À quelques jours du Sommet pour l’Action sur l’IA, le mapping IA 2025 de France Digitale, réalisé avec le soutien de Sopra Steria Ventures et de l’accélérateur H7, révèle un écosystème français en pleine effervescence : avec 751 startups répertoriées, soit une augmentation de 27% par rapport à la précédente édition du mapping (mars 2023), la France conforte sa position de leader européen de l’IA.

Réalisé au dernier trimestre 2024, le mapping 2025 “liste exclusivement les startups créées depuis 2004, dont le siège social est basé en France, employant au moins 2 personnes et qui développent au moins un produit qui est basé sur, intègre ou sert au développement des technologies d’intelligence artificielle”.

Le dynamisme de l’écosystème français s’illustre non seulement par le nombre de start-ups présentes dans l’Hexagone, mais également par les 13 milliards d’euros levés depuis leur création, le nombre de start-ups d’IA créées depuis la précédente édition, il y a presque deux ans, soit 115, ainsi que le nombre d’emplois liés (36 000). D’autant plus que 92% d’entre elles ont l’intention de recruter en 2025, ce qui pourrait représenter près de 3 500 emplois supplémentaires.

L’Île-de-France demeure le principal pôle d’innovation, concentrant 63% des startups, suivi de l’Occitanie (6,5%) et d’Auvergne-Rhône-Alpes (6,1%).

Cependant, le mapping révèle qu’il reste de nombreux défis à relever : l’accès au financement, aux marchés publics et privés, à la donnée et à la puissance de calcul, ainsi que les difficultés de recrutement.

© France Digitale

Une diversification des usages de l’IA

Contrairement à l’idée que l’IA se résume à la génération de contenu, le mapping révèle une diversification des approches technologiques. Si 43% des startups exploitent l’IA générative, 47% développent des solutions basées sur le machine learning, le deep learning, la vision par ordinateur ou encore l’IA symbolique, une variété qui se reflète dans les secteurs d’application.

© France Digitale. Répartition des start-ups par secteur

Les principaux secteurs d’application sont la santé et les biotechnologies (13%), le développement de logiciels (9%), et la data et le cloud (8%).

Un modèle économique prometteur

Les startups françaises de l’IA affichent une solidité financière encourageante. 32% sont déjà rentables, et 54% prévoient de l’être d’ici trois ans. Cette performance s’explique par leur capacité à s’adapter aux besoins du marché :

• 27% proposent des solutions sur étagère ;
• 22% offrent des solutions personnalisables ;
• 37% accompagnent leurs clients dans le déploiement ;
• 13% co-développent leurs produits avec leurs clients.

Si les grandes entreprises (34%) et les ETI (20%) constituent leurs principaux clients, l’internationalisation devient un levier de croissance clé. 60% des startups réalisent déjà une part de leur chiffre d’affaires à l’international.

Des start-ups attractives

Environ 65% des start-ups ont réussi à obtenir des financements, principalement en série A. Cette tendance démontre l’attractivité des startups françaises de l’IA : 24 d’entre elles ont réalisé des levées de fonds de plus de 100 millions d’euros, soit 2,5 fois plus qu’en 2023.

Les défis à surmonter

Malgré ces avancées, des obstacles persistent. L’accès aux données demeure un frein majeur pour 25% des startups, appelant à une harmonisation européenne des régulations. L’accès à la puissance de calcul (11%) et le recrutement (13%) sont également cités comme des défis clés. Enfin, la consommation énergétique devient une préoccupation croissante, notamment face à la présence de grands acteurs internationaux captant d’importantes ressources.

Vers un écosystème européen unifié ?

Si la France se positionne comme le leader européen de l’IA, l’enjeu est désormais d’articuler cette dynamique à l’échelle du continent. Comme le souligne Maya Noël, directrice de France Digitale, la compétition avec les États-Unis impose une approche collective :

“La France est le hub européen des startups de l’IA en Europe. Cependant, cette échelle nationale n’est réaliste pour personne : face à la compétitivité accrue des Etats-Unis, l’Europe doit maintenant constituer un écosystème uni qui offre des solutions clés en main pour accompagner le déploiement de l’IA dans les entreprises et dans les administrations publiques.”

Retrouver le mapping 2025 ici.

Lancé par ServiceNow, AgentLab est un framework open source visant à faciliter le développement et l’évaluation d’agents Web. Son objectif principal est de soutenir les expériences d’automatisation des tâches sur les plateformes Web, en permettant aux chercheurs et développeurs de simuler des interactions complexes à travers divers benchmarks de BrowserGym.

AgentLab a été développé pour gérer des défis dynamiques et variés liés au Web. Il permet de tester et évaluer un agent Web dans des environnements simulés complexes afin d’affiner ses capacités et garantir sa fiabilité dans des applications réelles.

Le framework exploite l’outil de parallélisation Ray, spécifiquement conçu pour les applications de machine learning et les programmes écrits en Python, pour mener des expériences à grande échelle, ce qui permet d’évaluer les performances des agents dans plusieurs scénarios et configurations.

Le framework fournit des blocs de construction pour BrowserGym, un environnement Gym conçu pour l’automatisation des tâches web. Il permet de concevoir, tester et évaluer des agents web sur divers benchmarks établis tels que :

• WebArena : teste les agents sur des interactions web complexes, comme la navigation et l’extraction de données ;
• WorkArena : simule des tâches spécifiques liées à des flux de travail professionnels, tels que commander des produits ou gérer des tableaux de bord ;
• AssistantBench : évalue les capacités conversationnelles des agents intégrés à des modèles linguistiques.

AgentLab propose une API unifiée pour intégrer des modèles avancés, tels que les LLMs d’OpenAI, Azure, OpenRouteur et des modèles auto-hébergés. Cette flexibilité permet aux développeurs de tester des technologies de pointe dans des simulations réalistes. Il inclut des mécanismes intégrés pour suivre les configurations, les versions logicielles et les benchmarks utilisés dans les expériences. Ces fonctionnalités garantissent que les résultats peuvent être reproduits de manière fiable.

Comment fonctionne AgentLab ?

L’utilisation d’AgentLab implique généralement les étapes suivantes :

1. Configuration initiale : Installation des packages et benchmarks nécessaires via l’outil Python pip. Par exemple, les chercheurs peuvent utiliser browsergym-core pour les fonctionnalités de base ou browsergym-webarena pour des tâches spécifiques à WebArena.
2. Définir l’environnement : Les utilisateurs spécifient l’environnement de la tâche, tel qu’une URL de départ ou un scénario de benchmark prédéfini.
3. Implémentation de l’agent : Les développeurs conçoivent des agents en mettant en œuvre les API et actions requises. Par exemple, un agent pourrait être programmé pour naviguer dans un formulaire web ou récupérer des données spécifiques d’une page web.
4. Boucle d’évaluation : Les agents interagissent avec l’environnement dans une boucle, recevant des observations et effectuant des actions jusqu’à ce que la tâche soit terminée ou interrompue.
5. Analyse des résultats : Les résultats sont enregistrés et visualisés pour évaluer les performances des agents. Les fonctionnalités de reproductibilité permettent aux chercheurs de répéter les expériences avec les mêmes paramètres pour valider les conclusions.

AgentLab continue d’évoluer, ses développeurs travaillent à étendre ses benchmarks et ses fonctionnalités pour prendre en charge un éventail encore plus large de cas d’utilisation.

UltraEdge, pionnier français des edge data centers, et Gcore, l’un des leaders des solutions d’IA en périphérie, de cloud et de sécurité, annoncent une alliance stratégique visant à renforcer la couverture territoriale des services IA cloud et edge computing en France.

UltraEdge, premier opérateur français de datacenters distribués, est né d’un partenariat entre Altice France, maison mère de SFR, et Morgan Stanley Infrastructure Partners (MSIP). En novembre 2023, Altice France a cédé 70 % de ses centres de données à MSIP, valorisant l’ensemble à 764 millions d’euros.

Cette transaction a permis la création d’UltraEdge, qui gère 257 datacenters répartis sur le territoire français, totalisant une capacité installée de plus de 45 MW et environ 33 000 m² d’espaces de bureaux. Ces infrastructures, auparavant dédiées aux équipements télécoms de SFR, offrent désormais des services d’hébergement en colocation neutres, répondant aux besoins croissants en matière de latence réduite et de proximité des données. Dans le cadre de ce partenariat, cet acteur de l’hébergement de proximité en France, met à disposition de Gcore son réseau de datacenters.

Fondé en 2014 et basé à Contern, au Luxembourg, Gcore est un fournisseur mondial de solutions d’intelligence artificielle en périphérie (edge AI), de cloud computing, de réseau et de sécurité. L’entreprise exploite un réseau mondial de plus de 180 points de présence répartis sur six continents, offrant une infrastructure robuste pour des services tels que le cloud, le CDN (Content Delivery Network) et la protection contre les attaques DDoS.

En juillet 2024, elle a levé 60 millions de dollars lors d’un financement de série A, dirigé par Wargaming, avec la participation de Constructor Capital et Han River Partners. Après avoir établi un partenariat stratégique le mois dernier avec LightOn, la société a également annoncé, le 28 novembre, collaborer avec UltraEdge.

Parmi les plus de 250 sites répartis sur le territoire national mis à disposition par ce dernier, figurent six NetCenters stratégiques situés à Courbevoie, Lyon, Lille, Bordeaux, Nantes et Strasbourg. Pour rappel, un NetCenter est un type de data center, plus petit et décentralisé, utilisé principalement pour des applications d’edge computing. Il est conçu pour être proche des utilisateurs finaux, ce qui permet de réduire la latence et d’améliorer les performances des applications.

Gcore pourra ainsi déployer ses solutions d’IA de manière uniforme sur tout le territoire, garantissant une accessibilité et une performance optimales pour tous les utilisateurs, quelle que soit leur localisation. Les entreprises françaises auront quant à elles accès à une infrastructure de nouvelle génération intégrant des serveurs d’IA sophistiqués alimentés par des GPUs NVIDIA, facilitant l’entraînement de grands modèles de langage (LLMs) et le déploiement d’applications d’IA en périphérie.

Fabrice Moizan, CRO chez Gcore, conclut :

“Nous sommes à l’aube d’une révolution de l’IA qui va changer le mode de fonctionnement des entreprises, et ce partenariat nous permet de connecter la France à l’IA, partout et à tout moment”.

Le Supercomputing est l’un des événements les plus importants pour la communauté des supercalculateurs. L’édition 2024 de cette conférence internationale dédiée au calcul haute performance, la mise en réseau, le stockage et l’analyse se déroule actuellement pour la première fois à Atlanta, en Géorgie, du 17 au 22 novembre. NVIDIA a donné le coup d’envoi du SC24 avec une série d’innovations technologiques visant à transformer des industries telles que la biopharmacie et la science du climat grâce à l’IA et aux supercalculateurs.

Les annonces sont ancrées dans la longue histoire de l’entreprise dans la transformation de l’informatique.

Jensen Huang a ainsi déclaré :

“Les supercalculateurs sont parmi les instruments les plus vitaux de l’humanité, car ils sont à l’origine de percées scientifiques et repoussent les frontières de la connaissance. Vingt-cinq ans après la création du premier GPU, nous avons réinventé l’informatique et déclenché une nouvelle révolution industrielle”. 

Huang a mis en avant les bibliothèques CUDA-X comme étant les moteurs de l’informatique accélérée. Ces bibliothèques, qui comptent plus de 400 composants, dont cuDNN pour l’apprentissage profond et cuQuantum pour les simulations de circuits quantiques, sont essentielles pour des avancées dans divers domaines, notamment les soins de santé basés sur l’IA et les simulations de circuits quantiques.

NVIDIA a également annoncé la nouvelle bibliothèque cuPyNumic, une implémentation accélérée par GPU de NumPy, conçue pour dynamiser les applications de science des données, d’apprentissage automatique et d’informatique numérique. Elle permet aux scientifiques et aux chercheurs d’exécuter leur code Python, écrit avec l’interface familière de NumPy, sur des ordinateurs portables, des stations de travail, des serveurs cloud ou des supercalculateurs massifs sans avoir à modifier leur code.

Les annonces de NVIDIA ont porté sur les outils de découverte de médicaments de nouvelle génération, les prévisions climatiques en temps réel et les simulations quantiques.

Santé et biopharmacie

BioNeMo Framework : NVIDIA annonce le lancement open source de cette collection d’outils de programmation, de bibliothèques et de modèles d’IA optimisée pour la découverte de médicaments, doublant la vitesse d’entraînement par rapport aux outils classiques.

NVIDIA a également dévoilé DiffDock 2.0, un outil permettant de prédire la structure 3D de liaison d’un médicament à une protéine cible, ce qui est essentiel pour la découverte de médicaments.

Il permet de prédire l’orientation d’une molécule 6,2 fois plus rapidement et avec une précision accrue de 16 % par rapport à son prédécesseur.

Prévisions climatiques avec Earth-2

NVIDIA a annoncé deux nouveaux microservices NVIDIA NIM pour NVIDIA Earth-2, une plateforme de jumeau numérique permettant de simuler et de visualiser les conditions météorologiques et climatiques. Les microservices CorrDiff NIM et FourCastNet NIM peuvent accélérer jusqu’à 500 fois les résultats de modélisation et de simulation du changement climatique, offrant des prévisions plus précises pour anticiper les catastrophes naturelles.

Calcul quantique

NVIDIA a également révélé des mises à jour significatives de la plateforme de développement NVIDIA CUDA-Q, qui permettent d’effectuer des simulations à plus grande échelle et d’explorer des conceptions de qubits plus évolutives. Google Quantum AI utilise la solution pour réaliser des simulations avancées de processeurs quantiques, réduisant les calculs complexes de plusieurs semaines à quelques minutes.

Jumeaux numériques et simulation en temps réel

Avec Omniverse Blueprint for Real-Time CAE Digital Twins NVIDIA propose des workflows interactifs pour créer des modèles numériques dans des secteurs variés comme l’énergie, l’aérospatiale, l’automobile, la fabrication, et d’autres industries. Cela permet une optimisation rapide et une réduction des coûts industriels.

Nouveautés matérielles

NVIDIA a annoncé la disponibilité du GPU PCIe NVIDIA H200 NVL, le dernier-né de la famille Hopper, idéal pour les conceptions de racks d’entreprise refroidis par air à faible consommation d’énergie.

Il offre une inférence de modèle de langage jusqu’à 1,7 fois plus rapide et des performances 1,3 fois plus élevées sur les applications HPC, ce qui le rend idéal pour les configurations de datacenter flexibles.

La Superpuce Grace Blackwell, GB200 NVL4, prévue pour 2025, double les performances des générations précédentes.

Le cloud et l’IA sont les technologies clefs de l’innovation moderne : elles transforment toutes les industries et la fabrication ne fait pas exception. Mais pour les entreprises de l’industrie manufacturière, l’application du cloud et de l’IA va bien au-delà du produit fini. Ces technologies s’intègrent rapidement dans l’ensemble des processus de fabrication, permettant à la planification de la production ou au contrôle qualité de gagner en fluidité et en efficacité. Les machines génèrent de grandes quantités de données, mais la plupart des fabricants ne parviennent pas à exploiter cette mine d’or en raison de diverses contraintes. C’est ici que l’IA basé sur le cloud entre en jeu : elle permet aux entreprises d’identifier et d’extraire des informations exploitables à partir de ces données, ce qui optimise les flux de travail et révolutionne des processus comme la maintenance prédictive.

Le rapport Cloud Radar Manufacturing présente des conclusions intéressantes sur l’adoption du cloud dans cette ‘industrie : les fabricants hésitent à investir dans le cloud pour des fonctions matures telles que le contrôle qualité et se concentrent davantage sur le développement de nouveaux produits et les domaines associés. Cependant, il apparait que les entreprises qui ont déjà investi dans le cloud n’ont dépensé que 48 % de leurs budgets.

Voici quelques exemples d’applications clés :

• Amélioration de l’expérience client : proposer une expérience client numérique fluide dans le domaine numérique est essentiel. L’application Volvo Cars propose une multitude de fonctions pour offrir aux propriétaires de voitures une tranquillité d’esprit grâce au verrouillage/déverrouillage à distance, à la recherche de bornes de recharge électrique et à la réservation de services.
• Maintenance prédictive : Siemens a récemment introduit l’IA générative dans son outil Senseye pour la maintenance prédictive. Cet outil traite les données provenant de divers logiciels de maintenance sur une configuration de cloud privé et fournit des informations aux directeurs d’usine. L’IA générative offre une interface utilisateur conversationnelle permettant au personnel de l’atelier d’interagir avec les experts en maintenance afin de faciliter la prise de décision.
• Fabrication durable : SAP a codéveloppé une solution cloud au service du développement durable permettant le suivi de l’empreinte carbone. Lorsqu’elle est déployée dans une usine, la solution peut être le système d’enregistrement pour le suivi des émissions de type 1 et 2.

Les données sont essentielles mais l’écosystème collaboratif est capital

Les applications industrielles cloud ne doivent pas se limiter à une seule entreprise. Ces dernières concourent au partage des données tout au long de la chaîne de valeur d’un produit. Catena-X est par exemple une plateforme cloud destinée à l’industrie automobile européenne. Elle permet de partager l’interopérabilité des données relatives aux émissions de carbone tout au long de la chaîne d’approvisionnement des véhicules avec pour objectif de réduire les émissions de carbone de type 3.

Le partage des données est un facteur clef de différenciation qui nécessite à la fois une architecture technologique cloud native et une approche opérationnelle à l’échelle de l’entreprise. Cependant, les décisions relatives au cloud sont souvent prises de manière isolée : 45 % des répondants de l’étude ont indiqué que c’est le département IT ou les dirigeants de l’entreprise qui décident du cloud à déployer ou de la manière de gérer les questions de conformité.

Lorsque les décisions relatives au cloud sont prises de manière isolée, les questions liées aux finances et à la sécurité deviennent complexes à gérer. Le service IT maîtrise le déploiement, la gestion et la gouvernance de la sécurité, mais ne dispose pas d’une vision complète de la dimension commerciale, de la propriété ou des facteurs de réussite des projets cloud. Sans cette expertise, les entreprises ne sont pas mesure de déterminer si les projets cloud répondent précisément aux objectifs de l’entreprise.

Les équipes commerciales comprennent l’impact du cloud sur la valeur de l’entreprise, les indicateurs de performance et les besoins des clients. Cependant, elles manquent souvent de vision sur les exigences techniques et les décisions en matière de sécurité pour une mise en œuvre sûre de l’informatique dématérialisée. Cette lacune peut exposer les entreprises à des interruptions d’activité ou, pire encore, à des risques de cybersécurité (confidentialité des données, fuites, cyberattaques).

Les données, ressource clé de l’usine du futur

Dans le paysage industriel actuel, le cloud et l’IA ne sont pas des outils distincts, ils constituent les rouages d’une seule et même machine puissante. Le cloud permet le stockage de données illimité et la capacité de traitement qui alimente l’IA, tandis que l’IA identifie les informations pertinentes cachées dans ces données pour optimiser la production, prédire les défaillances et ainsi faire gagner les entreprises en efficacité. L’exploitation de la valeur réelle de ces données nécessite une synchronisation entre l’évolutivité illimitée du cloud et le pouvoir de transformation de l’IA.

Sans le cloud, l’IA est limitée et sans l’IA, le cloud ne peut révéler son potentiel. La combinaison de ces deux technologies est indispensable pour accompagner les entreprises sur le chemin du smart manufacturing.

Amazon a lancé cette semaine la version bêta d’une nouvelle fonctionnalité basée sur la GenAI pour son service de streaming Prime Vidéo. Baptisée X-Ray Recaps, elle génère des résumés concis et personnalisés de séries, d’épisodes, et même de moments précis, évitant les spoilers tout en permettant aux téléspectateurs de se souvenir des points essentiels de l’intrigue.

X-Ray Recaps s’appuie sur les fonctionnalités existantes X-Ray de Prime Video, qui apportent des informations contextuelles sur le film ou la série visionné : nom des acteurs, détails sur la bande sonore, anecdotes de production, contenu exclusif…

Adam Gray, vice-président des produits chez Prime Video, explique :

“Les équipes produit et technologique de Prime Video travaillent sans relâche en coulisses pour améliorer l’expérience de visionnage des clients, et avec la création de X-Ray Recaps, nous nous attaquons directement à un problème courant auquel les clients sont confrontés lorsqu’ils diffusent du contenu : oublier là où ils se sont arrêtés. Grâce à cette fonctionnalité contextuelle, Prime Video fournira des résumés de moments mémorables et de points importants de l’intrigue afin que nos clients puissent rapidement se replonger dans ce qu’ils regardaient ou redécouvrir pourquoi ils sont tombés amoureux d’une série en premier lieu”.

X-Ray Recaps est optimisé par Amazon Bedrock, un service d’AWS qui permet de créer et de mettre à l’échelle des applications d’IA génératives à l’aide de modèles de fondation. La fonctionnalité analyse les segments de la vidéo, exploite les dialogues et les sous-titres pour détecter les événements et conversations importantes. Les utilisateurs peuvent ainsi accéder à des résumés ciblés en fonction de l’endroit exact où ils se trouvent dans l’épisode ou la saison. Grâce à des garde-fous intégrés, le système peut éviter de révéler des détails de l’intrigue qui gâcheraient le plaisir de la découverte.

X-Ray Recaps est actuellement disponible uniquement pour les clients de Fire TV aux États-Unis, mais Amazon prévoit d’étendre cette fonctionnalité à d’autres appareils d’ici la fin de l’année.

Comme il l’avait annoncé en septembre dernier à l’occasion de sa levée de fonds de 5,5 millions d’euros, Probabl, l’opérateur officiel de la bibliothèque open source incontournable pour le ML, scikit-learn, a lancé le 31 octobre dernier, en partenariat avec Inria et Artefact, le premier programme de certification officiel scikit-learn.

Fondée en septembre 2023, issue d’un projet confié à Inria par le secrétariat général pour l’investissement dans le cadre de France 2030, la start-up Probabl propose des solutions et des services basés sur la bibliothèque open-source d’apprentissage statistique en Python “scikit-learn”, l’une des plus utilisées dans le monde avec PyTorch et TensorFlow,“afin de pérenniser son existence et d’assurer son rayonnement”.

Scikit-learn : une bibliothèque open-source au cœur de l’écosystème du machine learning

Avec plus de 80 millions de téléchargements par mois, scikit-learn est devenue incontournable pour les data scientists et les chercheurs. En tant que bibliothèque open source, elle favorise une approche transparente et collaborative de la technologie, loin des solutions propriétaires qui limitent la flexibilité. Elle permet ainsi aux entreprises et aux chercheurs de concevoir des solutions sans les contraintes imposées par certains fournisseurs, un point particulièrement apprécié par la communauté technologique européenne.

Probabl souligne dans son communiqué :

“Scikit-learn est un composant essentiel pour d’innombrables projets, jouant un rôle fondamental dans près d’un million de projets et plus de 15 000 packages structurés. Elle est une pièce maîtresse de l’écosystème plus large qui stimule l’innovation en machine learning et en science des données”.

Avec la première certification officielle de scikit-learn, Probabl entend établir une nouvelle référence pour la formation de base en IA.

Une certification pour soutenir la montée en compétence en machine learning

Probabl a conçu ce programme en collaboration avec des membres clés de l’équipe scikit-learn, des experts de l’industrie et des formateurs renommés. Ce programme de certification vise à répondre aux attentes croissantes des employeurs pour des compétences vérifiables dans la data science, tout en renforçant l’utilisation éthique et responsable de l’IA.

Yann Lechelle, co-fondateur et PDG de Probabl, souligne l’importance d’une telle reconnaissance :

“Offrir un programme de certification mondial aux utilisateurs et formateurs de scikit-learn est essentiel pour reconnaître et valider les centaines, voire les milliers d’heures que les data scientists du monde entier ont consacrées à la maîtrise de ce framework. Cela établira une norme d’excellence pour maximiser leur capacité à générer de la valeur commerciale dans le machine learning et l’IA”. 

Un parcours en trois niveaux pour répondre aux besoins de tous les professionnels

Le programme est structuré en trois niveaux : Associé, Professionnel et Expert, correspondant à des étapes spécifiques d’évolution dans une carrière en data science. L’objectif est de fournir une montée en compétence progressive, allant des fondamentaux pour les novices jusqu’aux applications complexes pour les experts du secteur. Ce parcours est accessible à tous, quelle que soit l’étape de carrière ou les origines des candidats.

Probabl souhaite ainsi répondre aux besoins des candidats en reconversion professionnelle, des débutants en data science, ainsi que des professionnels confirmés souhaitant renforcer leur expertise. Cette approche inclusive est soutenue par la plateforme sécurisée Webassessor de Kryterion, qui permet aux candidats de passer leurs examens en ligne, où qu’ils se trouvent. Ces examens évaluent rigoureusement leur capacité à appliquer les connaissances théoriques dans des scénarios réels. En cas de succès, un badge numérique délivré par Credly certifie les compétences acquises, que les candidats peuvent partager sur LinkedIn et d’autres plateformes professionnelles.

Inria et Artefact, des partenaires de premier plan pour un programme de qualité

Inria, institut français de recherche en sciences du numérique, joue un rôle clé dans le soutien à scikit-learn depuis sa création. Sa participation garantit que les certifications scikit-learn resteront alignées sur les dernières avancées académiques.

Artefact, expert en applications industrielles du machine learning, apporte sa vision pratique et son savoir-faire en entreprise, contribuant ainsi à un programme de certification qui répond aux réalités des usages en entreprise. Ce partenariat assure que la certification scikit-learn, soutenue par la rigueur académique et l’expertise pratique, bénéficiera autant aux chercheurs qu’aux entreprises.

En unissant des valeurs académiques, des exigences éthiques et des compétences industrielles, ce programme aspire à établir un nouveau standard pour la communauté des data scientists, où la maîtrise technique se conjugue à la responsabilité.

Les attaques de phishing ont atteint un niveau de sophistication sans précédent en 2024, marquant une nouvelle ère dans la cybercriminalité. Au cœur de cette évolution, l’Intelligence Artificielle joue un rôle central en transformant les méthodes des cybercriminels. Ce changement n’a pas seulement renforcé l’efficacité des campagnes de phishing, mais a aussi permis à des acteurs novices de mener des attaques complexes avec une facilité déconcertante. Cette démocratisation des outils d’IA met en lumière une menace croissante pour les entreprises du monde entier.

L’évolution des tactiques de phishing : un aperçu

En l’espace de quelques années, les campagnes de phishing sont passées de simples courriels de masse à des attaques ciblées, personnalisées et difficiles à détecter. Aujourd’hui, grâce à des technologies génératives comme les grands modèles de langage (LLM) et des outils d’automatisation, les cybercriminels peuvent créer des messages trompeurs quasi parfaits. Ils peuvent également cloner des sites web et des pages de connexion en quelques minutes, augmentant ainsi la probabilité de succès de leurs tentatives d’usurpation d’identité.

Les dernières statistiques montrent une augmentation significative de 58 % des attaques de phishing à l’échelle mondiale en 2023. Cette hausse reflète non seulement la portée croissante des cybercriminels, mais aussi leur capacité à exploiter des données publiques pour cibler des individus ou des organisations avec une précision redoutable.

Phishing et IA : une nouvelle frontière pour les cyberattaques

L’IA permet aux cybercriminels de concevoir des campagnes de phishing de manière plus efficace que jamais. Les outils d’IA peuvent analyser rapidement des données disponibles en ligne, créant des attaques plus ciblées. Par exemple, les chatbots alimentés par des LLM sont capables de générer des communications sans fautes de grammaire ni erreurs, rendant les courriels frauduleux presque indétectables. De plus, l’IA permet de créer des pages web de phishing qui imitent à la perfection des sites légitimes, brouillant ainsi la frontière entre le vrai et le faux.

Ce qui est particulièrement inquiétant, c’est l’essor des attaques de phishing basées sur des technologies avancées telles que le vishing (phishing vocal) et les deepfakes. Ces tactiques, qui s’appuient sur des outils d’IA pour simuler des voix et des apparences humaines, rendent la détection des tentatives d’usurpation encore plus complexe. Les cybercriminels peuvent désormais utiliser ces technologies pour imiter des dirigeants d’entreprise ou des personnalités publiques, compromettant ainsi la sécurité des organisations et la confiance du public.

Comment les entreprises peuvent se protéger

Face à l’augmentation des attaques de phishing, les entreprises doivent non seulement repenser leurs stratégies de cybersécurité, mais aussi s’inspirer des méthodes des attaquants pour contrer les menaces hyper personnalisées. Tout comme les cybercriminels exploitent l’IA pour rendre leurs attaques plus sophistiquées et scalables, les équipes opérationnelles de sécurité peuvent également tirer parti de ces technologies pour renforcer leurs capacités d’analyse et d’investigation.

En utilisant des outils de productivité basés sur l’IA, les analystes de sécurité peuvent automatiser et accélérer l’examen des menaces, rendant le processus de détection plus efficace face aux attaques massives. L’IA permet d’analyser de grandes quantités de données en temps réel, d’identifier des modèles suspects et d’évaluer des indicateurs de compromission, ce qui serait impossible manuellement à grande échelle. De plus, ces outils peuvent générer des alertes pertinentes, prioriser les incidents à traiter, et fournir des recommandations automatisées pour une réponse rapide.

En complément, l’adoption d’une architecture de « zéro confiance » (Zero Trust) reste essentielle. Chaque utilisateur, appareil ou service doit être continuellement vérifié, limitant ainsi les déplacements latéraux des cybercriminels en cas de compromission. Grâce à cette double approche – IA et Zero Trust – les entreprises peuvent mieux se protéger contre les attaques de phishing de plus en plus personnalisées et sophistiquées.

L’avenir des cyberattaques : la vigilance comme maître-mot

Il est évident que les cyberattaques évolueront en tandem avec les avancées technologiques. Les entreprises doivent rester en alerte constante, adopter des stratégies proactives et former leurs employés aux dernières méthodes de phishing.

En fin de compte, seule une combinaison de vigilance humaine et de technologies de pointe permettra de réduire les risques et de contrer les attaques de phishing dans un environnement de plus en plus numérisé.

Lors de sa 1ère conférence des développeurs, il y a un peu moins d’un an, les annonces principales d’OpenAI étaient consacrées à GPT-4 turbo, GPT Builder et au GPT Store. Cette année, toujours pas de GPT-5, mais il n’était pas réellement attendu après la présentation d‘OpenAI o1, il y a 3 semaines. Le Devday 2024 a été un événement plus technique, entièrement dédié aux développeurs et à l’exploitation des modèles existants de la start-up, avec de nouveaux ajouts à la plateforme API.

Parmi la série d’outils et fonctionnalités destinés à améliorer l’utilisation et la personnalisation des solutions d’IA d’OpenAI au sein des applications professionnelles, présentés, on retrouve : Realtime API, Vision fine-tuning pour GPT-4o, Model distillation et Prompt caching.

Realtime : Une API conçue pour des expériences vocales instantanées

Realtime a été déployée ce 1er octobre en version bêta publique pour tous les développeurs payants. Ses capacités audio sont alimentées par le nouveau modèle GPT-4o. Elle permet aux développeurs de créer des applications multimodales en temps réel, avec les six voix prédéfinies prises en charge par l’API, distinctes de celles de ChatGPT.

Voici quelques avantages notables de l’API qui prend actuellement en charge le texte et l’audio en entrée et en sortie, (la vision et la vidéo sont déjà prévues), mais également l’appel de fonctions :

• Parole à parole native : L’absence d’intermédiaire de texte signifie une faible latence et une sortie nuancée ;
• Voix naturelles et orientables : Les modèles ont une inflexion naturelle et peuvent rire, chuchoter et adhérer à la direction du ton ;
• Sortie multimodale simultanée : Le texte est utile pour la modération, l’audio plus rapide que le temps réel assure une lecture stable.

OpenAI va également introduire l’audio dans l’API de complétion de chat pour “les cas d’utilisation qui ne nécessitent pas les avantages de faible latence de l’API en temps réel”.
La start-up prévoit également d’augmenter progressivement les limites de débit actuelles (environ 100 sessions simultanées pour les développeurs de niveau 5). L’API Realtime sera intégrée dans les SDK OpenAI pour Python et Node.js et prendra en charge GPT-4o mini dans les futures versions.

Vision Fine-tuning

Cette nouvelle API permet aux développeurs de personnaliser des modèles basés sur GPT-4o en affinant leur compréhension des images. Des applications dans des domaines tels que la détection d’objets pour les véhicules autonomes ou l’analyse d’images médicales sont désormais possibles. OpenAI a cependant précisé que l’utilisation d’images protégées par des droits d’auteur reste interdite.

La start-up a présenté quelques cas d’utilisation pratiques :

• Amélioration de la cartographie routière : Grab, une entreprise de covoiturage et de livraison alimentaire en Asie du Sud-Est, a utilisé la nouvelle fonctionnalité de vision pour améliorer sa cartographie urbaine. En ajustant GPT-4o avec seulement 100 images, l’entreprise a amélioré de 20 % la précision du comptage des voies et de 13 % la localisation des panneaux de signalisation par rapport à un modèle de base. Cela permet à Grab d’automatiser davantage la création de cartes routières, un processus auparavant manuel ;
• Automatisation des processus d’affaires : Automat, spécialisé dans l’automatisation des processus métier, a formé GPT-4o pour reconnaître des éléments d’interface utilisateur via des captures d’écran, augmentant le taux de réussite de son système de 272 %. Ce réglage fin a également permis à Automat d’améliorer la précision d’extraction de données à partir de documents non structurés ;
• Optimisation des sites web : Coframe, une plateforme d’ingénierie de croissance numérique, a affiné GPT-4o pour générer du code à partir d’images existantes d’un site web. Ce réglage fin a permis à GPT-4o de produire des sites web avec une cohérence visuelle accrue de 26 % par rapport au modèle de base.

Vision Fine-Tuning est d’ores et déjà disponible, OpenAI offre gratuitement 1 million de jetons d’entraînement par jour jusqu’au 31 octobre 2024 pour affiner GPT-4o avec des images.

