Qui n’a jamais prouvé qu’il était humain en identifiant des ponts ou des motos sur une image ? En réalité, ce service de captcha ne prouve rien du tout : Google, via son service Recaptcha, rémunère le site Web pour l’activité de ses visiteurs, qui annotent gratuitement l’image qui leur est soumise afin de bénéficier du service de l’éditeur. Les annotations servent ensuite à l’entraînement des grands modèles de langage de Google. Ses concurrents peuvent faire appel à des sociétés comme Hcaptcha, Scale AI ou Surge AI, qui emploient des centaines de milliers de travailleurs précaires de par le monde pour un travail laborieux de tri et d’étiquetage des données, un processus essentiel pour les embeddings et la création de datasets d’entraînement (lire Expert ci-dessous).
Ce travail est marqué l’opacité de la chaîne d’approvisionnement de données, avec les entreprises exigeant une confidentialité stricte, et la division extrême du travail, ce qui fait que peu de gens comprennent pleinement la nature du travail qu’ils effectuent. The Verge vient de publier un remarquable reportage, qui raconte comment les annotateurs doivent respecter des règles d’étiquetage précises et parfois absurdes, conçues pour permettre à une machine d’interpréter de manière cohérente des entités telles que les vêtements, les objets et même les reflets de ces objets.
De Nairobi à Singapour, les annotateurs se comptent par centaines de milliers. Plusieurs plates-formes ont émergé pour structurer ces travailleurs précaires de la “gig economy”, dont le Mechanical Turk d’Amazon et le réseau blockchain Human Protocol, soutenu par Hcaptcha. Basé sur Ethereum, il récompense les utilisateurs qui alimentent les datasets de l’intelligence artificielle grâce à une série d’applications décentralisées et open source.
Données synthétiques, données humaines
Selon une étude de l’École polytechnique de Lausanne (EPFL), entre le tiers et la moitié des travailleurs sur Amazon Mechanical Turk (MTurk) utilisent l’intelligence artificielle pour accomplir des tâches initialement réservées aux humains. Le reportage de The Verge va dans le même sens: ChatGPT permet aux annotateurs de remédier à la monotonie d’un travail très peu payé. Or, les données synthétiques peuvent dégrader l’entraînement des LLM, ce qui explique l’engouement des créateurs de modèles pour les archives de la presse (lire Qant du 19 juin). Une autre étude universitaire prévoit même une crise imminente de l’entraînement des IA sur des données générées par des IA.
Quoi qu’il en soit, la montée en puissance des modèles va de pair avec celle des annotateurs. Le mois dernier, note The Verge, Scale a commencé à publier des offres d’emploi pour des annotateurs avec une expertise en coaching, en ressources humaines, en finance, en économie, en data science, en programmation, en chimie, en biologie, en comptabilité, en fiscalité, en nutrition, en physique, en voyages, en éducation (de la maternelle à la terminale), en journalisme sportif… La liste est aussi longue que celle des professions qui seront transformées par l’IA. Certains annotateurs doivent même disposer d’une habilitation du Pentagone, pour entraîner les IA militaires. Les rémunérations peuvent 45 dollars de l’heure pour le droit ou 25 dollars de l’heure pour la poésie.
Pour en savoir plus :
Source archive Kessel : https://qant.kessel.media/posts/pst_f39ac4f291df47d9a3aafde766da97c3
