionnel satisfaisant, si nous n’avons pas eu ce sentiment d’un arc de choses qui atterrissent, de nos émotions qui font un voyage d’une forme particulière, alors nous ne ressentons pas cette satisfaction, vous savez, la marque d’une grande histoire. Il me semble intuitif d’imaginer que nous pourrions être en mesure de visualiser ces arcs de l’histoire à l’aide d’un algorithme. Ainsi, vous pourriez être en mesure de voir, vous savez, ce qui n’a pas tout à fait atterri ou il ya une fin de loose là-bas que nous manquons. Donc, être capable de les voir à la fois, vous savez, au niveau d’une scène et peut-être au niveau d’une série, ce sont des outils qui pourraient permettre à un écrivain humain déjà excellent de faire un travail encore meilleur. 

Donald Taylor 23:16   
C’est de cela qu’il s’agit, parce qu’en fin de compte, tout outil, dès qu’il devient suffisamment bon marché, ne devient pas un facteur de différenciation, mais une marchandise. Parce que si vous parvenez à ce qu’un algorithme fasse quelque chose pour une équipe de scénaristes, d’autres équipes l’utiliseront et la différence sera fournie non pas par l’algorithme, probablement, mais par les personnes assises au-dessus, les têtes des centaures qui dirigent les équipes. Est-ce que c’est assez juste ? 

Greg Detre 24:25   
Je pense que oui. Je pense qu’il est utile de dire que nous pouvons nous attendre à ce que cela évolue. Ce ne sera pas un scénario statique. La proportion d’humains et de machines dans le centaure va changer pour différentes tâches à différents rythmes. Mais plus on s’éloigne d’une tâche que l’on peut faire en une demi-seconde, plus j’imagine que les machines vont commencer à être capables d’aller au fond des choses.  

Donald Taylor 24:46   
C’est un peu hallucinant de penser à l’âge du centaure, j’adore ce terme. Il résume pour moi ce vers quoi nous nous dirigeons et aussi, bien sûr, pas seulement vers quoi nous nous dirigeons, mais ce que nous faisons en ce moment même, très souvent sans même y penser. Gregg, merci beaucoup d’être venu dans l’émission. Je vais vous poser deux autres questions, que nous concluons toujours avec. Cela pourrait être une réponse très longue, mais qu’auriez-vous aimé savoir lorsque vous avez commencé dans le monde de la formation ? Et la deuxième question est : qu’est-ce qui vous intrigue en ce moment ? Je vais devoir vous restreindre sur ce point, car je soupçonne que vous êtes très curieux de plusieurs choses. Alors, qu’auriez-vous aimé savoir lorsque vous avez commencé dans le L&D ?  

Greg Detre 25:22   
En tant que scientifique x, je faisais une fixation sur l’efficacité, sur la rapidité avec laquelle je pouvais aider quelqu’un à apprendre et sur la façon dont il retiendrait ce qu’il avait appris. En pratique, tout comme en physique, le chemin parcouru est en fonction de la vitesse et de la durée. La quantité de choses que nous finissons par apprendre dépend non seulement de la vitesse à laquelle nous apprenons, mais aussi de la durée pendant laquelle nous nous y tenons. En d’autres termes, l’engagement, la motivation et la persévérance sont plus importants que la qualité de l’apprentissage. Ainsi, j’ai fini par passer beaucoup plus de temps à penser au changement de comportement et à faire en sorte que quelque chose soit agréable à utiliser, plutôt que de le rendre aussi efficace que possible, même si c’est une expérience misérable et fatigante.  

Donald Taylor 25:28   
Idéalement, c’est les deux, bien sûr. Vous avez la motivation de commencer, la motivation de continuer, et celles-ci sont entretenues par le fait que vous apprenez et que c’est une bonne expérience.  

Greg Detre 26:16   
Donc c’est exactement ça. Ouais, ma deuxième leçon, ce qui m’intrigue vraiment. Peut-être que c’est lié, je suis un peu obsédé par les outils pour améliorer nos propres cerveaux. Une des choses que nous savons sur nous-mêmes est que nous avons évolué pour nous déplacer dans un monde tridimensionnel dans la navigation spatiale et que nous sommes très incarnés, d’accord ? Nous ne sommes pas seulement des cerveaux dans une cuve, nous sommes des cerveaux dans un corps, et le corps affecte le cerveau donc le cerveau affecte le corps. Et bien, je pense que cela commence à être garanti, et que cela va devenir un cliché. Je pense que ce qui est intéressant, c’est le degré auquel la façon dont nous utilisons notre corps nous aide à penser et que la réalité virtuelle, parce qu’elle offre une interface incarnée, pourrait être un moyen de penser beaucoup plus efficace que de taper sur un clavier, ce qui revient presque à penser par laparoscopie. Vous savez, comme ces caméras de chirurgie en trou de serrure, non ? J’ai ces petits doigts et les seules choses qui bougent sont le bout de mes doigts, le reste de mon corps est complètement immobile. Je n’utilise pas les gigantesques zones du cerveau qui sont impliquées dans la réflexion sur l’emplacement des objets dans le monde, dans les mouvements, dans le comportement moteur, dans le déplacement de mes bras, dans la détermination de la position relative des objets et dans la visualisation. Nous n’utilisons rien de tout cela. J’imagine donc un monde dans lequel nous pensons en réalité virtuelle, nous écrivons, nous élaborons des stratégies et des plans en utilisant une sorte d’environnement incarné pour notre propre jardin de l’esprit que nous pouvons manipuler.  

Donald Taylor 27:42   
Cela me fait penser à un livre intitulé « The Singing Neanderthals » de Steven Mithen, dans lequel il affirme qu’à l’origine, il utilise les avatars comme une sorte de mot pour couvrir toutes les formes humaines prémodernes, mais à l’origine comme maintenant des épreuves et des réalisations et comme d’autres formes. Nous avions une variété de façons de nous exprimer, y compris le chant, le mouvement et d’autres choses encore. Ces moyens ont été réduits à la forme de communication basée sur le texte et le langage sur laquelle nous nous concentrons maintenant. Ce que vous suggérez, Greg, c’est qu’en utilisant la technologie, nous pouvons revenir à une façon plus fondamentale de communiquer et de penser. J’aimerais beaucoup que vous reveniez sur le podcast et que vous partagiez avec nous ce que vous avez découvert au cours de ce voyage. Mais pour l’instant, la conversation que nous avons eue aujourd’hui m’a suffisamment soufflé. Je tiens à vous remercier chaleureusement d’être venu sur le podcast Speexx Exchange.  

Greg Detre 28:04   
C’est un plaisir, merci !