Amazon Mechanical Turk mettra fin à ses activités le 30 septembre 2026

Une plateforme de livraison et de micro-tâches où chaque commande coûte quelques cents, mais qui a autrefois soutenu toute l'ère de l'apprentissage profond.

Now, it's closing.

Amazon vient d'annoncer que sa plateforme de travail collaboratif Mechanical Turk cessera complètement ses activités le 30 septembre de cette année.

À son apogée, plus de 500 000 personnes étaient en ligne sur la plateforme pour effectuer des tâches manuelles : regarder des images, les classer et les annoter, accomplissant ainsi une à une les tâches que les ordinateurs n'étaient pas encore capables d'effectuer.

Plus tard, cette énorme « puissance humaine » a directement contribué à soutenir l'ensemble de données ImageNet —

Sans MTurk, l'annotation manuelle de dizaines de millions d'images sur ImageNet serait presque impossible.

Sans ImageNet, Li Fei-Fei n'aurait peut-être pas connu la célébrité du jour au lendemain.

Les disciples de Hinton ne deviendront pas des dieux en une seule bataille, et l'apprentissage profond ne renaîtra peut-être pas soudainement en 2012.

Après 21 ans, la vraie IA sera de plus en plus capable de faire ces devoirs.

Les personnes qui avaient autrefois tenté de faire semblant que l’IA était intelligente, ainsi que cette plateforme, ont reçu une notification de mise hors ligne.

Mechanical Turk (MTurk) a été lancé en 2005.

Au départ, Amazon n'avait même pas l'intention de réécrire l'histoire de l'IA avec ce truc.

MTurk résolvait à l'époque un problème particulièrement pratique et étrange : certaines tâches sont extrêmement difficiles pour les ordinateurs, mais incroyablement simples pour les humains...

Alors Amazon a trouvé une méthode très directe : puisque le programme ne peut pas le résoudre, décomposons le problème et envoyons les morceaux à des humains !

Ces petites tâches séparées sont appelées HIT, soit Human Intelligence Task.

Par exemple, si une entreprise dispose de 10 000 images à classer, la méthode de MTurk consiste à les diviser directement en 10 000 tâches indépendantes et à les publier simultanément sur la plateforme.

100 personnes peuvent le faire ensemble, 1 000 personnes aussi, et plusieurs dizaines de milliers de personnes en ligne en même temps le rendent encore plus rapide.

Autrement dit, MTurk ne permet pas à une seule personne de travailler plus vite, mais transforme une tâche pénible qui ne pouvait être effectuée qu’en file d’attente en une activité pouvant être « exécutée en parallèle à l’échelle mondiale ».

Vraiment un cycle de données artificiel...

Le nom Mechanical Turk correspond également parfaitement à ce « jeu ».

Au 18e siècle, l'Europe a possédé un célèbre automate turc qui, à l'extérieur, semblait être une machine jouant seule aux échecs, et qui pouvait même affronter Napoléon.

Plus tard, tout le monde a découvert qu’un joueur humain était caché à l’intérieur de la machine !? (J’ai vraiment été berné...)

Amazon a transféré cette allégorie sur Internet, presque parfaitement : le programme a l'air de traiter les tâches automatiquement, mais ce sont en réalité des personnes réelles derrière l'écran qui font le travail.

Bezos avait alors donné à cela une expression qui s'est révélée prophétique :

Intelligence artificielle artificielle.

Une fois ce concept mis en œuvre, MTurk est rapidement passé d'un outil interne d'Amazon à un marché mondial de micro-tâches.

En 2011, MTurk comptait plus de 500 000 travailleurs répartis dans 190 pays.

Avec l'augmentation du nombre de personnes, les tâches disponibles ont également commencé à augmenter rapidement : filtrage d'images, transcription vocale, classification de texte, nettoyage de données, détection d'émotions, modération de contenu.

Tout type de tâche où « les machines ont du mal, mais les humains peuvent le juger en quelques secondes » peut être envoyée ici.

Cet jet, c'est 21 ans.

Le temps revient à environ 2006.