Prompt Caching

La mise en cache des invites, déjà en place chez des concurrents comme Anthropic, permet d’améliorer la latence des réponses et de réduire les coûts d’utilisation des API, en réutilisant les jetons d’entrée récemment utilisés, et ce, sans compromettre la performance.

OpenAI explique : “De nombreux développeurs utilisent le même contexte à plusieurs reprises dans le cadre de plusieurs appels d’API lorsqu’ils créent des applications d’IA, par exemple lorsqu’ils apportent des modifications à une base de code ou qu’ils ont de longues conversations à plusieurs tours avec un chatbot”.

Les appels d’API aux modèles GPT-4o, GPT-4o mini, o1-preview et o1-mini, ainsi qu’aux versions affinées de ces modèles, bénéficieront automatiquement de la mise en cache des invites de plus de 1 024 jetons.

Le système met en cache le préfixe le plus long déjà traité, en commençant à 1 024 jetons et augmente par incréments de 128 jetons. Les développeurs n’ont donc pas besoin de modifier leur intégration API pour bénéficier de cette fonctionnalité. Les caches sont généralement effacés après 5 à 10 minutes d’inactivité et supprimés au plus tard dans l’heure qui suit la dernière utilisation du cache.

Model Distillation

La distillation de modèle consiste à entraîner un modèle plus petit et plus économique en utilisant les résultats d’un modèle plus performant. Cela permet aux développeurs d’obtenir des performances proches de celles du modèle initial (comme GPT-4o) sur des tâches spécifiques, tout en réduisant considérablement les coûts et la latence, en particulier avec des modèles comme GPT-4o mini. OpenAI annonce plusieurs nouveautés pour sa plateforme de distillation de modèles, notamment : Stored completions, Evals et Fine-tuning

• Achèvements stockés : Capture automatique des paires entrée-sortie générées par des modèles comme GPT-4o, stockées via l’API pour créer des ensembles de données en vue du réglage fin. Cela facilite la création d’ensembles de données issus de la production pour améliorer et évaluer les modèles ;
• Évaluations (bêta) : Permet de créer et d’exécuter des évaluations sur la plateforme OpenAI pour mesurer la performance des modèles sur des tâches spécifiques. Cela offre un moyen intégré d’évaluer la qualité des modèles sans avoir à créer des scripts manuellement ;
• Réglage fin : L’intégration complète avec les achèvements stockés et les évaluations permet d’affiner les modèles plus petits avec des ensembles de données réels, tout en mesurant les performances de manière continue.

Model Distillation est disponible pour tous les développeurs sur la plateforme OpenAI. Jusqu’au 31 octobre, OpenAI offre 2 millions de jetons gratuits par jour pour entraîner GPT-4o mini et 1 million de jetons gratuits pour GPT-4o.

En marge du DevDay, OpenAI a également annoncé l’introduction de son nouveau modèle de modération multimodale, omni-modération-latest, qui est intégré dans l’API de modération. Ce modèle, construit sur GPT-4o, améliore considérablement la détection de contenus préjudiciables, notamment dans les langues non-anglophones, avec deux nouvelles catégories de détection.

La première partie de l’étude “GenAI for Social Content Survey” de GetApp se consacrait à l’utilisation par les marketeurs de la GenAI sur les réseaux sociaux. La seconde partie se concentre sur l’adaptation des entreprises aux nouvelles réglementations de Meta concernant l’étiquetage des contenus générés par l’IA et est accompagnée des commentaires de Julien Pibourret, expert en social selling, auteur et formateur en médias sociaux et web marketing.

GetApp est une plateforme de recherche et de comparaison d’applications et de logiciels métiers acquise par Gartner en 2015. Son objectif est de permettre aux professionnels, en particulier ceux des petites et moyennes entreprises, de trouver les solutions logicielles qui répondent le mieux à leurs besoins.

Pour cette étude, elle a interrogé en mai dernier 1 680 personnes (135 en France) ayant un rôle dans le marketing, les relations publiques, les ventes ou le service à la clientèle au sein d’entreprises de toutes tailles à travers le monde. Chacune d’entre elles a indiqué utiliser la GenAI pour la gestion des réseaux sociaux de son entreprise au moins une fois par mois.

L’étude révèle une hausse de l’utilisation de la GenAI par les marketeurs : 63 % des marketeurs ont déjà utilisé l’IA générative pour créer du contenu sur les réseaux sociaux.

• Plus d’un tiers des marketeurs interrogés déclare que 10 % à 25 % du contenu produit sur leurs réseaux sociaux l’a été avec des outils de GenAI ;
• Un marketeur sur trois anticipe que d’ici à 18 mois, l’IA sera présente dans 25 % à 50 % du contenu publié sur les réseaux sociaux ;
• Concernant l’efficacité, 45 % des répondants estiment que les contenus assistés par IA surpassent ceux créés exclusivement par des humains, tandis que 61 % ont constaté une hausse (“significative” pour 14 % et “légère” pour 47 %) de l’engagement et des impressions (nombre total de fois où un contenu est affiché) sur leurs réseaux grâce à l’utilisation de la GenAI ;
• 66 % d’entre eux s’attendent à ce que toutes les tâches de marketing numérique soient assistées par des outils d’IA d’ici les cinq prochaines années.

La transparence, un gage de confiance pour les consommateurs

Selon l’étude, les plateformes de Meta, Instagram et Facebook, sont utilisées respectivement par 81% et 56 % des marketeurs.

47 % des personnes interrogées ont déclaré avoir été “modérément informés” et 31 % “très informées” de l’initiative de Meta visant à étiqueter le contenu généré par l’IA sur Instagram, Facebook et Threads, la majorité d’entre elles s’attendent à ce que cette initiative ait un impact positif.

Selon les données de l’enquête :

• 16 % des spécialistes du marketing pensent que l’étiquetage de l’IA aura un impact “très positif”, améliorant très probablement la transparence et la confiance avec leur public ;
• 42 % s’attendent à un impact “plutôt positif”, améliorant potentiellement l’authenticité et l’engagement du contenu.

Cependant, seulement 27 % des entreprises interrogées indiquent systématiquement que leur contenu a été créé ou modifié par l’IA, ce qui souligne un manque de transparence généralisé alors que  44 % l’indiquent parfois et 27 % ne le mentionnent jamais.

Alors que 11 % des répondants anticipent un impact “plutôt négatif” de l’étiquetage de l’IA, probablement en raison des préoccupations liées à la perception du public et à la méfiance envers le contenu généré par l’IA, 40 % ont mis en place une politique formelle et documentée pour encadrer l’utilisation de l’IA générative dans leurs stratégies de création de contenu.

Julien Pibourret insiste sur l’importance de la transparence dans ces nouvelles pratiques :

“En communiquant de manière proactive sur l’utilisation de l’IA, les entreprises peuvent montrer leur engagement envers la transparence et l’éthique de leur stratégie de contenu online.”

Il met également en garde contre les risques d’un manque de transparence :

“Ne pas mentionner que le contenu est généré par l’IA peut compromettre la réputation d’une entreprise, affaiblir l’engagement de sa communauté et même entraîner des conséquences légales.”

La GenAI s’impose progressivement comme un pilier central dans les stratégies de marketing numérique. Mais pour tirer pleinement parti de cette technologie, les entreprises devront non seulement continuer à optimiser son utilisation, mais aussi à s’adapter aux exigences croissantes en matière de transparence et d’éthique. La clé réside dans l’équilibre entre innovation technologique et respect des attentes des consommateurs.

L’adoption de l’IA dans le marketing en France est encore à ses balbutiements. Selon une étude récente réalisée par HubSpot en collaboration avec LinkedIn, les petites et moyennes entreprises (PME) et entreprises de taille intermédiaire (ETI) françaises sont majoritairement en phase d’exploration, alors que des contraintes budgétaires et des pénuries de talents freinent une adoption plus large.

HubSpot publie régulièrement des études sur les tendances actuelles et futures du marketing. Ce dernier rapport intitulé “Intersection du Marketing, des Données et de l’IA” se concentre sur l’Europe. HubSpot et LinkedIn, en partenariat avec TopRank Marketing, ont interrogé en mai dernier 2 306 leaders du marketing dans des secteurs B2B et B2C, au Royaume-Uni, dans les pays nordiques, au Benelux, et en France pour établir un état de l’adoption de l’IA et appréhender les défis et opportunités au sein de chaque marché.

L’adoption de l’IA en France : un retard notable

Parmi les 509 responsables marketing français interrogés, 41 % sont actuellement en train de tester l’IA dans des applications spécifiques, et 24 % se trouvent encore dans la phase de recherche d’opportunités. Bien que ces chiffres montrent un intérêt croissant pour l’IA, la France accuse un retard par rapport à d’autres pays européens : seules 7 % des entreprises françaises ont optimisé l’utilisation de l’IA et cherchent à en intensifier l’usage, un taux parmi les plus bas en Europe, loin derrière la Finlande (20 %), la Suisse (17 %) et la Belgique (13 %).

D’ailleurs, seulement 3 % des personnes interrogées en France estiment que l’IA joue déjà un rôle fondamental dans leurs décisions stratégiques.

Des contraintes budgétaires qui ralentissent l’adoption

Le principal obstacle à l’adoption de l’IA en France est lié au budget : 50 % des responsables marketing français estiment que leur budget actuel est insuffisant pour intégrer l’IA dans leurs processus, ce qui représente le taux le plus élevé en Europe, où la moyenne se situe à 46 %. En dépit de cela, 74 % des marketeurs français prévoient une augmentation des investissements dans les technologies d’IA au cours de l’année prochaine, un chiffre proche de la moyenne européenne (78 %).

Une pénurie de talents qualifiés

Outre les contraintes budgétaires, la difficulté à recruter des talents qualifiés dans le domaine de l’IA constitue un frein majeur à l’adoption de ces technologies. Les entreprises peinent à attirer des experts capables de déployer efficacement des solutions d’IA dans les équipes marketing, ce qui limite leur capacité à innover.

Le 3ème défi cité par les marketeurs français est d’atteindre et engager leur public cible.

Un optimisme persistant malgré les défis

C’est en France que le plus grand nombre d’entreprises ont enregistré une baisse du ROI au cours de l’année passée (20 %). Cependant, et malgré ces défis, 90 % des personnes interrogées se disent confiantes dans la capacité de leur équipe à atteindre ou dépasser leurs objectifs au cours de l’année à venir, notamment grâce aux opportunités offertes par l’IA. De plus, 76 % des répondants estiment que l’IA a déjà amélioré l’expérience client, un domaine clé pour fidéliser et attirer de nouveaux consommateurs.

Par ailleurs, 41 % des marketeurs français reconnaissent que l’IA a facilité la communication entre les équipes, favorisant ainsi une meilleure collaboration interne. Les perspectives d’amélioration de la personnalisation des stratégies marketing grâce à l’IA sont également vues comme un atout majeur.

Virginie Le Lièvre, Head of Brand et Marketing France, chez HubSpot, conclut :

“Ce nouveau rapport montre que les équipes marketing les plus performantes sont celles qui utilisent déjà l’IA dans leurs prises de décisions, car cela leur permet d’affiner leurs stratégies, de stimuler le retour sur investissement et de personnaliser les expériences clients. L’adoption de l’IA est progressive, et le succès des prochaines étapes dépendra d’un solide alignement entre le marketing et les ventes, de la mise en action des bons talents et d’un juste dosage entre intervention humaine et automatisation des tâches.” 

Le rapport fournit également des recommandations stratégiques pour favoriser une adoption réussie et une utilisation optimale de l’IA, pour le consulter : https://hubs.la/Q02P4KrM0

Teradata a annoncé hier la nomination de Thomas Schröder en tant que vice-président Europe. A ce poste stratégique, Schröder sera en charge de superviser les opérations de Teradata dans toute l’Europe, y compris des marchés majeurs comme l’Europe centrale, l’ouest, le sud et l’est, le Royaume-Uni, l’Irlande, la Scandinavie, et Israël.

Un leader expérimenté pour diriger la stratégie européenne

Thomas Schröder, qui possède plus de deux décennies d’expérience dans la vente et le management, a rejoint Teradata en octobre 2022 en tant que vice-président pour l’Europe centrale, un poste incluant la France et le Benelux. Il avait auparavant fait ses preuves en tant que leader au sein d’entreprises technologiques mondiales, notamment Vodafone Enterprise, le groupe d’entreprises et de partenaires de Microsoft Allemagne, Oracle Hardware Sales, Sun Microsystems, ou encore Philips Business Communications Allemagne.

En tant que vice-président Europe, Thomas Schröder sera responsable du développement et de la mise en œuvre de la stratégie Go-To-Market, tout en supervisant les ventes et les opérations de l’entreprise dans la région. Son principal objectif sera d’accompagner les clients de Teradata dans la maximisation du potentiel de l’IA et du Machine Learning afin d’optimiser leur retour sur investissement et de renforcer leur compétitivité sur le marché, en tirant parti de la plateforme VantageCloud de Teradata.

Richard Petley, CRO de Teradata, souligne l’importance de cette nomination :

“Nous sommes ravis d’accueillir un dirigeant aussi talentueux que Thomas Schröder à ce poste clé. Son expertise et sa connaissance approfondie du marché européen sont des atouts précieux pour notre entreprise. Sa nomination représente une étape naturelle dans sa carrière, et je suis convaincu qu’il continuera à renforcer notre présence et à stimuler notre croissance en Europe”. 

Un engagement envers une IA éthique et responsable

Thomas Schröder a exprimé son enthousiasme à l’idée de relever ce nouveau défi :

“Je suis honoré de prendre la direction de la région Europe pour Teradata. Avec le soutien d’une équipe d’experts chevronnés, je suis convaincu que nous pouvons démontrer chaque jour la valeur ajoutée de notre technologie à nos clients et partenaires. Grâce à notre plateforme VantageCloud Lake et ClearScape Analytics, nous sommes idéalement positionnés pour aider les entreprises à obtenir des résultats rapides et durables à partir de leurs initiatives IA/ML, tout en veillant à une utilisation éthique et responsable de l’IA”.

Sous la direction de Thomas Schröder, Teradata entend renforcer son rôle de leader dans le domaine des données et de l’analytique en Europe, en aidant les entreprises à transformer leurs données en avantages concurrentiels grâce à l’IA.

OVHcloud, le géant européen du cloud, annonce un partenariat stratégique avec Valohai, une plateforme leader dans le domaine des MLOps (Machine Learning Operations). Cette collaboration s’inscrit dans le cadre du programme Open Trusted Cloud d’OVHcloud et vise à permettre aux entreprises de toutes tailles d’optimiser leurs workflows d’IA et de ML.

Le programme Open Trusted Cloud d’OVHcloud s’adresse aux éditeurs de logiciels (ISV) ainsi qu’aux fournisseurs de solutions SaaS et PaaS. Son ambition est de co-construire un écosystème de services SaaS et PaaS, hébergé dans le cloud ouvert, réversible et fiable d’OVHcloud, afin de proposer une plateforme commune de solutions compétitives, dans le respect des valeurs européennes de confiance et de souveraineté. Ce partenariat stratégique avec Valohai s’inscrit parfaitement dans la vision du programme et dans l’engagement d’OVHcloud pour la démocratisation de l’IA.

Une collaboration pour transformer le développement de l’IA

En combinant l’infrastructure robuste et évolutive d’OVHcloud avec la plateforme MLOps avancée de Valohai, ce partenariat offre aux entreprises un environnement optimal pour le développement de l’IA. OVHcloud, reconnu pour ses solutions cloud sécurisées et conformes aux réglementations européennes, met à disposition ses GPUs haute performance, ce qui permet aux utilisateurs de Valohai d’automatiser et de gérer leurs projets de machine learning avec une efficacité accrue.

Conçue pour supporter l’intégration et la livraison continues (CI/CD) pour les projets de ML, Valohai offre une traçabilité et une reproductibilité complète. Sa plateforme peut gérer des environnements cloud, multicloud et hybrides, ainsi que des environnements sur site et isolés (“air-gap”), en faisant une solution polyvalente pour divers besoins de développement d’IA. Les fonctionnalités de Valohai simplifient la collaboration, le versionning et la conformité réglementaire, permettant aux équipes de se concentrer sur l’innovation et l’efficacité.

L’intégration avec OVHcloud permet de gérer aisément l’intégralité du cycle de vie des projets IA, de l’ingestion des données jusqu’au déploiement des modèles sur ces environnements cloud variés.

Des avantages décisifs pour les entreprises

Ce partenariat présente plusieurs avantages majeurs pour les entreprises :

• Performances optimisées et scalabilité : L’association de l’infrastructure évolutive d’OVHcloud avec la gestion des pipelines ML de Valohai assure des performances de pointe et une adaptabilité aux besoins spécifiques des entreprises ;
• Souveraineté des données : Les entreprises peuvent bénéficier d’un cloud de confiance, conforme au RGPD, garantissant la sécurité et la confidentialité des données, un aspect crucial dans le contexte actuel de régulation stricte en Europe ;
• Maîtrise des coûts : Grâce à la tarification compétitive d’OVHcloud et aux outils de gestion de ressources proposés par Valohai, les entreprises peuvent contrôler leurs dépenses tout en maximisant l’efficacité de leurs opérations IA.

Toni Perämäki, COO de Valohai, commente :

“L’association de la plateforme MLOps de pointe de Valohai à l’infrastructure sécurisée et évolutive d’OVHcloud crée une proposition de valeur unique pour les entreprises souhaitant optimiser leurs processus de développement de l’IA. Nous sommes ravis de travailler avec OVHcloud pour faire progresser l’innovation et soutenir les organisations dans leur parcours d’IA”. 

Yaniv Fdida, Chief Product and Technology Officer d’OVHcloud, conclut :

“Notre collaboration avec Valohai s’aligne parfaitement avec la mission d’OVHcloud de démocratiser l’IA et de la rendre accessible et abordable pour les entreprises de toutes tailles. Ensemble, nous proposons une solution de bout en bout qui permet aux organisations d’accélérer leurs initiatives en matière d’IA avec confiance et efficacité”.

La langue peut révéler beaucoup sur notre santé : sa forme, sa texture, le fait qu’elle soit humide ou sèche et surtout sa couleur sont autant d’informations sur des maladies potentielles. Des chercheurs de l’Université Technique du Moyen-Orient en Irak, et de l’Université d’Australie du Sud (UniSA) ont utilisé le machine learning pour analyser les couleurs de la langue afin de prédire les maladies associées. Le système d’imagerie proposé dans leur étude a atteint une précision de 96,6 %.

Lorsqu’une personne est en bonne santé, sa langue est généralement de couleur rose avec un léger revêtement blanc. Diverses maladies peuvent modifier ces caractéristiques, par exemple :

• Une couche jaune sur la langue peut être signe de diabète. En cas de diabète de type 2, la langue peut devenir bleue avec un revêtement jaune ;
• Une langue violette avec un revêtement épais peut être un signe de cancer ;
• Lors des phases aiguës d’accident vasculaire cérébral (AVC), les patients peuvent présenter une langue rouge avec une forme inhabituelle ;
• Une langue blanche peut indiquer une anémie ou carence en fer ;
• Une langue jaune peut signaler une augmentation de la chaleur corporelle ou une maladie des organes hépatiques et biliaires ;
• Une langue de couleur indigo ou violette peut être signe de problèmes vasculaires ou gastro-intestinaux ;
• La langue peut apparaître rougeâtre avec des marques blanches lors d’une infection à helicobacter pylori ;
• Des modifications visibles peuvent apparaître à la surface de la langue en cas d’appendicite.

L’infection par le virus COVID-19 peut également influencer la couleur de la langue, la faisant apparaître légèrement rose dans les cas bénins, cramoisi dans les infections modérées, et rouge foncé (bordeaux) dans les cas graves, souvent accompagnée d’inflammation et d’ulcérations.

Grâce aux avancées des systèmes de vision par ordinateur et de l’IA, il est désormais possible de développer des systèmes automatisés pour analyser ces caractéristiques de manière plus précise et reproductible. Cette étude présente un nouveau système d’imagerie capable d’analyser et d’extraire les caractéristiques de couleur de la langue sous différentes conditions d’éclairage et de saturations de couleurs, permettant ainsi un diagnostic en temps réel des maladies associées.

Les chercheurs ont utilisé cinq modèles d’espace colorimétrique (RGB, YcbCr, HSV, LAB et YIQ) et six algorithmes d’apprentissage automatique pour prédire la couleur de la langue et, par extension, les maladies associées : Naïve Bayes (NB), Support Vector Machine (SVM), k-plus proches voisins (KNN), arbres de décision (DT), forêt aléatoire (RF) et Extreme Gradient Boost (XGBoost).

Collecte des données

Pour leur étude, les chercheurs ont tout d’abord utilisé un premier ensemble de données comprenant 5260 images de langue classées en sept catégories de couleurs (rouge, jaune, vert, bleu, gris, blanc, rose). Ces images ont été extraites dans différentes conditions de saturation et d’éclairage, 80% ont été utilisées pour l’entraînement des algorithmes d’apprentissage automatique et les 20% restants à des fins de test.

Le deuxième groupe de données comprenait 60 images anormales de la langue qui ont été collectées à l’hôpital universitaire Al-Hussein de Dhi Qar, en Irak, et à l’hôpital général de Mossoul à Mossoul de janvier 2022 à décembre 2023 pour tester le système d’imagerie proposé en temps réel. Ces images de la langue comprenaient des patients atteints de diverses affections, notamment le diabète, l’infection mycosique, l’asthme, le COVID-19, les papilles fongiformes et l’anémie.

Configuration expérimentale

Le système d’imagerie proposé se compose d’une webcam USB haute résolution connectée à un ordinateur portable exécutant MATLAB. Le patient s’assoit à 20 cm de la caméra, le  système capture une image de la langue qui est analysée en temps réel. Une interface graphique (GUI), développée avec MATLAB App Designer, facilite cette analyse en affichant les valeurs de chaque teinte, la couleur identifiée, l’histogramme des couleurs, et les maladies potentielles associées.

Analyse d’images et algorithmes d’apprentissage

Après la capture de l’image, une méthode de segmentation a été utilisée pour isoler la région d’intérêt (ROI) de la langue, éliminant les éléments non pertinents comme les lèvres ou les dents. Les images sont ensuite converties des couleurs RGB vers les espaces YCbCr, HSV, LAB, et YIQ pour une analyse approfondie. Les données ainsi obtenues sont enregistrées en format CSV et ont servi de base pour l’entraînement des algorithmes d’apprentissage automatique.

Résultats

L’évaluation des différents algorithmes a montré que l’algorithme XGBoost offrait la meilleure précision, atteignant 98,71 %, suivi par les autres méthodes avec des précisions légèrement inférieures. Le Naive Bayes, bien qu’efficace, a montré la précision la plus faible à 91,43 %.

En se basant sur ces résultats, les chercheurs ont sélectionné l’algorithme XGBoost comme le classificateur principal du système d’imagerie et l’ont intégré à l’interface utilisateur graphique qui permet de prédire la couleur de la langue et les maladies correspondantes en temps réel.

Le système d’imagerie en temps réel utilisant XGBoost a donné des résultats positifs lors du déploiement avec une précision de diagnostic de 96,6 %.

Les chercheurs concluent :

“Ces résultats confirment la praticité des systèmes d’intelligence artificielle pour la détection de la langue dans les applications médicales, démontrant que cette méthode est sécurisée, efficace, conviviale, agréable et rentable”.

Ils notent toutefois que les réflexions de la caméra peuvent entraîner des différences dans les couleurs observées, affectant ainsi le diagnostic. Selon eux, les études futures devraient prendre en compte les réflexions de la caméra et utiliser de puissants processeurs d’image, des filtres et des approches d’apprentissage profond pour augmenter la précision. Cette méthode ouvre la voie à un diagnostic prolongé de la langue dans les futurs systèmes de santé au point de service.

Références de l’article

“Tongue Disease Prediction Based on Machine Learning Algorithms” Technologies 2024, 12(7), 97; https://doi.org/10.3390/technologies12070097

Auteurs et affiliations

Ali Raad Hassoon 1,2, Ali Al-Naji 1, Ghaidaa A. Khalid 1, Javaan Chahl 3

1 Electrical Engineering Technical College, Middle Technical University, Baghdad 10022, Irak
2 Al Hussein Teaching Hospital, Nasiriyah 64001, Irak
3 School of Engineering, University of South Australia, Mawson Lakes, SA 5095, Australie

Après avoir annoncé le fine-tuning de GPT-4o mini fin juillet dernier avec une offre de 2 millions de jetons gratuits par jour jusqu’au 23 septembre prochain, OpenAI propose depuis mardi dernier aux développeurs d’affiner son LLM multimodal phare GPT-4o. 

GPT-4o, introduit en mai dernier par OpenAI, fusionne le traitement de l’audio, de la vision et du texte en temps réel. Comparé à GPT-4 Turbo, il est deux fois plus rapide, deux fois moins cher et propose des limites de débit cinq fois plus élevées. Les développeurs vont pouvoir l’affiner en utilisant des ensembles de données personnalisés à un coût réduit pour leurs cas d’utilisation spécifiques.

Le fine-tuning, l’une des fonctionnalités les plus demandées par les développeurs, permet d’améliorer la précision, la structure, et le ton des réponses du modèle, ainsi que sa capacité à suivre des instructions complexes propres à certains domaines, même avec de petits ensembles de données. Selon OpenAI, quelques dizaines d’exemples peuvent suffire pour obtenir des améliorations significatives.

La nouvelle fonctionnalité est disponible pour tous les développeurs, quel que soit leur niveau d’utilisation. Le coût de l’entraînement est fixé à 25 par million de jetons d’entrée et 15 $ par million de jetons de sortie.

Comme pour GPT-4o mini, son lancement est assorti d’une offre de fine-tuning gratuit jusqu’au 23 septembre mais plus restreinte : chaque organisation bénéficie d’un million de jetons d’entraînement gratuits par jour.

De premiers cas d’utilisation convaincants

Depuis deux mois, plusieurs partenaires de confiance d’OpenAI ont pu tester le fine-tuning de GPT-4o avec des résultats impressionnants.

Parmi ceux-ci :

• Cosine a utilisé GPT-4o pour affiner son assistant d’ingénierie logicielle, Genie. En intégrant des exemples réels d’ingénieurs logiciels, Genie a été en mesure de détecter et corriger des bogues, créer de nouvelles fonctionnalités et refactoriser du code avec une précision accrue. Grâce à ce réglage fin, Genie a atteint un score record de 43,8 % sur le banc d’essai SWE-bench, établissant un nouveau standard de performance ;
• Distyl : ce partenaire spécialisé dans les solutions d’IA pour les entreprises du Fortune 500 a utilisé GPT-4o pour améliorer ses capacités de traitement SQL. Le modèle affiné a obtenu un score de 71,83 % au benchmark BIRD-SQL, surpassant ses concurrents et démontrant une compétence exceptionnelle dans la reformulation de requêtes et la génération SQL.

Sécurité et contrôle des données

Les modèles affinés via GPT-4o restent entièrement sous le contrôle des développeurs. Les données d’entreprise, y compris les entrées et sorties, sont protégées et ne sont jamais partagées ou utilisées pour entraîner d’autres modèles. De plus, des mesures de sécurité rigoureuses, incluant des évaluations automatisées et une surveillance continue de l’utilisation, sont en place pour prévenir tout usage abusif.

Comment commencer le fine-tuning de GPT-4o ?

Les développeurs intéressés par cette nouvelle fonctionnalité peuvent suivre ces étapes simples :

• Se connecter à leur tableau de bord de fine-tuning sur la plateforme OpenAI ou s’enregistrer pour ceux qui n’ont pas encore de compte ;
• Cliquer sur “créer”;
• Sélectionner gpt-4o-2024-08-06 dans le menu déroulant des modèles de fondation.

OpenAI propose un guide dédié aux étapes du fine-tuning pour les non-initiés ici.

La start-up commente :

“Du codage à l’écriture créative, la mise au point peut avoir un impact important sur les performances du modèle dans divers domaines. Ce n’est qu’un début : nous continuerons d’investir dans l’élargissement de nos options de personnalisation de modèle pour les développeurs”.

HubSpot, la plateforme de gestion de la relation client (CRM) dédiée aux entreprises en croissance, a dévoilé hier l’édition 2024 de son rapport sur “Les tendances IA des marketeurs”. Basé sur une enquête réalisée en collaboration avec The Next Wave auprès de plus de 1 000 professionnels du marketing et professionnels de la publicité à travers le monde, il met en lumière l’évolution rapide de l’adoption de l’IA dans le secteur.

Créée en 2006 par Brian Halligan et Dharmesh Shah, deux anciens étudiants du MIT, HubSpot est une plateforme client qui fournit les logiciels, les intégrations et les ressources nécessaires pour connecter les équipes de marketing, de vente, de gestion de contenu et de service client. Elle publie régulièrement des rapports sur les tendances actuelles et futures du marketing. Ce dernier rapport montre qu’en quelques mois, l’utilisation de l’IA par les marketeurs a considérablement augmenté, passant de 35 % l’année dernière à 74 % cette année.

Optimisme autour du potentiel de l’IA

Le rapport révèle que la majorité des marketeurs voient dans l’IA un levier de croissance. En effet, 68 % affirment que l’IA a amélioré la dynamique de leur entreprise, 69 % indiquent qu’elle a permis de personnaliser l’expérience client, et 70 % estiment qu’elle a favorisé la collaboration entre les équipes.

L’IA a permis à plus de 7 marketeurs sur 10 de consacrer moins de temps aux tâches manuelles et plus de temps aux aspects importants de leur rôle : ce qui a permis de stimuler leur évolution professionnelle pour 68 % d’entre eux.

Près de 7 responsables sur 10 ayant investi dans l’IA déclarent avoir bénéficié d’un ROI (retour sur investissement) positif en termes de productivité et d’efficacité des employés. Ils considèrent que l’IA apporte une valeur ajoutée non pas en remplaçant leur équipe, mais en l’améliorant. Ils précisent également que les outils d’IA et d’automatisation permettent aux employés :

• d’être plus productifs (45 %) ;
• de prendre des décisions éclairées, basées sur la data (39 %) ;
• de partager des données plus efficacement (39 %) ;
• d’être plus efficaces dans leur travail (34 %).

Adoption croissante et intégration aux outils existants

Près de 3 marketeurs sur 4 intègrent des outils d’IA dans leur travail. Les cas d’utilisation les plus courants partagent un objectif commun : l’unification. En effet, 74 % d’entre eux affirment que l’intégration de capacités d’IA dans les outils existants, notamment les CRM et les outils de productivité, a encouragé l’adoption de cette technologie.

Les cinq principaux cas d’utilisation sont les suivants :

• Les chatbots pour des réponses rapides et personnalisées (35 %) ;
• Les outils de CRM et de marketing améliorés par l’IA (25 %) ;
• Les outils de productivité améliorés par l’IA pour rationaliser les tâches quotidiennes (23 %) ;
• Les outils d’IA visuelle pour générer des images (23 %) ;
• Les outils de génération de texte pour créer plus rapidement des contenus performants (22 %).

L’IA, moteur de la création de contenu

Les canaux de marketing se multiplient : un précédent rapport de HubSpot souligne d’ailleurs l’omniprésence des réseaux sociaux dans les stratégies marketing des entreprises, leur usage pour le service client et la vente en ligne ainsi qu’une utilisation croissante de l’IA générative pour se démarquer.

En effet, l’IA est principalement utilisée pour la création de contenu (43 %), et ce pour la deuxième année consécutive. Cependant, les marketeurs tiennent à garder un certain contrôle : 86 % apportent des modifications avant publication.

Les principales tâches liées à la création de contenu sont :

• la génération d’images (47 %) ;
• la rédaction de textes (45 %);
• la vérification de la qualité du contenu (44 %).

Les formats les plus courants sont :

• les emails et newsletters (47 %) ;
• les posts sur les réseaux sociaux (46 %) ;
• les articles de blog (38 %).

Nicholas Holland, VP Product et GM, Marketing Hub chez HubSpot, commente :

“L’IA se transforme en un véritable catalyseur de productivité pour les équipes de marketing. Elle leur permet de créer plus de contenu, de naviguer sur un plus grand nombre de canaux et de générer plus de leads, tout en améliorant la qualité et la personnalisation. Les professionnels du marketing qui s’appuient sur l’IA et l’intègrent à leurs processus sont sans aucun doute ceux qui se différencieront”.

Un modèle d’apprentissage profond a démontré une performance équivalente à celle d’un radiologue abdominal dans la détection du cancer de la prostate cliniquement significatif à l’IRM, selon une étude récemment publiée dans Radiology, une revue de la Radiological Society of North America (RSNA). Ce modèle pourrait être utilisé, selon les chercheurs de la Mayo Clinic, en complément des radiologues pour améliorer la détection du cancer de la prostate.

Le cancer de la prostate est le deuxième cancer le plus fréquent chez les hommes dans le monde. En France, avec environ 53 000 nouveaux cas par an, il est non seulement le cancer le plus fréquent chez l’homme mais aussi dans l’ensemble de la population française.

L’IRM multiparamétrique, qui fait appel à des méthodes complémentaires d’imagerie, est aujourd’hui l’outil principal utilisé par les radiologues pour diagnostiquer le cancer de la prostate, les résultats étant exprimés via le système PI-RADS (Prostate Imaging-Reporting and Data System) version 2.1. Toutefois, ce système présente certaines limites dans la classification des lésions.

Selon le Dr Naoki Takahashi, principal auteur de l’étude et membre du département de radiologie de la Mayo Clinic à Rochester, au Minnesota :

“L’interprétation de l’IRM de la prostate est complexe. Les radiologues les plus expérimentés obtiennent généralement de meilleures performances diagnostiques”. 

Les algorithmes d’IA appliqués à l’IRM de la prostate ont montré un potentiel prometteur pour améliorer la détection du cancer tout en réduisant la variabilité entre les observateurs. Cependant, les approches actuelles d’IA nécessitent souvent que les lésions soient annotées par un radiologue ou un pathologiste, ce qui alourdit le processus de développement et de mise en œuvre clinique.

