L’IA pourrait renforcer la démocratie – voici une façon

Il est devenu à la mode de considérer l’intelligence artificielle comme une technologie intrinsèquement déshumanisante, une force d’automatisation impitoyable qui a libéré des légions d’ouvriers qualifiés virtuels sous une forme sans visage. Mais que se passerait-il si l’IA s’avérait être le seul outil capable d’identifier ce qui rend vos idées spéciales, reconnaissant votre point de vue unique et votre potentiel sur les questions qui comptent le plus ?

Vous seriez pardonné si vous étiez bouleversé par la capacité de la société à faire face à cette nouvelle technologie. Jusqu’à présent, les pronostics sur la catastrophe démocratique que l’IA pourrait infliger au système de gouvernement américain ne manquent pas. Il y a des raisons légitimes de craindre que l’IA puisse propager la désinformation, briser les processus de consultation publique sur les réglementations, inonder les législateurs d’une sensibilisation artificielle des électeurs, aider à automatiser le lobbying des entreprises ou même générer des lois d’une manière adaptée pour profiter à des intérêts étroits.

Mais il y a aussi des raisons de se sentir plus optimiste. De nombreux groupes ont commencé à démontrer les utilisations bénéfiques potentielles de l’IA pour la gouvernance. Un cas d’utilisation constructive clé de l’IA dans les processus démocratiques est de servir de modérateur de discussion et de générateur de consensus.

Pour aider la démocratie à mieux évoluer face à des populations croissantes et de plus en plus interconnectées – ainsi qu’à la large disponibilité d’outils linguistiques d’IA capables de générer des tonnes de texte en un clic – les États-Unis devront tirer parti de la capacité de l’IA à digérer rapidement, interpréter et résumer ce contenu.

Un vieux problème

Il existe deux manières différentes d’aborder l’utilisation de l’IA générative pour améliorer la participation civique et la gouvernance. Chacun est susceptible de conduire à une expérience radicalement différente pour les défenseurs des politiques publiques et les autres personnes essayant de faire entendre leur voix dans un futur système où les chatbots d’IA sont à la fois les principaux lecteurs et auteurs de commentaires publics.

Par exemple, envisagez des lettres individuelles à un représentant ou des commentaires dans le cadre d’un processus d’élaboration de règles réglementaires. Dans les deux cas, nous, le peuple, disons au gouvernement ce que nous pensons et voulons.

Depuis plus d’un demi-siècle, les agences utilisent le pouvoir humain pour lire tous les commentaires reçus et pour générer des résumés et des réponses sur leurs principaux thèmes. Certes, la technologie numérique a aidé.

En 2021, le Council of Federal Chief Data Officers a recommandé de moderniser le processus d’examen des commentaires en mettant en œuvre des outils de traitement du langage naturel pour supprimer les doublons et regrouper les commentaires similaires dans les processus à l’échelle du gouvernement. Ces outils sont simplistes selon les normes de 2023 AI. Ils fonctionnent en évaluant la similarité sémantique des commentaires en fonction de paramètres tels que la fréquence des mots (à quelle fréquence avez-vous dit « personnalité » ?) et en regroupant les commentaires similaires et en donnant aux examinateurs une idée du sujet auquel ils se rapportent.

Comprendre l’essentiel

Considérez cette approche comme un effondrement de l’opinion publique. Ils prennent une grande masse de commentaires de milliers de personnes et les condensent en un ensemble ordonné de lectures essentielles qui suffisent généralement à représenter les grands thèmes des commentaires de la communauté. C’est beaucoup plus facile à gérer pour le personnel d’une petite agence ou le bureau législatif que pour les membres du personnel qui doivent réellement lire autant de points de vue individuels.

Mais ce qui est perdu dans cet effondrement, c’est l’individualité, la personnalité et les relations. L’examinateur des commentaires condensés peut manquer les circonstances personnelles qui ont amené tant de commentateurs à écrire avec un point de vue commun, et peut ignorer les arguments et les anecdotes qui pourraient être le contenu le plus convaincant du témoignage.

