25 mars 2021 Nous avons souvent parlé d’intelligence artificielle dans les articles précédent, et de son impact possible ou démontré sur l’éducation. Dans cet article, nous expliquerons pourquoi nous pensons que cela a du sens d’utiliser le Deep Learning pour assister les professionnels dans leur recherche de leur prochaine opportunité de carrière et dans leur rencontre de succès. Qu’est-ce que le Deep Learning? Dans l’essence, le Deep Learning (apprentissage “profond”) est une manière, pour un réseau d’ordinateurs, d’analyser des données et d’en apprendre quelque chose (au travers de multiples processus, d’où le “deep”) d’une manière qui lui permettra, par exemple, de “prédire” un comportement, sur base d’un grand ensemble de comportements antérieurs. Pourquoi est-il significatif dans le cadre du projet SILKC Path? Avec SILKC Path, nous souhaitons offrir à tous les meilleures recommandations de formations nécessaires pour que chacun puisse obtenir les compétences nécessaires pour son emploi de rêve, de la manière la plus efficace possible. Nous considérons que les étapes nécessaires pour se “déplacer” (au travers de la formation) de son emploi actuel vers son emploi de rêve forment un *chemin*, et que ce chemin partage des étapes communes avec le chemin d’autres personnes. Les différences possibles entre les personnes, leurs jobs, leurs rêves et les formation qu’elles peuvent suivre sont tellement nombreuses et incluent tellement de détails qu’il serait impossible pour une personne ou un groupe de personnes, même spécialisés en ressources humaines, d’offrir une proposition de qualité à chacun dans un temps raisonnable. Trouver les compétences qu’un certain utilisateur a obtenu et celles qui lui manquent est relativement simple : il suffit d’analyser son emploi actuel, utiliser un référentiel commun (nous utilisons ESCO car il fournit un ensemble de compétences commun au niveau européen) pour établir les compétences que cet utilisateur domine probablement (les “compétences acquises”) puis analyse le job de rêve et les compétences qu’il exige (les “compétences requises”) et soustrait les compétences acquises des compétences requises. Avec cette différence de compétences, nous pouvons trouver la meilleure formation, qui enseigne toutes les compétences requises et manquantes. Facile, donc. Là où ce processus devient plus complexe c’est quand les utilisateurs : ne partagent pas le même “background”.ne vivent pas tous dans la même zone géographique. n’ont pas le même âge.ne parlent pas la langue de la formation.ont des besoins spéciaux.ne trouvent pas de formation qui couvre toutes leurs compétences manquantes.ont des difficultés à affronter le coût de ces formations.correspondent à des formations qui ne sont pas recommandées par d’autres partageant les mêmes aspirations.correspondent à des formations recommandées par d’autres qui ne sont pourtant pas restés longtemps dans ce “job de rêve”, ce qui suggère une imperfection dans le processus.n’ont pas la disponibilité pour assister à la formation au moment où elle est disponible. Ces 10 critères, et potentiellement de nombreux autres, sont les éléments, les “points de données” que nous souhaitons analyser pour offrir de meilleures recommandations. Imaginez que chacun de ces 10 critères ait une dizaine de variations chacun (facile à imaginer pour l’âge, la langue et les compétences acquises). Une analyse combinatoire simple suggère qu’on parlerait de plus de 10 milliards de combinaisons. Ajoutons un critère similaire et nous arrivons directement à 100 milliards. Faire une telle analyse manuellement pour chaque utilisateur serait outrageusement coûteux en temps comme financièrement, et serait lent pour l’utilisateur final, qui limiterait alors ses recherches à une palette restreinte de possibilités. Programmer ce processus d’une manière classique demanderait une énorme quantité de développement initial et des adaptations régulières au code afin de permettre une amélioration séquentielle du modèle. Le deep learning, par contre, excelle dans ce genre d’analyse. En utilisant le Deep Learning, nous pouvons élaborer les règles de base du système, lui donner des exemples des résultats qui semblent satisfaire la logique humaine et laisser le système traiter cette information, l’améliorer et continuer de l’alimenter avec de nouvelles informations en cours de route, afin d’entraîner un système qui s’améliore continuellement. Conclusion Étant donnée la variété et le nombre de valeurs (de critères) que notre système devra analyser afin de fournir des recommandations personnalisées pour que nos utilisateurs trouvent le chemin le plus efficace vers leur job de rêve, avoir la puissance du Deep Learning à portée de la main semble une option très attrayante. Traiter cette information manuellement (ou de manière programmée) demanderait des ressources excessives et devrait rapidement être abandonné par manque de financement. En utilisant le Deep Learning, nous entraînons des ordinateurs pour exécuter le travail de manière économique, rapide et précise.