Pour le Dr Takahashi, ce processus est non seulement chronophage mais aussi difficile à corréler avec les résultats pathologiques. Il explique :

“Les radiologues annotent les lésions suspectes au moment de l’interprétation, mais ces annotations ne sont pas systématiquement disponibles, donc lorsque les chercheurs développent un modèle d’apprentissage profond, ils doivent en redessiner les contours.  De plus, les chercheurs doivent corréler les résultats de l’imagerie avec le rapport de pathologie lors de la préparation de l’ensemble de données. Si plusieurs lésions sont présentes, il n’est pas toujours possible de corréler les lésions à l’IRM avec les résultats pathologiques correspondants”. 

Pour surmonter ces défis, le Dr Takahashi et son équipe ont développé un nouveau modèle de deep learning capable de prédire la présence d’un cancer de la prostate cliniquement significatif sans nécessiter d’information sur l’emplacement précis des lésions. Ce modèle a été comparé aux performances de radiologues abdominaux sur un grand groupe de patients sans cancer de la prostate cliniquement significatif connu, ayant subi une IRM sur plusieurs sites d’un seul établissement universitaire.

L’étude a utilisé un réseau neuronal convolutif (CNN) pour analyser les IRM multiparamétriques. Parmi 5 735 examens effectués sur 5 215 patients, 1 514 ont révélé un cancer de la prostate cliniquement significatif. Les résultats montrent que le modèle d’IA atteint une performance similaire à celle des radiologues expérimentés tant sur des ensembles de tests internes qu’externes.

La combinaison des prédictions du modèle de deep learning avec les résultats des radiologues a surpassé les performances des radiologues seuls. Pour localiser les tumeurs, les chercheurs ont utilisé une carte d’activation de classe pondérée par gradient (Grad-CAM). Cette méthode a permis de localiser avec précision les lésions cliniquement significatives lors des examens positifs.

Le Dr Takahashi voit ce modèle comme un outil d’assistance, capable d’améliorer la précision des diagnostics tout en réduisant les faux positifs. Il précise :

“Ce modèle ne peut pas être utilisé comme un outil de diagnostic autonome. Il est plutôt destiné à compléter le processus décisionnel des radiologues”.

L’équipe de recherche a également élargi son ensemble de données, doublant le nombre de cas étudiés. La prochaine étape sera une étude prospective pour observer comment les radiologues interagissent avec ce modèle et évaluer si cette collaboration améliore les performances diagnostiques par rapport à l’interprétation traditionnelle.

Références de l’article :

“Modèle d’apprentissage profond entièrement automatisé pour détecter le cancer de la prostate cliniquement significatif à l’IRM”. Radiology, https://doi.org/10.1148/radiol.232635

Auteurs :

Jason C. Cai,  Hirotsugu Nakai, Shiba Kuanar, Adam T. Froemming, Candice W. Bolan,  Akira Kawashima, Hiroaki Takahashi, Lance A. Mynderse, Chandler D. Dora, Mitchell R. Humphreys, Panagiotis Korfiatis, Pouria Rouzrokh, Alexander K. Bratt,  Gian Marco Conte, MD, Ph.D.,  Bradley J. Erickson, Naoki Takahashi.

Affiliations :

• Départements de radiologie (J.C.C., H.N., S.K., A.T.F., H.T., P.K., P.R., A.K.B., G.M.C., B.J.E., N.T.) et d’urologie (L.A.M.), Mayo Clinic, 200 First St SW, Rochester, MN 55905 ; Département de radiologie, Massachusetts General Hospital, Boston, Massachusetts (J.C.C.) ;
• Départements de radiologie (C.W.B.) et d’urologie (C.D.D.), Mayo Clinic, Jacksonville, Floride ;
• Départements de radiologie (A.K.) et d’urologie (M.R.H.), Mayo Clinic, Scottsdale, Arizona.

La Finlande a lancé sa stratégie en matière d’IA en 2017 pour stimuler la recherche et l’éducation dans le domaine. Avec ses 5,5 millions d’habitants, le pays des Mille Lacs vise à devenir un pays leader en matière d’IA. Il se place en deuxième position parmi les pays européens, comptant le plus grand nombre d’experts en IA par habitant (LinkedIn Economic Graph 2019). Focus donc sur la Finlande qui mise sur un niveau élevé de formation et de coopération active entre les acteurs afin de créer un environnement de recherche et d’innovation dynamique et attractif.

Une stratégie avant-gardiste

L’intérêt de la Finlande pour les nouvelles technologies ne date pas d’hier, bien au contraire. Nokia a été durant de nombreuses années l’image de marque du pays, sans compter le dynamique tissu académique et entrepreneurial.

Considérée comme avant-gardiste en matière de révolution numérique et d’innovation, notamment grâce à des initiatives et politiques ambitieuses autour du numérique, la Finlande a su mobiliser sa population, son administration et ses entreprises autour de la diffusion des technologies numériques, via l’accès aux données publiques ou l’attention particulière portée au système éducatif.

La transformation numérique et le développement des technologies d’IA ont permis la mise en place d’initiatives et de programmes comme AuroraAI, lancé par le ministère finlandais des Finances, et qui vise à aider les citoyens et les entreprises en leur proposant des services axés sur leurs besoins. Cet intérêt pour l’IA répond au potentiel économique important du domaine. Plusieurs études indiquaient en effet dès 2017 que l’IA pourrait permettre à la Finlande de doubler son taux de croissance économique d’ici 2035 (Accenture et Frontier Economics 2017).

Le pays serait en effet la deuxième économie mondiale ayant potentiellement le plus à gagner du développement de l’IA, derrière les États-Unis.
Pour que ces analyses deviennent réalité, le gouvernement finlandais a donc mis en place dès 2017 un plan d’action en trois volets :

• un groupe d’experts, d’acteurs et de personnalités académiques, scientifiques et économiques, sous l’égide du ministère de l’Économie et de l’Emploi, chargé de proposer des recommandations pour le développement de l’IA en Finlande ;
• un programme IA ;
• une enveloppe de 200 millions d’euros sur la période 2018-2021, inscrite au budget de Business Finland.

Business Finland est l’organisation gouvernementale finlandaise pour le financement de l’innovation et la promotion du commerce, des voyages et des investissements. Cette agence publique est au cœur de la stratégie de développement finlandais. Cette organisation gouvernementale est chargée notamment du financement de l’innovation et des startups dans le domaine de l’IA. Le programme AI Business dirigé par Outi Keski-Äijö est l’une des initiatives lancées par le programme national d’intelligence artificielle de 2017. Prévu de 2018 à fin 2021, il a à ce jour aidé plus de 300 entreprises d’IA, ce qui représente environ 200 millions d’euros de financement. Ce programme vise à soutenir les startups et à augmenter l’attractivité du pays pour la recherche et le développement de l’IA.

La formation comme priorité

Quand on évoque la recherche en IA en Finlande, on ne peut ignorer Teuvo Kohonen, académicien, chercheur et professeur émérite à l’Académie de Finlande. Spécialiste des réseaux neuronaux artificiels, il a travaillé sur l’algorithme du Learning Vector Quantization basé sur la quantification vectorielle ou encore sur la théorie fondamentale sur la mémoire. Il a également présenté la carte autoadaptative dite « carte de Kohonen » dans les années 1980, qui a marqué l’histoire de la recherche sur les réseaux de neurones et la reconnaissance de formes en Finlande.
Ces dernières années, plus de 6300 étudiants suivaient au moins un cours d’IA dans le cadre de leur formation. Les grandes universités finlandaises proposent près de 250 cours individuels d’IA et plus de 40 formations de niveau master, 19 programmes de niveau licence et 3 programmes de doctorat. Il faut ajouter à celles-ci les 26 formations dispensées par les grandes écoles spécialisées et le Centre de recherche technique VTT de Finlande.

À l’heure actuelle, plusieurs universités finlandaises proposent un enseignement de haut niveau sur l’IA. Elles misent notamment sur des opportunités d’apprentissage accessibles et sur l’attrait des citoyens pour le numérique, grâce notamment à des cours publics gratuits en ligne comme Elements of AI.

Sensibiliser la population aux enjeux de l’intelligence artificielle est l’objectif de la Finlande pour développer la recherche et le développement d’activités et de solutions sur un secteur économique en plein essor et au potentiel élevé.

C’est un sujet sur lequel l’Académie de Finlande s’est positionnée via son programme ICT 2023 pour la R&D et l’innovation et pour renforcer les connaissances et les applications en machine learning, internet industriel, technologies et services de santé innovants centrés sur l’utilisateur. Des centres de recherches comme l’Institut d’informatique d’Helsinki (HIIT), se sont rapidement développés pour accueillir les chercheurs et les entreprises.

Elements of AI

Lancée début 2018 par l’université d’Helsinki, Elements of AI est une série de MOOCs conçue en collaboration avec la société Reaktor. Elle a été classée no 1 mondial par le portail de cours en ligne Class Central et Forbes et a remporté le grand prix Inclusive Innovation Challenge du MIT. Les cours peuvent être suivis au rythme de chacun et combinent théorie et exercices pratiques.

Le premier volet, Introduction to AI, permet de se familiariser avec le machine learning, les réseaux de neurones, la résolution de problèmes grâce à l’IA ou encore la philosophie de l’IA. Plus de 1 % de la population finlandaise a été formée aux bases de l’IA grâce à ce cours en ligne gratuit. À l’occasion de la présidence finlandaise du Conseil de l’Union européenne en 2019, le MOOC a été traduit dans de nombreuses langues pour permettre aux citoyens européens de se former eux aussi aux bases de l’IA. Pour sa version française, le partenaire de cette initiative a été Sorbonne-Université.

L’an dernier, Elements of AI a partagé son nouveau MOOC, Building AI, qui permet de découvrir les algorithmes servant à créer des méthodes d’IA. Certaines compétences de base en programmation Python sont recommandées pour tirer le meilleur parti du cours. Depuis son lancement, Elements of AI a formé près de 620 000 personnes, et diplômé des étudiants de plus de 170 pays. À noter que 40 % des participants aux cours sont des femmes, soit plus du double de la moyenne des cours d’informatique.

Le MOOC Ethics of AI lancé par l’université d’Helsinki fin 2020 s’intéresse quant à lui à l’éthique de l’intelligence artificielle et propose des textes, des exercices et un grand nombre de cas réels illustrant différents points de vue éthiques.

Faciliter l’accès aux supercalculateurs

Le CSC (IT Center for Science), basé à Kajaani, se présente comme l’un des plus grands acteurs mondiaux dans le domaine du calcul haute performance. Cette entreprise publique à but non lucratif abrite le système national de calcul et de gestion des données de la Finlande et a été choisie pour accueillir l’un des trois supercalculateurs pré-exascale de l’initiative EuroHPC.

Un projet de 200 millions d’euros financé à 50 % par la Commission européenne et à 50 % par les dix pays participants. Le supercalculateur LUMI, installé en 2021, disposera d’une puissance de calcul crête de 552 petaflops, soit 552 millions de milliards d’opérations en virgule flottante par seconde.

Le CSC, qui fournit déjà aux startups finlandaises des ressources informatiques gratuites pour leurs projets de recherche grâce à la subvention informatique de Business Finland, réservera 20 % de la capacité de calcul de LUMI aux industriels et PME-PMI.

Le Centre finlandais pour l’intelligence artificielle (FCAI)

Le FCAI est l’un des programmes phare de l’Académie de Finlande. Il rassemble des experts académiques, industriels et venant du secteur public, travaillant notamment sur l’Agile probabilistic AI, la Simulator-based inference, le Next-generation data-efficient deep learning, la Privacy-preserving and secure AI, l’IA interactive, l’IA autonome et l’IA dans la société.

Le centre dispose d’un budget de 250 millions d’euros pour 2019-2026, il est devenu l’un des pôles d’innovation numérique de la Commission européenne (AI DIH) formé par une communauté d’experts de l’université Aalto, de l’université d’Helsinki et de VTT.

Le FCAI, le Tampere AI Hub et l’Académie AI de l’université de Turku, entre autres, ainsi que des initiatives régionales et d’autres accélérateurs ont également pour objectif de transférer efficacement les compétences aux startups et entreprises afin de stimuler la commercialisation de l’IA et accélérer son déploie-ment.

Un écosystème entrepreneurial innovant et dynamique

La Finlande compte plus de 300 startups IA dans différents domaines commerciaux. Les liens avec la recherche acadé-mique, les organismes de recherche et les acteurs publics sont particulièrement renforcés pour que les jeunes pousses puissent accéder à toutes les clés pour s’inscrire dans les marchés et créer de nouveaux secteurs porteurs. La région d’Helsinki a notamment été reconnue comme l’un des plus importants écosystèmes de démarrage d’IA en Europe.

Les entreprises peuvent compter sur de larges bases de données mises à disposition des entreprises afin de susciter une plus grande et plus rapide adoption de l’IA dans le pays.

Les startups finlandaises essaient de capitaliser sur les traditions de recherche, en reconnaissance des formes, en TAL ou en vision industrielle par exemple, et sur les coopérations entre secteurs. La société de radiodiffusion nationale finlandaise (YLE) a lancé l’an dernier une campagne de collecte du finnois parlé dans tout le pays afin que les algorithmes puissent apprendre à comprendre et à reconnaître les spécificités langagières.

En matière de collaboration, les exemples ne manquent pas. La société Bilot a développé un modèle pour YIT, la plus grande entreprise de construction de Finlande, afin d’optimiser les procédures de maintenance sur les routes et les rues grâce au machine learning. Top Data Science a développé une solution d’analyse vidéo pour aider les sites japonais à gérer la distanciation sociale en cette période de pandémie.

De son côté, en collaboration avec la Banque mondiale, Headai a réalisé une analyse du marché du travail et une évaluation des lacunes dans les curriculum vitæ à l’aide de mégadonnées analysées par IA en Afrique, ce qui a permis de trouver des points d’action importants pour faire évoluer les formations universitaires et gagner en pertinence dans la vie professionnelle.

La startup Solita s’est appuyée sur son expertise en orthopédie et en IA pour développer avec Coxa Hospital for Joint Replacement le premier logiciel médical CE évaluant les risques d’une chirurgie articulaire pour un patient spécifique. Parallèlement, Silo AI a collaboré d’une part avec Philips pour le développement d’une solution de vision par ordinateur pour l’analyse des images IRM et d’autre part avec IDS, filiale d’Allianz, pour améliorer les flux de travail financiers, la prévisibilité et l’évaluation des risques.

Dans un secteur totalement différent, la startup Fourkind a créé en coopération avec la distillerie de whisky suédoise Mackmyra le premier whisky au monde entièrement développé par apprentissage automatique.

Focus sur deux start-ups

Awake.AI

La startup Awake.AI, créée en octobre 2018 et co-fondée par Karno Tenovuo, propose des solutions et des plateformes de données collaboratives et ouvertes pour faciliter la création d’écosystèmes pour les ports intelligents et l’évolution de la navigation autonome, augmenter l’efficacité opérationnelle et créer de nouveaux services numériques pour tous les acteurs de l’écosystème portuaire.

Partant du constat que plus de 90 % des exportations finlandaises transitent par les ports, Awake.AI s’est développée pour proposer le port intelligent et la plateforme d’expédition autonome les plus fiables au monde et un orchestrateur d’écosystème mondial d’ici 2025.

Silo AI

Silo AI, présenté comme étant le plus grand laboratoire privé de solutions d’IA des pays nordiques, s’est spécialisé dans la création d’une IA centrée sur l’humain en tant que service et cherchant à accélérer la coopération homme-machine pour l’intelligence collective.

L’origine de Silo AI remonte à la crise financière mondiale de 2009 lorsque Peter Sarlin (P.-D.G.) et son groupe de recherche ont conçu une solution d’IA permettant de préserver la stabilité financière de la Banque centrale européenne. En 2017, Tero Ojanperä, Ville Hulkko, Kaj-Mikael Björk, Juha Hulkko et Johan Kronberg se sont unis à Peter Sarlin pour former Silo AI.

Avec ses quelque 90 experts en IA, 50 doctorants et 100 projets en IA, le laboratoire a déployé ses solutions en Finlande et se développe à l’international en proposant une expertise et des outils de pointe, en particulier de vision par ordinateur, de traitement du langage naturel et d’apprentissage automatique.

Avec son projet Growth Engine, l’entreprise cherche à développer un écosystème rassemblant des experts en IA et des partenaires technologiques pour générer de nouvelles opportunités commerciales et mettre en avant l’expertise finlandaise, notamment sur les marchés internationaux.

Trois questions à Outi Keski-Äijö

Responsable du programme AI Business au sein de Business Finland

Quels secteurs de l’économie finlandaise pourraient bénéficier le plus des technologies basées sur l’IA ?

Notre stratégie étant d’être un leader mondial dans l’application de l’IA, nous visons une large adoption de l’IA à la fois dans les secteurs privé et public. Bien entendu, nos secteurs d’exportation sont les plus importants : les TIC, les machines intelligentes, les technologies propres (cleantech), les technologies de la santé et le transport maritime.
Les TIC et les technologies de la santé sont actuellement les domaines les plus avancés car plus de données sont disponibles. De nouveaux secteurs tels que celui des véhicules autonomes font également leur apparition.

La coopération entre le monde académique et l’entreprise semble particulièrement forte en Finlande, comme se traduit-elle concrètement ?

Nous avons une longue tradition de coopération étroite entre les universitaires et les entreprises en Finlande. Nous promouvons également cette coopération par le biais de nos instruments de financement de Business Finland. En outre, nous avons encouragé les universités à créer des centres d’IA afin de transférer efficacement les connaissances et les résultats de la recherche sur l’IA aux entreprises. Ces centres proposent aux entreprises des formations, des ateliers et des conseils en IA. De plus, de nombreux chercheurs en IA se lancent dans les affaires, en particulier en fondant de nouvelles startups.

Quelle est la dernière entreprise ou projet finlandais d’IA qui vous a personnellement étonné ?

J’en citerai deux : le résultat significatif d’un projet de recherche de la FCAI et une entreprise finlandaise de technologie de la santé qui a réussi à combiner l’IA avec d’autres résultats de recherche. Twinify est l’une des réussites de la FCAI. Les chercheurs ont développé une méthode basée sur l’apprentissage automatique qui crée un jumeau de données synthétiques d’un ensemble de données d’origine en conservant toutes les propriétés statistiques de l’ensemble de données d’origine. Cela permet le partage de données sans compromettre la confidentialité. Ceci est particulièrement important dans la recherche en santé, et il peut être appliqué à tous les secteurs.
Deep Sensing Algorithms est une société finlandaise qui a développé grâce à l’IA un dispositif de poche d’analyse de l’haleine pour participer à la lutte contre le Covid-19. Destiné à sa détection par les professionnels de santé et en particulier aux dépistages rapides pour de grandes foules, il est capable de tester une personne toutes les deux minutes.

Les entreprises évoluent rapidement à mesure que l’intelligence artificielle (IA) passe de simples projets pilotes à une mise en œuvre à plus grande échelle. Ce déploiement plus large de l’IA transforme les industries, stimule l’innovation et améliore l’efficacité opérationnelle dans les différentes activités de l’entreprise.

L’importance de la mise à l’échelle l’IA

Le passage des PoC (démonstrations de faisabilité) à l’application de l’IA à grande échelle est un moment charnière pour les entreprises. Alors que les premiers projets mettent en évidence un certain potentiel sans parvenir à produire un impact significatif, l’IA déployée à l’échelle de l’entreprise améliore quant à elle considérablement l’efficacité, la prise de décision et constitue un véritable avantage concurrentiel. Prenons l’exemple d’un retailer européen spécialisé dans la vente de produits électroniques : il peut s’appuyer sur l’IA pour prédire les taux de conversions des acheteurs en ligne et déclencher des interventions et actions adaptées lors de leur navigation. Autre exemple : un média européen peut utiliser l’IA pour évaluer le sentiment des lecteurs en se basant sur les commentaires et les critiques afin d’améliorer les futurs articles.

Cependant, selon le rapport “Global AI Adoption Index”, les entreprises européennes sont réticentes concernant l’adoption de l’IA pour des raisons de réglementation et de sécurité. La Cour des comptes européenne a confirmé que les investissements de l’UE dans l’IA étaient inférieurs à ceux des leaders mondiaux. Pour remédier à cette situation, l’UE a proposé un règlement européen sur l’IA (EU AI Act), qui impose des utilisations spécifiques de l’IA, réduit les charges administratives et financières et confie la responsabilité de la conformité aux fournisseurs de solutions d’IA, étant donné que de nombreuses entreprises ne disposent pas de l’expertise nécessaire en matière d’IA.
L’AI Innovation Package et le Coordinated Plan on AI visent également à stimuler l’investissement dans l’IA au sein de l’Union Européenne.
Comme les entreprises en Europe estiment que l’adoption des technologies d’IA à grande échelle est de plus en plus lucrative, elles espèrent tirer des bénéfices significatifs en termes d’efficacité interne et d’innovation sans courir de grand risque réglementaire.

Efficacité interne, innovation et succès

Autre avantage du déploiement à grande l’échelle de l’IA : il améliore l’efficacité interne en automatisant les tâches à faible risque, ce qui permet de se concentrer davantage sur les activités stratégiques. Par exemple, l’IA peut gérer les demandes d’un Service clients, la logistique complexe de la chaîne d’approvisionnement ou encore l’évaluation du risque de crédit. Prenons l’exemple d’une grande banque européenne : elle utilise l’IA pour analyser les dossiers des clients et effectuer des évaluations du risque de crédit, et ce même dans les langages dits à faibles ressources (langages disposant de peu de données numériques). Les conseillers bancaires conservent bien entendu le pouvoir de décision, la solution d’IA jouant le simple rôle d’assistant.

La mise à l’échelle de l’IA favorise aussi l’innovation, permet d’identifier des données clefs et de prendre des décisions plus pertinentes. Dans le domaine des biens de consommation, l’IA peut stimuler l’engagement en ligne en analysant les termes de recherche et les descriptions de produits par rapport à la concurrence sur des places de marché tierces. Elle permet de mettre en évidence les caractéristiques principales des produits et les mots clés appropriés dans leurs descriptions. Ces informations sont également utilisées pour le Développement produit.

Exemples de passage à l’échelle réussis

Pour comprendre la valeur ajoutée de l’IA à grande échelle, il faut analyser son déploiement et son impact au sein des différentes fonctions et services de l’entreprise :

• Service client
  Le centre d’appel d’une grande banque européenne utilise une solution d’IA pour aider les agents dans leurs missions en leur suggérant des solutions, en réacheminant les appels, en prédisant les intentions et en recommandant des éléments de langage. Intégrée à l’application du centre d’appel, la solution réduit la complexité de gestion du changement et a permis d’améliorer le taux de satisfaction des clients et de réduire la perte de clients.
• Ressources humaines
  L’utilisation de l’IA générative dans le domaine des ressources humaines comporte des risques car cette technologie peut diffuser les biais cognitifs inhérents aux méthodes de sélection. Toutefois, ces risques sont atténués grâce à des garde-fous qui évitent les flux de données PII au point d’entrée (en écartant le code postal, le nom, le sexe par exemple), et au masquage de style par le biais de résumés de candidatures plutôt que par la soumission de textes originaux. La suppression des biais et l’amélioration de la précision conduisent à une utilisation à grande échelle plus sûre.
• Gestion de la chaîne d’approvisionnement
  Une grande entreprise européenne de produits de grande consommation déploie un système alimenté par l’IA qui gère de manière autonome les prévisions de demande. Il regroupe automatiquement les produits en unités de prévision de demande (DFU), sélectionne les algorithmes optimaux, s’autocorrige en tenant compte des erreurs récentes et explique les variations exceptionnelles des prévisions pour plus de 20 000 combinaisons de magasin et de codes UGS, le tout sans personnalisation manuelle.
• Marketing
  Le site web est souvent considéré comme la vitrine numérique d’une marque. Les grandes enseignes de l’habillement tirent ainsi parti de l’IA pour rationaliser leur site web en élaborant du contenu à partir de diverses sources de données, telles que la base de données produits, les informations sur les fournisseurs, les PDF/PPT et les bibliothèques d’actifs numériques marketing, réduisant ainsi les délais de création de contenu. Ce contenu généré par l’IA réduit les délais de création et fait l’objet d’une révision et d’une approbation humaine avant toute publication.

Surmonter les obstacles

Si les avantages de l’IA déployée à l’échelle sont évidents, les entreprises doivent néanmoins relever plusieurs défis :

• Considérations éthiques
  Les systèmes d’IA doivent être conçus et déployés de manière éthique afin d’éviter les biais et garantir l’équité, comme dans le cas des ressources humaines. La loi européenne sur l’IA (EU AI Act) aidera les entreprises à adopter cette technologie de manière éthique en leur fournissant un cadre réglementaire.
• Infrastructure technologique
  Les entreprises doivent investir dans la technologie nécessaire pour répondre aux exigences des applications d’IA à grande échelle. L’IA responsable n’est pas seulement une question de réglementation, elle est aussi une question de budget. S’il est possible de générer du contenu marketing automatiquement, cette pratique n’est pas toujours conseillée.
• Gestion du changement
  La mise en place de stratégies efficaces de gestion du changement est cruciale pour assurer une transition fluide et obtenir l’adhésion des employés. Lorsqu’un agent de centre d’appel reçoit des instructions d’un outil d’IA et non plus d’un moteur de règles traditionnel, les réactions négatives sont réduites.

La révolution induite par le passage à l’échelle de l’IA est bien plus qu’une avancée technologique, il s’agit d’un impératif stratégique pour les organisations. L’IA responsable implique des dépenses, concerne les collaborateurs et doit prendre en considération les réglementations.

Cet article a été par Ludovic Denoyer. Il est chercheur scientifique au FAIR, se concentrant principalement sur divers problèmes d’apprentissage automatique, en particulier sur l’apprentissage par renforcement et l’interaction homme-machine. Il était auparavant professeur à Sorbonne Universités.

Rendre plus simple la programmation d’algorithmes d’apprentissage par renforcement à l’aide des principes de l’apprentissage supervisé : la librairie « RLStructures ».

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

 

L’un des facteurs-clés du succès de l’apprentissage profond (deep learning) est la facilité avec laquelle ce paradigme permet de mettre en application de nouvelles idées et de les expérimenter concrètement sur de volumineux jeux de données. Nous avons en effet assisté à l’émergence conjointe d’avancées déterminantes du côté hardware, avec la mise à disposition de processeurs graphiques (GPUs) à bas coût particulièrement adaptés aux calculs vectoriels et matriciels, ainsi que du côté software, à travers la création de multiples librairies d’autodifférenciation (Theano, Torch, puis TensorFlow, PyTorch, Jax, etc.), permettant de faciliter grandement la programmation d’algorithmes d’apprentissage statistique.

Ainsi, il est désormais possible d’implémenter en quelques heures ce qui pouvait prendre des semaines quelques années auparavant. L’explosion récente du deep learning est au moins autant liée à ces progrès d’infrastructures hardware et software qu’aux progrès conceptuels ou algorithmiques.

Cependant, le deep learning s’attaque principalement à des problématiques d’apprentissage à partir de jeux de données. D’autres cadres d’apprentissage ne sont pas au même point de maturité et ne disposent pas d’outils équivalents. C’est le cas de l’apprentissage par renforcement dont l’objectif est d’acquérir un comportement à partir d’interactions avec un environnement. Popularisé ces dernières années à travers les résultats obtenus sur des problèmes symboliques de l’intelligence artificielle tel que le jeu de go ou les échecs, son cadre est très prometteur car il permet de modéliser des systèmes en interaction (avec d’autres systèmes, des utilisateurs, etc.).
En effet, de nombreuses applications nécessitent des systèmes permettant non pas de faire une prédiction sur une donnée, mais de produire des séquences cohérentes d’actions qui, ensemble, vont permettre d’aboutir à une solution. Ainsi, les algorithmes d’apprentissage par renforcement sont cruciaux dans des applications telles que la robotique, la recommandation, la conception de chatbots, la voiture autonome, etc. Ce domaine reste néanmoins aujourd’hui difficile à aborder, particulièrement dans ses aspects expérimentaux. Si les infrastructures hardware (multiples CPUs et GPUs) sont aujourd’hui souvent disponibles, les infrastructures logicielles sont quant à elles peu matures : l’appren-tissage par renforcement n’a pas encore fait sa révolution.
L’un des enjeux du domaine actuellement est d’extraire des principes-clés de programmation des algorithmes de renforcement sur lesquels il serait possible de bâtir des librairies aussi simples et efficaces que celles dont nous disposons en deep learning. Cela permettrait de démocratiser ce domaine encore trop confidentiel et donc d’y accélérer massivement la recherche et l’utilisation pratique d’algorithmes, ouvrant le champ des possibles de l’IA à des applications bien plus complexes que celles traitées actuellement.

Les librairies de deep learning

Les algorithmes d’apprentissage à partir de données reposent sur quatre composants principaux : 1. un jeu de données. 2. un modèle de prédiction. 3. une fonction de coût permettant de mesurer la qualité du modèle de prédiction, et 4. un algorithme d’optimisation dont l’objectif est de définir (d’apprendre) le meilleur modèle, c’est-à-dire celui dont le coût de prédiction est le plus faible.

Pendant très longtemps, la difficulté de mise en œuvre expérimentale ou en production de ces modèles venait du fait que chaque nouvelle idée avait une incidence sur plusieurs de ces composants, nécessitant un travail d’adaptation fastidieux et coûteux. Le deep learning a démocratisé l’utilisation d’une famille particulière de modèles très expressive, les réseaux de neurones, associés à un algorithme d’optimisation précis, la descente de gradient, permettant d’automatiser de grandes parties de ce processus.

Figure 1 : Exemple d’implémentation d’algorithmes de deep learning (à la’ PyTorch). Les quatre composants décrits apparaissent explicitement, et le programmeur implémente différentes idées en modifiant l’architecture du modèle (fonction ‘build_my_neural_ network’) ou la fonction de coût (fonction ‘my_loss_function’). La librairie de deep learning automatise i) le calcul du gradient (compute_gradient) et ii) la lecture des données (DataLoader).

Construites autour de composants logiciels permettant de faire de la différenciation automatique, les librairies actuelles de deep learning permettent de simplifier grandement les composants 2., 3. et 4. décrits précédemment. Concrètement, le programmeur n’a plus qu’à définir une architecture de modèle, une fonction de coût appropriée à son application, la librairie prendra en charge le reste, permettant l’apprentissage aussi bien sur CPU que sur GPU, voire sur plusieurs GPUs simultanément. Enfin, les librairies proposent aussi des composants logiciels souvent peu mis en avant mais essentiels : les data-loaders.

Ces composants permettent l’ingestion par les algorithmes d’apprentissage de volumineux jeux de données à haute vitesse grâce à la parallélisation de la lecture des données et leur agrégation (batching) automatique, et ce de façon complètement transparente pour le programmeur. Cet exemple de code permettant l’apprentissage d’un modèle en figure 1 nous montre que quelques lignes suffisent pour être en mesure d’implémenter un modèle et de l’apprendre sur de grandes quantités de données.

Les difficultés de l’apprentissage par renforcement

En comparaison de l’apprentissage supervisé classique, l’apprentissage par renforcement revêt de nombreuses difficultés.

1) La première d’entre elles est celle dite du credit assignment, c’est-à-dire la détection (et le renforcement) des actions déterminantes pour l’obtention d’une grande récompense. En effet, l’agent doit effectuer de multiples actions, et réussir à ‘comprendre’ parmi elles quelles sont les bonnes et quelles sont les mauvaises, alors même que les conséquences de ces actions ne pourront être observées que bien plus tard dans la vie de l’agent.

2) La seconde difficulté est celle dite du dilemme exploration/exploitation : afin de pouvoir trouver des comportement efficaces, un agent doit explorer l’environnement dans lequel il s’exécute. Mais, afin d’éviter une exploration inefficace ou trop coûteuse en termes de temps, il est aussi important pour l’agent d’exploiter l’information collectée afin de se focaliser sur des comportements ‘prometteurs’.

3) Enfin un troisième problème fréquemment rencontré est celui de l’observation partielle de l’environnement : l’agent observe à l’instant t une information uniquement partielle qui ne lui permet pas de se ‘localiser’ facilement dans l’environnement (prenons l’exemple d’un robot face à un mur blanc, qui n’observe donc qu’une image blanche et ignore de ce fait où il se trouve précisément).

Ces trois problèmes fondamentaux qui différencient l’apprentissage par renforcement de l’apprentissage supervisé classique font actuellement l’objet de multiples directions de recherche.

Figure 2 : Apprentissage supervisé (PyTorch) et apprentissage par renforcement en RLStructures

L’apprentissage par renforcement

L’apprentissage par renforcement est un cadre d’apprentissage différent de l’apprentissage à partir de données, modélisant l’interaction d’un agent avec un environnement (figure 2). À chaque itération, l’agent observe l’environnement et doit choisir quelle action effectuer. Après la mise en œuvre de son action, il reçoit une récompense immédiate. L’objectif de l’apprentissage est de trouver le meilleur agent, c’est-à-dire celui qui va recevoir le plus grand nombre de récompenses cumulées durant un épisode d’interaction. Contrairement à l’apprentissage supervisé classique, la complexité du problème vient du fait que les prédictions (les actions) faites par le modèle peuvent avoir des conséquences plus tard dans la ‘vie’ de l’agent, rendant la compréhension d’une action à entreprendre, et à quel moment, très difficile.

Ainsi décrit, ce cadre semble très différent du cadre de deep learning présenté précédemment. Les abstractions proposées dans les librairies de deep learning classiques ne sont pas appropriées et ne peuvent être utilisées facilement pour implémenter des algorithmes d’apprentissage par renforcement. Si nous observons les librairies d’apprentissage par renforcement disponibles actuellement, nous constatons que la plupart d’entre elles visent naturellement à abstraire les concepts spécifiques du domaine (environnement, politique, agent), leur utilisation nécessite donc un prix d’entrée important. Par exemple, l’algorithme d’apprentissage est souvent inclus dans l’agent lui-même, rendant l’apprentissage et l’acquisition de données interdépendants, ou bien les structures de données sont spécifiques à certains types de problèmes et ne peuvent être utilisées dans des cadres plus hétérogènes d’apprentissage par renforcement.