Peu de temps après avoir commencé à enseigner à Princeton, Li Fei-Fei a décidé de faire quelque chose qui allait à contre-courant à l'époque —

Créez une encyclopédie visuelle suffisamment grande pour les machines.

À cette époque, les jeux de données principaux en vision par ordinateur ne contenaient souvent que quelques milliers à quelques dizaines de milliers d'images ; trop peu de données, ce qui faisait que les modèles apprenaient facilement à réciter des réponses, mémorisant les schémas du jeu d'entraînement sans parvenir à comprendre réellement les objets variés du monde réel.

C’est ainsi que l’équipe de Li Fei-Fei a voulu entreprendre une chose considérée comme très folle à l’époque : créer pour la machine un « suffisamment grand » monde visuel.

Dataset ImageNet, d'où cela est né.

ImageNet utilise WordNet comme squelette pour décomposer le monde réel en concepts individuels, puis ajoute des centaines voire des milliers d'images réelles à chaque concept.

Chiens, voitures, pommes, chaises, oiseaux, poissons… Toutes les choses pouvant être définies, essayez de les inclure.

Mais très vite, une question plus réaliste s'est présentée —

Les images ne sont pas difficiles à trouver, Google, Yahoo et Flickr permettent effectivement de les rechercher, mais le vrai problème, c’est que les images trouvées ne sont souvent pas pertinentes, voire complètement hors sujet !

Ainsi, une fois que le moteur de recherche a récupéré les images, il faut encore qu'une personne vérifie chaque image manuellement.

Un chiffre exagéré : le nombre d'images candidates à traiter par ImageNet a dépassé 160 millions !!! Cela a rendu le problème humain totalement insoluble...

Juste lorsque ImageNet était sur le point d'être ralenti par le tri manuel massif d'images, l'équipe de Li Fei-Fei a orienté son attention vers Amazon Mechanical Turk, récemment lancé.

L'équipe ImageNet a commencé à décomposer le travail de tri des images massives en micro-tâches, puis à les distribuer à des travailleurs du monde entier sur la plateforme MTurk.

Une infrastructure IA ambitieuse a ainsi été décomposée en d'innombrables « clics de souris » ordinaires.

L'article ImageNet publié en 2009 décrit que, à l'époque, l'ensemble de données comprenait déjà 5 247 concepts et 3,2 millions d'images traitées.

Les chiffres fournis ultérieurement par l'équipe ImageNet sur l'ensemble du projet sont : 49 000 travailleurs MTurk, provenant de 167 pays.

En d'autres termes, ce qui soutient réellement ce projet de tri d'images derrière ImageNet, c'est une armée temporaire d'annotateurs répartie à travers le monde.

C'est pourquoi sans MTurk, ImageNet n'aurait probablement pas pu être réalisé à l'époque...

Après ImageNet, l'histoire s'est véritablement accélérée.

En 2010, le défi ImageNet a commencé, et les modèles du monde entier ont commencé à être formés sur le même jeu de données, puis à se comparer sur le même classement.

Deux ans plus tard, le duo qui serait ensuite largement mentionné dans l'histoire de l'IA a fait son apparition —

Geoffrey Hinton de l'Université de Toronto, ainsi que ses deux étudiants Alex Krizhevsky et Ilya Sutskever.

Trois personnes participent au concours ImageNet Large Scale Visual Recognition Challenge avec un réseau neuronal convolutif profond.

A réduit directement le taux d'erreur Top-5 du concours ImageNet de 2012 à environ 15 %, dépassant largement les méthodes traditionnelles.

Cela a permis à l'ensemble de la communauté de vision par ordinateur de voir pour la première fois de manière aussi intuitive que la combinaison de volumes massifs de données, de puissance de calcul GPU et de réseaux de neurones profonds pouvait entraîner une progression directe d'un niveau.

De gauche à droite : Ilya Sutskever, Geoffrey Hinton et Alex Krizhevsky

From then on, Alex Krizhevsky's name was welded to AlexNet.

Ilya est ensuite allé à Google Brain, a participé à la création de OpenAI en tant que scientifique en chef, puis a fondé SSI après son départ.

