J’apprends le piano depuis quelques années. C’est laborieux mais c’est aussi une grande source de satisfaction et de plaisir. J’ai besoin d’un professeur, tellement la tâche est immense pour me guider dans l’apprentissage de la technique, des gammes, des arpèges et des ornementations - to name a few. Je mène un combat particulier : la lutte contre l’impatience. Exposé aux interprétations des plus grands pianistes dans un foyer amateur de l’instrument, je ne me résout pas à franchir les paliers les uns après les autres et je me précipite vers des œuvres inaccessibles pour mon modeste niveau. La vertu de ce vice ? Être toujours tiré vers le très haut. Le vice de cette vertu ? Se casser les dents plusieurs fois par semaine, et être miné par le découragement, l’épuisement et les blocages de trapèze. La stratégie des petits pas s’impose donc, sagesse durement acquise, constamment remise en cause mais la seule qui vaille sur le long cours. Si on transpose cette problématique au domaine de l’IA, on pourrait dire que je partage avec les ordinateurs l’enjeu du “cold start” ou du “démarrage à froid” : une demande forte des clients (maîtriser Bach “en deux deux”) et une impossibilité formelle de la réaliser (même Mozart a dû attendre quelques années avant d’écrire ses premières sonates). 

Une définition du cold start s’impose : “Ce terme est utilisé pour décrire une problématique des systèmes de recommandation, où le système manque de données initiales suffisantes pour faire des prédictions ou des recommandations précises.” Dans le cadre du marketing digital, où le machine learning a été tôt et intensément utilisé, le terme est souvent utilisé pour désigner le lancement d’une campagne pour laquelle les systèmes n’ont peu ou pas d’historique (rappelons que l’IA répète plus le passé qu’elle ne prédit l’avenir).