Cependant, à y regarder de plus près, le cadre de l’apprentissage par renforcement présente de multiples similitudes avec l’apprentissage à partir de données. Tout comme en deep learning, un algorithme d’apprentissage par renforcement nécessité :

a) des données, traces d’interaction entre des agents et des environnements et produites ici aussi à grande vitesse ;

b) un modèle de prédiction correspondant à un agent décideur d’actions à effectuer en fonction des observations.

Enfin, la grande majorité des algorithmes existants peuvent être exprimés à travers une fonction de coût (composant c) calculé sur des traces d’interactions, et optimisé par descente de gradient (composant d). Peut-on alors programmer les algorithmes d’apprentissage par renforcement de manière similaire à ceux du deep learning, facilitant par là même leur compréhension ? Quelles en sont les différences ?

La première différence provient de la nature des données traitées. Là où le deep learning représente les données considérées comme indépendantes les unes des autres, l’apprentissage par renforcement traite des trajectoires, c’est-à-dire des séquences temporelles de données complexes (observations, actions, récompenses, etc.). Il est donc nécessaire de pouvoir décrire ce type de données facilement.

La deuxième différence se situe dans la nature du modèle de prédiction : là ou le deep learning produit une prédiction à partir d’une donnée unique, un agent produit une action à partir d’un historique d’interactions, c’est-à-dire à partir des observations et actions rencontrées tout au long d’un épisode. Un modèle doit donc avoir accès à son histoire, aux observations et actions produites précédemment.

Enfin, la troisième différence provient du processus d’acquisition des données : là où les librairies de deep learning classiques proposent des data loaders permettant le chargement rapide de grands jeux de données, il est nécessaire en apprentissage par renforcement de pouvoir échantillonner rapidement des traces d’interactions entre plusieurs politiques et plusieurs environnements à grande vitesse.

Ce processus d’échantillonnage est certainement la partie la plus coûteuse en termes de développement pour un programmeur qui initie un nouveau projet en apprentissage par renforcement, car il implique de pouvoir simuler les interactions entre des agents et des environnements, tout en capturant les informations nécessaires à la mise à jour des agents par apprentissage.

La librairie RLStructures

La librairie RLStructures vise à faciliter le passage de l’idée à l’expérimentation le plus efficacement possible. Elle propose une solution aux trois problèmes identifiés précédemment, et permet d’implémenter des algorithmes aussi facilement qu’en deep learning, reprenant les principes des librairies classiques (PyTorch dans notre cas) en les étendant au cas de l’apprentissage par renforcement.

Figure 3 : Exemple d’implémentation d’algorithme d’apprentissage par renforcement
(‘à la’ RLStructures). Les 4 composants apparaissent explicitement, la librairie de deep
learning prenant en charge le calcul du gradient, et RLStructures (Batcher) prenant en
charge l’acquisition de données par des agents sur des environnements.

Le schéma reste très similaire à la boucle d’apprentissage de la figure 1, permettant une
familiarisation aisée.

Conformément à cette description, elle est fondée sur trois composants génériques :

a) elle étend les tenseurs et fournit une structure de données simple et flexible permettant de modéliser des informations complexes (e.g. actions structurées, observations complexes, etc.) ;

b) elle propose une abstraction permettant d’implémenter des agents, notamment à l’aide de réseaux de neurones ;

c) elle fournit un unique composant d’échantillonnage permettant l’acquisition de traces d’interactions entre de multiples agents et environnements à haute vitesse (plusieurs CPUs et GPUs simultanément), à travers la parallélisation sur plusieurs processus.

Assemblés, ces composants simples permettent l’écriture d’algorithmes d’apprentissage par renforcement de manière très similaire à la méthode utilisée en deep learning classique (cf. figure 3).

Se familiariser avec cette librairie et l’utiliser pour implémenter de nouvelles idées devient facile, y compris dans des cadres moins conventionnels tels que l’apprentissage par renforcement non supervisé, les politiques hiérarchiques, l’apprentissage de populations de politiques, etc.

La librairie propose par ailleurs des exemples concrets d’implémentation d’algorithmes du domaine, permettant à un utilisateur de les modifier facilement à son gré, ainsi que des exemples d’utilisation de la librairie dans des cadres moins conventionnels.

Pour de plus amples informations, nous fournissons des tutoriaux et de multiples exemples d’algorithmes.
Ludovic Denoyer est professeur à Sorbonne Université où il a longtemps dirigé le master DAC (Données, Apprentissage, Connaissances) axé sur le deep learning. Aujourd’hui détaché de l’université, il est research scientist au sein de Facebook artificial intelligence research (FAIR) et concentre sa recherche sur l’apprentissage par renforcement.

Les fonctionnalités de RLStructures

RLStructures est une librairie dont la principale caractéristique est de permettre à un programmeur d’implémenter des agents facilement, d’exécuter de multiples agents sur de multiples environnements en parallèle, et de récupérer les traces d’interactions facilitant la mise en place de nouveaux algorithmes.

Plus particulièrement, RLStructures permet :

• d’exécuter les agents et environnements sur plusieurs CPUs ou GPUs ;
• d’exécuter les agents de manière synchrone ou asynchrone, l’acquisition étant alors effectuée en tâche de fond, sans bloquer l’exécution du programme principal ;
• d’accéder à l’ensemble de l’épisode à chaque instant, afin par exemple de permettre l’implémentation de politiques basées sur des architectures de type transformers.

Par ailleurs, RLStructures fournit des fonctions de replay permettant de re-exécuter un agent sur des trajectoires précédemment acquises dans l’objectif de faciliter l’implémentation d’algorithmes dits off-policy.

Conclusion

Le deep learning et l’apprentissage par renforcement, souvent identifiés comme deux domaines distincts, partagent plus de similitudes qu’il n’y paraît. L’apprentissage par renforcement, plus complexe que l’apprentissage ‘classique’, est un domaine aujourd’hui suffisamment mature pour que nous puissions en extraire des principes-clés permettant de faciliter l’implémentation effective d’algorithmes nouveaux. RLStructures est une première tentative dans cette direction.

Elle permet dès à présent un gain de temps non négligeable durant le développement et peut être utilisée comme accélérateur de recherche. Elle peut aussi être envisagée comme cadre d’enseignement de l’apprentissage par renforcement.

Nous sommes impatients de voir comment elle évoluera dans les mois à venir, avec l’aide de la communauté.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Frédéric Bardolle, à la tête de l’incubateur numérique du ministère des Armées, considère que « la qualité des intervenants est incroyable, et les sujets évoqués sont très variés et toujours passionnants. »

Mehdi Benhabri, haut fonctionnaire spécialiste des questions scientifiques et technologiques, résume sa participation en ces termes : « Le Paris Machine Learning est rapidement devenu l’un des plus grands rassemblements de France sur les thématiques de l’intelligence artificielle en général et du machine learning en particulier. Le dynamisme de ses animateurs a permis de mobiliser des compétences de haut niveau dans un cadre original et peu formel afin d’échanger de manière libre et approfondie, sans les rigidités et les contraintes du monde académique. »

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

 

Une identité et une charte

Au cours des réunions suivantes, nous peaufinons les valeurs de notre groupe et esquissons notre charte. À savoir une structure plate, sans cooptation. Son but est de donner aux membres le point de vue des chercheurs les plus prometteurs du domaine, d’éviter les discours de vendeurs de solutions techniques, de couper les pitchs et les présentations éclair à la mode dans les startups numériques. Mais également de filtrer et de rejeter sans ambiguïté les tentatives d’exploitation douteuses des algorithmes, parmi lesquelles : les algorithmes de détection d’orientation sexuelle, la recherche des traits du visage caractéristiques des criminels, ou encore la façon de dessiner un visage à partir de la voix.

L’Eurovision du machine learning chez Google

Un an plus tard, forts de nos mille premiers membres, Google nous ouvre les portes de son immense salle de conférence parisienne et met toute son infrastructure à disposition pour une soirée. Le défi ? Retransmettre les interventions des spécialistes IA en direct à Paris, Londres, Berlin et Zurich.
Le point d’orgue de la soirée est Andrew Ng, cofondateur de Google Brain, professeur à Stanford et star mondial de l’IA. Son credo ? « L’IA est une nouvelle électricité. Elle s’immisce dans tous les objets comme l’électricité l’a fait au début du siècle. »

Après cette première saison, le ton est donné. S’enchaînent au fil des sept saisons différents formats et déclinaisons, présentations à distance avec des chercheurs à l’autre bout du monde, hackathons, concours de code et hors-série thématiques : data journalism par le responsable data du New York Times, attaques adverses, finance algorithmique, automatic machine learning, robotique et IA, calcul haute performance.

Andrew Ng, professeur à Stanford, cofondateur de Google Brain (division de recherche fondamentale IA de Google) a très largement contribué à populariser les méthodes et les techniques de l’intelligence artificielle, particulièrement à travers son célèbre cours en ligne Coursera, passage obligé pour tous les codeurs d’IA.

Partage d’expertise

Cas d’usage d’entreprises et algorithmes data

En France et dans le monde, des communautés d’experts data et IA se constituent. Toulouse, Marseille, Nantes. Amsterdam, Stockholm, New York, Boston, San Francisco. Aucune ville n’est en reste. Pour quelle raison ? Parce que l’accélération prodigieuse du rythme d’apparition de technologies déstabilisantes provoque un besoin de formation et une soif de compréhension immédiate, peu en adéquation avec le rythme des formations longues.

En effet, ce que désirent les ingénieurs, les programmeurs et les entrepreneurs est de comprendre immédiatement ce qui est en train de se jouer et qui chamboule l’économie. Comment appliquer les algorithmes à leur métier ?
Quant à l’offre d’expertise, elle est tout aussi abondante.

Facteur H, l’humain dans la boucle

Au-delà d’une soif de connaissances techniques, le plaisir des rencontres informelles et du réseautage est un élément important. Gautier Marti, un Français spécialiste des algorithmes machine learning travaillant à Abou Dabi pour un fonds souverain nous confiait que « les rencontres du Paris Machine Learning sont une source de veille technologique. Elles permettent de découvrir de nouveaux outils et de confronter ses idées à la réalité ou à l’expérience d’autres experts. »

Lors de ces rencontres, des fondateurs d’entreprise se sont rencontrés et ont créé leur entreprise. Nicolas Gaude, cofondateur de la startup Prevision.io, fait part de son expérience en ces termes : « Ce fut pour moi un vrai déclic. Avec l’aide de Franck Bardol, d’Igor Carron et les conseils des experts présents, j’ai pu vraiment progresser techniquement et donner corps à mon projet. »

Jacques-Henri Gagnon, directeur adjoint des services culturels et chef des relations universitaires à l’ambassade du Canada à Paris, ajoute : « Le Paris Machine Learning m’a donné accès à ce large réseau et a aussi été le point de départ d’échanges franco-canadiens ce qui, dans mon sec-teur d’activité, est le cœur de métier. » Le groupe a fait office de facilitateur pour nombre de ses membres, des ingénieurs y ont été recrutés, des sociétés ont initié des partenariats et des rachats.

Pour conclure, cette phrase de Théodore Levitt, le père fondateur du marketing s’adressant à ses étudiants, résume bien l’esprit de cette communauté : « Le client ne veut pas une mèche de perceuse. Il veut un trou dans le mur. »

Jürgen Schmidhuber, découvreur des LSTM au début des années 2000, a rendu cet apprentissage possible grâce à des données temporelles, ordonnées et horodatées. Ses réseaux récurrents temporels LSTM analysent désormais les données de capteurs des chaînes de production d’usines et permettent de prédire les valeurs futures. On lui doit le traitement efficace des motifs temporels à l’aide de réseaux de neurones spécialisés. Il était revenu sur la genèse de sa découverte dans une réunion et avait partagé les voies d’amélioration de ses méthodes. L’avenir lui a donné raison. Depuis lors, les architectures transformers ont révolutionné la traduction automatique et tout le traitement du langage par des algorithmes.

Gaël Varoquaux, Alexandre Gramfort et Olivier Grisel : ce trio d’ingénieurs et scientifiques français est la tête pensante de la librairie machine learning la plus utilisée au monde, dont les statistiques sont impressionnantes.

C’est la seconde librairie la plus téléchargée au monde derrière la célèbre TensorFlow de Google, avec 700 000 utilisateurs et 42 millions de visites sur le site internet. Son nom ? Scikit-learn. Tous les codeurs du machine learning ne jurent que par elle. Son mérite est de mettre à disposition de n’importe quel programmeur des millions de lignes de code optimisées, pensées et calibrées par les plus grands spécialistes de l’ingénierie. Son prix ? Inestimable. Elle est gratuite et en open source. Elle représente la plus grande réussite de démocratisation du machine learning.

De nombreuses années en arrière, ces trois chercheurs étaient venus initier les membres du Paris Machine Learning au fonctionnement de leur outil Scikit-learn dès la première réunion.

Alexandre Gramfort nous confiait que « cela a été pour moi une belle opportunité de présenter ma recherche. » Depuis, Alexandre, Gaël et Olivier ont été récompensés par le prix Inria – Académie des sciences.

François Chollet, malgré son jeune âge, est une star de l’IA. Et pour cause, ce Français, chercheur chez Google Brain, a écrit la librairie de deep learning nommée Keras. L’avantage de cette librairie est de simplifier et masquer la complexité du deep learning. Le même esprit que Scikit-learn en somme. La reconnaissance ne s’est pas fait attendre. Désormais, Keras est livrée par Google en même temps que les autres programmes deep learning de cette société. Nous l’avions reçu dans une réunion hors-série qui lui était consacrée. François Chollet est également l’auteur d’un ouvrage de référence sur le deep learning. Jacqueline Forien a traduit cet ouvrage en français¹ et poursuit ainsi la démocratisation des algorithmes IA.

Yoshua Bengio, un des co-découvreurs du deep learning, avait évoqué dans une réunion les difficultés d’apprentissage ainsi que les solutions envisagées.
À cette période, le deep learning était encore balbutiant. Ce n’est désormais plus le cas et nous le devons en grande partie à ses travaux.
Les algorithmes de ces découvreurs fonctionnent au quotidien et inspirent les logiciels IA d’entreprises. Leur passage par le Paris Machine Learning a été une source profonde d’inspiration.

Les algorithmes d’apprentissage ont révolutionné des pans entiers de l’ingénierie et rendu possible ce qui tenait jusqu’alors du domaine du rêve des ingénieurs.

La robotique dans tous ses états

La robotique figure en bonne position dans ce chamboulement. Pierre Sermanet, jeune chercheur français dans le groupe robotique de Google² y avait consacré plusieurs conférences. « Mes recherches explorent l’intersection du langage³ et du jeu et mobilisent de multiples mécanismes pour l’apprentissage robotique ». Interrogé sur l’avenir de sa discipline, il répond : « Les avancées récentes autour de l’apprentissage sur des données massives de langage non labellisées (notamment les modèles GPT d’OpenAI) sont impressionnantes et prometteuses, le même type d’approche appliquée à la vidéo et à la robotique me paraît très prometteur ».

Le coup de force du deep learning

S’il est un domaine qui a connu une véritable révolution, c’est bien l’analyse d’images.
Impossible de ne pas évoquer l’apport du machine learning dans l’analyse et la compréhension des images. Le point de bascule a lieu au moment de la fondation du Paris Machine Learning. Grâce à sa nouvelle méthode de réseaux de convolution, Geoffrey Hinton réalise un tour de force dans la compétition ImageNet. Il écrase les méthodes traditionnelles d’analyse d’images et y impose les techniques de deep learning comme nouveau standard.

Dominique Cardon, directeur du Médialab de Sciences Po et auteur d’un des ouvrages de référence⁴ sur le sujet, était venu nous en faire un récit épique au cours de la centième réunion du groupe tenue dans les locaux inspirants de la startup Scaleway. Voici quelques morceaux choisis de son récit publié depuis dans un article intitulé La revanche des neurones⁵.
« L’épisode est en passe de devenir légendaire dans l’histoire de l’informatique ». Un chercheur interrogé par Dominique Cardon se souvient : « En 2012, Hinton débarque dans la compétition ImageNet et crée un véritable séisme !

Il ne connaît rien au domaine de la vision par ordinateur et il embauche deux petits gars pour tout faire sauter !
À l’époque, les ingénieurs de computer vision s’excitent sur ImageNet depuis deux ou trois ans. Le meilleur d’entre eux était à 27 % d’erreurs. Hinton, lui, marque dix points à tout le monde ! Ce jeune geek arrive et annonce le résultat devant une salle bondée. Un ado qui ne comprend rien à ce domaine, enfermé dans ses algorithmes !
Tous les grands manitous du computer vision essaient de réagir : En fait c’est pas possible, ça va pas marcher… Au final, les mecs étaient tous abasourdis parce que grosso modo cela foutait en l’air dix ans d’intelligence, de tuning et de sophistication. »
Ce récit savoureux nous fait vivre de l’intérieur la révolution initiée par les algorithmes d’apprentissage. Les méthodes d’expertise manuelle fine sont balayées par la science “à la Google” qui allie big data et algorithmes IA.

Du laboratoire à la startup

Depuis, les ingénieurs et docteurs en IA ont transformé ces algorithmes encore balbutiants en produits finis redoutables d’efficacité. Des exemples ? LightOn, startup technologique cofondée par Igor Carron, révolutionne l’informatique grâce à sa puce optique. Le résultat ? Des calculs à la vitesse de la lumière et une empreinte énergétique minime grâce à sa technologie de rupture. Le meilleur des mondes en somme.

Meero, une autre pépite technologique, automatise la retouche photo grâce à ses algorithmes AI entraînés sur des millions de photographies.
Jean-François Goudou, son directeur R&D nous avait décrit l’algorithme machine learning de restauration et d’amélioration automatique d’images lors d’une réunion au siège de Samsung. « Les premiers retours clients sont très très positifs. » nous confia-t-il.

Tony Pinville, fondateur, aux côtés de Charles Ollion, de Heuritech, une startup spécialiste de ces mêmes algorithmes IA d’analyse d’images, avait ouvert pour nous le capot de ses algorithmes. Il nous confie : « Le meetup Paris Machine Learning a été un mouvement précurseur de l’IA que Heuritech a eu la chance de rejoindre au tout début. », et ajoute : « Pour notre part, nous utilisons une technologie de reconnaissance visuelle qui analyse chaque jour plusieurs millions d’images de consommateurs et d’influenceurs sur les réseaux sociaux et les traduit en informations riches et pertinentes pour les marques de mode et de luxe.

Pour mieux créer leurs collections, ces marques ont besoin d’informations sur la prévision de tendances et de ventes. Heuritech souhaite combiner ces deux types de prédictions pour mieux les accompagner. » Depuis, la récompense est venue naturellement. Heuritech a reçu le prix LVMH de l’innovation des mains de Bernard Arnault.

Déplacement de l’expertise

Malgré ces succès et avancées spectaculaires, la fabrication des programmes de machine learning demeure artisanale et reste une affaire de spécialistes et d’experts. Les data scientists procèdent le plus souvent par tâtonnements et essais-erreurs lorsqu’ils élaborent un algorithme de machine learning.

C’est à ce déplacement de l’expertise auquel nous assistons depuis dix ans. Auparavant, le cœur de la création de valeur dans les entreprises était la production de règles métiers par les experts. Désormais, ces règles émergent des données grâce aux algorithmes auto-apprenants.

L’expertise des ingénieurs IA qui les conçoivent consiste à choisir l’algorithme le plus approprié pour un jeu de données particulier, puis à l’étalonner et à le dimensionner à la bonne puissance. Pour les entreprises qui mobilisent des technologies IA, la sélection d’algorithmes et d’architectures matérielles et logicielles s’est substituée à la conception des règles métiers traditionnelles.

Les programmes d’IA proposent une mécanisation de l’intuition et de la connaissance métier de l’expert humain. Nous en sommes au premier stade. Un courant de recherche visant à automatiser tout ou partie de la chaîne de fabrication des programmes d’IA s’est mis en place. Il s’agit du second stade, celui qui consiste à « automatiser l’automatisation ». En effet, en induisant la production automatique des règles par un programme d’ordinateur, le machine learning représente une automatisation de la pensée d’experts. Cette voie se nomme AutoML, pour Automatic Machine Learning.

L’AutoML, futur du machine learning ?

Le Paris Machine Learning a participé à l’organisation de concours et de hackathons AutoML. Ce fut le cas du concours RAMP du Paris-Saclay Center for Data dirigé par Balázs Kégl, intervenant lors d’une rencontre consacrée à l’apport du machine learning pour la physique théorique au laboratoire européen du Cern, la data au service des particules atomiques. Ou encore du concours ChaLearn organisé par Isabelle Guyon et du défi européen See.4C assorti d’un prix de deux millions d’euros pour les gagnants. Le laboratoire d’innovation ouverte La Paillasse hébergeait ces rencontres grâce au soutien énergique d’un de ces dirigeants, Sébastien Treguer.

Isabelle Guyon confie que le Paris Machine Learning « a facilité l’organisation de hackathons et la diffusion des challenges en machine learning. »

L’histoire ne s’arrête pas là. « La série de challenges AutoML a permis la création d’Auto-Sklearn⁶ ». En ce qui concerne le deep learning, « la série de challenges AutoDL a abouti à un self-service de deep learning automatisé. »
Pour nous, l’AutoML constitue un axe de développement majeur pour les années à venir. Tous les acteurs importants sont désormais entrés dans la course. Parmi les avancées récentes, citons les méthodes Neural Architecture Search (NAS), en particulier Neural Network Intelligence (NNI) de Microsoft, ou encore Evolved Transformer de Google.

Dans un futur proche, l’expertise technique du data scientist ne sera donc plus nécessaire pour construire des programmes auto-apprenants. Le programme de recherche intitulé Automatic statistician et conduit par Zoubin Ghahramani de l’université de Cambridge, en collaboration avec le MIT, illustre parfaitement cette vision. Ghahramani nous en avait partagé les méthodes et les enjeux.

À terme, seule sera nécessaire une équipe restreinte de data scientists chargés d’améliorer les procédés automatiques de découvertes de règles. Tous les autres redeviendront des programmeurs traditionnels. Ils fourniront des données d’entraînement et obtiendront en retour, sans aucune expertise en la matière, le meilleur programme IA imaginable.

Parmi ceux qui mettent au point ce type de service automatisé de haut niveau, Nicolas Gaude, précédemment cité, nous décrit son activité en ces termes : « Mon métier consiste avant tout à démocratiser l’usage de l’A en apportant aux entreprises à la fois les innovations techniques et la capacité de les mettre en production. Ce qui nous préoccupe, et de loin, est de rendre accessible et opérable le machine learning sur le long terme. »

Quand les algorithmes deviennent un sujet de société

Les algorithmes de machine learning interprètent le monde avec un filtre statistique afin de nous guider dans nos choix.

Ce faisant, ils agissent sur la société et en transforment les pratiques et les usages. Ainsi, lorsqu’un algorithme de GPS suggère aux automobilistes pressés un itinéraire secondaire moins encombré, il peut créer simultanément un problème d’aménagement du territoire, l’itinéraire secondaire n’étant pas dimensionné, par nature, à subir cette augmentation de trafic. De plus, les nuisances sonores et la pollution engendrées par ce dernier touchent les riverains. L’algorithme crée donc également un problème de santé publique.

Dominique Cardon résumait ces points en 2017 lors d’une conférence consacrée aux biais des algorithmes à l’institut Henri Poincaré. Selon lui, « les algorithmes deviennent un sujet de société. » Ajoutons qu’ils deviennent un sujet politique. Un exemple frappant ? Le Zimbabwe a vendu une base de données contenant les visages de ses citoyens à la Chine.

Son but ? Entraîner les algorithmes de reconnaissance faciale sur des visages noirs. En échange de cette masse de données, le Zimbabwe sera bientôt équipé de caméras à reconnaissance faciale dernier cri…
Lors de cette conférence, Cédric Villani proposait une réflexion sur l’apport des algorithmes prédictifs dans l’entreprise. Il notait avec pertinence que les algorithmes devaient au préalable être acceptés avant d’être utilisés. En effet, un algorithme sans accompagnement ne sert à rien, un travail doit être effectué en amont. Cédric Villani nous rapportait une expérience réussie au cours de laquelle des salariés valident les décisions du programme IA et gardent ainsi la main sur la machine. Dans le cas contraire ? Il n’est pas rare de voir les salariés entrer en lutte “souterraine” contre ces programmes en les nourrissant, par exemple, de fausses données.

En somme, c’est l’illustration du fossé qui sépare l’IA capacitante de l’IA substitutive. Pour l’une, il s’agit de remplacer le salarié, pour l’autre il s’agit de le renforcer.

Franck Bardol pour sa part prolongeait cette réflexion autour de l’IA de confiance et précisait les points-clés de transparence et de loyauté des algorithmes. Depuis, ces thèmes émergent dans l’actualité du secteur et sont devenus un sujet d’inquiétude.
Pour Pierre Saurel, professeur associé à la Sorbonne, intervenant dans cette conférence, le domaine de l’éducation est également concerné par cette transformation numérique. De plus, les biais algorithmiques y sont tout aussi présents. Il ajoute que « L’analyse de ces biais est un point particulièrement important. Elle permet d’accompagner les enseignants pour identifier, par exemple, des spécificités dans les documents qu’ils peuvent utiliser en classe. »

Dans les coulisses de la conférence NeurIPS

Les grandes conférences scientifiques internationales sont des opportunités d’échanges intenses pour la communauté, mais aussi de moments, qui comme des œuvres d’art, sont révélateurs de tendances fortes.

Le Paris Machine Learning s’est associé avec la conférence NeurIPS afin de mettre à l’honneur quelques-uns des chercheurs francophones sélectionnés pour cette grand-messe. La forme ? Un panel quotidien de cinq intervenants durant la semaine de conférence. Des présentations éclair dans des visioconférences de dix minutes. Du concentré d’état de l’art. Ce qui émerge de cette sélection de chercheurs ? Beaucoup d’efforts consacrés à l’amélioration des méthodes d’apprentissage mais aussi des tentatives d’explorer des pistes totalement inédites.

Les neurosciences et l’explicabilité des algorithmes figurent aussi en bonne place. En somme, une dense semaine de mathématiques et d’algorithmique de haut niveau par des chercheurs de l’INRIA, l’École normale, Telecom Paris, Criteo, Google Brain et Facebook. Mais aussi venant des startups technologiques les plus avancées en recherche, parmi lesquelles LightOn, Hugging Face et Prophesee.

Des groupes de data scientists de Strasbourg, Timisoara en Roumanie et du Cameroun participaient également à cette semaine de mise en valeur de la recherche francophone. Robert Maria, organisateur du groupe de Strasbourg et de Timisoara, ainsi qu’Alain Nkongweni, organisateur du groupe du Cameroun, ont rejoint Jacqueline Forien et Claude Falguière dans l’organisation. Jacqueline est par ailleurs Meetup Chair à NeurIPS.

L’IA en lutte contre la Covid-19

Dès les premiers signes de la pandémie de Covid-19, la recherche scientifique s’est mobilisée. Le machine learning fait partie de l’arsenal mis en œuvre. C’était pour nous une évidence qui s’est traduite par une série d’interventions exclusives sur ce thème durant l’année 2020.

La recherche d’un remède définitif contre la Covid-19 complète la politique sanitaire du Tester – Alerter – Protéger. Chacun de ces éléments est décliné à base de machine learning, depuis les applications de traçage aux tests en masse, en passant par le suivi personnalisé de centaines de milliers de patients, la prévision du nombre de cas, l’estimation de la dangerosité du virus (le fameux R0) ou encore l’équilibre confinement – détection des cas, sans oublier la conception de molécules médicamenteuses.

Ces différents aspects ont été évoqués par Lenka Zdeborová, professeur à l’EPFL, Maximilien Levesque, fondateur de la startup Aqemia, Alexandre Gramfort de l’INRIA, Dror Baron de l’université de North Carolina et Arthur Charpentier de l’UQAM.

Avant de conclure, rappelons des points fondamentaux. Un algorithme ne remplace pas une infirmière. Un robot désinfectant ne se substitue pas à un accueil des patients à l’hôpital. Une application de traçage ne protège de rien. Aucune technique, méthode ou algorithme ne peut se substituer à l’action politique. Franck Bardol avait insisté sur ce point dans une intervention lors de la sortie de l’application de traçage nommée Stop Covid. Tous les éléments pour un fiasco étaient réunis. On connaît la suite. L’IA n’est pas de la magie qui résout tout. Aucune personne sérieuse n’y croit plus. Evgeny Morozov et son ouvrage de référence sur le techno-solutionnisme est passé par là et a balayé ce mythe.

Quel message retenir du Paris Machine Learning ?

Pour conclure, prêtons-nous à un exercice de synthèse difficile. Tentons de prendre du recul sur plusieurs centaines d’heures de prises de parole.

En premier lieu, ce qui frappe est la vitesse d’adoption des algorithmes IA. Yann LeCun, précurseur du domaine, relevait ce point dans sa leçon inaugurale du Collège de France consacrée aux algorithmes IA. Les ingénieurs ont adopté les méthodes du deep learning à une vitesse stupéfiante. Le décalage du cycle innovation-production n’existe pour ainsi dire plus !

Les avancées spectaculaires du deep learning en ce qui concerne le traitement des images et du langage ont très fortement facilité l’adoption du machine learning dans le tissu économique et dans les entreprises.

Au-delà de l’efficacité pure des algorithmes, d’autres préoccupations émergent. Notamment pour tout ce qui concerne le fonctionnement de ces algorithmes. Quelles sont les ressources nécessaires en données, en énergie, en matériel informatique pour entraîner ces algorithmes ? Hormis ces questions liées à la parcimonie des algorithmes, les mathématiciens s’interrogent toujours : « Pourquoi ces algorithmes fonctionnent-ils aussi bien ? » La recette est désormais connue de tous et a fait ses preuves mais la question de pourquoi elle fonctionne si bien reste entière.

Parallèlement à ces enjeux de recherche pure, le grand public, les ingénieurs, les décideurs politiques s’inquiètent du retentissement considérable de ces algorithmes sur nos sociétés. Les data scientists qui en écrivent le code informatique ne peuvent désormais plus se contenter d’être de purs techniciens, pour reprendre les termes de Cathy O’Neil, célèbre mathématicienne data scientist. Les algorithmes sont devenus un objet politique, l’éthique n’est plus une option mais un devoir.

1. François Chollet, L’apprentissage profond avec Python, éditions Machinelearning.fr
2. http://g.co/robotics
3. https://language-play.github.io
4. Cardon Dominique, À quoi rêvent les algorithmes. Nos vies à l’heure des big data, éditions du Seuil, collection « La République des idées », 2015.
5. Cardon Dominique, Cointet Jean-Philippe, Mazières Antoine, « La revanche des neurones. L’invention des machines inductives et la controverse de l’intelligence artificielle », Réseaux, 2018/5 (n° 211), p. 173-220. DOI : 10.3917/res.211.0173.
6. Service de machine learning automatisé

Site internet du groupe : http://parismlgroup.org/
Archives du Paris Machine Learning : https://nuit-blanche.blogspot.com/p/paris-based-meetups-on-machine-lear-ning.html
Lien vers l’inscription : https://www.meetup.com/fr-FR/Paris-Machine-learning-applications-group/

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Docteur en informatique à l’UPMC (Sorbonne Université) et habilitée à diriger les recherches, le parcours professionnel de Marie-Aude Aufaure est jalonné d’expériences multiples en entreprise, dans le secteur académique et en entrepreneuriat. Elle commence sa carrière dans le secteur des télécommunications, puis rejoint l’enseignement supérieur et la recherche dans différents établissements, dont CentraleSupelec, où elle est titulaire d’une chaire sur la Business Intelligence, et l’INRIA.

Passionnée de technologies, elle se lance dans l’entrepreneuriat et fonde Datarvest en 2016, jeune entreprise innovante spécialisée dans l’exploitation et la valorisation des données – big data et intelligence artificielle. Ses domaines d’intervention couvrent le développement d’algorithmes innovants, le conseil aux entreprises et la formation. Elle a conçu et piloté la formation certifiante « Big data pour l’entreprise numérique » pour CentraleSupe-lec Exed.

Poursuivant sa volonté d’entreprendre, elle cofonde en 2019 SyncData Partners, cabinet de conseil en stratégie et innovation data. Elle est membre actif du Hub France IA et du think tank « la villa numéris ».

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

Vous êtes spécialisée dans les graphes, quel est l’éventail de leurs usages possibles, et identifiez-vous des usages émergents ?

Durant la dernière décennie passée dans des laboratoires de recherche, je me suis intéressée à la construction automatique d’ontologies et à la modélisation et l’analyse de graphes complexes, convaincue du potentiel de ces technologies pour les entreprises. Datarvest (Data Harvesting) a été créée dans l’idée de croiser et d’analyser des masses de données hétérogènes et de proposer une solution d’analyse de données complexes intégrant un algorithme de clustering agnostique des données. Celui-ci permettrait d’extraire des classes en une seule passe à partir de tout type de données, numériques, catégorielles, sous forme de graphes ou de séries temporelles, définies par des intervalles de valeurs, etc.
Les graphes permettent de représenter les liens entre différentes entités, et les applications potentielles sont nombreuses. Citons les usages suivants, qui ne sont pas exhaustifs :

• la détection de comportements anormaux appliqués à la détection de fraudes, la lutte anti-blanchiment, la cybersécurité ou encore le renseignement ;
• l’analyse de graphes pour les ressources humaines pour identifier des talents, constituer des équipes cohésives ou encore prédire des évolutions de parcours de carrière et recommander des formations ;
• la santé et la sécurité, en étudiant par exemple les interactions sociales dans le contexte de la crise sanitaire ;
• la mobilité pour de l’aide à la décision ;
• la supply chain pour propager des informations et alertes à l’ensemble de la chaîne de production.

Parmi les usages émergents, outre ceux présentés ci-dessus, les graphes peuvent être utiles pour gérer la gouvernance des données, une problématique majeure actuellement dans les entreprises : le data lineage peut être modélisé à l’aide d’un graphe permettant de tracer les données et de propager des modifications, les graphes de connaissances peuvent être utilisés pour représenter le modèle de données de l’entreprise et il est possible de prédire des liens. L’analyse de l’usage et des interactions clients se prête également très bien à ce type de représentation.

Vous venez de renforcer votre pôle R&D. Quels sont vos objectifs ?