Hinton a ensuite remporté le prix Turing et est devenu l'un des pères reconnus du deep learning.

Li Fei-Fei returned to Stanford to teach, co-lead HAI, and established her place in the history of modern computer vision through ImageNet.

Ensuite, VGG est arrivé, puis GoogLeNet, puis ResNet.

Le classement ImageNet est constamment battu d'année en année ; l'apprentissage profond a progressé du domaine visuel jusqu'à la voix, puis à la traitement du langage naturel, pour enfin arriver à l'ère des grands modèles d'aujourd'hui.

Le monde est vraiment merveilleux—

L'équipe de Li Fei-Fei a utilisé MTurk pour créer ImageNet ; ImageNet a rendu Li Fei-Fei célèbre ; les disciples de Hinton ont acquis une renommée mondiale grâce à ImageNet ; l'apprentissage profond a ensuite connu un renouveau grâce à cette victoire.

Près de 50 000 personnes ordinaires provenant de 167 pays, assises devant leur ordinateur, ont progressivement « cliqué » pour créer ImageNet à partir de centaines de millions d’images candidates.

C'est précisément pour cette raison que la fermeture de Mechanical Turk aujourd'hui semble marquer la boucle d'une ère.

Amazon affirme de manière mesurée qu'elle évalue en continu ses produits et services, ce qui l'a amenée à arrêter MTurk.

CNBC a précédemment cité Krista Pawloski de l'organisation de défense des droits des travailleurs des données Turkopticon, affirmant que MTurk a connu un déclin ces dernières années, avec une diminution des investissements d'Amazon, tandis que de nouvelles plateformes de annotation de données attirent de plus en plus les travailleurs et les clients.

Mais la raison plus directe, dit simplement, c’est que les tâches qui lui faisaient autrefois le plus de valeur sont de plus en plus bien réalisées par l’IA...

En 2005, demander à une machine de déterminer si une image contenait un chien constituait un véritable défi, mais aujourd'hui, il s'agit d'une tâche de base que les modèles multimodales accomplissent aisément.

En parallèle, la demande de l'industrie de l'IA en matière de « personnes » a également changé.

Les modèles de pointe nécessitent des professionnels tels que des programmeurs, des médecins et des avocats pour évaluer le code, examiner les réponses, tester le raisonnement et la sécurité.

Ainsi, de nouvelles plateformes telles que Scale AI, Mercor et Prolific émergent pour sélectionner et gérer des experts, en fournissant des données d'entraînement et d'évaluation plus professionnelles.

En comparaison, le modèle de micro-tâches comme MTurk, où « tout le monde peut accepter des missions pour quelques centimes », devient de plus en plus obsolète...

Ce qui est encore plus fascinant, c’est que les travailleurs de MTurk commencent eux-mêmes à utiliser l’IA !!!

Une étude menée en 2023 par des chercheurs suisses a révélé que, parmi les travailleurs MTurk interrogés, la proportion ayant utilisé des modèles d'IA pour accomplir des tâches textuelles pouvait atteindre jusqu'à 46 %.

Les clients paient pour des jugements humains, mais certains travailleurs pourraient, après avoir accepté les commandes, transmettre les questions à des modèles comme ChatGPT pour obtenir des réponses.

C'est un peu noir, ça...

Le sort de MTurk est en fait un reflet de l'évolution de l'IA au cours des 20 dernières années.

Les humains ont autrefois caché derrière des machines, en cliquant image par image, pour construire ImageNet et ouvrir la porte à l'ère de l'apprentissage profond.

Ensuite, l'IA a grandi en s'appuyant sur ces données, jusqu'à apprendre à regarder des images, à entendre des sons et à écrire des textes par elle-même.

21 ans plus tard, ceux qui ont autrefois fait semblant d’être intelligents pour l’IA ont quitté la scène.

La « Turque mécanique », qui cachait un joueur humain, peut enfin fermer sa porte.

Lien de référence :

[1]https://www.cnbc.com/2026/08/25/amazon-service-that-jeff-bezos-called-artificial-ai-is-shutting-down.html

Cet article provient du compte officiel WeChat « Quantum Bit », auteur : Meng Yao