Inscription à notre newsletter

Suivez notre actualité, nos dernières innovations et découvrez nos publications en avant-première.
N'attendez plus et inscrivez-vous !

Sélectionner votre profil

[recaptcha]

Merci de vous etre inscrit !

Machine Learning & Intelligence Artificielle : Et si vous insuffliez enfin de l’intelligence à vos données ?

Donnez-nous votre avis sur cet article
Envoi
User Review
4.5 (4 votes)

Par Philippe Harel, Data Science Practice Manager, Umanis
.
Avec plus de 90% des données mondiales produites ces deux dernières années et un nombre d’objets connectés proche des 20 milliards à l’horizon 2020, c’est tout notre écosystème qui est en train de changer à vitesse grand V. Vous n’arrivez plus à suivre cette course technologique effrénée ? Vous êtes submergés par cette énorme masse de données auxquelles vous avez accès ? C’est normal. Et vous n’êtes pas seul dans ce cas. Une seule solution : se faire aider par la Machine. Et c’est là que l’Intelligence Artificielle et le Machine Learning entrent en jeu.

Avec la généralisation du Big Data, l’émergence de l’IoT, l’expansion des réseaux sociaux, la révolution digitale dans son ensemble, nous assistons au développement d’une multitude de nouveaux services et à une explosion exponentielle des signaux émis/reçus en temps réel. Les SID (Systèmes d’informations décisionnels) traditionnels s’essoufflent tandis que les métiers ont du mal à faire évoluer leurs pratiques, quel que soit le secteur d’activités. Savoir répondre simplement à la demande en temps et en heure, c’est déjà être en retard. Mais alors comment faire ? Il faut anticiper…voire prédire l’étape d’après !

Aujourd’hui, une entreprise sur deux exprime de la curiosité envers les innovations technologiques permettant la compréhension des données (Source – Etude 5à7 Umanis du 10/03/2016). De Cortana à Watson en passant par TensorFlow ou Daitaku, suivez le guide (virtuel) et découvrez comment le Machine Learning va changer votre business… et votre vie.

.
Musclez votre SID grâce au Machine Learning

Il n’y a pas si longtemps, la BI traditionnelle était bâtie sur un schéma classique : récupération des données, traitement par des ETL (tels que Talend, SSIS, Informatica…), stockage, nettoyage et restitution pour être consommées par des applications ou des outils de restitution et plus récemment de Dataviz.

Même si tout n’est pas à jeter, la « nouvelle vague » des SID évolue, s’adapte et s’appuie sur des nouvelles technologies et des méthodes issues de l’Intelligence Artificielle, dont le Machine Learning. Détachées de la science-fiction qu’on peut imaginer en parlant d’Intelligence Artificielle, ces améliorations optimisent concrètement les traitements et ouvre la voie à de nouveaux usages qu’on peut englober sous l’acronyme ACID : Algorithm, Cloud, Internet of things, Data. Il s’agit des quatre grands piliers au cœur de la révolution digitale en cours, qu’aucune entreprise ne peut plus ignorer.

Plus souples, les nouveaux systèmes d’information sont capables, grâce au Machine Learning, de traiter instantanément des données chaudes (récoltées en temps réel) mixées avec des données froides (référentiels) et permettre des analyses fines et instantanée, voire prédictives, basées sur des algorithmes complexes.
L’exemple de Google et de Deep Mind illustre tout cela. Cette intelligence artificielle est utilisée par Google pour refroidir ses serveurs et faire baisser sa facture d’électricité. Des algorithmes analysent les charges et anticipent à l’avance les montées pour optimiser la gestion énergétique. D’après Demis Hassabis, le patron de la société éponyme « Environ 120 variables étaient ainsi contrôlées par la machine » En plus d’être économique, cet usage est également écologique.

Ainsi, la mise en place d’une telle architecture nécessite des connaissances informatiques, mais aussi des compétences mathématiques poussées pour la création des algorithmes.

Les dessous de l'Innovation : Google utilise le Machine Learning (Deep Mind) et l'Intelligence Artificielle pour refroidir ses Data Centers

.
À nouveaux usages, nouveaux défis

Grâce à l’Intelligence Artificielle et au Machine Learning, une multitude de nouveaux usages apparaissent et redistribuent les cartes au niveau des métiers, des secteurs d’activités mais aussi de la pratique de la Business Intelligence. Citons la détection de fraudes complexes, le renforcement de la cyber-sécurité dans le secteur Banque/Assurances, une expérience client inédite multicanal et ultra-personnalisée dans le Marketing (par le biais de DMP intégrant un module de Machine Learning – lire notre article ici), la maintenance prédictive ou encore l’émergence de la robotique dans la logistique. L’IA et les méthodes de Machine Learning interviennent à bien des égards pour innover, automatiser une étape ou un process, et surtout se différencier de manière radicale par rapport à ses concurrents.