Plus important encore, les examinateurs peuvent manquer l’occasion de reconnaître des défenseurs engagés et compétents, qu’il s’agisse de groupes d’intérêt ou d’individus, qui pourraient avoir des relations productives à long terme avec l’agence.

Ces inconvénients ont de réelles ramifications sur l’efficacité potentielle de ces milliers de messages individuels, sapant ce pour quoi tous ces gens le faisaient. Pourtant, l’aspect pratique fait pencher la balance vers une sorte d’approche de synthèse. Une lettre de plaidoyer passionnée n’a aucune valeur si les régulateurs ou les législateurs n’ont tout simplement pas le temps de la lire.

Trouver les signaux et le bruit

Il existe une autre approche. En plus de réduire les témoignages par le biais de résumés, le personnel du gouvernement peut utiliser des techniques d’IA modernes pour les faire exploser. Ils peuvent automatiquement récupérer et reconnaître un argument distinctif à partir d’un témoignage qui n’existe pas dans les milliers d’autres témoignages reçus. Ils peuvent découvrir le genre d’histoires et d’expériences constituantes que les législateurs aiment répéter lors d’audiences, de mairies et d’événements de campagne. Cette approche peut soutenir l’impact potentiel des commentaires publics individuels pour façonner la législation même si le volume des témoignages peut augmenter de façon exponentielle.

En informatique, il existe une riche histoire de ce type de tâche d’automatisation dans ce qu’on appelle la détection des valeurs aberrantes. Les méthodes traditionnelles consistent généralement à trouver un modèle simple qui explique la plupart des données en question, comme un ensemble de sujets qui décrivent bien la grande majorité des commentaires soumis. Mais ensuite, ils vont plus loin en isolant les points de données qui sortent du moule – des commentaires qui n’utilisent pas d’arguments qui s’intègrent dans les petits groupes soignés.

Les modèles de langage d’IA de pointe ne sont pas nécessaires pour identifier les valeurs aberrantes dans les ensembles de données de documents texte, mais leur utilisation pourrait apporter un plus grand degré de sophistication et de flexibilité à cette procédure. Les modèles de langage d’IA peuvent être chargés d’identifier de nouvelles perspectives dans un grand corps de texte grâce à des invites seules. Il vous suffit de dire à l’IA de les trouver.

En l’absence de cette capacité à extraire des commentaires distinctifs, les législateurs et les régulateurs n’ont d’autre choix que de donner la priorité à d’autres facteurs. S’il n’y a rien de mieux, « qui a fait le plus de dons à notre campagne » ou « quelle entreprise emploie le plus de mes anciens collaborateurs » deviennent des indicateurs raisonnables pour hiérarchiser les commentaires du public. L’IA peut aider les élus à faire beaucoup mieux.

Si les Américains veulent que l’IA aide à revitaliser la démocratie en difficulté du pays, ils doivent réfléchir à la manière d’aligner les incitations des dirigeants élus sur celles des individus. À l’heure actuelle, jusqu’à 90 % des communications avec les électeurs sont des e-mails de masse organisés par des groupes de défense, et ils sont largement ignorés par les membres du personnel. Les gens canalisent leurs passions dans de vastes entrepôts numériques où les algorithmes emballent leurs expressions pour qu’elles n’aient pas à être lues. En conséquence, l’incitation pour les citoyens et les groupes de défense est de remplir cette boîte à ras bord, afin que quelqu’un remarque qu’elle déborde.

Un citoyen talentueux, bien informé et engagé devrait être capable d’articuler ses idées et de partager ses expériences personnelles et ses points de vue distinctifs de manière à ce qu’ils puissent être à la fois inclus dans les commentaires de tous les autres lorsqu’ils contribuent au résumé et reconnus individuellement parmi les autres commentaires. Un processus efficace de synthèse des commentaires extrairait ces points de vue uniques de la pile et les mettrait entre les mains des législateurs.