L'analyse décisionnelle est un domaine qui développe des modèles analytiques pour une meilleure prise de décision. Une question intéressante est de savoir si l'intelligence artificielle peut remplacer les gens en tant que décideurs - et si, alors dans quelles circonstances.

Les algorithmes d'IA qui prennent des décisions sont répandus. Ils choisissent pour nous le contenu et les publicités appropriés lorsque nous naviguons sur Internet ; ils répondent à nos questions en tant que chatbots lorsque nous avons besoin d'aide ; ils approuvent et refusent les demandes de prêt.

Au mieux, l'IA est un excellent décideur. Cependant, les circonstances doivent s'y prêter.

Pour prendre de bonnes décisions, l'IA a besoin soit de grandes quantités de données sur les décisions antérieures et leur qualité, soit de la possibilité de tester largement différentes stratégies de décision. Cette dernière approche, qui découle de l'apprentissage par renforcement, fonctionne particulièrement bien lorsque les stratégies peuvent être testées de manière fiable dans un environnement simulé, c'est-à-dire détaché de la vie réelle. C'est clair quand on pense, par exemple, au chatbot :une entreprise serait imprudente de laisser l'IA tester des réponses aléatoires sur de vrais clients sans méfiance.

De plus, il est important qu'une mesure de performance (ou, techniquement, une fonction de récompense) puisse être définie pour évaluer les décisions de l'algorithme. Dans le cas du chatbot, les conseils donnés par l'IA peuvent être considérés comme bons lorsqu'ils résolvent le problème du client; pour un annonceur, il est essentiel qu'une décision d'achat soit prise.

La pertinence des personnes dans le processus de prise de décision est soulignée lorsqu'il n'y a pas de grands ensembles de données de haute qualité disponibles, aucune possibilité de tester largement différentes stratégies de décision, ou s'il est difficile de trouver une mesure de performance claire pour évaluer les décisions de l'algorithme. Le premier problème s'applique, par exemple, aux décisions stratégiques à plus long terme dans les entreprises. En effet, même les grands ensembles de données ne peuvent pas prédire l'avenir :les données regardent toujours en arrière, incapables d'anticiper des événements qui ne se sont jamais produits auparavant.

Une mesure de la performance, en revanche, peut être difficile à trouver lorsque des objectifs différents et éventuellement contradictoires sont en cause. Par exemple, le ciblage de contenu sur Facebook fonctionne efficacement dans le sens où les gens sont heureux de cliquer sur des liens qui prennent en charge leurs vues existantes. Mais que se passe-t-il si, au lieu de maximiser le temps passé sur Facebook, l'objectif est d'élargir le champ de la discussion sociétale ou de réduire la discorde ? Comment ces objectifs pourraient-ils même être mesurés d'une manière compréhensible par un algorithme ?

Dans tous les cas, les algorithmes d'IA sont constamment améliorés et, au mieux, ils nous facilitent considérablement la vie. Avec leur aide, nous pouvons trouver des connexions intéressantes à partir de masses de données auxquelles les gens n'auraient jamais pensé autrement. Ainsi, même si l'IA ne remplace pas jusqu'à présent les personnes en tant que décideurs, elle peut certainement nous aider à prendre de meilleures décisions.