Le Machine Learning est également utilisé dans des contextes de reconnaissance du langage naturel comme l’expérimentent Microsoft et IBM mais aussi Google plus récemment avec l’analyse sémantique vocale basée sur des méthodes ANS dans le cadre de ses services (Google Now, Google Photos…) ou Yahoo avec le développement du concept de « word embedding » (bannissement automatique des propos haineux, sur le web, par une intelligence artificielle).

Pour accéder à ces nouvelles technologies, les entreprises doivent faire face à plusieurs défis issus de la BI traditionnelle mais aussi à de nouveaux challenges. A des problématiques classiques de sécurisation des données, de stockage (On-premise ou dans le Cloud), de montée en charge, de restitution en temps réel… s’ajoutent la persistance de données de moins en moins structurées issues de toutes parts (applications mobiles, réseaux sociaux, objets connectés, inter-applicatifs de l’entreprise…). La fraicheur et la vélocité des données est également différente selon la source, la catégorisation souvent difficile, de même que l’absence d’accès à un historique global (un objet connecté ne peut pas intégrer l’ensemble des historiques de tous ses pairs en vue d’affiner ses propres algorithmes de réponse). Les architectures doivent donc être repensées et les données doivent devenir partiellement ou complétement accessibles au bon moment, avec une indépendance d’échelle entre le stockage et le process d’analyse.

.
Intelligence Artificelle : Cortana VS Watson

Pour répondre aux défis du Big Data, de nombreuses architectures (Lambda, Zeta, Kappa…) existent et sont capables de supporter le traitement temps réel, la volumétrie et les algorithmes de Machine Learning. Encore faut-il posséder les outils et les technologiques adéquates.

Daitaku, Tensor Flow, Cortana, Watson…plusieurs solutions de Machine Learning existent mais selon nous, seules deux d’entre elles sont suffisamment matures aujourd’hui : Cortana (Microsoft) et Watson (IBM). Malgré cela, des pures players comme Daitaku (avec sa toute nouvelle solution DSS 3.1 mise en ligne en Aôut dernier) s’annoncent très prometteurs.

Créée en septembre 2014, Watson Analytics est un outil d’exploration de données basé dans le Cloud dont le but est de comprendre les données pour fournir des analyses et des recommandations aux utilisateurs, en langage naturel. Basée sur l’IA Deep Blue (qui a battu le champion d’échecs Kasparov en 1997 et gagné le jeu télévisé Jeopardy en 2011), la solution se base sur 5 technologies principales : le process de langage naturel, des algorithmes de Machine Learning, la capacité de décomposer et comprendre des questions (Deep Learning) et l’analyse ontologique (comprendre de nouveaux concepts à partir de concepts existants). Plus de 28 APIs sont disponibles et d’autres sont en développement.

Les Dessous de l'Innovation : Intelligence Artificielle et Machine Learning , boostez l’intelligence à vos Data

De son côté, la suite Cortana Intelligence s’appuie sur des principes similaires et regroupe un ensemble de modules disponibles dans le Cloud et exploitant le Big Data, le Machine Learning, l’Intelligence Perceptive pour créer et industrialiser des solutions d’analyses prédictive en temps réel et supporter la gestion de l’IoT. A la différence de Watson, Cortana Intelligence se concentre sur toute la chaine de valeur : traitement de la donnée à la consommation par les utilisateurs ou des systèmes automatisés (Machine-to-machine). Cortana possède de nombreuses API et s’intègre aux SI existants. A noter que Cortana Intelligence Suite a été développée par Microsoft en 2015 (mais initiée sous d’autres noms dès 1999 par la société).

Quelles solutions choisir en définitive ? Chacune possède ses avantages et ce choix dépend entièrement de vos propres problématiques :

  • Plus jeune, Watson possède une intelligence artificielle affutée, très pointue sur l’apprentissage du langage naturel et la détection d’émotions, mais également plusieurs limitations, notamment au niveau de la restitution des données et la personnalisation des tableaux de bords (Dataviz). Nul doute que la solution sera très rapidement intégrée aux autres produits d’IBM.
  • A l’inverse, Cortana est plus complète et performe sur les problématiques de Machine Learning, l’analyse prédictive (grâce à l’intégration de R), la gestion de l’IoT et du Big Data mais démontre des limites sur le langage naturel, la reconnaissance d’émotions et possède plusieurs interfaces avec lesquelles se familiariser.
IoT : L’exemple de la voiture connectée

Depuis quelques années, le marché de l’automobile est agité par de nombreux changements et les technologies de Machine Learning attirent de plus en plus les acteurs de ce secteur.