La vocation de Datarvest est de développer des technologies de pointe intégrant les résultats récents issus du monde de la recherche, en concevant et mettant en œuvre des méthodes et algorithmes innovants en collaboration avec le monde académique.
Les travaux de R&D initiés depuis la création de l’entreprise ont donné des résultats prometteurs, applicables à de nombreux usages, et il était naturel de renforcer notre R&D. Un jeune docteur spécialisé dans les graphes, Mehdi Djellabi, a été recruté en mars dernier. Ses travaux ont porté sur des mesures d’interactions locales dans des graphes complexes, et une extension de ces travaux, prenant en compte des éléments de contenu comme des pondérations de relations, peut compléter la solution de Datarvest.
Par ailleurs, notre solution peut harmonieusement être combinée avec des algorithmes de machine learning ou de deep learning existants, pour faire de la prédiction de liens ou de nœuds, ou de manière plus classique en intégrant les résultats analytiques comme données d’apprentissage. Le renforcement du pôle R&D permet d’ouvrir un champ des usages potentiels conséquent et de rester à l’état de l’art.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

À l’instar de l’Intelligence humaine qui revêt plusieurs aspects et différentes formes, l’Intelligence Artificielle a expérimenté de nombreuses approches pour la simuler. Ainsi, du perceptron au dernier algorithme de Google (Switch-C) en passant par les systèmes experts et la programmation par contraintes, l’imagination des chercheurs a exploité, au fil du temps, toute la puissance des outils et les combinaisons les plus complexes pour approcher au mieux la perception et le raisonnement des humains. Cependant, schématiquement, toutes ces technologies peuvent se classer en deux grandes catégories : L’Intelligence Artificielle Numérique et l’Intelligence Artificielle Symbolique. ActuIA vous propose de découvrir ce que recouvrent ces deux approches et, parce que le monde est complexe et non binaire, suggère une perspective de rapprochement entre elles pour une IA encore plus efficace, plus compréhensible et plus conforme à son modèle humain.

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

L’Intelligence Artificielle numérique : Apprendre des données du monde

Article rédigé par Françoise Soulié, conseiller scientifique du Hub France IA

L’Intelligence Artificielle numérique, dont les méthodes connexionnistes font partie, ne s’appelait pas du tout IA à l’origine ! Cette appellation était réservée à l’IA symbolique. Comment s’est-elle retrouvée affublée de ce nom d’« IA » ?

L’IA connexionniste a pour source l’idée que l’intelligence de la machine devrait s’inspirer de l’intelligence humaine. C’est d’abord la cybernétique : Wiener trouve l’inspiration des machines dans le système nerveux, il est rejoint au MIT par Pitts, qui travaille avec McCulloch pour réaliser une machine de Turing avec un réseau de neurones. Leur article¹ contient le modèle du neurone artificiel encore utilisé aujourd’hui dans les réseaux de neurones artificiels et autres modèles de deep learning. Puis Rosenblatt propose le perceptron², un réseau de neurones capable d’apprentissage et qui bénéficie d’une énorme publicité. Mais l’ouvrage de Minsky et Papert³ montre bientôt les limitations du perceptron qui ne peut pas résoudre des problèmes (complexes ?) comme la connectivité des spirales imbriquées de la couverture des ré-éditions de 1987 et 2017 du livre. Mais comme, de plus, aucune application industrielle du perceptron n’émerge, les financements se tarissent et le premier hiver des méthodes connexionnistes s’installe.

Premier rebond

À partir du début des années 1980, le travail sur les réseaux connexionnistes repart. Les chercheurs du domaine se retrouvent lors de la conférence NIPS (créée en 1987, devenue NeurIPS en 2018⁴) avec son prequel à Snowbird, des conférences d’INNS et ENNS (International / European Neural Network Societies) et aussi de plusieurs conférences OTAN en France. De nombreuses équipes, partout dans le monde, avancent en parallèle.

Aux États-Unis, David Rumelhart (Parallel Distributed Processing group à San Diego) publie l’article fondateur sur la rétro-propagation⁵ que Yann Le Cun avait également développé dans sa thèse en France en 1987⁶. Larry Jackel crée une équipe aux Bell labs avec Le Cun, Bengio, Bottou, Vapnik. Ils exploitent l’algorithme de rétro-propagation du gradient et commencent à travailler sur les réseaux multi-couches convolutionnels (Time
Delay Neural Networks, à l’époque). Ils proposent en 1989⁷ un réseau à trois couches cachées de filtres convolutionnels pour la reconnaissance de caractères. Geoffrey Hinton, à Carnegie Mellon, puis à l’université de Toronto, est sans doute l’un des plus prolifiques contributeurs à l’IA connexionniste : il a travaillé sur les réseaux de neurones, les machines de Boltzmann, les réseaux deep belief, les réseaux convolutionnels… Yoshua Bengio, à l’université de Montréal, se spécialise dans les réseaux convolutionnels, les graph transformer networks⁸ (le modèle de lecture automatique des codes postaux décrit sera déployé à l’U.S. Postal Service et traitera environ 10 % des chèques aux États-Unis au début des années 2000). D’autres équipes en France ont travaillé sur ces sujets. L’équipe de Françoise Soulié-Fogelman et Patrick Gallinari (d’où sont issus Le Cun et Bottou), a travaillé sur des modèles de réseaux convolutionnels (avec 3 à 5 couches de filtres convolutionnels) pour la reconnaissance de la parole (Bottou⁹) ou de visages (Viennet¹⁰) par exemple.

Ces nouvelles techniques sont testées sur les premières applications (lecture de chèques, compréhension de la parole, identification de visages…) et les résultats sont comparables ou supérieurs aux meilleures techniques conventionnelles de l’époque : les limites du perceptron sont complètement dépassées grâce à l’introduction des couches cachées des réseaux multi-couches. Mais des limites apparaissent rapidement : les ensembles de données sont de tailles très limitées et difficiles à assembler, par ailleurs les temps de calcul sur les machines existantes explosent ; l’industrialisation ne démarre pas. Et, à partir de 1995, sans soutien de l’industrie, c’est le deuxième hiver des méthodes connexionnistes.

2012, le tournant

Dans les quinze années qui suivent, l’IA Numérique va se développer fortement, avec des applications nombreuses dans l’industrie (banque, télécommunications, distribution notamment) et une ouverture de la statistique classique à ces méthodes.

Progressivement, cette branche de l’IA est alors considérée comme équivalente au terme Machine Learning. Les manuels de Vapnik¹¹ , Friedman, Hastie, Tibshirani¹² posent les bases théoriques du Machine Learning et dans un article¹³ retentissant de 2001, Leo Breiman, l’inventeur des arbres de décision, des forêts aléatoires et des techniques de bagging, incite les statisticiens à s’intéresser au Machine Learning. D’autres techniques sont développées : logique floue, algorithmes génétiques… Au Canada, le Cifar (Canadian Institute For Advanced Research) finance un programme « Calcul neuronal et perception adaptative » qui permet au trio Le Cun (NYU), Hinton (Toronto) et Bengio (Montréal) de maintenir l’activité sur les réseaux de neurones. Cependant, durant ces quinze ans, trois événements vont complètement changer la donne : d’abord, le web et les mobiles suscitent la révolution du big data, les volumes des données et leur variété explosent ; ensuite, les performances des moyens de calcul – dont les GPU, et les moyens de stockage, croissent exponentiellement ; enfin, en 2012, se produit l’événement qui va lancer la « révolution de l’IA ».

Chaque année a lieu la compétition de référence en vision artificielle, Image-Net Large Scale Visual Recognition Challenge (ILSVRC). Jusqu’en 2011 les meilleures performances obtenues ont un taux d’erreur de classification top-5 de 25 %. D’une année sur l’autre les taux d’erreur baissent d’1 ou 2 %. Mais le 30 septembre 2012, le réseau de convolution AlexNet¹⁴ gagne la compétition avec un taux d’erreur de 15,3 %, un gain de 10,8 % par rapport au second. Et pourtant aucun des auteurs (Hinton avec ses étudiants) n’est un spécialiste de vision artificielle ! AlexNet est un modèle très lourd, dont toutes les techniques utilisées sont pourtant bien connues à l’époque, mais combinées avec une maîtrise technologique remarquable. Les années suivantes, tous les candidats à ILSVRC utiliseront des réseaux convolutionnels et les taux d’erreur continueront de descendre jusqu’à atteindre quelques % (mieux que l’être humain). Fin 2012, Hinton publie avec Microsoft Research, Google et IBM Research un article de synthèse¹⁵ établissant la supériorité pour la reconnaissance de la parole des réseaux convolutionnels profonds i.e. avec beaucoup de couches, et apprentissage ou deep learning.

Il y a donc bien un avant et un après-2012 : le monde entier se lance alors dans la « révolution de l’IA » et c’est le printemps de l’IA connexionniste. Le trio Hinton, Le Cun et Bengio publie un article¹⁶ dans Nature où ils décrivent en 9 petites pages (dont 2 de références) les techniques qui ont battu les meilleurs spécialistes mondiaux en vision et en parole. En 2019, le trio reçoit le prix Turing, le Nobel de l’informatique, doté de 1M$. Leur ouvrage¹⁷ devient la bible du domaine.

Près de dix ans après, les techniques de l’IA numérique (dont l’IA connexionniste) ont de multiples applications industrielles et font même parfois mieux que les humains. Aujourd’hui le terme IA se réfère généralement à ces techniques. On trouve des algorithmes d’IA dans tous les systèmes de perception (reconnaissance d’objets pour le véhicule autonome, de visages pour le comptage des foules ou l’identification de personnes en Chine, d’images médicales ou satellite ; reconnaissance de la parole avec les chatbots ou les assistants personnels – Apple Siri, Amazon Alexa, OK Google ; l’analyse de textes – NLP avec les algorithmes de transformers – BERT et successeurs) ; dans de nombreuses applications marketing ou service client (campagnes ; recommandations de produits, octroi de crédit, détection de fraudes…) ; les jeux où les techniques d’IA ont battu les champions humains (pour le jeu de go par exemple, où DeepMind¹⁸ utilise deep learning et reinforcement learning, avec l’IA qui joue contre elle-même) ; pour des applications en droit (analyse de contrats juridiques, prévision de récidive par exemple) ; l’industrie (maintenance prédictive, fonctions d’assistance au conducteur pour les automobiles) ; la génération automatique d’images ou vidéos pour les media (deep fakes), voire la création d’œuvres d’art ou de théories scientifiques, etc.

Les futurs enjeux ne sont pas (que) techniques

L’essor des applications industrielles de l’IA semble donc sans limite. Pourtant de nombreuses questions restent posées, dont celles-ci, pour ne citer que les principales : si l’IA est meilleure que l’humain dans certaines tâches, elle n’a aucune compréhension de la tâche et est incapable de passer d’une tâche à une autre, pourtant très voisine (on dit que l’IA est « étroite ») et encore moins de résoudre n’importe quelle tâche (l’IA dite « générale »), ce que les humains font couramment. De plus, l’IA apprend à partir des données qui lui sont fournies : si ces données sont « biaisées », l’IA en résultant le sera également (une application¹⁹ de reconnaissance du sexe à partir de photos contenant beaucoup d’hommes blancs fait 1 % d’erreurs sur les hommes blancs et 35 % sur les femmes à peau sombre).

L’éthique de l’IA est donc un problème très significatif. Ou encore, l’IA ne peut pas toujours « expliquer » ses résultats, ce qui peut nuire à la confiance de l’utilisateur ou poser problème si on veut auditer l’application. Puis, les fakes, créés par des GAN (Generative Adversarial Networks : deux réseaux profonds entraînés l’un contre l’autre) peuvent causer de réels problèmes quant à la véracité des sources, un sujet épineux pour les media ou la sécurité (robustesse et cybersécurité). Enfin, Minsky et Papert avaient déjà discuté de la difficulté à comprendre pourquoi l’IA fonctionne : les grands systèmes récents avec des milliards de paramètres (175 pour le récent modèle de langage GPT-3) deviennent quasiment impossibles à analyser. Il faut donc davantage de résultats théoriques et sans doute encore beaucoup de travail pour apporter la réponse à la simple question posée par Léon Bottou dans le prologue à la réédition de 1988 de Perceptrons : “Are there inherent incompatibilities between those connectionist and symbolic views ?”

1. Warren McCulloch and Walter Pitts. A Logical Calculus of Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics vol.5, pp. 115–133. 1943.
2. Frank Rosenblatt. Principles of neurodynamics. perceptrons and the theory of brain mechanisms. Cornell Aeronautical Lab Inc Buffalo NY, 1961.
3. Marvin Minsky, Seymour Papert. Perceptrons. Cambridge, MA : MIT Press. 1969.
4. https://proceedings.neurips.cc//
5. David E. Rumelhart, Geoffrey E. Hinton, Ronald J. Williams. Learning representations by back-propagating errors. Nature 323.6088 : pp. 533-536. 1986.
6. Yann Le Cun : Modèles connexionnistes de l’apprentissage. Thèse. Juin 1987.
7. Yann LeCun, Bernhard Boser, John S. Denker, Donnie Henderson, Richard E. Howard, Wayne Hubbard, Lawrence D. Jackel. Backpropagation applied to handwritten zip code recognition.Neural Computation 1, no. 4 : pp. 541-551. 1989.
8. Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner. Gradient-based learning applied to document recognition. Proceedings of the IEEE 86, no. 11 : pp. 2278-2324. 1998.
9. Léon Bottou, Françoise Fogelman-Soulié, Pascal Blanchet, Jean-Sylvain Lienard. Experiments with time delay networks and dynamic time warping for speaker independent isolated digits recognition, Proceedings of Eurospeech-1989, Paris, France, pp. 2537-2540. 1989.
10. Emmanuel Viennet, Françoise Fogelman-Soulié. Connectionist methods for human face processing, In “Face Recognition : from theory to applications”, H. Weschler, J. Phillips , F. Fogelman-Soulié and T.S. Huang, eds. NATO ASI Series F, Computer and Systems Sciences, Vol. 163, Springer-Verlag, 124-156. 1998
11. Vladimir Vapnik. The nature of statistical learning theory. Springer science &amp ; business media, 2013.
12. Jerome Friedman, Trevor Hastie, Robert Tibshirani. The elements of statistical learning. Vol. 1, no. 10. New York : Springer series in statistics, 2001. https://web.stanford.edu/~hastie/Papers/ESLII.pdf
13. Leo Breiman. Statistical modeling : The two cultures (with comments and a rejoinder by the author). Statistical science 16, no. 3 : pp. 199-231. 2001.
14. Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton. Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems 25 : pp. 1097-1105. 2012.
15. Geoffrey Hinton, Li Deng, Dong Yu, George E. Dahl, Abdel-rahman Mohamed, Navdeep Jaitly, Andrew Senior et al. Deep neural networks for acoustic modeling in speech recognition : The shared views of four research groups. IEEE Signal processing magazine 29, no.6 : pp. 82-97. 2012.
16. Yann LeCun, Yoshua Bengio, Geoffrey E. Hinton. Deep Learning. Nature, Vol. 521, pp 436-444. 2015.
17. Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. MIT Press. 2016.
18. Silver, David, Julian Schrittwieser, Karen Simonyan, Ioannis Antonoglou, Aja Huang, Arthur Guez, Thomas Hubert et al. &quot ;Mastering the game of go without human knowledge.&quot ; nature 550, no. 7676 : pp. 354-359. 2017.
19. Joy Buolamwini, Gebru Timnit. Gender shades : Intersectional accuracy disparities in commercial gender classification. Conference on Fairness, Accountability, and Transparency. Proceedings of Machine Learning Research 81 : 1-15, pp. 77-91, 2018

L’Intelligence Artificielle symbolique : Utiliser l’abstraction du raisonnement

Article rédigé par Juliette Mattioli, docteur en mathématiques appliquées, Senior Expert Thales, Laurent Cervoni, docteur en sciences appliquées, directeur recherche Talan, Francis Rousseaux, docteur en informatique, recteur adjoint de l’université Galatasaray

Toutes les « branches » de l’intelligence artificielle (IA) ont pour même ambition de modéliser le raisonnement humain. Dans le domaine de l’intelligence artificielle symbolique, ce sont la capacité d’abstraction de l’être humain et l’utilisation de concepts, les relations entre des objets et les corrélations entre des situations qui sont privilégiées.

Plus discrète que l’intelligence artificielle connexionniste incarnée par l’apprentissage automatique avec l’apprentissage profond, l’IA symbolique aujourd’hui souvent appelée “GOFAI” pour Good Old Fashion AI reste active et adaptée à toute une catégorie de problèmes. En outre, elle peut venir compléter ou s’appuyer sur l’IA Numérique comme l’explique l’article Réconcilier les intelligences dans ce numéro. Nicholas Asher, chercheur CNRS à l’Institut de recherche en informatique de Toulouse (IRIT) et directeur scientifique du projet ANITI, définit cette branche comme une discipline qui « utilise le raisonnement formel et la logique ; c’est une approche cartésienne de l’intelligence, où les connaissances sont encodées à partir d’axiomes desquels on déduit des conséquences. La prédiction doit être juste même si l’on ne dispose pas de données exhaustives». Ce paradigme exploite la manipulation de connaissances sous formes de symboles et de propositions logiques couplée à un mécanisme d’inférence imitant le raisonnement humain dans la résolution de problèmes complexes, comme notamment les problèmes d’optimisation combinatoire, de planification, de décision multicritères. Sa force réside donc dans sa représentation des connaissances et dans son raisonnement par la logique donnant lieu dès le début des années 1970 aux systèmes experts¹ ou aux systèmes à base de connaissances. L’industrie financière utilise aussi la technologie CEP (Complex Event Processing) à base de règles spatio-temporelles dans les systèmes de trading.

Représenter les connaissances

Reposant sur l’idée que « l’intelligence est surtout liée à la connaissance plus qu’à un problème de raisonnement », Edward Feigenbaum, père du premier système expert DENDRAL définit en 1977 l’ingénierie des connaissances (IC) (Knowledge Engineering) comme « l’art d’acquérir, de modéliser et de représenter la connaissance en vue de son utilisation par un ordinateur ». Pour cela, on peut s’appuyer sur :

• Des représentations logiques construites selon une syntaxe précise. Ainsi, une base de connaissances est un ensemble de formules décrivant le domaine sur lequel s’appliquent des règles de raisonnement, comme dans le langage PROLOG².
• Des réseaux sémantiques, des graphes conceptuels³ bénéficiant de mécanismes de raisonnement induits par les opérations de graphes comme l’homomorphisme de graphes.
• Des ontologies qui constituent en soi un modèle de données représentatif d’un ensemble de concepts dans un domaine, ainsi que des relations entre ces concepts.

Les ontologies sont aujourd’hui utilisées pour modéliser et partager un ensemble de connaissances dans un domaine donné, comme par exemple dans le web sémantique ou en génie logiciel. L’inférence, ou le raisonnement, repose sur des opérations de déduction à partir d’informations implicites. Ainsi, ce mécanisme permet de créer des liens entre les informations afin d’en tirer une assertion, une conclusion ou une hypothèse. Par exemple, l’inférence bayésienne est un raisonnement permettant de déduire la probabilité de survenance ou non d’un événement. On distingue cependant trois catégories d’inférence, basées sur la manière dont les problèmes sont résolus :

• les moteurs dits à « chaînage avant » qui partent des faits et règles de la base de connaissances et tentent de s’approcher des faits recherchés par le problème. Les règles sont utilisées dans le sens conditions vers conclusion ;
• les moteurs dits à « chaînage arrière » qui partent des faits recherchés par le problème et tentent par l’intermédiaire des règles, de remonter à des faits connus. Les règles sont utilisées dans le sens conclusion vers conditions ;
• les moteurs dits à « chaînage mixte » qui utilisent une combinaison de ces deux approches chaînage avant et chaînage arrière.

Les méthodes de raisonnement par cas (Case-based Reasoning), introduites au début des années 1980 par Roger Schank reposent sur « l’idée » que l’on raisonne parfois en utilisant des analogies. Ces approches connaissent un regain car elles ont le bon goût d’être plus facilement explicables. Enfin, il faut noter que l’apprentissage machine s’est développé aussi dès les années 1980. Afin d’opérer des généralisations/particularisations de concepts, les systèmes symboliques apprentis combinent des stratégies de :

• détection de similarités ;
• recherche d’analogies ;
• extraction d’explications.

À la frontière entre programmation mathématique et IA, la programmation par contraintes (PPC) est apparue à la fin des années 1980, pour la résolution de problèmes combinatoires complexes tels que les problèmes de planification, d’ordonnancement et d’allocation de ressources. Cette technologie repose sur le paradigme de séparation de la modélisation du problème avec sa résolution. Eugene Freuder dit : « En informatique, de toutes les approches en programmation, la programmation par contraintes se rapproche le plus de l’idéal : l’utilisateur décrit le problème, l’ordinateur le résout. ».

La modélisation du problème peut inclure la connaissance métier et se fait par le biais d’un ensemble de relations logiques : les contraintes. Des mécanismes de propagation des contraintes dans un arbre de branchement permettent la réduction du domaine de décisions. Le solveur de contraintes calcule alors une solution en instanciant chacune des variables à une valeur satisfaisant simultanément toutes les contraintes. Aujourd’hui, de nombreuses applications de la PPC sont déployées, comme dans la grande distribution qui optimise depuis longtemps sa logistique et sa gestion des stocks. Parmi les outils actuellement disponibles en programmation par contraintes, citons OPL et CPLEX d’IBM (issu du rachat d’ILOG), au sein de Python la librairie Python-Constraint (qui offre la gestion de contraintes basiques sur les domaines finis), SWI-PRolog (Prolog Open Source enrichi d’un module de gestion de contraintes) ou encore OR-Tools de Google.

Terrains de jeux de l’IA symbolique

Outre les cas déjà évoqués, l’IA symbolique est souvent utilisée pour concevoir des systèmes d’aide à la décision. En effet, un problème de décision consiste en un choix, ou un classement, entre plusieurs hypothèses mutuellement exclusives résultant d’un processus tenant compte des connaissances que l’on a sur l’état du monde, des préférences et/ou de l’objectif à atteindre. Ces connaissances peuvent être empreintes d’incertitude et les préférences sont par nature nuancées. Un outil simple pouvant être mis en œuvre est alors l’arbre de décision, qui représente un ensemble de choix sous la forme graphique d’un arbre. Les différentes alternatives sont alors les feuilles de l’arbre et sont atteintes en fonction de décisions prises à chaque étape. Cependant, la définition et l’utilisation d’un ou plusieurs critères de sélection sont nécessaires. Contrairement à la situation monocritère qui peut être résolue assez facilement, la décision multicritères nécessite des méthodes plus élaborées. Parmi les techniques utilisées, citons la méthode du What-if ou l’agrégation multicritères. Cette dernière consiste à évaluer globalement les différents candidats ou solutions proposées, à partir de la fusion des appréciations partielles. Reposant sur ce type d’approche, la startup américaine Psibernetix est devenue célèbre en 2016 pour avoir développé une IA à base d’arbres de décision, de logique floue et d’algorithmes génétiques (Genetic Fuzzy Tree) qui a régulièrement battu, lors de simulations de combats aériens, les pilotes les plus chevronnés.

Perspectives

Aptes à fournir des explications intelligibles, à développer des connaissances et à apprendre (machine learning symbolique), les systèmes conçus via l’IA symbolique s’insèrent très bien dans l’épistémologie scientifique traditionnelle car les théories sous-jacentes sont réfutables et interprétables. En revanche, ils pâtissent du fait que les représentations humaines se laissent rarement formaliser sans réductions et sans biais, et qu’elles tendent à évoluer rapidement. La théorie des systèmes d’IA symbolique semblait si naturelle aux scientifiques qu’ils n’ont pas vraiment eu à l’expliciter pour la déployer. C’est pourquoi les mises en garde et les critiques n’ont pas été entendues, et c’est aussi pourquoi les explications sont toujours venues bien après les réalisations de systèmes. Ainsi, pour David Sadek, VP Recherche Technologies et Innovation chez Thales « l’IA connexioniste est l’IA des sens, et l’IA symbolique est celle du sens ». C’est pourquoi, pour couvrir l’ensemble des capacités cognitives, l’avenir est dans l’hybridation de ces deux paradigmes de l’IA souvent mis en opposition. En effet, la principale difficulté de l’approche symbolique est la modélisation des connaissances, là où l’apprentissage peut servir à identifier des modèles présents dans les données. De plus, l’IA symbolique offre des capacités de raisonnement nécessaire pour expliquer, de façon intelligible pour l’usager, les raisons des décisions induites par l’algorithme même si celui-ci manipule des notions ou concepts qui échappent à la compréhension humaine. Ainsi, si l’IA Symbolique est aujourd’hui moins en vue que l’IA Numérique, elle a permis de résoudre des problèmes industriels importants (gestion de haut fourneaux avec SACHEM, dépannage automobile, etc.) et a montré sa capacité à offrir des solutions satisfaisantes quand peu de données sont disponibles ou qu’un raisonnement est modélisable (suivi médical, octroi de crédit, aide à la gestion de carrière). Dans tous les cas, elle est potentiellement complémentaire d’autres approches.

1. Citons les deux premiers systèmes experts : DENDRAL, spécialisé dans la chimie moléculaire créé en 1965 et MYCIN, spécialisé dans le diagnostic de maladies infectieuses du sang (méningites) et la proposition de thérapies associées développé en 1972.

2. Alain Colmerauer et Philippe Roussel développent à Marseille en 1972 le langage PROLOG (Programmation Logique), au départ pour traiter le langage. Un programme PROLOG est une suite de clauses de Horn sur lesquelles opère un mécanisme de raisonnement utilisant le principe de résolution. Comme LISP, Prolog utilise massivement la structure de liste et il est naturellement récursif.

3. Les graphes conceptuels sont introduits par John F. Sowa (chercheur à IBM) en 1984 pour formaliser la différence entre les concepts individuels (instances), les concepts génériques, et les classes (types).

Réconcilier les intelligences (artificielles)

Article rédigé par Laurent Cervoni, docteur en sciences appliquées, directeur recherche Talan, Éric de La Clergerie, docteur en informatique, chercheur à l’INRIA, Francis Rousseaux, docteur en informatique, recteur adjoint de l’université Galatasaray

Souvent les deux approches de l’intelligence artificielle, numérique (dont l’approche connexionniste)et symbolique, présentées dans les précédentes pages, sont opposées l’une à l’autre voire même parfois annoncées comme irréconciliables. L’opposition entre les deux démarches est liée à différentes visions ou explications du cerveau humain que l’IA essaie de modéliser… Pourtant, depuis de longues années, des chercheurs tentent de déterminer une voie pour associer les deux approches.

La vision symbolique traditionnelle présentée dans l’article qui lui est dédié coïncide avec une vision classique conceptuelle du monde et le traitement discret rendu possible par l’informatique. Concepts et relations entre concepts permettent une excellente compression de l’information essentiellement sous la forme très générale de graphes, ceux-ci (en extension ou en intension) pouvant traduire des structures plus ou moins compliquées sur lesquelles mener des raisonnements.

Néanmoins, ces concepts platoniciens reflètent rarement la réalité. Même un concept simple comme « chaise » traduit une grande diversité de formes, textures et même fonctions qui ne gênent cependant pas un humain pour reconnaître une chaise quand il en voit une ! L’ap- proche connexionniste, en particulier sur les aspects images, se révèle bien mieux adaptée pour capturer la nature floue et probabiliste du monde qui nous entoure et que nous conceptualisons.

Ainsi, tout naturellement, l’approche numérique (dont le connexionnisme en est le représentant le plus marquant) est apparue plus adaptée à des problèmes « continus » tels que le traitement du signal, des sons, de la parole, des images (dont l’écriture manuscrite) quand le symbolique s’attaquait au raisonnement et aux mondes discrets.

Cependant, l’intelligence humaine est vraisemblablement une combinaison de ces deux univers, avec plutôt du connexionnisme pour les phases de perception et plutôt du symbolique pour les phases de raisonnement. Aussi, dès les années 1990, de nombreux travaux ont cherché à démontrer l’intérêt de l’articulation entre la démarche connexionniste et la symbolique.

Si ces deux visions du cerveau et de ses mécanismes d’apprentissage expliquent succinctement les différences d’approche entre les deux intelligences artificielles, il n’en reste pas moins que des chercheurs ont pensé qu’il était efficace de tirer parti d’une modélisation symbolique enrichie par une approche neuronale et réciproquement.

Sens de la quête

Vouloir rapprocher les deux visions de l’intelligence artificielle n’est donc pas une lubie de chercheurs mais tente d’apporter de nouvelles solutions aux problèmes que pose la modélisation du raisonnement humain.

Une telle démarche d’hybridation trouve d’ailleurs tout son sens lors du démarrage d’un projet où certains concepts doivent être expérimentés et surtout dans tous les domaines où peu de données sont disponibles. Il faut noter qu’il existe des situations en entreprise où des projets concrets sont repoussés ou abandonnés faute de données alors même qu’il existe une expertise humaine. Initier un projet sur la base de cette expertise, appuyé par des outils symboliques, est alors une approche très efficace. Par exemple, FRMG, conçu par l’INRIA, initialement sur une base Prolog, a débuté par un modèle purement symbolique autour d’un « cœur » en Prolog (cf. article sur l’IA symbolique). Cependant, confronté à la richesse de la langue et à la nécessité de résoudre les ambiguïtés de certaines tournures, une partie heuristique est venue compléter l’approche symbolique afin de lever ces ambiguïtés.

Ces heuristiques, initialement exprimées sous forme logique en tant que contraintes pondérées manuellement, ont vu les poids ensuite appris automatiquement à partir de corpus annotés syntaxiquement via une forme de perceptron une fois de tels corpus disponibles.

Exemples d’analyses avec FRMG (Extraits de M. Proust, À la recherche du temps perdu)

Le schéma derrière FRMG est finalement typique d’un démarrage rapide sous forme symbolique par manque de données alors qu’il existe une expertise humaine.

Dans ces cas, l’apport de données, éventuellement issues de l’outil symbolique, permet ensuite un couplage avec des approches probabilistes et avec appren- tissage. Ainsi, le Prolog maison utilisé par FRMG a aussi été couplé avec une librairie de réseaux de neurones (DyNet), permettant de combiner raisonnement logique et apprentissage/inférence neuronal(e).

D’autres situations justifieraient une telle démarche d’hybridation itérative comme dans certains domaines de suivis thérapeutiques où il existe peu de données et le corps médical s’appuie sur des règles de consensus. La mise en œuvre de ces règles correspond bien à une modélisation symbolique qui peut alors contribuer à la génération de données exploitables par de « classiques » réseaux de neurones permettant ainsi de valider l’efficacité des règles initiales, de remettre en question, de valider ces règles voire d’en créer de nouvelles.

De manière plus systématique, divers travaux cherchent à formaliser et implanter le couplage de la logique avec probabilités et apprentissage. On peut ainsi citer les travaux de Pedro Domingos sur Markov Logic, qui associent la logique du premier ordre avec une démarche probabiliste, implantés en Open Source dans Alchemy http://alchemy.cs.washington.edu/ et illustrés dans son ouvrage The Master Algorithm : How the Quest for the Ulti- mate Learning Machine Will Remake Our World.
Néanmoins, il est également intéressant d’observer que le symbolique n’est pas nécessairement une surcouche de réseaux neuronaux. Ainsi, il existe de nombreuses bases de connaissances symboliques (bases de données, ontologies, réseaux sémantiques…) en général exprimables sous forme de graphes (Resource Description Framework par exemple). Divers travaux cherchent à s’appuyer sur des réseaux neuronaux pour exploiter de telles ressources symboliques.

Cela passe par exemple par de nouvelles architectures neuronales comme les Graph Convolution Networks et les Multihop Attention Networks… permettant le plongement des nœuds dans des espaces multidimensionnels (embeddings), des promenades au sein des graphes ou des rebonds d’information à information.

Enfin, les approches les plus ambitieuses seraient de faire émerger les concepts au sein des réseaux neuronaux sous des formes identifiables et manipulables via du raisonnement. Cela contribuerait à fournir une meilleure explicabilité de ces réseaux mais aussi un point de départ pour ensuite travailler sur ces représentations symboliques comme le font les humains. Un faisceau d’indices comme l’hypothèse du ticket de loterie (Frankle & Carbin 2019) tend en effet à suggérer que les modèles neuronaux actuels avec leurs gigantesques quantités de paramètres (jusqu’à mille milliards de paramètres) cachent en leur sein des modèles beaucoup plus petits et quasiment aussi bons.

Cette capacité à généraliser tout en compressant l’information est peut-être une voie vers des réseaux plus conceptuels. Notons aussi les approches cherchant à instaurer des structures dehiérarchie au sein des réseaux, telles les capsules neural network de Hitton : une capsule étant un groupe réduit de neurones permettant la détection d’un certain élément (comme un œil ou un nez) et l’activation d’autres capsules à un niveau hiérarchique plus élevé (par exemple pour vérifier des contraintes topologiques entre nez et yeux).

Perspectives

La voie qui consiste à ingérer d’immenses volumes de documents ou à manipuler simultanément d’importants de jeux de paramètres (à l’image de GPT-3 ou de Switch-C) est particulière- ment impressionnante car ces réseaux parviennent à un niveau de mimétisme humain particulièrement performant, sur un domaine donné. Mais elle exige une importante puissance de calcul brute (dans sa phase d’apprentissage). Parallèlement, il existe des gisements de connaissances symboliques sous-utilisées qui pourraient être mieux exploitées afin d’optimiser les phases d’apprentissages ou de bénéficier de leur pouvoir d’explication.

Simultanément, il existe de nombreuses situations concrètes où l’expertise humaine est plus aisée à représenter avant de l’enrichir par des modèles probabilistes ou connexionnistes afin de passer d’un modèle discret à un monde continu, ou plus proche de la réalité du monde. Réconcilier les deux intelligences artificielles pourrait aussi faciliter l’explicabilité des algorithmes et, partant, améliorer leur appropriation par les utilisateurs.

Dans son ouvrage, Pedro Domingos suggère d’ailleurs que la clé d’un système « intelligent » se construit sans doute à l’intersection de plusieurs approches (connexionniste, symbolique, bayésienne, etc.).

Les fondateurs de l’intelligence artificielle avaient conjecturé en 1956 que tout aspect de l’apprentissage (ou autre caractéristique de l’intelligence) pourrait peu à peu être décrit assez précisément pour qu’une machine puisse le simuler. L’approche était résolument pragmatique, guidée par une ingénierie logicielle, et les critiques (telles celles formulées par Dreyfus, Winograd ou encore Varela, souvent inspirées des thèses de la phénoménologie husserlienne), ont été suspendues au profit de l’expérimentation. Mais rien n’empêche, à l’heure de nouvelles faisabilités techniques et de meilleures articulations transdisciplinaires, de faire retour sur le projet initial pour en élargir les considérations théoriques.

Pour aller plus loin

Les références bibliographiques sont classées par ordre de dates décroissantes. Cette liste, non exhaustive, confirme le foisonnement d’idées et d’approches pour tenter d’associer connexionnisme et symbolique. La voie est toujours ouverte…

Honghua Dong, Jiayuan Mao, Tian Lin, Chong Wang, Lihong Li, Denny Zhou, Neural Logic Machines, 2019, https://openreview.net/pdf ?id=B1xY-hRctX
Richard Evans, Ed Grefenstette, Differentiable Inductive Logic Programming, 2018,
https://uclnlp.github.io/nampi/talk_slides/evans-nampi-v2.pdf
Chunyang Xiao, Neural-Symbolic Learning for Semantic Parsing, thèse de 2017.
Pedro Domingos, The Master Algorithm : How the Quest for the Ultimate Learning Machine Will Remake Our World, 2015, Basic Books (pages 246 et suivantes).
Alex Graves, Greg Wayne, Ivo Danihelka, Neural Turing Machine, 2014 https://arxiv.org/pdf/1410.5401.pdf
Fernando Santos Osório, INSS un système hybride neuro-symbolique pour l’apprentissage automatique constructif, Thèse de 1998.
René Natowicz, Apprentissage symbolique automatique en reconnaissance d’images, 1987.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Cet article a été par Jean Ababii. Passionné par le développement de l’intelligence artificielle et le secteur de l’aéronautique et du spatial, Jean Ababii est étudiant en dernière année d’ingénierie informatique à l’INSA Lyon. Après plusieurs stages autour de l’IA appliquée à la vision par ordinateur, il a rejoint Dassault Systèmes pour son projet de fin d’études en tant qu’ingénieur IA et Big Data afin de travailler principalement sur des problématiques de NLP.

“Touchdown confirmed ! Perseverance is safely on the surface of Mars”

Ces quelques mots provenant du Jet Propulsion Laboratory de la NASA marquent le soulagement des milliers d’ingénieurs travaillant sur ce projet depuis des années. Le 18 février 2021, au terme d’un voyage de sept mois, le robot Perseverance se pose sur la planète rouge.

Son atterrissage est totalement automatisé puisque, se situant à 200 millions de kilomètres de la Terre, une latence de plus de dix minutes est observée entre l’envoi et la réception d’un message.

Comment peut-on automatiser un processus aussi complexe ? L’intelligence artificielle est une des nouvelles solutions permettant de répondre à ce défi technologique, et son utilisation est en plein essor dans le milieu spatial. En effet, le marché de la robotique et de l’IA dans l’espace, évalué à 2 milliards de dollars en 2018, est estimé à 3,5 milliards en 2025.

De la navigation autonome à l’assistance des astronautes, voici une sélection d’applications de l’IA dans la conquête spatiale.

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

1. Navigation autonome

Un des premiers éléments venant à l’esprit lorsqu’on évoque l’IA pour un robot pourrait être sa capacité à se déplacer et à prendre des décisions de manière autonome. Pour un rover comme Perseverance, une automatisation des déplacements permet en effet un énorme gain de temps : en déterminant la meilleure route pour éviter les obstacles, l’opérateur humain n’est sollicité qu’en cas de besoin, sans parler des étapes où cette intervention est impossible, comme lors de l’atterrissage.

Pour comprendre comment l’IA peut aider lors de la navigation sur un objet céleste lointain, il convient de rappeler comment cette dernière est rendue possible sur Terre. Les systèmes terrestres actuels reposent en grande partie sur le GPS, système mondial de positionnement. Or, le GPS fonctionne grâce au calcul de la distance séparant le récepteur de plusieurs satellites. Malheureusement, des satellites de ce type n’existent qu’autour de notre planète. De plus, pour compliquer les choses, Mars ou encore la Lune ne possèdent pas de champ magnétique global permettant le fonctionnement des boussoles traditionnelles.

Une des solutions imaginées pour contourner ces difficultés est de se servir des images et topographies de ces astres, enregistrées lors de missions précédentes. C’est alors que l’IA entre en jeu, en permettant la comparaison des données existantes avec celles pouvant être directement acquises. En effet, des techniques d’IA principalement basées sur l’apprentissage profond (deep learning) sont extrêmement performantes dans le domaine du traitement d’image. Le système Terrain Relative Navigation de Perseverance en est un exemple : il permet de se repérer sur Mars en comparant les caractéristiques visibles de la surface martienne avec des données pré-enregistrées. Grâce à ce repérage précis, Perseverance a atterri à seulement un km environ du centre de la zone visée ! Toujours au cours de cette mission, Ingenuity a effectué son premier vol sur la planète rouge.

Ce drone devient donc le premier objet qui vole sur une planète différente de la Terre. L’automatisation de ses déplacements est d’autant plus critique qu’une fois en plein vol, ce dernier ne peut tout simplement pas s’arrêter pour attendre les instructions terriennes. L’IA permet donc d’analyser son environnement pour prendre en compte les vents par exemple, et suivre au plus près le plan de vol prévu en amont sur Terre. Cependant, nul besoin de se trouver sur une autre planète pour rencontrer des problèmes liés à la navigation.

En effet, en 2019, l’Agence spatiale européenne (ESA) a estimé à près d’un million le nombre d’objets mesurant plus d’un cm orbitant autour de la Terre. Ces nombreux débris spatiaux peuvent causer de gros dégâts à tous les appareils opérationnels, la Station spatiale internationale (ISS) ou des satellites par exemple. Bien qu’une attention particulière soit actuellement portée à cette « pollution » de l’espace, le nombre de lancements augmentera fortement dans les prochaines années. Pour prévenir de potentielles collisions, des techniques à base d’apprentissage profond se sont révélées particulièrement efficaces. En effet, des réseaux de neurones ont permis d’améliorer grandement la précision lors de la détection des débris spatiaux, rendant ainsi possible une identification précise à plusieurs milliers de kilomètres.

2. Collecter et transmettre l’information

Le recours à l’IA apporte une réelle efficacité dans la gestion des données échangées. En effet, que ce soit sur Terre avec l’essor du big data, ou dans l’espace, la quantité de données stockées croît d’année en année, aussi bien grâce à un nombre croissant de capteurs qu’à une baisse du coût de stockage. Ces données proviennent en grand nombre de différentes sources comme des satellites, des télescopes ou des observatoires.

D’après l’ESA, un satellite moderne produit quotidiennement plus de 150 TB (TeraBytes) de données. Leur analyse et transmission exigent beaucoup de travail, et donc de temps, c’est pourquoi le recours à l’IA permet une efficacité démultipliée. Par exemple, la transmission de l’ensemble des données est parfois impossible physiquement, ce qui impose de choisir les plus « intéressantes » pour les chercheurs. Des systèmes d’IA embarqués au sein des satellites ou robots permettent un pré-traitement des données, pour n’en transmettre qu’une partie vers la Terre. Le système AEGIS (Autonomous Exploration for Gathering Increased Science) est par exemple présent sur Perseverance, ou encore sur son prédécesseur Curiosity. AEGIS permet au robot d’analyser différentes roches et transmettre uniquement des données présentant le plus d’intérêt scientifique, ce qui permet de maximiser leur qualité.

D’autre part, la distance importante pouvant séparer les objets émetteurs présents dans l’espace des récepteurs sur Terre entraîne de réelles complications au niveau du débit et de la qualité de la transmission. En effet, les interférences sont un problème courant dans l’espace, dues notamment aux radiations électromagnétiques. Là encore, des techniques à base d’IA sont explorées par la NASA pour améliorer la qualité des réseaux de communications. Certaines techniques d’IA permettent de maximiser l’utilisation des bandes de communications disponibles et ainsi d’améliorer l’efficacité et la fiabilité des transmissions. Cependant, avant de pouvoir déployer de telles technologies, des tests doivent être conduits et sont déjà prévus à bord de l’ISS.

Depuis la Terre également, l’IA permet une meilleure collecte des données, comme on peut le constater avec le Cherenkov Telescope Array (CTA). Ce réseau de plus de 100 télescopes de nouvelle génération situés dans différents endroits du globe terrestre repose sur des techniques de deep learning afin d’ana- lyser rapidement un nombre colossal de données. Les réseaux de neurones utilisés sont entraînés sur le supercalculateur Jean Zay situé sur le plateau de Saclay, en région parisienne, et permettront à terme d’interpréter les évènements en temps réel pour émettre des alertes et faire converger plus rapidement les télescopes vers les sources intéressantes.

3. Traitement des données

Une fois les données collectées et transmises, celles-ci vont faire l’objet de nombreux traitements. Un grand nombre de ces données récupérées sont des images, mais pas uniquement. Pour le traitement d’image, l’IA est un outil formidable, principalement depuis la découverte des réseaux de neurones dits convolutionnels (CNN : Convolutional Neural Networks) faisant partie de la branche de l’apprentissage profond. Il n’est donc pas étonnant que les scientifiques exploitent de plus en plus ces méthodes dans la recherche spatiale.

Une des tâches sur lesquelles ces réseaux se sont montrés redoutablement efficaces est la classification d’objets selon plusieurs catégories, après avoir été correctement entraînés sur des milliers d’images. En effet, le nombre gigantesque d’objets célestes composant notre univers rend impossible la classification manuelle de chacun d’entre eux, et c’est dans ce but qu’est utilisée l’IA aujourd’hui pour déterminer par exemple si tel astre est une étoile, une galaxie ou une planète. Cette classification n’est pas toujours simple à cause du bruit causé par les instruments ou les effets astrophysiques. C’est ainsi que des chercheurs de Google ont développé un réseau de neurones convolutionnels nommé AstroNet afin de traiter les images issues du télescope Kepler de la NASA.

Cette IA a permis de réduire le bruit, et ainsi d’identifier deux nouvelles exoplanètes. Ces différentes avancées permises par l’IA ont conduit à la mise en place du Frontier Development Lab (FDL) par la NASA, dans le but de réunir des innovateurs et travailler sur l’application de l’IA dans l’espace. L’ensemble des techniques qui y sont développées sont publiques et certaines sont déjà utilisées pour prédire les radiations solaires ou identifier la composition de l’atmosphère de certaines exoplanètes. Un des cas d’utilisation de l’IA au FDL est la modélisation d’astéroïdes. Lors de cette tâche, une très large panoplie d’outils issus de l’IA se sont montrés efficaces. Ainsi, des modèles de deep learning tels que des auto-encodeurs ou des réseaux antagonistes génératifs (GAN) ont été utilisés pour la modélisation même des astéroïdes, alors que des techniques comme le clustering ont servi à un pré-traitement des données récupérées. Lors de ce cas d’étude, l’IA a permis une économie importante de temps en réalisant une modélisation d’astéroïde en moins d’une semaine, alors que plusieurs mois étaient nécessaires auparavant.

4. Les assistants d’astronautes

L’utilisation de l’IA pour le traitement d’image a beaucoup été évoquée, cependant elle est également présente dans bien d’autres domaines d’applications relevant de l’exploration spatiale. En effet, les progrès récents dans le traitement du langage naturel (NLP : Natural Language Processing) ont trouvé de nombreux cas d’utilisation dans notre vie quotidienne, mais aussi dans celle des astronautes. Depuis 2018, CIMON (Crew Interactive MObile companioN) est déployé à bord de la Station spatiale internationale. Cet assistant de la taille d’un ballon de basket, développé entre autres par IBM et Airbus, se déplace en autonomie grâce à des hélices. Son objectif est d’assister les astronautes au cours de leurs tâches en leur proposant des informations lorsque c’est nécessaire, à travers des tutoriels par exemple, mais aussi d’interagir directement en répondant à leurs questions.

CIMON repose sur les dernières prouesses techniques puisqu’il utilise l’IA Watson d’IBM, qui a fait ses preuves dans la compréhension du langage naturel et dans la gestion des dialogues. Les performances de CIMON sont encore loin des assistants que l’on peut trouver dans les films de science-fiction comme HAL 9000 de 2001, L’Odyssée de l’Espace. Cependant, l’évolution des performances des assistants est un objectif dans la conquête spatiale pour comprendre et prédire les besoins de l’équipage, analyser leurs émotions, leur santé mentale ou encore prendre de bonnes décisions en cas d’urgence.

L’astronaute Luca Parmitano converse avec CIMON à bord de l’ISS. Source : Youtube

Les défis de l’IA dans la conquête spatiale

L’ensemble de ces différentes utilisations de l’IA dans la conquête spatiale permet de montrer le vaste éventail de possibilités et d’opportunités permises par les avancées technologiques. Cependant, l’utilisation de l’IA induit également des interrogations pertinentes concernant les risques potentiels. Sans en arriver à des cas extrêmes, comme le volte-face des assistants contre l’équipage dans de nombreux films, certaines inquiétudes sont imputées à l’IA, comme un manque d’explicabilité. En effet, les algorithmes deviennent de plus en plus performants, mais aussi de plus en plus complexes, ce qui peut réduire la compréhension de leurs décisions.

Or, les montants financiers astronomiques des missions touchant au domaine spatial risquent de freiner les investisseurs qui vont privilégier la sécurité des techniques plus classiques. Ainsi, il est nécessaire d’améliorer la fiabilité et l’explicabilité des systèmes d’IA actuels pour accélérer leur déploiement dans ce domaine où la moindre erreur n’est pas envisageable. Les systèmes futurs vont probablement intégrer progressivement de plus en plus d’IA en trouvant un équilibre entre les méthodes à très fort potentiel basées sur l’apprentissage profond et les méthodes plus traditionnelles assurant une plus grande sécurité.

D’autre part, la progression plus lente de l’IA dans l’industrie spatiale s’explique également par des raisons plus techniques. En effet, il est beaucoup plus difficile de tester les nouvelles technologies en conditions réelles afin de les optimiser, ce qui entraîne des difficultés particulières pour les techniques d’IA apprenant à partir de situations précédentes. L’amélioration des systèmes existants et l’obtention de plus de données provenant des nouvelles missions spatiales représenteront de grandes opportunités pour la conquête spatiale, dont le futur est difficilement imaginable sans un recours important à l’intelligence artificielle.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Depuis septembre 2019, Liva Ralaivola dirige le département de la Recherche au sein du Criteo AI Lab, le laboratoire d’Intelligence Artificielle de Criteo, qu’il a rejoint en septembre 2018 comme chercheur à temps partiel, partageant alors son activité avec l’université d’Aix-Marseille (AMU).

Ancien chargé de mission IA pour cet établissement en 2018 et membre junior de l’Institut universitaire de France de 2016 à 2019, aujourd’hui en détachement de son poste de professeur à l’AMU, il nous présente le Criteo AI Lab, créé en juin 2018, composé d’une trentaine de chercheurs et d’une soixantaine d’ingénieurs qui travaillent à développer les capacités en machine learning (ML).

Liva Ralaivola nous parle de son expérience de recherche chez Criteo, leader mondial de la publicité en ligne et acteur-clé de l’écosystème Commerce Media, et la met en regard de son expérience dans le milieu académique.

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

En France, le fossé séparant l’univers académique du milieu industriel semble évoluer vers une intense collaboration entre ces deux mondes. Quel type de passerelles établissez-vous chez Criteo pour relever le défi de la recherche dans le milieu industriel ?

Chaque écosystème a ses spécificités qu’il faut appréhender comme un tout et la capacité à s’y épanouir dépend d’un ensemble insécable de facteurs (expérience, envies, personnalité). Pour ma part, je suis très heureux de mon expérience chez Criteo, qui me pose le défi passionnant de maintenir l’équilibre entre des sujets de recherche fondamentale à visée long terme et d’autres de recherche appliquée, plus mouvants, dont les avancées doivent aider à déverrouiller à plus court terme des problématiques métiers. Un cercle vertueux est à entretenir là où les besoins métier alimentent la recherche fondamentale ou appliquée en nouveaux questionnements, dont les réponses doivent garantir en retour à notre infrastructure technologique de rester à la pointe et de bénéficier d’une assise scientifique robuste.

Le milieu académique est quant à lui le poumon de la recherche, c’est là que se développent les travaux les plus prospectifs et en rupture, lesquels bénéficient du dynamisme d’étudiants très bien formés. Les collaborations avec ce monde nous sont donc fondamentales, en ce qu’elles nous permettent d’élargir notre vision du ML pour moi, et pour le Criteo AI Lab en général, il y a une réelle complémentarité à travailler entre la recherche académique et la recherche industrielle.

Parmi les nombreuses passerelles mises en place, citons des co-encadrements de thèses, des postes à temps partiel Université/ Criteo, des postes de chercheurs invités, des enseignements en master, l’organisation de conférences ou workshops scientifiques (e.g. Machine Learning in the Real World, Workshops à NeurIPS, KDD, ICML) ou encore des hackathons ouverts au public sur nos données.

La structure du Criteo AI Lab est-elle semblable à celle des laboratoires universitaires que vous connaissez ?

Le Criteo AI Lab regroupe une trentaine de chercheurs (le groupe dont je suis responsable) en machine learning (ML), dont dix doctorants, et plus d’une soixantaine d’ingénieurs qui, pour la grande majorité, sont aussi spécialistes du ML – les compétences ML sont d’ailleurs loin d’être concentrées au Lab, des experts en ML opèrent également dans d’autres départements de Criteo. Dans les laboratoires universitaires de mathématiques et d’informatique que j’ai connus, la variété des domaines de recherche était plus grande et la proportion chercheurs/ingénieurs inversée.

Le laboratoire d’Informatique fondamentale de Marseille (aujourd’hui intégré au laboratoire Informatique et Systèmes) que j’ai dirigé comptait par exemple une centaine de scientifiques répartis en sept équipes de recherche (algorithmique, algorithmique distribuée, vérification, calcul naturel, bases de données, ML, traitement automatique de la langue). Les quatre ingénieurs du laboratoire venaient en appui de ces sept équipes qui, de fait, concentraient leurs efforts sur leurs deux missions, incontournables, à savoir la production scientifique et la formation.

Le ratio chercheurs/ingénieurs du Criteo AI Lab nous dote d’un continuum de compétences ML depuis la recherche fondamentale (et la vingtaine de publications associées aux plus grandes conférences ML : ICML, NeurIPS, COLT, AISTATS, KDD…) jusqu’au déploiement logiciel, un savoir-faire essentiel pour Criteo, dont l’avantage compétitif repose sur sa capacité à innover (et donc à transférer la recherche vers les besoins métier et inversement) et à faire fonctionner au quotidien des modèles de ML sur des téraoctets de données.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

Snowflake annonce qu’il héberge et optimise la collection de LLM Llama 3.1 dans sa plateforme Snowflake Cortex AI, offrant aux entreprises un accès sécurisé et sans serveur au modèle open source le plus avancé de Meta, Llama 3.1 405B. Parallèlement, la société rend open source sa pile d’optimisation d’inférence et de fine-tuning pour les grands modèles de langage, démocratisant ainsi l’accès aux IA génératives pour les entreprises et la communauté open source.

Lancée en novembre dernier, Snowflake Cortex AI est une suite de fonctionnalités d’IA entièrement gérées, conçues pour permettre aux entreprises de créer et de déployer des applications d’IA génératives de manière sécurisée et sans serveur. Le service propose une interface de développement sans code, accessible aux utilisateurs de tous niveaux techniques. Il donne accès à des LLM de pointe, notamment ceux de Mistral AI, de Google et AI21 Labs, mais également à Snowflake Arctic, à Llama 3 (8B et 70B), aux LLM Reka-Core et désormais à la famille Llama 3.1.

Une collaboration stratégique pour l’innovation

Développée en collaboration avec des acteurs clés de l’IA, dont DeepSpeed, Hugging Face et vLLM, la pile d’optimisation de Snowflake offre des outils et des technologies pour optimiser l’inférence et le fine-tuning des LLMs de manière efficace et rentable. Cette initiative s’inscrit dans le cadre de l’engagement de Snowflake à fournir des solutions de pointe en matière d’intelligence artificielle tout en favorisant l’innovation ouverte.

Caractéristiques techniques et avantages

Optimisation de l’Inférence

• Réduction de la latence : La pile permet de réduire la latence d’inférence jusqu’à trois fois par rapport aux solutions open source existantes, offrant ainsi une performance en temps réel indispensable pour les applications critiques ;
• Augmentation du débit : Avec une amélioration du débit de 1,4 fois, les utilisateurs peuvent traiter un volume plus important de requêtes en moins de temps, optimisant ainsi l’efficacité opérationnelle.

Fine-tuning efficace

• Utilisation minimale de ressources : Le fine-tuning des modèles massifs peut désormais être réalisé en utilisant un seul nœud GPU, réduisant considérablement les coûts et la complexité.
• Support de fenêtres de contexte étendu : Avec une prise en charge des fenêtres de contexte allant jusqu’à 128K, les modèles peuvent gérer des contextes plus larges et produire des résultats plus cohérents et pertinents.

Llama 3.1 405B a ainsi été optimisé pour l’inférence en temps réel et à haut débit avec une fenêtre de contexte massive de 128K à l’aide d’un seul nœud GPU au sein de Cortex AI.

Vivek Raghunathan, VP of AI Engineering chez Snowflake, commente :

“Nous ne nous contentons pas de fournir les modèles de pointe de Meta à nos clients via Snowflake Cortex AI. Nous armons les entreprises et la communauté de l’IA avec de nouvelles recherches et un code open source supportant des fenêtres de contexte de 128K, l’inférence multi-nœuds, le parallélisme de pipeline, la quantization en virgule flottante de 8 bits, et bien plus, afin de faire progresser l’intelligence artificielle pour l’écosystème global.”

Engagement en matière de sécurité et de confiance

Snowflake a également intégré des mécanismes de sécurité avancés dans sa pile open source avec Snowflake Cortex Guard. Pour développer cette nouvelle fonctionnalité, l’entreprise a utilisé Llama Guard 2 de Meta, qui recourt à des algorithmes avancés pour détecter et filtrer automatiquement les contenus potentiellement nuisibles, offensants ou inappropriés dans les sorties des modèles de langage. Les applications d’IA construites sur cette pile sont ainsi protégées contre les contenus nuisibles.

Ryan Klapper, leader IA chez Hakkoda, assure :

“La sécurité et la confiance sont des impératifs business lorsqu’il s’agit d’exploiter l’intelligence artificielle générative, et Snowflake nous offre les garanties nécessaires pour innover et utiliser à grande échelle des grands modèles de langage de pointe. La combinaison des modèles Llama de Meta au sein de Snowflake Cortex AI nous ouvre encore plus de possibilités pour des applications internes basées sur les RAG, permettant à nos parties prenantes d’accéder à des informations précises et pertinentes”.

L’IA générative transforme le marketing sur les réseaux sociaux en automatisant la création de contenu, qu’il s’agisse de texte, d’images ou de vidéos. Selon l’étude “GenAI for Social Content Survey” de GetApp, la technologie pourrait permettre aux entreprises de générer près de la moitié de leur contenu d’ici 2026. Cependant, cette évolution technologique pose des questions cruciales concernant l’authenticité de la marque.

GetApp est une plateforme de recherche et de comparaison d’applications et de logiciels métiers acquise par Gartner en 2015. Son objectif est de permettre aux professionnels, en particulier ceux des petites et moyennes entreprises, de trouver les solutions logicielles qui répondent le mieux à leurs besoins.

Afin d’en savoir plus sur l’impact de l’IA générative sur les stratégies de marketing des médias sociaux, elle a interrogé en mai dernier 1 680 personnes (135 en France) ayant un rôle dans le marketing, les relations publiques, les ventes ou le service à la clientèle au sein d’entreprises de toutes tailles à travers le monde. Chacune d’entre elles a indiqué utiliser la GenAI pour la gestion des réseaux sociaux de son entreprise au moins une fois par mois. Cet article présente les résultats de l’étude côté français.

L’IA générative : la nouvelle norme en matière de création de contenu ?

Actuellement, 63 % des marketeurs ont déjà utilisé l’IA générative pour créer du contenu sur les réseaux sociaux, et 50 % pour produire des images de haute qualité, captant ainsi l’attention du public. Cette tendance est en forte croissance, avec 73 % des entreprises planifiant d’accroître considérablement leurs investissements dans l’IA générative dans les 18 prochains mois.

Les avantages observés incluent :

• Gain de temps : 46 % des marketeurs constatent un « temps considérable » économisé grâce à l’IA générative ;
• Meilleure gestion des tâches : 34 % notent une gestion améliorée de leur travail grâce à l’automatisation des tâches répétitives ;
• Réduction des coûts : 41 % affirment que l’automatisation permet de réaliser des économies. Une efficacité financière qui permet aux entreprises d’allouer des budgets à d’autres domaines stratégiques tels que la publicité ou l’engagement des clients.

Les plateformes Instagram, TikTok et Facebook sont les plus couramment utilisées pour ces contenus, respectivement par 81 %, 58 %, et 56 % des marketeurs.

Les défis de l’authenticité

Malgré ces avantages, l’intégration de l’IA générative pose des défis importants. Près de la moitié des marketeurs (47 %) rencontrent des difficultés pour aligner le contenu généré avec les valeurs de leur marque. La crainte de diffuser des informations erronées est également élevée, avec 57 % des répondants se déclarant « moyennement » à « très préoccupés ». En outre, 39 % des marketeurs ont du mal à faire en sorte que le contenu généré résonne avec leur audience cible.

Une supervision humaine essentielle

Pour garantir la qualité du contenu, 50 % des marketeurs insistent sur la nécessité d’une supervision humaine. Cela permet de maintenir l’alignement avec la stratégie marketing et de répondre aux attentes de l’audience. D’autres stratégies incluent l’adaptation du contenu aux tendances des réseaux sociaux (47 %) et la personnalisation pour renforcer l’engagement (41 %).

Pour GetApp, les entreprises doivent prioriser l’entraînement des modèles d’IA avec des ensembles de données diversifiés, afin de réduire les biais et refléter fidèlement la diversité du public, alors qu’aujourd’hui, seulement 24 % des entreprises interrogées le font.

Elle souligne également que signaler clairement le contenu généré par l’IA permet de maintenir la confiance des consommateurs et de garantir la transparence, mais les entreprises sont encore trop peu nombreuses à le faire (22 %).

Elicia Petit, analyste de contenu chez GetApp, conclut :

“L’IA générative offre des avantages considérables pour les marketeurs, tels que le gain de temps et la réduction des coûts. Cependant, il est crucial de maintenir une supervision humaine pour garantir que le contenu reste fidèle aux valeurs de la marque et résonne avec l’audience cible. L’authenticité ne doit pas être sacrifiée au profit de l’efficacité technologique. En intégrant soigneusement ces outils et en restant attentifs aux tendances actuelles, les entreprises peuvent maximiser les avantages de l’IA générative tout en préservant l’intégrité de leur marque”.

Retrouver l’intégralité de l’étude ici.

La demande des entreprises en matière d’intelligence artificielle ne cesse de croître. Le réseau social professionnel LinkedIn a constaté une augmentation des recrutements dans le domaine en France de 40 % sur l’année 2020, le positionnant dans la liste des 15 secteurs d’avenir (Rapport métiers d’avenir 2021). L’ensemble des métiers de l’IA est actuellement sous tension, mais le paysage va évoluer.

---

Dans le cadre des jeux olympiques 2024, nous vous offrons chaque jour un article issu du magazine ActuIA n°4, dont le dossier principal est “Le sport à l’ère de l’IA”. Afin de découvrir le magazine ActuIA, nous vous invitons à vous rendre sur notre boutique. Tout nouvel abonnement d’un an vous donne droit à l’ensemble des archives au format numérique.

---

Le data scientist, souvent vu comme l’alchimiste des temps modernes…

Qui aurait imaginé que le métier de statisticien, traditionnellement perçu comme une activité austère, puisse un jour être considéré comme « sexy » ? Les progrès de l’intelligence artificielle, puis son ascension au sommet de la courbe du Hype de Gartner, ont braqué les projecteurs sur ceux dont le rôle est aujourd’hui de « faire parler la donnée », les data scientists. Au point que leur métier a été présenté en 2012 comme le “sexiest job of the 21st century” par le Harvard Business Review ! Presque dix ans plus tard, Guillaume Rozier, data scientist français âgé de 25 ans, fait la tournée des talk shows français et The New York Times lui consacre un article. Son action au sein de CovidTracker révèle aux yeux de tous, gouvernements comme grand public, le pouvoir que détiennent ceux qui savent exploiter les données.

Avec <ViteMaDose>, la petite poignée de contributeurs bénévoles qu’il a fédérés pourrait bien frapper encore plus fort en contribuant à l’inflexion de la courbe de vaccination, et donc agir directement sur l’évolution de la pandémie en France. Simplement en facilitant l’accès aux centres de vaccination et la prise de rendez-vous. L’équipe de Guillaume Rozier a su se rendre précieuse alors qu’à la base elle n’a fait qu’exploiter des données publiquement accessibles (n’y voyons rien de péjoratif, bien au contraire).

Cette aventure permet de mettre fin à cette croyance populaire selon laquelle la force d’une entreprise réside dans la possession d’une grande quantité de données, alors qu’elle réside plutôt dans sa capacité à exploiter les données (internes comme externes). Celles-ci, souvent considérees à tort comme de l’or noir, encombrent inutilement nos disques durs lorsqu’elles ne sont pas correctement exploitées. Le rôle-clé du data scientist est de les transformer en source de valeur (encore faut-il qu’elles permettent de satisfaire les attentes).

…ne serait-il pas l’arbre qui cache la forêt ?

Le terme data scientist est souvent utilisé comme fourre-tout pour désigner le spécialiste intervenant dans la conception, l’implémentation ou le déploiement d’intelligence artificielle. Selon cette conception, toute personne travaillant de près ou de loin avec l’IA serait data scientist. Ce phénomène est assez naturel dans un domaine qui n’en est qu’à ses balbutiements¹.

Dans la réalité, si le rôle du data scientist est crucial, l’IA repose en fait sur une grande diversité de compétences et de savoir-faire, et de nouvelles spécialités continuent d’éclore au fil du tissage du lien entre entreprises et IA.

À ce jour, il n’existe pas de nomenclature ou d’identification officielle des métiers liés à l’IA. Pôle emploi ne propose par exemple pas de codes ROME permettant de se référer aux annonces correspondant à ce métier. La manière la plus simple pour les recenser est encore d’utiliser des mots-clés ou de s’appuyer sur des faisceaux de marqueurs plus ou moins distinctifs, comme la référence au langage de programmation Python dans les annonces.

Cette confusion n’est pas que sémantique, les rôles et périmètres de missions varient grandement selon la taille des équipes, leurs objectifs et l’organisation de l’entreprise. Le périmètre d’action d’un data scientist freelance ou évoluant au sein d’une petite équipe sera naturellement plus large que celui d’un data scientist travaillant au sein d’une grande équipe: il devra porter tour à tour la casquette de consultant, de data analyst, de data engineer, de machine learning engineer, de chef de projet…

1 : Ceci rappelle fortement l’emploi du terme “webmaster” au début des années 2000.

Collecte et analyse de données au plus près de l’entreprise sont des valeurs sûres

Selon une étude Eurostat, seulement 6 % des entreprises françaises et 7 % des entreprises européennes utiliseraient de l’intelligence artificielle en interne². Un chiffre voué à progresser rapidement au cours des dix prochaines années.
Pour tirer parti de l’IA sur des fonctions stratégiques de l’entreprise, ces dernières vont devoir collecter et analyser leurs données.
Or, si une tâche n’est pas centralisable, c’est bien celle-ci : qu’elle soit réalisée en interne ou par un prestataire externe (société de conseil, freelance, etc.), la phase de collecte et d’analyse nécessite une grande compréhension de l’activité de l’entreprise en demande. Deux sociétés concurrentes n’auront pas les mêmes données. Les tâches de collecte et de recueil d’informations auprès des experts métier, puis de préparation et d’exploitation des données sont et resteront primordiales.

2 : L’étude se concentre sur 4 cas d’usage : l’analyse big data reposant sur le Machine Learning, les chatbots, les robots de service et l’analyse big data en langage naturel.

 

Ce tableau ne fera pas l’objet d’un consensus, comme évoqué dans cet article, le profil de ces postes varie énormément d’une société à l’autre. Il illustre cependant la forte intrication entre les compétences des différents métiers.

Les profils de data engineer et de machine learning engineer sont promis à un développement rapide

L’évolution de l’IA des laboratoires de recherche vers les entreprises, et désormais la nécessité de son passage du stade de preuve de concept (POC – Proof Of Concept) au déploiement massif, crée de nouveaux besoins d’opérationnalisation à grande échelle des algorithmes. Les pratiques de DataOps et MLOps destinées à garantir l’industrialisation de l’IA sont amenées à monter en puissance.

Deux profils semblent se généraliser :

Le data engineer, qui a pour mission de créer l’infrastructure et d’assurer l’approvisionnement en données. Il est en quelque sorte l’administrateur système de l’IA. Il gère les bases de données et pipelines, rendant cette dernière possible.

L’industrialisation de l’IA s’appuie en grande partie sur l’emploi de plateformes telles que celle de Dataiku, qui facilite grandement la création de pipelines complètes, et peut tout autant répondre aux besoins d’un data scientist freelance qu’à ceux d’une équipe entière. Dans une grande équipe, le rôle de data engineer reste cependant incontournable.

Le machine learning engineer, qui a pour mission de déployer les modèles d’IA dans des applications logicielles.

Une partie de ces profils pourra naturellement provenir du vivier actuel de développeurs. Force est de constater que dans les faits, bon nombre de développeurs ignorent encore comment fonctionne l’IA, souvent parce qu’ils se heurtent à des croyances limitantes. L’IA se décloisonnera progressivement en se rapprochant du domaine du développement logiciel standard. D’autant qu’elle peut tout à fait être proposée sous forme d’API. La plupart des développeurs seront alors amenés à manipuler de l’IA, en faisant probablement une simple spécialisation du développement logiciel, au même titre qu’un développeur peut se spécialiser dans l’interfaçage avec les solutions de paiement en ligne.

Selon Antoine Barck, head hunter, data specialist chez Data Recrutement :
« Nos clients cherchent avant tout à lancer leur politique data-driven. Pour se faire, on remarque un fort intérêt pour les postes de data engineer / architect afin de structurer leur accès à la donnée. Clairement, ces postes sont les plus demandés, ils deviennent pénuriques et s’arrachent à prix d’or. Nous pensons que cette tendance devrait s’atténuer avec l’arrivée de toute une nouvelle génération de data worker. En effet, les écoles se sont adaptées au cours de ces dernières années et forment de nombreux profils. De plus, les entreprises structurent de mieux en mieux leurs pipelines de données, et pourront se concentrer sur son exploitation, ainsi les ML engineers, AI engineers, NLP engineers, et autres métiers issus de l’exploitation de la donnée vont à leur tour inonder le marché. » Cette opérationnalisation ne peut se dérouler sans recourir à de nouvelles compétences dans l’ensemble de la chaîne de production. Pour Laurent Guinard, responsable de l’Usine IA chez Pôle Emploi : « les product owners et product managers doivent transformer leurs pratiques. La clef du succès de l’IA réside aussi dans la capacité des porteurs produits à appréhender les spécificités d’un produit d’IA ».

L’offre de formation aux métiers de l’intelligence artificielle s’étoffe

L’étude « Formations et compétences sur l’Intelligence Artificielle en France », réalisée par l’OPIEEC en 2019 pour le Syntec Numérique estimait que 21 170 professionnels de l’intelligence artificielle et des data sciences pourraient être recherchés en 2023, contre 11 200 en 2019, soit une progression de 59 %. De nouvelles formations se créent pour répondre à la demande. La France est particulièrement réputée pour la qualité de ses cursus. Les diplômés des universités et des grandes écoles françaises s’exportent sans difficulté à l’international. Les formations évoluent afin de répondre de plus en plus concrètement aux besoins des entreprises : de la formation courte au Master of Science (MSc), les cursus en IA ont le vent en poupe. Les écoles “IA Microsoft” dont la formation est dispensée par Simplon ont pour mission de répondre directement aux besoins métiers des entreprises, en créant des cursus “développeur DATA IA” pouvant déboucher sur un contrat de professionnalisation au sein de l’une des entreprises-partenaires.

Python, R, Spark, TensorFlow, Scikit-learn, AWS, Hadoop, Scala et SQL se situent actuellement au sommet des classements des compétences recherchées. Mais pour combien de temps encore ? Face aux technologies qui se renouvellent sans cesse, Yann LeCun donnait le conseil suivant dans le premier numéro d’ActuIA : « Étudiez la physique, les maths, les statistiques, plus que les technologies dont la durée de vie est faible et qui vont disparaître d’ici quelques années. Si vous voulez vous lancer dans ce domaine, apprenez les méthodes sous-jacentes, parce que la science qui est derrière va évoluer, mais les maths de base, et la physique (très utile), ou encore le traitement de signal, la théorie des filtres, sont les bases réelles de l’IA, du machine learning et du deep learning ».

Le métier de data scientist requiert curiosité et sens de l’observation. Il consiste à appliquer ses compétences à l’étude d’un phénomène. Or, l’expertise d’un phénomène se construit avec l’expérience. Les data scientists se spécialisent généralement dans l’étude d’un phénomène, tel que le traitement du langage, la vision artificielle, l’apprentissage par renforcement ou dans un domaine d’application tel que la détection de fraude, la robotique, le marketing.

Une prise de conscience croissante de l’impact

Ces nouvelles formations pourraient accélérer l’inclusion et la progression de la diversité parmi les professionnels de l’IA, mais gare aux effets en trompe l’œil : le profil des ingénieurs évoluera-t-il réellement autant que celui des techniciens ? Dans son rapport mondial 2019 sur les talents en IA, Element AI a recensé seulement 18 % de femmes parmi les auteurs publiés à l’occasion de conférences d’importance. Un chiffre supérieur aux 12 % recensées l’année précédente³.

LinkedIn France a pour sa part enregistré 23 % de femmes parmi les recrutements de l’année 2020. Premiers signes d’encouragement, particularité géographique ou déficit de représentativité des femmes dans les conférences ? L’écart provient probablement d’une conjonction de facteurs, mais le constat reste simple : la parité est encore loin.
Une diversité que se propose d’accélérer la Charte Internationale pour une Intelligence Artificielle Inclusive, lancée par Arborus, destinée à promouvoir l’inclu- sion dans les métiers de l’IA.

À l’occasion de la célébration en avril du premier anniversaire de la charte à Bercy, Cristina Lunghi, présidente et fondatrice d’Arborus affirmait : « L’absence de mixité dans les métiers de l’IA pourrait avoir pour conséquence de ne pas générer de vision commune et partagée entre les femmes et les hommes et que les femmes ratent le tournant du XXIe siècle. »

Il en va bien évidemment de même pour la diversité sociale, la diversité des origines, de l’inclusion des personnes en situation de handicap ou encore de la concentration géographique des postes autour de quelques grandes villes (Paris, Toulouse, Nice, Le Havre…). Delphine Pouponneau, directrice de la Diversité et inclusion chez Orange, société signataire de la charte, rappelle : « N’oublions pas que l’intelligence artificielle est un formidable levier de développement. Elle porte également en elle une véritable opportunité pour réduire les inégalités. Pour les individus, elle est une promesse de carrière et d’émancipation, dont aucun pan de la société, et notamment les femmes, ne doit être exclu. » Une prise de conscience progressive de l’impact à venir de l’IA est en cours et nous voyons naître des écoles préparant l’évolution vers la société de demain, telles Aivancity, dont le postulat est que technologie, business et éthique sont indissociables. « Un secteur fait l’unanimité auprès des candidats à l’emploi, celui de la Tech for Good, les gens ressentent de plus en plus le besoin de mettre à profit leur savoir-faire au profit d’une cause sociétale. La prochaine décennie sera clairement celle de la Green Tech et autres objectifs de développement durable ! ». Antoine Barck, Data Recrutement

3 : Element AI explique sur son blog que cette différence peut être liée à l’élargissement du nombre de conférences analysées.

Une émergence des métiers non techniques

S’il est vrai que la discipline a éclos grâce à l’informatique et aux mathématiques, résumer l’intelligence artificielle à la sphère technique serait réducteur. C’est aujourd’hui bel et bien un sujet central dans nos sociétés. Nous assisterons au cours des prochaines années à l’émergence de nouveaux métiers.

Le métier de consultant en IA est bien sûr l’un des métiers appelés à se développer fortement. Outre sa mission de recueil des besoins, il doit être force de proposition et donc avoir une très bonne connaissance du domaine. Il sera le garant de l’adoption massive de l’IA en entreprise.

Dans Les métiers de l’intelligence artificielle, (192 p., L’étudiant éditions), Fabrice Mateo recense des dizaines de métiers liés de près ou de loin à l’intelligence artificielle. Certains existent d’ores et déjà, tel que celui de scénariste en IA, dont la mission est de fluidifier l’interaction homme-machine, d’autres sont promis à un bel avenir de par leur nécessité, à l’image de l’éthicien en IA. D’autres encore sont des descriptions plus insolites de métiers futurs, qui, s’ils peuvent prêter à sourire aujourd’hui, pourraient bien devenir réalité.

L’interdisciplinarité sera au coeur de la création d’emplois : des professionnels de tous horizons seront appelés à construire une passerelle entre leur spécialité et l’IA. Nous voyons d’ores et déjà naître des formations transversales, à l’image du DU Intelligence Artificielle Santé proposé par l’université de Bourgogne. La santé est l’un des secteurs dans lesquels les promesses de l’IA sont les plus enthousiasmantes.

L’OPIEEC identifie 4 autres secteurs porteurs :

• les services financiers ;
• l’industrie ;
• le retail ;
• les services professionnels.

Il identifie par ailleurs vingt enjeux pour la branche au niveau de la stratégie, de la formation et de l’emploi, parmi lesquels :

• la formation du management de la branche ;
• le développement de la pluridisciplinarité dans l’offre initiale et professionnelle ;
• l’accompagnement des mobilités de professionnels en poste vers la data science ;
• le positionnement des prestations vers plus de pluridisciplinarité et de stratégie IA ;
• une meilleure définition des besoins RH liés aux profils de spécialistes en IA.

Quid des autres métiers ?

Certains s’inquiètent de possibles suppressions d’emplois dues à l’irruption de l’IA. Tout comme la mécanisation a permis d’automatiser des tâches manuelles répétitives, l’IA peut être vue comme le volet intellectuel de l’industrialisation, en permettant d’automatiser des tâches intellectuelles répétitives et peu épanouissantes. Elle est en ce sens un réel progrès pour le travailleur.

La disparition de certains métiers ne peut cependant pas être exclue, même s’il faut avant tout s’attendre à une évolution des activités, vers un recentrage sur des tâches à plus forte valeur ajoutée. À titre d’exemple, la saisie manuelle en comptabilité n’a plus lieu d’être. Un gérant d’entreprise témoigne : « Nous sommes en 2021 et mon cabinet d’expertise comptable imprime encore systématiquement factures et relevés de comptes pour les re-saisir au clavier dans le livre de comptes de mon entreprise. Des services permettent d’importer les opérations et de les catégoriser automatiquement mais il y est réfractaire. Je préfèrerais largement que mon comptable consacre son temps à me conseiller dans la gestion de mon activité qu’à effectuer cette saisie manuelle qui n’apporte rien et qui est source d’erreurs. » C’est effectivement sur le contact humain que vont progressivement se recentrer les métiers qui ne seront pas en lien direct avec l’IA. Serveurs et vendeurs en magasin ont de très beaux jours devant eux contrairement à ce que pourrait laisser présager le développement des caisses automatiques. Les professionnels non spécialistes ne seront pas pour autant tenus à distance de l’intelligence artificielle, mais profiteront de la capacité de l’IA à effacer la complexité technologique pour bénéficier des interactions les plus fluides possibles et s’y appuyer sans compétences techniques poussées.

Ces trente dernières années ont en fait très probablement été les plus éprouvantes pour les personnes peu à l’aise avec l’informatique. Le degré de connaissance ne sera plus un prérequis conditionnant l’accès à la technologie, mais la condition au regard critique permettant de prendre ses distances face aux résultats fournis. C’est la raison pour laquelle une acculturation à l’IA est et restera capitale. Au fil du temps, la nécessité n’est plus tant de comprendre son potentiel que d’en cerner les limites.

Cet article est extrait du magazine ActuIA. Afin de ne rien manquer de l’actualité de l’intelligence artificielle, procurez vous ActuIA n°16, actuellement en kiosque et sur abonnement :

La concurrence entre les acteurs de la GenAI semble plus que jamais de mise. Nouveau hasard du calendrier ou non, le jour-même où Meta lançait la famille Llama 3.1 et NVIDIA annonçait de nouveaux microservices NIM Llama 3.1, OpenAI a lancé une offre de fine-tuning gratuit pour son dernier LLM, GPT-4o mini, présenté le 18 juillet dernier.

Pour rappel, GPT-4o mini est présenté par OpenAI comme le plus rentable de ses modèles. Grâce à son faible coût et sa faible latence, il est particulièrement adapté aux scénarios enchaînant ou parallélisant plusieurs appels de modèle, par exemple l’appel de plusieurs API, ou une analyse de grands volumes de données contextuelles, comme l’intégration de bases de code complètes ou d’historiques de conversations. Les chatbots de support client peuvent également bénéficier de ses réponses rapides et précises en temps réel.

Un fine-tuning gratuit jusqu’au 23 septembre

Depuis le 23 juillet, les développeurs et entreprises peuvent entraîner gratuitement GPT-4o mini sur des données supplémentaires pour l’adapter à leurs besoins spécifiques, mais  avec une limite quotidienne de 2 millions de jetons d’entraînement. Pour ceux qui dépassent cette limite, des frais de 3 $ par million de jetons supplémentaires seront appliqués.

L’offre concerne initialement les niveaux 4 et 5 des plans d’utilisation d‘OpenAI. Ces derniers sont généralement destinés à des entreprises et des organisations ayant des besoins importants et un volume élevé de requêtes. La start-up les proposera aux trois premiers niveaux prochainement.

Comment profiter du fine-tuning gratuit ?

Pour profiter de cette offre, les développeurs peuvent suivre ces étapes simples :

• Se connecter à leur tableau de bord de fine-tuning sur la plateforme OpenAI ou s’enregistrer pour ceux qui n’ont pas encore de compte ;
• Cliquer sur “créer”;
• Sélectionner GPT-4o mini dans le menu déroulant des modèles de fondation.

OpenAI propose un guide dédié aux étapes du fine-tuning pour les non-initiés ici.

Cette offre est valable jusqu’au 24 septembre, affiner GPT-4o mini reviendra alors à 3 $, pour chaque million de jetons d’entraînement, une somme bien inférieure au fine-tuning de GPT-3,5 Turbo qui revient à 8 $ pour le même nombre de jetons.

La nouvelle édition du magazine pour les professionnels de l’intelligence artificielle sera disponible ce mois-ci. Nous vous avons concocté un numéro à ne pas manquer. De nombreux dossiers vous attendent dont un sur la sécurité de l’IA, ses enjeux, ses solutions, mais aussi un top des startups du secteur à connaître.

Vous l’attendiez et il sera bientôt entre vos mains ! Dans le nouveau numéro du magazine de référence de l’intelligence artificielle, vous pourrez lire un dossier sur la sécurité de l’IA. Une thématique on ne peut plus centrale alors que de plus en plus d’entreprises et d’institutions adoptent des technologies innovantes. L’IA représente une grosse partie du marché mondial de la sécurité et sa valeur ne va cesser d’évoluer. Les applications IA sont et/ou doivent être protégées comme n’importe quel système informatique. Pourtant, en plus des risques traditionnels, l’IA est exposée à d’autres menaces spécifiques. Une meilleure protection est nécessaire pour déployer une IA puissante et digne de confiance. C’est en tout cas ce qu’affirment nombre d’experts et de professionnels du secteur. Dans notre dossier sur la Sécurité de l’IA, nous vous proposons d’aborder ce sujet de manière complète grâce à Françoise Soulié-Fogelman et Alexandra Benamar, toutes deux expertes en IA.

La sécurité de l’IA, au cœur du nouveau numéro du magazine ActuIA

Pour aborder ce sujet complexe, Françoise Soulié-Fogelman, conseillère scientifique chez Hub France IA, analyse les travaux, publiés par les grandes instances de la cybersécurité, qui permettent une meilleure compréhension des nouvelles attaques et des pistes de défense. Elle livre notamment au lecteur trois exemples d’attaques concrètes avec, au centre de ces attaques, trois logiciels connus de la grande majorité d’entre nous : Tay, de Microsoft, Nightshade4, créé par l’équipe du projet Glaze, et ChatGPT5 d’OpenAI.
Nous vous proposons également un focus sur CYBIAH, l’un des European Digital Innovation Hub (EDIH). Ces pôles européens d’innovation numérique ont été mis en place par la Commission européenne et ce dossier Sécurité de l’IA vous permet d’en apprendre davantage sur ce hub.

Les agents LLM, plus précisément, leur autonomie sont au cœur de l’analyse que nous propose ensuite Alexandra Benamar, ingénieure en R&D chez Talan. Elle pose une question centrale : “en renforçant nos défenses, les IA contribuent-elles involontairement à affiner les stratégies offensives des hackers ?” avant d’y répondre. Sa réflexion débute par la construction d’un agent LLM autonome, puis la simulation de cyberattaques, la possibilité d’une “loi d’échelle du piratage”, ou encore les limites de GPT-4 face aux défis de sécurité avancés pour fournir une réponse complète et structurée à sa question.
Pour ce 16e numéro, en complément du dossier, nous avons aussi établi une sélection de huit startups du secteur de la sécurité de l’IA à connaître. Une solution qui permet la détection de contenu généré par l’IA anti-deep fake, un outil de collaboration sécurisée en machine learning ou encore une plateforme simplifiant la transformation numérique et de gestion des risques IA qui sont proposés par des sociétés expertes dans ces nouveaux défis. Pas de spoiler sur les noms des 8 entreprises, mais on vous dit juste que vous pourrez sans doute retrouver la startup de Siméon Campos qui avait proposé à nos lecteurs d’ActuIA.com une tribune sur un sujet brûlant, l’AI Act, dans laquelle il détaillait les luttes essentielles de la régularisation européenne tout en défendant cette dernière.

Retrouvez ce dossier et d’autres dans ActuIA numéro 16

Ce dossier sur la Sécurité de l’IA fait partie des différents articles que vous retrouvez dans le nouveau numéro d’ActuIA, le magazine dédié aux professionnels de l’intelligence artificielle.

Depuis sa création en janvier 2020, le magazine ActuIA vous donne rendez-vous tous les trois mois pour faire le point sur l’intelligence artificielle, côté business, recherche, mais aussi impacts et défis. En 16 numéros, nous avons abordé divers sujets comme l’évolution de l’agriculture, du diagnostic médical ou encore des pratiques sportives avec l’IA. Nous avons fait un bond dans le temps dans le numéro 8 pour parler de l’histoire du deep learning et son influence sur l’explosion du secteur. Nous avons regardé vers les étoiles dans le numéro 11 avec un sujet sur l’astronomie et la caractérisation de nouveaux mondes. Plus récemment, la sécurité intérieure était au cœur de l’édition numéro 15 d’ActuIA et plusieurs forces de sécurité intérieures européennes ont partagé avec nous leur quête du meilleur équilibre, entre l’entrée en vigueur de l’AI Act et les menaces et défis auxquels elles sont confrontées. Et d’autres sujets vous attendent dans les prochains numéros !

Concernant les anciens numéros, certains sont disponibles en version papier (mais la plupart sont en rupture de stock). Vous pouvez cependant tous les retrouver en version PDF avec votre abonnement. Alors, n’attendez plus et abonnez-vous dès maintenant !

Celonis, leader du Process Mining et du Process Intelligence, annonce le lancement d’une nouvelle solution d’orchestration des processus pilotée par l’IA, développée en collaboration avec Emporix, une entreprise pionnière dans le commerce composable. Cette technologie innovante vise à transformer l’optimisation des processus d’entreprise de bout en bout, surpassant les capacités des outils d’automatisation traditionnels.

Celonis, basé à Munich et à New York, dispose de plus de 20 bureaux à travers le monde. L’entreprise a développé une plateforme d’intelligence des processus métiers, utilisant des technologies de pointe en IA et en Process Mining, offrant aux entreprises un jumeau numérique en temps réel de l’ensemble de leurs processus métiers.

Créée en 2011, la start-up est devenue en 2021 la première décacorne européenne, avec une valorisation de 11 milliards de dollars. Aujourd’hui, après une série D en août 2023, sa valorisation a atteint 13 milliards de dollars. Cette année, elle a de nouveau été nommée Leader dans le premier Magic Quadrant de Gartner pour les outils de Process Mining.

La société collabore depuis plusieurs années avec Emporix, une entreprise suisse créée en 2015, dite composable car elle adopte une approche modulaire et flexible pour ses opérations. Le moteur d’orchestration Emporix que les deux sociétés présentent aujourd’hui optimise les interactions des clients en temps réel, identifie les inefficacités dans les résultats commerciaux, fournit des informations exploitables et les exécute automatiquement.

Carsten Thoma, Président de Celonis, affirme :

“Les outils et stratégies d’automatisation existants ne peuvent à eux seuls tenir la promesse de l’optimisation des processus de bout en bout. À eux seuls, ils ne transforment que des tâches individuelles, linéaires et silotées. Les entreprises ont besoin de gestion intelligente et connectée pour s’assurer que toutes leurs ressources, systèmes et employés travaillent en parfaite synergie afin de réaliser une véritable optimisation des processus de bout en bout et de transformer l’entreprise en profondeur”.

Le moteur d’orchestration Emporix

Le moteur d’orchestration Emporix est la première plateforme d’orchestration consciente du contexte des processus. Cette solution innovante utilise des informations sur les processus, appelées événements déclencheurs, provenant de la plateforme d’intelligence des processus de Celonis, pour initier une séquence dynamique d’actions à travers divers systèmes et outils. Des modèles d’exécution personnalisés permettent de coordonner les actions afin d’optimiser la performance par rapport à des objectifs commerciaux concrets, apprenant et s’ajustant continuellement grâce à la surveillance de l’exécution réelle des processus.

Principales capacités de la solution :

• La transformation des processus à grande échelle : le moteur agit comme une couche d’orchestration pour les processus de bout en bout, connectant de manière transparente les systèmes, les équipes et les automatisations ;
• L’exécution intelligente : il s’ajuste dynamiquement en fonction des résultats des processus grâce à une surveillance en temps réel, permettant une orchestration flexible et consciente du contexte ;
• La réduction de la complexité : il offre une plateforme à faible code/sans code pour simplifier les processus organisationnels, fournissant un contrôle et une visibilité en temps réel.

Selon Celonis, les clients utilisant le moteur d’orchestration peuvent obtenir des résultats transformateurs dans des fonctions comme la supply chain, la finance, le service client, et plus encore. Par exemple, un retailer en ligne pourrait utiliser la solution pour déclencher automatiquement et dynamiquement des remises sur les stocks, des achats ponctuels, des transferts de stock et des recommandations de produits alternatifs, améliorant le fonds de roulement tout en offrant une expérience client fluide.

Les systèmes d’IA, de plus en plus performants, nécessitent d’importantes ressources matérielles et énergétiques, soulevant une prise de conscience sur l’empreinte environnementale de l’IA. Face à cette préoccupation croissante, l’AFNOR a récemment publié l’AFNOR Spec 2314, intitulé “Référentiel général pour l’IA frugale : s’attaquer à l’impact environnemental de l’IA et défendre la diffusion de l’IA frugale”. Cette initiative, soutenue par le ministère de la Transition écologique et de la cohésion des territoires, vise à fournir des méthodologies de calcul et des bonnes pratiques pour mesurer et réduire l’impact environnemental de l’IA ainsi que permettre aux entreprises de communiquer de manière transparente sur leur système d’IA.

Le groupe de travail pour le développement de ce référentiel a été lancé en janvier 2024, dans le cadre de la Stratégie Nationale pour l’IA. Co-piloté par l’AFNOR et l’Ecolab du Commissariat Général au Développement Durable, il est le fruit de six mois de travaux auxquels ont contribué le groupe La Poste, Hub France IA, l’ADEME, et EcoInfo, soutenus par une quarantaine d’organisations.

Une méthodologie rigoureuse pour évaluer l’impact environnemental

Le référentiel propose une méthodologie exhaustive basée sur une approche de cycle de vie pour évaluer les impacts environnementaux des systèmes d’IA. Il contient 31 fiches de bonnes pratiques et des recommandations pour communiquer de manière juste sur le caractère frugal des services d’IA.

Des outils pratiques pour les entreprises

Pour faciliter l’adoption de ces bonnes pratiques, le référentiel met à disposition une boîte à outils opérationnelle, spécifiquement conçue pour les équipes data/IA et RSE (Responsabilité Sociétale des Entreprises). Cette boîte à outils vise à guider les entreprises dans la mise en œuvre des recommandations et à intégrer des critères environnementaux dans leurs politiques d’achat de services d’IA, en particulier pour les marchés publics.

Principe de l’IA frugale

L’IA frugale se définit par la nécessité de développer des systèmes d’IA qui consomment le moins possible tout en évitant l’effet rebond, où une IA plus efficiente pourrait entraîner une utilisation accrue et donc un impact environnemental plus élevé. Pour le groupe de travail, la notion de frugalité passe par le développement de l’IA, mais aussi par la redéfinition des besoins (qu’est-ce qui est nécessaire ?) et des usages (comment mieux utiliser l’IA ?). Selon lui, un système d’IA frugale est un système pour lequel :

• la nécessité de recourir à un système d’IA plutôt qu’à une autre solution moins consommatrice pour répondre au même objectif a été démontrée ;
• de bonnes pratiques sont adoptées par le producteur, le fournisseur et le client pour diminuer les impacts environnementaux du service utilisant un algorithme d’IA ;
• les usages et les besoins visent à rester dans les limites planétaires et ont été préalablement questionnés.

Exemple de calcul d’impact environnemental

L’annexe 3 du référentiel présente un exemple concret de calcul des coûts environnementaux pour les modèles d’inférence et d’entraînement du service d’IA générative Stable Diffusion. Ce calcul prend en compte divers paramètres tels que :

• L’équipement et son empreinte environnementale (fabrication, transport, fin de vie) ;
• L’impact environnemental du mix électrique local ;
• L’efficacité énergétique des centres de données ;
• L’allocation du temps d’usage de l’équipement sur sa durée de vie.

Cette méthodologie inclut également le coût environnemental de l’inférence, des entraînements, des réentraînements, et autres coûts fixes, permettant ainsi une évaluation globale et précise de l’empreinte écologique des systèmes d’IA.

Vers une communication transparente

Pour éviter le greenwashing (écoblanchiment) et assurer une communication transparente, le référentiel recommande une évaluation quantitative des indicateurs environnementaux et une communication claire sur le caractère frugal des services d’IA. Les développeurs ou fournisseurs devront donc apporter ces informations en :

• fournissant une évaluation précise des impacts environnementaux sur le cycle de vie ;
• informant sur les effets négatifs potentiels et les contre-mesures mises en place ;
• communiquant sur les bénéfices environnementaux tout en mentionnant les possibles transferts d’impact.

Vers un modèle universel

L’ambition du groupe de travail est que ce référentiel devienne un modèle universel pour la gestion de l’impact environnemental de l’IA et, dans ce but, entend le promouvoir aux niveaux européen et international (ISO).

Pour consulter gratuitement le référentiel, cliquer ici.

Intelligence artificielle, machine learning… Ces “buzzwords” sont devenus des incontournables du vocabulaire technologique, mais combien de personnes comprennent réellement leur signification profonde ? Avant de nous aventurer plus loin dans cet article pour comprendre comment ces technologies peuvent être mises au service du e-commerce, prenons le temps de dissiper le mystère qui les entoure.

L’intelligence artificielle (IA) se caractérise par la création d’algorithmes informatiques capables d’accomplir des tâches avec une “certaine” intelligence. Ce domaine est très vaste et regroupe des dizaines de champs d’études comme par exemple les systèmes distribués (systèmes multi-agents), la résolution de problèmes d’optimisation (métaheuristique), la construction de systèmes experts, la satisfaction de contraintes ou encore la planification.

Le machine learning est l’un de ces champs d’étude de l’IA. Les algorithmes de machine learning ont la capacité d’apprendre de la donnée et d’en extraire de l’information pertinente grâce à l’application de règles statistiques qui définissent un modèle d’apprentissage. Avec le machine learning, le développeur ne code plus directement le moyen de résoudre un problème mais le moyen d’apprendre à résoudre le problème sur la base de données.

L’apprentissage automatique se décompose généralement en deux phases fondamentales : l’apprentissage et la prédiction. Durant la phase d’entraînement, l’algorithme ajuste ses paramètres en utilisant un ensemble de données, apprenant ainsi les modèles et relations sous-jacents présents dans les données. Une fois le modèle entraîné, il peut être déployé pour effectuer des prédictions ou prendre des décisions sur de nouvelles données au cours de la phase d’inférence.

Lorsque l’on sait qu’un site e-commerce gère une large gamme de produits, attire de nombreux utilisateurs effectuant diverses actions (navigation, expression d’un intérêt pour les produits, achats) et que tout cela génère une quantité considérable de données… On réalise immédiatement le potentiel significatif des algorithmes de machine learning dans la compréhension du comportement du visiteur et, par conséquent, dans l’amélioration directe de l’expérience client et l’optimisation des ventes.

Pour garantir l’efficacité de ces algorithmes, deux ingrédients sont nécessaires : des données de qualité et des contextes d’utilisation spécifiques. En voici quelques exemples concrets.

Le machine learning pour optimiser la recherche de produits

En matière de search, le machine learning peut être employé de différentes manières :

– Pour optimiser la compréhension automatique du sens sémantique d’une requête.
Illustrons cela avec une recherche vocale. Lorsqu’un visiteur exprime “Je voudrais un canapé gris s’il te plaît”, le moteur de recherche, basé sur le machine learning, peut discerner que les termes importants sont “canapé gris” et que “gris” correspond à une couleur, en mettant de côté le reste de la phrase. Grâce à des technologies issues du NLP (Natural Language Processing) ou plus récemment grâce aux LLMs (Large Language Models), le moteur de recherche a la capacité de comprendre sémantiquement l’utilisateur, même si la phrase est formulée en langage naturel, de manière complexe.

– Pour proposer des produits en cas d’expression de recherche inconnue.
En cas d’expression de recherche inconnue, il est envisageable d’utiliser un algorithme de réouverture. Celui-ci permet de présenter des articles pertinents même s’ils sont désignés avec des termes différents. Par exemple, si un visiteur saisit “sombrero”, le site marchand pourra proposer des bonnets en hiver ou des chapeaux de paille en été. Cette capacité résulte du fait que le machine learning comprend sémantiquement que “sombrero” est proche de “bonnet” ou de “chapeau”.

Un autre aspect de l’application de ces algorithmes consiste à personnaliser le parcours client.

Les algorithmes de machine learning ouvrent des perspectives en matière de personnalisation

Celle-ci peut se faire notamment au niveau du ranking de produits et se manifeste dans divers contextes :

– la saisonnalité : le ranking peut varier en accord avec les saisons. Par exemple, si les visiteurs cherchent des pulls en été, le système privilégiera des articles plus légers, tandis qu’en hiver, il mettra en avant des pulls plus épais et chauds.

– l’appétence utilisateur : lorsque ce dernier effectue des recherches de produits pour hommes puis saisit le terme “chaussures”, les résultats de recherche pourront être orientés vers les chaussures destinées aux hommes.

– le profil utilisateur : il est possible d’apprendre à classifier les clients et définir des profils types qui serviront ensuite à personnaliser les réponses du moteur de recherche ou des algorithmes de recommandation, voire à créer des listings de produits personnalisés sur la page d’accueil par exemple.

– les mots clés tapés : lorsque l’utilisateur saisit “jean”, le moteur de recherche comprend qu’il cherche principalement des pantalons plutôt que des vestes en jean, une déduction tirée de son apprentissage des attentes des utilisateurs. En ajustant le ranking en fonction des mots clés, le machine learning organise les produits de manière pertinente, en intégrant par exemple des notions de best-sellers.

La personnalisation peut également s’étendre à d’autres aspects, comme par exemple dans:

– les fiches produits : des suggestions peuvent être faites pour des produits populaires qui se marient bien avec celui que l’utilisateur visualise. Cette fonctionnalité repose sur des algorithmes de type cross-sell, identifiant les produits fréquemment achetés ensemble. De plus, il est possible d’afficher les choix d’autres clients qui ont acheté le même produit, offrant ainsi des suggestions complémentaires pour un panier. Une autre possibilité serait de suggérer des articles similaires, mais dans une gamme de prix supérieure (up sell).

– la page d’accueil : des produits personnalisés peuvent être proposés à l’utilisateur en fonction de son historique. Cela peut se faire de différentes manières : en ouverture pour lui faire découvrir des articles qu’il ne connaît pas encore mais qui pourraient l’intéresser, ou en fermeture pour lui suggérer des produits qu’il a déjà achetés ou qu’il acquiert fréquemment. Cette approche est particulièrement pertinente dans l’alimentaire, où la recommandation de produits réguliers facilite l’expérience d’achat.

Les scénarios d’utilisation mentionnés se concentrent sur des améliorations directes de l’expérience client. Parallèlement, le machine learning peut également contribuer à fournir aux personnes qui gèrent le site marchand des pistes d’amélioration de leurs tâches professionnelles.

Les algorithmes de machine learning : des alliés puissants pour les e-merchandiseurs

Considérons une situation où un groupe de produits semble mal ventilé au sein d’une catégorie. Les algorithmes de machine learning ont la capacité de détecter cette situation et de la signaler. Une intervention humaine serait ensuite nécessaire pour évaluer et qualifier la catégorie. De plus, les algorithmes peuvent également repérer des catégories qui manquent de pertinence, regroupant une variété de produits sans lien significatif et suggérer de la diviser en sous-catégories plus spécifiques.

Ces algorithmes offrent également aux e-merchandiseurs des suggestions de synonymes pertinents à intégrer dans le Back Office. Cette fonctionnalité repose sur l’analyse des zéro résultats des utilisateurs, permettant ainsi une optimisation fine des résultats de recherche. Par exemple, la proposition de synonymes tels que ‘applique murale’ pour ‘luminaire’, ou encore ‘chemise de nuit’ pour ‘nuisette’, démontre la capacité de ces technologies à anticiper et répondre aux attentes des clients.

En conclusion

L’expertise des algorithmes de machine learning réside dans leur aptitude à assimiler finement les comportements des utilisateurs, à identifier des tendances, à classifier et à révéler des corrélations significatives entre les produits. Cette capacité en fait des outils incontournables pour optimiser l’expérience globale des utilisateurs, en particulier dans les domaines de la recherche et de la recommandation. Ils ouvrent ainsi la voie à une expérience utilisateur plus immersive et personnalisée, contribuant de manière conséquente à maximiser le taux de conversion sur le site marchand.

À quoi ressemblera le futur de la recherche en ligne ? Il est certain qu’il ne se limitera plus aux requêtes par mots-clés telles que nous les connaissons aujourd’hui. Les évolutions récentes de l’intelligence artificielle, notamment dans le domaine de l’IA générative ; comme par exemple les LLMs (modèles de langage naturel capables de comprendre et générer du texte humain) utilisés par ChatGPT ; ouvrent la voie à de nouvelles perspectives.

