TROIS PRIORITÉS POUR AVANCER
Les développements qui précèdent donnent une idée du potentiel de l'IA et de l'IA générative dans le cadre des missions de collecte de l'impôt, de versement des prestations sociales et de lutte contre la fraude. Il reste à présent à se saisir de ce potentiel.
Les trois grandes priorités sont les suivantes : identifier les usages, clarifier les objectifs, et s'en donner les moyens. Les enjeux sont connus, ils ont été récemment soulignés par la Commission IA, et ils ne sont pas propres aux administrations fiscales et sociales.
« Les systèmes d'IA devront être mis au profit de la qualité du service public. L'IA peut améliorer le service public, en contribuant à personnaliser l'éducation, à accorder plus de temps aux patients, à mieux accompagner et anticiper les transitions professionnelles, à réduire la bureaucratie. Nous obtiendrons ces gains à condition de faire la mue de nos institutions. De l'évolution des infrastructures numériques à la conduite de projets d'IA, la mobilisation des administrations publiques sur les enjeux tenant à l'IA doit être accélérée, amplifiée, généralisée et déclinée par service public. »
Rapport de la Commission IA, mars 2024
I. IDENTIFIER LES USAGES
Il faut, tout d'abord, avoir une idée aussi claire que possible de ce que l'IA peut faire, et de ce qu'elle ne peut pas faire, du moins en l'état actuel des technologies, en distinguant :
- d'une part, les tâches qui peuvent être confiées à l'IA, parce qu'elles se prêtent à une approche statistique et probabiliste : c'est le cas de la détection de la fraude, mais aussi de tout ce qui concerne le traitement du langage naturel (analyse, résumé, génération de texte, traduction, etc.) ;
- d'autre part, les tâches qui ne peuvent pas être confiées à l'IA, parce qu'elles impliquent un calcul ou un raisonnement qui n'admet qu'une seule solution et/ou qu'elles doivent être entièrement transparentes et explicables, par exemple le calcul de l'impôt ou l'évaluation de l'éligibilité à une aide sociale. La bonne nouvelle est que les systèmes classiques font tout ceci très bien, et depuis longtemps.
Rappel
· Le machine learning et le deep learning sont adaptés pour traiter des données structurées et normalisées, notamment les chiffres.
· L'IA générative et les large language models excellent dans le traitement du langage naturel et des données non structurées et hétérogènes, notamment les textes.