A travers l’évolution technologique, l’attente des clients, l’évolution de la législation, la mobilité personnelle et l’arrivée de nouveaux entrants externes au secteur, les entreprises s’exposent chaque jour à des problématiques de performance, de coûts, de qualité de service, de respects de l’écologie, de prestige technologique et d’évolution de l’expérience utilisateur. Ces bouleversements redistribuent les cartes avec l’apparition de puissants pure-players comme Tesla, Google, Apple, de nouveaux services (Blablacar, Lyft, Uber…) et surtout de nouveaux usages : reconnaissance de profil, contrôle à distance, maintenance prédictive embarquée, interactive M2M (véhicule / domicile) et surtout la conduite autonome, fantasme de tous les fabricants (et conducteurs).

L’actualité regorge de tests menés par les constructeurs et illustre l’engouement du secteur pour l’image futuriste que reflètent l’Intelligence Artificielle et, plus concrètement, les technologies de Machine Learning. Prédit comme colossal à l’horizon 2020, le marché de l’IoT sera estimé à plusieurs milliards d’euros et les premiers arrivants sur le marché de l’IoT et du M2M développeront un monopole incontestable.

Alors que Land Rover s’applique à créer des véhicules tous terrains capable de détecter leur environnement avec précision et de roulage en convoi (thématique que j’avais abordée lors de notre dernier 5 à 7 dédié au Machine Learning), Volkswagen se focalise sur des problématiques Machine-to-machine et inter connectivités Smart City. Jaguar peaufine son image haut de gamme en proposant l’interaction avec l’environnement améliorant la conduite, tandis que Google ou Tesla travaillent sur la conduite totalement automatique des véhicules. Citons également l’alliance Renault-Nissan qui a annoncé il y a quelques jours le recrutement d’au moins 300 experts pour la mise en place d’une nouvelle équipe « Véhicule connecté et Services de Mobilité ».

Aucun doute, la transformation digitale est en marche et au cœur des priorités des entreprises.

Mais tout cela n’est-il pas déjà obsolète ? Les étapes suivantes ne sont-elles pas déjà en marche, avec l’explosion de la demande en Data Science et des algorithmes de plus en plus complexes, et les ponts qui s’établissent avec les neuro-sciences ? Est-il déjà trop tard pour prendre le train en marche ? Que ce soit en Business Intelligence ou en business tout court, l’essor de l’Intelligence Artificielle et ses applications concrètes par le biais du Machine Learning n’est plus à prouver et ouvre les champs de nouvelles perspectives, proprement révolutionnaires ou tout simplement indispensables. La fiction rattrape, une fois de plus la réalité et la Machine est lancée : ne loupez pas le coche !

 

Intelligence Artificielle & Machine Learning "Des Machines et des Hommes" : téléchargez notre ebook rédigé par nos experts DataTéléchargez notre ebook
“Des Machines et des Hommes : Intelligence Artificielle & Machine Learning »
sur notre Média’Tech :
http://www.umanis.com/evenement/mediatech/infographie
.

Retrouvez toutes les dates de nos évènements 5à7 à destination de l' IT, Digital et des MétiersLe sujet vous intéresse ?
Rendez-vous le 3 novembre 2016 pour un 5 à 7 Spécial IoT avec benchmark de nos équipes et le retour d’expérience d’un client prestigieux de l’Automobile.
Inscrivez-vous dès maintenant sur : www.umanis.com/evenement/

4 thoughts on “Machine Learning & Intelligence Artificielle : Et si vous insuffliez enfin de l’intelligence à vos données ?

  • 12 septembre 2017 at 13 h 06 min
    Permalink

    Il n’est pas encore trop tard. Ce sont peut-être les grandes enseignes qui sont au coeur de l’IA et du machine learning mais la majorité des marques sont encore à la ligne de départ.

    Reply
  • 17 octobre 2017 at 15 h 55 min
    Permalink

    Bonjour,
    Très bon sujet ! Bien vue 🙂 Certes, il est temps de se mettre à la pointe de la technologie. Il n’est jamais trop tard car les innovations ne s’arrêteront pas de si peu.

    Reply
  • 23 novembre 2017 at 16 h 13 min
    Permalink

    Merci pour cet article

    Reply

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *