Statisticien

États-Unis. Le bureau des statistiques prévoit que l'emploi de statisticien progressera de 11 % entre 2025 et 2035, de 31 300 à 34 700, en invoquant le recours plus répandu à l'analyse statistique pour éclairer les décisions des entreprises, de la santé et des politiques publiques, ainsi que le volume croissant de données stockées sous forme numérique. La page ne mentionne ni l'intelligence artificielle, ni l'apprentissage automatique, ni l'automatisation.

Une personne nommée, ayant une position reconnue, a publiquement prédit quelque chose, à une date, dans une déclaration attribuable. On l'enregistre pour que qui a dit quoi, et quand, reste vérifiable — et cela ne déplace jamais l'appréciation d'une tâche, car une prévision n'est pas une observation. Sa valeur arrive plus tard : l'enregistrement se trouve sur la même page que les preuves concernant ce métier, donc qui lit la prévision lit à côté le relevé de ce qui s'est passé ensuite. C'est là que les comptes se font ; ce site ne publie aucun verdict sur la réalisation d'une prévision.

Royaume-Uni. Le régulateur indique que des outils comme Survey Assist, de l'office statistique, pourraient aider à réduire le temps passé sur des traitements répétitifs et permettre aux statisticiens de se consacrer davantage à l'assurance qualité et aux besoins des utilisateurs, mais que son expérience de régulateur laisse penser que l'usage de l'IA dans la statistique publique reste surtout centré sur la recherche et développement, les tests et le soutien administratif plutôt que sur la production statistique courante. L'évaluation d'un régulateur pour un seul pays ; elle ne donne aucun chiffre.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

États-Unis. Des agents du Census Bureau rapportent qu'un codeur automatique à base de modèle de langage, appliqué aux réponses sur le secteur et la profession de l'American Community Survey, a fait passer le taux de codage conjoint de 28 à 52 %, ce qui envoie chaque mois 32 % de cas en moins au codage manuel, soit 500 000 de moins par an ; le seuil de probabilité a été choisi pour que le taux d'erreur soit d'environ 6 %, la limite que doivent respecter les codeurs. Les diapositives précisent que les opinions sont celles des auteurs et non du Bureau, et un prestataire qui a construit le modèle figure parmi les auteurs. Le codage était un travail d'exécution ; ce sont les statisticiens qui ont fixé le seuil.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Grande-Bretagne. La fiche de transparence, qui indique la phase « pre-deployment », précise que l'outil pose des questions de relance à partir de ce que saisit le répondant pour préciser son emploi et son secteur, puis détermine les codes SIC et SOC ; l'analyse humaine est étroite pendant la recherche et le développement, mais il n'y a aucune intervention humaine directe dans les questions que pose le modèle ni dans les résultats qu'il fournit, l'exactitude faisant l'objet d'une relecture manuelle pendant les phases de recherche. Un pilote ; aucun résultat n'est publié.

Essai à petite échelle dans un cadre réel. Cela nous dit que les conditions de déploiement sont mises à l'épreuve, non qu'elles sont réunies — donc un pilote ne suffit jamais à lui seul ; deux indépendants suffisent.

Union européenne. Le document de réflexion indique que, lorsque des modèles d'IA ou d'apprentissage automatique servent à la transformation, à l'analyse ou à l'interprétation de données dans un essai clinique, ils font partie de l'analyse statistique et devraient suivre les lignes directrices applicables sur les principes statistiques ; dans les essais pivots, la chaîne de traitement des données et les modèles devraient être prédéfinis, figés et documentés dans le plan d'analyse statistique, les approches d'apprentissage incrémental ne sont pas acceptées, et toute modification en cours d'essai exige un échange avec le régulateur pour amender le plan. Un document de réflexion, sans force juridique contraignante ; il s'adresse au promoteur, non à une personne nommée.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Un banc d'essai universitaire de 411 questions accompagnées de jeux de données tirés de manuels, de supports d'apprentissage en ligne et d'articles scientifiques, qui teste le raisonnement statistique et causal. Le meilleur modèle, GPT-4, a atteint 58 % d'exactitude ; les modèles avaient du mal avec l'analyse de données et le raisonnement causal, et peinaient à utiliser ensemble les connaissances causales et les données fournies. Il teste des modèles de l'époque de 2024 sur des questions de type manuel, non le travail des statisticiens.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Canada. Des agents de l'organisme rapportent que le codage par apprentissage automatique du secteur, de la profession et de la catégorie de travailleur a été mis en œuvre avec succès dans le processus de production de l'Enquête sur la population active en octobre 2021 ; en comparant 13 665 estimations publiées produites avec et sans ce codage, ils n'ont observé aucune rupture, et ils s'attendent à ce que l'apprentissage automatique change la nature du travail de codage manuel. Une communication de l'organisme lui-même à son symposium.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Si vous débutez, attendez-vous à ce que le codage courant et le nettoyage des données soient faits par des modèles, et à les vérifier. Développez ce que les modèles ne font pas : la conception des études, le jugement sur ce que les données peuvent étayer, et l'assurance qualité des processus automatisés.

Attendez-vous à ce qu'une plus grande part de votre travail consiste à fixer des seuils et à vérifier ce que produit la machine, et à moins de traitement manuel. La conception, la méthodologie et le conseil restent entre vos mains.

Refaçonner le poste

Prendre en charge l'assurance qualité des processus automatisés

Là où des instituts statistiques ont automatisé le codage, ce sont des statisticiens qui ont fixé les seuils d'erreur et vérifié l'absence de ruptures dans les estimations publiées.

Rester et se renforcer

Rester dans la conception et la méthodologie

Aucun élément ne montre l'IA concevoir des échantillons ou des essais en production, et les règles applicables aux essais exigent que les analyses par IA soient fixées à l'avance dans le plan d'analyse.

Mouvement latéral

Passer à la statistique des essais cliniques

Les régulateurs du médicament considèrent l'IA dans l'analyse des essais comme faisant partie de l'analyse statistique, ce qui demande des statisticiens qui comprennent les deux.

Pas au vu des éléments actuels. Les instituts statistiques ont automatisé une grande partie de la codification des réponses aux enquêtes, mais ce sont les statisticiens qui fixent les seuils et vérifient les résultats, les régulateurs indiquent que l'IA n'est pas encore entrée dans la production courante de la statistique publique, et les États-Unis prévoient une hausse de 11 % des emplois de statisticien entre 2025 et 2035.

Nous ne répondons pas par un nombre d'années. Observez si les instituts statistiques font passer l'IA du codage à l'estimation et à l'analyse, et ce qu'acceptent les régulateurs des essais. Cela vous en dit plus que n'importe quelle date.

Oui, en production dans certains instituts statistiques : le codeur automatique à base de modèle de langage du Census Bureau des États-Unis a fait passer de 28 à 52 % la part des réponses sur la profession et le secteur codées automatiquement, avec un seuil fixé pour correspondre à la limite d'erreur de 6 % imposée aux codeurs.

L'agence européenne des médicaments indique que, lorsque des modèles d'IA servent à analyser des données d'essais, ils font partie de l'analyse statistique, doivent suivre les principes statistiques et, dans les essais pivots, doivent être figés dans le plan d'analyse ; les modèles qui continuent d'apprendre pendant l'essai ne sont pas acceptés.