Mesurer le temps réellement gagné grâce à l’intelligence artificielle

LLéna

Un article de recherche sur arXiv propose une méthode pour mesurer le temps réellement gagné grâce à l’intelligence artificielle, en comptant aussi les erreurs qui échappent au contrôle. Plutôt que de s’en tenir au temps mesuré au chronomètre, l’article présente une approche comptable contrefactuelle : elle met en regard le temps gagné et les défauts supplémentaires non détectés, pour estimer à partir de quel coût ces défauts annulent le bénéfice. L’article distingue 2 mesures du modèle, le temps gagné et les défauts non détectés, puis ajoute cet indicateur de décision. Il ne s’agit donc pas seulement de constater qu’une tâche a été accomplie plus vite, mais aussi de tenir compte des conséquences des erreurs que le contrôle n’a pas repérées. Dans un modèle de vérification de référence, tant qu’un contrôle reste nécessaire, le taux de défauts qui échappent à un travailleur calibré ne dépend pas de la qualité du modèle. En revanche, le temps de vérification augmente avec le logarithme du taux d’erreur du modèle. Cette relation concerne le modèle de vérification de référence décrit dans l’article. Enfin, l’article indique qu’une confiance excessive dans le modèle peut réduire le temps mesuré au chronomètre, tout en augmentant davantage le temps total consacré au travail. Autrement dit, une tâche plus rapide en apparence ne garantit pas un gain de temps global : les défauts non détectés peuvent en annuler le bénéfice, selon leur coût.