Le "Machine Learning", le journalisme et vous...

alimente déjà de nombreuses solutions que nous utilisons quotidiennement. Cependant, nous n’en sommes pas toujours conscients. Quelques exemples :

• Les logiciels de navigation GPS, tels que Google Maps et Waze
• Les services de streaming, tels que Netflix et Spotify
• Les moteurs de recherche, tels que Google Search, Baidu et Yahoo
• Les médias sociaux, tels que TikTok, Facebook et Instagram

Le Machine Learning peut être appliqué à un large éventail de domaines, des soins de santé au commerce de détail, en passant par le développement de véhicules autonomes.

Peut-être ne vous en êtes-vous pas rendu compte, mais nous avons tous déjà pratiqué le Machine Learning dans le cadre de nos tâches quotidiennes.  

En tant que journaliste, il est probable que vous ayez déjà utilisé la technologie du Machine Learning dans votre rédaction. Vous avez peut-être utilisé Google Translate ou un autre outil de traduction. Peut-être avez-vous utilisé Grammarly ou HemingwayHemingway pour corriger vos documents écrits. Ou peut-être que Trint vous a fait du temps en transcrivant automatiquement vos entretiens.

Quel que soit votre rôle dans votre rédaction ou si vous êtes journaliste indépendant, il est plus que probable que le Machine Learning vous ait déjà aidé à un moment donné.

Comment le journalisme utilise-t-il donc le Machine Learning dans les différentes étapes d'un reportage?

Au-delà des outils spécifiques déjà mentionnés, le Machine Learning progresse lentement mais sûrement dans les activités journalistiques. Comme le démontre le rapport JournalismAI, il se manifeste surtout par l’augmentation des processus existants : libérer les journalistes des tâches répétitives et leur permettre de travailler sur des sujets qui seraient trop complexes ou trop longs à traiter sans l’aide de la technologie.

Alors, que peut faire exactement le Machine Learning pour une rédaction ? Et comment les journalistes peuvent-ils s’en servir pour améliorer leur travail au quotidien?  

Les prochains paragraphes couvriront quelques exemples pratiques démontrant comment le Machine Learning peut être mis en place pour aider à collecter des données, ainsi que produire et collecter des informations.

En 2018, Reuters a développé News Tracer et Lynx Insight. Ces deux outils appliquent des technologies de Machine Learning et d’intelligence artificielle (plus de détails sur ces deux termes dans la leçon suivante) pour aider les journalistes de Reuters dans leur collecte d’informations.

News Tracer est conçu pour aider les journalistes à trouver les événements qui sont en train de se produire sur Twitter. L’outil analyse des millions de tweets en temps réel pour signaler les actualités de dernière minute et permettre à la rédaction de les repérer plus rapidement que ce que permettent les pratiques habituelles.

De même, Lynx Insight est conçu pour identifier les tendances et les faits clés dans de grands ensembles de données, suggérant de nouveaux récits aux journalistes, tout en fournissant des informations supplémentaires sur le sujet et le contexte.

Les outils intégrant le Machine Learning visant à automatiser le long et fastidieux processus de transcription des interviews et de traduction des informations illustrent parfaitement la manière dont la technologie peut améliorer la production d’informations. Mais l’utilisation du Machine Learning dans la production d’informations va bien au-delà de cela.

Un large éventail de médias dont Bloomberg, le Washington Post et Associated Press ont commencé à mettre en place différentes techniques d’IA et de Machine Learning pour produire automatiquement des reportages à grande échelle.  

L’objectif principal étant de permettre aux journalistes de se concentrer sur les aspects les plus créatifs de leur travail, en laissant les tâches répétitives à la "machine", mais des études de cas récentes indiquent que les avantages sont bien plus importants que nous le pensons.

Le laboratoire Yle News de la société de radiodiffusion publique finlandaise a eu recours au "Machine Learning" et a ainsi créé un assistant d’information intelligent Voitto pour son application d’information personnalisée Yle NewsWatch.  

L’assistant Voitto est actif sur l’écran verrouillé d’un appareil mobile et recommande à l’utilisateur un contenu d’actualité intéressant par le biais d’alertes ou de notifications. Voitto utilise le Machine Learning pour améliorer ses recommandations en tirant parti des interactions entre l’utilisateur et son écran de verrouillage ainsi que l’historique de ses lectures. En outre, l’utilisateur peut former l’assistant en lui transmettant un retour d’information direct par le biais de notifications et dans l’application d’information elle-même.

Le Machine Learning peut également permettre aux médias de renforcer leur modèle commercial, par exemple en réglant avec précision un paywall flexible pour leurs abonnés.

Comme nous l’avons vu, le Machine Learning est déjà utilisé pour renforcer les capacités des journalistes dans leur travail au quotidien. Mais cela ne signifie pas que l’apprentissage automatique soit la solution miracle à tous les problèmes du journalisme.  

Une grande partie du potentiel offert par le Machine Learning reste encore à être exploité par le journalisme, et les nouveaux pouvoirs vont de pair avec de nouveaux risques et défis que les journalistes doivent prendre avec précaution.

Dans les prochaines leçons de ce cours, nous apprendrons de manière approfondie ce qu’est le Machine Learning et comment il fonctionne. Nous examinerons comment les journalistes peuvent y avoir recours de façon innovante et quels sont les risques à prendre en compte pour une utilisation responsable de cette puissante technologie.