Ces avancées technologiques offrent des opportunités de réinventer la manière dont nous utilisons les moteurs de recherche et pourraient évoluer vers une interaction plus directe, où la discussion avec les moteurs de recherche deviendrait aussi naturelle que celle avec un vendeur physique en magasin.

Demain, l’expérience utilisateur sur les sites web pourrait subir une transformation majeure, marquant une évolution significative par rapport à nos habitudes actuelles.

RunwayML, pionnier dans les outils de création multimédia alimentés par l’IA, a récemment annoncé la prochaine sortie de Gen-3 Alpha. Ce modèle de fondation, offrant des améliorations majeures en termes de fidélité, de cohérence et de mouvement par rapport à son prédécesseur, Gen-2, est présenté par la start-up comme le premier d’une série de modèles entraînés sur une nouvelle infrastructure conçue pour l’entraînement multimodal à grande échelle.

Gen-3 Alpha, dont le prédécesseur a été lancé en juin 2023, a été entraîné conjointement sur des vidéos et des images. Il alimentera, selon Runway, ses outils Text-to-Video, Image-to-Video et Text-to-Image, les modes de contrôle existants tels que Motion Brush, les commandes avancées de la caméra, le mode réalisateur ainsi que les outils à venir pour un contrôle plus précis de la structure, du style et du mouvement.

Une étape vers la construction de modèles généraux du monde

Gen-3 Alpha est, selon la start-up, une avancée vers ce qu’elle appelle un “General World Model”, un système d’IA qui construit une représentation interne d’un environnement et l’utilise pour simuler des événements futurs dans cet environnement. Un tel modèle sera capable de représenter et de simuler un large éventail de situations et d’interactions, comme celles rencontrées dans le monde réel.

Il devra non seulement capturer la dynamique du monde, mais aussi la dynamique de ses habitants, ce qui implique également de construire des modèles réalistes du comportement humain.

L’entraînement de Gen-3 Alpha est le fruit d’une collaboration entre une équipe interdisciplinaire de chercheurs, d’ingénieurs et d’artistes.

Gen-3 Alpha permet la génération de vidéos de 5 à 10 secondes basées sur des invites créatives complexes, comme celles-ci :

• Reflets subtils d’une femme sur la fenêtre d’un train roulant à grande vitesse dans une ville japonaise ;
• Travelling à l’épaule la nuit, suivant un ballon bleu sale flottant au-dessus du sol dans une vieille rue européenne abandonnée.

Il a été entraîné avec des légendes très descriptives et temporellement denses, ce qui lui permet de passer d’une scène à une autre de manière créative et fluide, tout en maintenant une narration cohérente par rapport à l’invite. Le modèle est également très bon dans la génération  de personnages humains photoréalistes, expressifs et dotés d’un large éventail d’actions, de gestes et d’émotions, offrant ainsi des opportunités pour la narration immersive.

Sécurité et intégrité du contenu généré renforcées

Runway a intégré des mesures de protection robustes dans Gen-3 Alpha. La start-up a amélioré son système de modération visuelle interne pour surveiller et filtrer le contenu généré, afin de s’assurer qu’il respecte les normes éthiques et ne contienne pas de matériel inapproprié ou offensant. Elle a également adopté les normes C2PA (Coalition for Content Provenance and Authenticity) qui attestent de l’origine et de l’authenticité d’un contenu.

Des modèles Gen-3 personnalisés

Runway dit avoir établi des partenariats avec des organisations de divertissement et de médias de premier plan pour créer des versions personnalisées de Gen-3 Alpha, qui permettent d’obtenir des personnages plus cohérents et plus contrôlés sur le plan stylistique, et ciblent des exigences artistiques et narratives spécifiques, entre autres fonctionnalités.

La start-up n’a toutefois pas précisé la date de sortie du modèle.

“Permettre aux entreprises de concilier innovation et respect des droits des personnes” : tel est l’objectif que la CNIL (Commission Nationale de l’Informatique et des Libertés) poursuit avec ses recommandations. Après avoir soumis une première série de fiches pratiques à consultation publique en 2023, à l’issue de laquelle elle a publié le 8 avril dernier ses premières recommandations sur l’application du RGPD au développement des systèmes d’IA, elle lance une nouvelle consultation publique portant sur une deuxième série de fiches pratiques et un questionnaire consacré à l’encadrement du développement des systèmes d’IA.

Pour la CNIL, le RGPD a vocation à s’appliquer à l’ensemble des traitements de données personnelles, à la fois dans le secteur public et le secteur privé, à l’exception toutefois des traitements relevant du régime spécifique aux secteurs “police-justice” ou du régime intéressant la défense nationale ou la sûreté de l’État.

Les principaux acteurs français de l’IA, qu’il s’agisse d’entreprises, de laboratoires ou encore des pouvoirs publics, rencontrés par la CNIL, ont fait remonter un fort besoin de sécurité juridique mais aussi des inquiétudes liées au RGPD : selon certains, ses principes de finalité, de minimisation, de conservation limitée et de réutilisation restreinte freineraient voire empêcheraient certaines recherches ou applications de l’intelligence artificielle. Les 7 premières fiches ont donc abordé ces problèmes et ont également clarifié certaines règles applicables à la recherche scientifique, à la réutilisation de bases de données ou à la réalisation d’analyse d’impact sur la protection des données (AIPD).

Dans la continuité de ces travaux et afin d’apporter des réponses complémentaires aux interrogations partagées par les professionnels, les 7 fiches de cette seconde consultation traitent plusieurs questions majeures d’innovation et de protection :

• L’encadrement du web scraping : le développement des systèmes d’IA nécessite souvent l’accès à des bases de données volumineuses, collectées en ligne. Le web scraping, largement utilisé pour cette collecte, doit être rigoureusement encadré pour respecter les droits des personnes dont les données sont utilisées. La CNIL propose de centraliser un registre volontaire pour améliorer l’information des personnes concernées et faciliter l’exercice de leurs droits ;
• Open source, transparence et collaboration : la publication de modèles d’IA en open source est bénéfique pour la transparence et la collaboration au sein de l’écosystème IA. Elle permet la vérification par les pairs et l’amélioration continue des modèles. Toutefois, cette pratique doit être accompagnée de garanties pour prévenir les utilisations malveillantes et assurer la sécurité des données. La CNIL insiste sur la nécessité de suivre les modèles et leurs évolutions pour permettre une information et un exercice des droits effectifs ;
• Base légale d’intérêt légitime : l’intérêt légitime est souvent mobilisé comme base légale pour le traitement des données personnelles dans le développement de l’IA. Cette base exige une évaluation rigoureuse des risques pour les personnes et la mise en œuvre de conditions spécifiques pour protéger leurs données. La CNIL fournit des éléments concrets pour aider les responsables de traitement à respecter ces exigences, notamment lors de l’utilisation de techniques de web scraping ou de la publication de modèles en open source ;
• Information et exercice du droit des personnes : la CNIL souligne l’importance de placer l’information et l’exercice des droits des individus au cœur des systèmes d’IA qui utilisent des données personnelles. Pour être en conformité, les développeurs doivent informer clairement les personnes concernées sur l’utilisation de leurs données et permettre l’exercice effectif de leurs droits, comme le droit à l’information, à la rectification et à la suppression. La CNIL fournit des directives pour aider à respecter ces obligations et précise les situations où des dérogations sont possibles. Elle aborde aussi les défis posés par les droits individuels face à la nature statistique des IA, en offrant des solutions pour le droit de rectification et de suppression.

Applicabilité du RGPD aux modèles d’IA

La question de l’application du RGPD aux modèles d’IA eux-mêmes se pose, notamment en ce qui concerne la sécurisation des modèles et la protection contre la mémorisation et l’extraction des informations issues de l’entraînement. La CNIL sollicite les avis des professionnels via un questionnaire dédié de cette consultation publique.

Pour la CNIL :

“Le développement de systèmes d’IA est conciliable avec les enjeux de protection de la vie privée. Plus encore, la prise en compte de cet impératif permettra de faire émerger des dispositifs, outils et applications éthiques respectueux des droits et libertés fondamentaux. C’est à cette condition que les citoyens feront confiance à ces technologies”.

Si vous désirez contribuer à ses travaux, la consultation publique est ouverte jusqu’au 1er septembre prochain. Vous pouvez retrouver les 7 fiches soumises à consultation ici et retrouver le formulaire de participation via ce lien.

Les modèles de langage ont fait d’énormes progrès ces dernières années et sont désormais capables de générer un contenu textuel souvent indiscernable de celui écrit par des humains. Deux chercheurs du Département des sciences cognitives de l’Université de Californie à San Diego, ont voulu savoir si deux d’entre eux, GPT-3,5 et GPT-4 ainsi qu’un programme de traitement du langage naturel des années 60, Eliza, pouvaient duper un humain, l’amenant à croire qu’ils étaient eux-mêmes un humain : le fameux Test de Turing. GPT-4 l’a passé avec brio, obtenant un score impressionnant de 54%.

Alan M Turing était un mathématicien britannique visionnaire, dont les travaux pionniers ont jeté les bases de l’informatique moderne et façonné le développement de l’intelligence artificielle. Le prestigieux Prix Turing, considéré comme le prix Nobel de l’informatique, a été créé pour lui rendre hommage. Il est notamment célèbre pour sa contribution décisive au décryptage du code allemand Enigma pendant la Seconde Guerre mondiale.

Dans son article “Computing Machinery and Intelligence”, publié en octobre 1950, Alan M Turing proposait un “jeu d’imitation” visant à déterminer si une machine peut se faire passer pour un humain au cours d’une conversation textuelle. Si un interrogateur humain ne peut différencier la machine de l’humain dans plus de 30 % des cas au bout de cinq minutes d’interaction, la machine a réussi ce test, dénommé par la suite test de Turing.

Si Eliza, qui a été également évaluée lors de cette étude, n’y a pas été soumise, d’autres programmes informatiques ont été déclarés comme ayant réussi le test de Turing ou des variantes de celui-ci. En 1970, Parry, un programme créé par Kenneth Colby, qui se faisait passer pour un patient schizophrène paranoïaque, a réussi à tromper certains experts en psychiatrie. Il est considéré comme une étape importante dans le domaine de la simulation de comportements humains complexes et le précurseur des chabots que nous connaissons aujourd’hui.

Vladimir Veselov, Eugene Demchenko et Sergey Ulasen ont développé en 2001 un agent conversationnel, Eugène Goostman, prétendant être un garçon ukrainien de 13 ans. En 2014, lors d’un concours à l’Université de Reading, Eugene Goostman a trompé 33% des juges en leur faisant croire qu’il était humain, ce qui a été présenté comme un passage du test de Turing. Cependant, cette assertion a suscité des débats sur la définition précise et les critères du test.

GPT-4 passe le test de Turing avec succès

Dans leur étude intitulée “People cannot distinguish GPT-4 from a human in a Turing test”, Benjamin K. Bergen, chercheur principal au laboratoire de langage et cognition de l’UC et Cameron R. Jones, qui y est doctorant, ont évalué 3 systèmes d’IA (ELIZA, GPT-3.5 et GPT-4) dans un test de Turing randomisé, contrôlé et préenregistré.

Les chercheurs ont recruté 500 participants sur la plateforme en ligne Prolific qui ont été répartis de manière aléatoire en cinq groupes distincts. Le premier avait pour mission de démontrer à ses interlocuteurs qu’il était réellement un humain, les quatre autres de déterminer après une conversation de cinq minutes, s’ils avaient interagi avec un humain ou un système d’IA.

Les chiffres de l’étude

Seulement 22 % des participants ont cru qu’ELIZA était humain. Ce programme informatique historique développé par Joseph Weizenbaum entre 1964 et 1966 simule une conversation de psychothérapeute, ses réponses sont prédéfinies en utilisant des mots-clés dans les interactions avec les patients.

GPT-3,5 a obtenu un score plus qu’honorable avec 50%, mais GPT-4 l’a surpassé avec 54%. Ils sont toutefois en deça du groupe humain qui a réussi à convaincre les autres participants à l’étude qu’il était bien un humain (67%).

Implications

Pour les chercheurs, les résultats suggèrent que les facteurs stylistiques et socio-émotionnels sont plus déterminants pour la réussite du test de Turing que les notions traditionnelles d’intelligence. La manière dont une IA communique, son style et sa capacité à gérer les aspects émotionnels des conversations jouent donc un rôle crucial dans la perception de son humanité.

Ces résultats alimentent les débats sur ce qui constitue réellement l’intelligence artificielle. Si une IA peut être perçue comme humaine sans atteindre une intelligence générale équivalente à celle des humains, cela soulève des questions sur les critères d’intelligence et de conscience.

D’autre part, ils suggèrent que la tromperie des systèmes d’IA actuels pourrait passer inaperçue, entraînant des risques de mésinformation et de manipulation. D’ailleurs, une récente étude de l’École polytechnique fédérale de Lausanne (EPFL)  a mis en lumière le pouvoir de persuasion des grands modèles de langage (LLM) lors des interactions en ligne. Les chercheurs ont démontré que lorsqu’on fournissait des informations personnelles à GPT-4 sur son interlocuteur, le modèle adaptait ses arguments de façon bien plus efficace qu’un être humain pour le faire changer d’avis.

Références de l’article : “People cannot distinguish GPT-4 from a human in a Turing test”, arXiv :2405.08007

Auteurs et affiliations: Benjamin K. Bergen et Cameron R. Jones, Département des sciences cognitives de l’Université de Californie à San Diego

Les technologies d’IA, de ML et d’automatisation sont en train de remodeler en profondeur les industries. Une récente enquête de Deloitte indique que 93 % des entreprises manufacturières estiment que l’IA sera une technologie clé pour stimuler la croissance et l’innovation.

L’industrie manufacturière a tout à gagner car elle s’appuie sur différents systèmes d’ingénierie qui génèrent de grandes quantités de données, lors de la curation des données, de la conception, ou encore lors de la création de modèles d’IA dans la fabrication des produits. Ces systèmes peuvent être liés à la gestion du cycle de vie des produits (PLM), la planification des ressources de l’entreprise (ERP), ou encore le pilotage de la production (MES). En outre, il existe une grande diversité de données dans l’écosystème des fournisseurs, des équipementiers, des régulateurs et d’autres parties prenantes.

D’autre part, les fusions et acquisitions courantes dans cette industrie, entraînent la nécessité d’intégrer constamment de nouveaux concepts, de nouvelles données et une nouvelle culture au sein des entreprises.

L’IA et le Machine Learning (ML) au service des résultats de l’entreprise

Au cours des dernières années, l’IA et l’automatisation ont eu un impact significatif sur l’industrie manufacturière en offrant la possibilité d’examiner les données historiques, de les nettoyer et de les rationaliser. L’IA peut supprimer les informations en double et réduire le nombre de biais afin d’assurer la normalisation de la base de données.

Les systèmes traditionnels d’ingénierie ont permis jusqu’à aujourd’hui de traiter, conserver et réutiliser les connaissances existantes. Ces systèmes transitent vers l’IA de nouvelle génération. Ils offrent une plus grande précision et une meilleure traçabilité, qui sont des atouts importants pour la recherche et le développement de la plupart des chaînes de valeur des produits. Les grands modèles de langage permettent désormais d’apporter l’échelle nécessaire au traitement et à l’extraction des connaissances à chaque fois que cela est nécessaire.

Les algorithmes d’IA peuvent piloter des analyses prédictives de la demande et de l’offre en utilisant des modèles ML simples, des modèles de réseaux neuronaux ou des réseaux neuronaux profonds.

Intégration et centralisation des données

Les outils alimentés par l’IA peuvent collecter et intégrer des données provenant de divers systèmes d’enregistrement, tels que les logiciels de CAO/FAO, les appareils IoT, les systèmes ERP, et plus encore, et compléter les entreprises grâce à leurs capacités d’IA. Par exemple, un réseau neuronal artificiel a été utilisé pour une entreprise aérospatiale mondiale afin d’aider à équilibrer les moteurs d’avion.

Nettoyage et préparation des données

L’automatisation peut contribuer au nettoyage et à la préparation des données pour l’analyse, en réduisant les efforts manuels et le temps requis pour le nettoyage des données. Par exemple, une classification et un résumé de documents juridiques ont été fournis à une entreprise d’informatique et d’électronique grand public.

Maintenance prédictive

Les modèles de maintenance prédictive pilotés par l’IA analysent les données provenant de capteurs et d’appareils IoT pour prédire quand un équipement ou une machine est susceptible de tomber en panne. Par exemple, une société minière mondiale utilise des camions lourds de type mammouth pour transporter le minerai. Un travail a été mené avec leurs équipes pour développer les modèles de diagnostic et de pronostic pour les camions afin d’identifier et de prédire les défaillances. L’ensemble du processus a été développé dans le cadre d’un projet de retour sur investissement.

Recommandations contextuelles et optimisation des performances

L’ingénierie des connaissances peut être utilisée pour développer des systèmes de recommandation qui fournissent aux utilisateurs des contenus, des produits ou des services pertinents en fonction de leurs préférences et de leur comportement. Cela peut grandement améliorer l’expérience de l’utilisateur en rendant les interactions plus efficaces et plus satisfaisantes.

Le contrôle et l’optimisation des performances des produits par le biais de tests utilisateurs permettent d’identifier et de résoudre les problèmes qui ont une incidence sur l’expérience des utilisateurs, ce qui débouche sur des conceptions plus accessibles.
Les ingénieurs logiciels peuvent développer des solutions logicielles personnalisées et des outils d’automatisation qui rationalisent divers processus de fabrication. Cela permet de réduire le travail manuel, de minimiser les erreurs et de garantir une qualité constante des produits, ce qui améliore l’expérience des opérateurs et des utilisateurs finaux.

Maximiser le potentiel de l’IA

Il n’est pas facile pour les fabricants d’intégrer les capacités de l’IA dans leurs systèmes et infrastructures existants. Il existe une résistance culturelle, un manque de talent et l’incapacité d’absorber les nouveaux algorithmes d’IA dans les systèmes existants. Ainsi, il est essentiel de préparer l’organisation à surmonter les obstacles, à conduire le changement et à favoriser une culture de l’innovation pour que l’adoption de l’IA soit couronnée de succès. Les chefs d’entreprise doivent ainsi identifier les freins technologiques qui entravent l’adoption de l’IA, telles que l’infrastructure obsolète, le manque de talents qualifiés ou les problèmes de cybersécurité, la croissance future de l’entreprise, et y remédier par le biais d’investissements et de formations.

Les leaders du secteur doivent ainsi devenir les fers de lance de l’innovation et du changement. Il se doivent de créer des espaces et des processus qui encouragent les employés à réfléchir, à expérimenter et à proposer des idées novatrices. Aussi, ils doivent mettre en place les formations nécessaires pour leurs employés et tirer ainsi pleinement parti des nouvelles technologies pour prendre les devants sur le secteur.

En février dernier, OpenAI dévoilait Sora, un modèle Text-to-Video capable de générer des vidéos très réalistes allant jusqu’à une minute, surpassant ainsi les modèles existants qui produisaient des vidéos de quelques secondes. Le mois dernier, lors de la conférence Google I/O 2024, Google a présenté VEO, étendant les capacités de génération vidéos de Sora à plus d’une minute. Aujourd’hui, ces deux modèles ont un sérieux concurrent : Kling, développé par l’entreprise chinoise Kuaishou Technology, qui génère des vidéos allant jusqu’à 2 minutes.

Kuaishou est surtout connu pour sa plateforme de partage de vidéos courtes, qui permet aux utilisateurs de créer, partager et visionner des vidéos de courte durée. Lancée en 2011, Kuaishou est devenue le second réseau social le plus populaire en Chine derrière TikTok et a également gagné en popularité à l’international, opérant sous le nom de Kwai dans certains marchés. L’application propose une grande variété de contenus, allant des vidéos de divertissement et des défis viraux aux tutoriels et aux vlogs personnels.

En parallèle, l’entreprise a mis en place une stratégie d’IA l’an passé, notamment dans le domaine de l’IA générative : son équipe dédiée a présenté en août 2023 sa famille de LLM KwaiYii et plus récemment son modèle texte-image Kolors.

Le dernier né de Kuaishou, Kling, actuellement en phase d’essai, permet de convertir du texte en clips vidéo d’une durée maximale de 2 minutes avec une résolution de 1080p et une fréquence de 30 images par seconde grâce, selon la société, “à une infrastructure d’entraînement efficace, une optimisation extrême de l’inférence et une infrastructure évolutive”.

Kling, tout comme Sora, est un modèle de diffusion utilisant une architecture de transformer et possédant une compréhension approfondie de la sémantique texte-vidéo. Une stratégie d’entraînement à résolution variable lui permet de prendre en charge divers formats d’image. D’après Kuaishou, il peut simuler avec précision les propriétés du monde physique grâce à une architecture auto-développée en interne et à de puissantes capacités de modélisation inspirées de la loi de mise à l’échelle physique du monde réel.

Le modèle adopte un mécanisme d’attention conjointe spatio-temporelle 3D, ce qui lui permet de mieux modéliser des mouvements spatio-temporels complexes. La technologie de reconstruction 3D du visage et du corps humain développée en interne (3D VAE) améliore l’expression des visages et du corps, et ce, à partir d’une seule image.

Kuaishou publie une série de vidéos de démonstration sur son site :

certaines ont été partagées également sur X :

2. Traveling by train, viewing all sorts of landscapes through the windowpic.twitter.com/WqF9rlJxbh

— Angry Tom (@AngryTomtweets) June 6, 2024

Des modèles tels que Kling ont le potentiel de transformer l’industrie du cinéma, preuve en est la projection samedi prochain des “Sora Shorts”, une série de courts métrages créés avec l’aide de Sora, par cinq cinéastes ayant eu un accès anticipé au modèle d’OpenAI, dans le cadre du Tribeca Film Festival, un festival de cinéma indépendant américain.

En 2023, le marché mondial de la géolocalisation a atteint une valeur de 18,52 milliards de dollars et pourrait enregistrer une croissance annuelle de 15,6 % sur la période 2023-2030, selon Grand View Research. La croissance du marché en France peut être expliquée par plusieurs facteurs, les services de géolocalisation devenant rapidement un aspect essentiel de la vie quotidienne de nombreuses personnes, avec une dépendance accrue aux logiciels de navigation, aux applications de covoiturage ou aux mises à jour des transports en temps réel.

L’intelligence de localisation joue un rôle décisif en connectant les éléments de données existants au contexte géospatial environnant. Dans un monde de plus en plus data driven, les données spatiales offrent une valeur ajoutée incontestable. Tous les points de données entretiennent des liens avec le monde physique, que ce soit à travers les domiciles ou les adresses professionnelles des clients. Elles peuvent révéler des informations sur leurs revenus probables, leur situation familiale et leur mode de vie. Les entreprises, qu’elles soient clientes ou concurrentes, opèrent sur divers marchés et dans différents domaines de services. De même, les modèles météorologiques et de circulation, en s’étendant dans le temps et l’espace, fournissent des informations précieuses aux décideurs qui ont à leur disposition les données et les outils appropriés.

Les cas d’utilisation des données géospatiales sont pratiquement illimités. Les institutions financières y recourent pour détecter les anomalies et identifier les potentiels cas de fraude, par exemple. En combinant des données météorologiques en temps réel avec des informations sur les assurés, ils sont en mesure d’avertir leurs clients de l’imminence d’un ouragan, d’une tempête ou d’un événement similaire. Enfin, les opérateurs de télécommunications s’appuient pour leur part sur la géolocalisation pour une meilleure compréhension des besoins des clients et pour s’assurer de l’optimisation de la planification du réseau. Trois principales tendances émergent ainsi en matière d’intelligence de localisation observées pour 2024.

Les informations de localisation, gage de meilleurs résultats en matière d’IA

L’intelligence artificielle révolutionne le fonctionnement des entreprises dans tous les secteurs d’activité. Il est nécessaire de garantir que les données utilisées pour l’apprentissage des modèles d’IA soient intègres, avec une précision, une cohérence et un contexte des plus exigeants, afin d’optimiser les performances.

Sans contexte des nuances et des dépendances d’un scénario réel donné, l’IA peut finir par baser ses recommandations sur une partie infime de la situation globale. Cela peut conduire à des résultats incomplets, inexacts ou non pertinents du point de vue du contexte, avec des conséquences potentiellement dangereuses par la suite.

Pour mieux comprendre les comportements d’achat des clients et autres acteurs du marché, les entreprises doivent ainsi utiliser des données de localisation pour enrichir leurs modèles. Cette pratique relie l’emplacement des consommateurs à diverses données, améliorant ainsi l’efficacité du modèle. Il est donc nécessaire d’intégrer des jeux de données tiers et des informations spatiales pour augmenter la valeur, la précision et l’utilité des données pour les applications d’IA.

Le geo addressing au service du succès de la livraison du dernier kilomètre

Pour répondre aux attentes croissantes des consommateurs en matière de livraison rapide et fiable, les entreprises doivent intégrer des données de localisation dans leurs processus logistiques afin d’optimiser la livraison du dernier kilomètre. C’est la dernière étape cruciale du parcours d’un colis, généralement lorsqu’il quitte un centre de distribution pour atteindre sa destination finale. Les livraisons à domicile sont devenues si courantes au quotidien qu’elles passent souvent inaperçues, jusqu’à ce qu’un problème ne survienne. La montée en popularité des services de livraison alimentaire et des achats en ligne proposant la livraison le jour même, ont en effet élevé encore davantage le niveau d’attente : les consommateurs recherchent de manière croissante des expériences rapides, abordables et sans erreur.

De plus, les problèmes de livraison du dernier kilomètre émanent souvent de données d’adresse incomplètes. Par exemple, en cas d’informations de livraison incomplètes, le livreur ne peut mener sa mission à bien ou accuser des retards sur son planning, voire celui de collègues contraints de prendre le relais; affectant à la fois l’expérience des clients et des livreurs eux-mêmes.

Ainsi, les entreprises intègrent de plus en plus des solutions de geo addressing et d’enrichissement des données pour obtenir des informations pertinentes sur leurs clients. Le geo addressing combine le géocodage avec la vérification et l’auto-complétion des adresses, assurant ainsi des livraisons réussies et une expérience client fluide.

L’intelligence de localisation, moteur de l’intégrité des données

Cependant, afin de maximiser le potentiel des données de localisation, les entreprises doivent d’abord s’attaquer à la qualité de leurs données. Nous avons pu constater que 41% reconnaissent que la mauvaise qualité des informations de localisation constitue le principal frein à l’utilisation optimale des données de localisation dans leur organisation. Il est crucial de normaliser et de vérifier les données pour garantir leur adéquation à leur utilisation prévue.

En somme, l’impact des données de localisation repose sur un solide cadre de gouvernance des données, alignant le personnel, les processus et la technologie pour permettre aux entreprises de comprendre et de faire confiance aux données et métadonnées de localisation pour répondre à leurs impératifs. En abordant les problèmes de qualité des données et en éliminant les silos, les entreprises peuvent avancer vers le parcours pour l’intégrité de leurs données.

La cigarette électronique ou e-cigarette, apparue en 2007, est souvent présentée comme une aide au sevrage du tabagisme. Les puffs, cigarettes électroniques jetables, contenant ou non de la nicotine, aux arômes sucrés, de fruits, de chocolat ou de barbe à papa, sont particulièrement prisées des jeunes. Une récente étude montre que ces arômes, s’ils ne présentent pas de danger dans l’alimentation, peuvent être nocifs lorsqu’ils sont chauffés lors du vapotage.

Le vapotage, ou inhalation de vapeur produite par le chauffage des e-liquides, a émergé  comme une alternative à la cigarette traditionnelle. Initialement conçus pour contenir principalement de la nicotine, du propane-1,2-diol, du propane-1,2,3-triol et de l’eau, les e-liquides ont rapidement évolué pour inclure une vaste gamme d’arômes chimiques, suscitant des préoccupations quant à leur décomposition thermique et aux risques pour la santé associés. La décomposition par pyrolyse de ces arômes pourrait en effet produire un grand nombre d’entités chimiques secondaires, dont certaines pourraient présenter des risques accrus pour la santé.

Une équipe de chercheurs composée d’Akihiro Kishimoto (IBM Research – Tokyo) et de Dan Wu et Donal F. O’Shea (Département de chimie, Royal College of Surgeons – Irlande) s’est intéressée au sujet. Pour eux, “l’exposition prolongée à ces produits chimiques et à leurs produits de pyrolyse rend plausible que nous soyons sur la ligne de départ d’une nouvelle vague de maladies chroniques qui n’émergera que dans 15 à 20 ans”.

Ils ont étudié 180 produits chimiques utilisés pour créer divers arômes. L’examen détaillé de leurs composés a identifié 66 esters, 46 cétones et aldéhydes, 27 alcools et acétals, 26 composés aromatiques, hétérocycles et carbocycles, ainsi que 15 acides carboxyliques et amides ce qui, selon eux, indique clairement le potentiel d’une large gamme de réactions de pyrolyse.

Méthodologie

Pour évaluer ces risques, une approche combinant apprentissage profond et données expérimentales de spectrométrie de masse (MS) a été utilisée. Un réseau neuronal convolutif (NN) a été entraîné pour prédire la réactivité à la pyrolyse de ces 180 produits. Les résultats ont généré 7307 produits de pyrolyse potentiels. Pour valider ces prédictions, la masse moléculaire des produits a été corrélée avec les données de fragmentation obtenues par MS, permettant d’identifier 1169 correspondances avec une priorité pour une analyse approfondie.

Ils ont ensuite appliqué des classifications du Système général harmonisé de classification et d’étiquetage des produits chimiques (SGH) pour évaluer la toxicité des composés identifiés, en se basant sur des critères tels que la toxicité aiguë, le danger pour la santé et l’irritation.

Résultats

Sur ces 1169 composés, 127 ont été classés comme toxiques aigus, 153 comme dangereux pour la santé et 225 comme irritants.

Les chercheurs soulignent que bien que le vapotage partage certaines caractéristiques avec le tabagisme traditionnel, il présente un ensemble distinct de risques pour la santé en raison de composés potentiellement plus dangereux. Comparer uniquement le vapotage au tabagisme “peut donner un faux sentiment de sécurité, en particulier pour les jeunes non-fumeurs de tabac”. Ils estiment essentiel d’adopter des réglementations qui protègent à la fois les fumeurs cherchant à se sevrer et les jeunes générations. Ils recommandent une limitation stricte des substances chimiques dans les e-liquides pour la sécurité de tous.

Références :

Forecasting vaping health risks through neural network model prediction of flavour pyrolysis reactions”. Sci Rep 14, 9591 (2024).
https://doi.org/10.1038/s41598-024-59619-x.

Auteurs et affiliations

Akihiro Kishimoto, IBM Research – Tokyo, Shin-Kawasaki, Japon
Dan Wu et Donal F. O’Shea, Département de chimie, Royal College of Surgeons in Ireland (RCSI), Dublin 2, Irlande

Les solutions technologiques basées sur l’IA s’étant développées très rapidement au point d’envahir notre quotidien, on comprend aisément pourquoi certains marketeurs – y compris les plus avertis – éprouvent quelques réticences à les adopter pleinement.

Principal problème relevé par ces derniers : le fait que les outils d’IA fournissent des informations parfois erronées. Près d’un marketeur sur deux qui recourt à l’IA générative a en effet déjà reçu des informations générées par l’IA qu’il savait inexactes. Plus préoccupant, un marketeur sur trois seulement serait capable d’identifier avec certitude si des informations fournies sont inexactes.

La partialité de l’IA est également un sujet : les outils d’IA sont connus pour être parfois sources d’informations biaisées. Si les équipes qui créent les modèles d’IA ne sont pas assez diversifiées, si elles n’ont pas connu suffisamment d’expériences différentes, les modèles d’IA seront alimentés avec des informations à la partialité proportionnelle à ce manque de diversité.

En outre, les marketeurs ne veulent pas dépendre trop largement des technologies d’IA. Ils se sont efforcés d’affûter leurs compétences dans le domaine de l’e-mail marketing, la rédaction de contenus, l’analyse de données ou encore le SEO… Ils ne veulent pas cesser d’utiliser et perdre ces compétences durement acquises. Au passage, il apparaît indispensable de rappeler que l’IA n’a pas pour vocation de remplacer l’humain, elle l’aide à travailler plus rapidement, jusqu’à gagner 25 jours par an !

La question mérite donc d’être posée : comment mieux contrôler les informations fournies par ces outils et trouver l’équilibre entre IA et compétences humaines ?

S’assurer de l’exactitude du contenu généré par l’IA

L’IA est en théorie un merveilleux outil, qui peut néanmoins s’avérer assez imprévisible. La principale raison étant que les modèles qui alimentent la plupart, voire tous les outils d’IA générative, ne peuvent qu’extraire du contenu daté d’il y a deux ans ou plus. Difficile dans ce contexte de compter sur des informations fiables sur un sujet qui évolue très rapidement, au fil de l’actualité. Les sujets de niche sont ainsi également sources de réponses inexactes de la part de la machine. Les outils d’IA ne restituent que les informations dont ils ont été nourris. Ils ne peuvent les trouver par eux-mêmes.

Si l’on ne peut donc jamais être sûr de l’exactitude des résultats, il est possible, par contre, de choisir la façon dont on tire parti de l’IA générative. L’IA peut fournir des résultats assez précis lorsqu’il s’agit de sujets bien documentés, durables et facilement vérifiables. En dehors de ce genre de contenu, il faut rester vigilant et ne pas hésiter à vérifier via un moteur de recherche.

Les meilleures pratiques éthiques et vérification des données fournies par l’IA

Apprendre à utiliser l’IA à bon escient – Les outils d’IA ne conviennent pas à toutes les tâches. Les résultats seront insuffisants, non pertinents voire biaisés, pour tout ce qui demande de la créativité, de l’originalité, ou de construire une opinion ou un certain point de vue, comme sur des sujets controversés ou politiques.

Si une information paraît inexacte, il faut la vérifier – Les moteurs de recherche permettent d’accéder à un large inventaire de sources fiables. Plus les données sont récentes, mieux c’est.

Ne pas faire cavalier seul – Surtout si le besoin est de créer du contenu qui aborde un sujet potentiellement polémique, ou pouvant avoir de graves répercussions. Mieux vaut demander à une tierce personne de relire avant de le publier.

Ne pas confondre utilisation de l’IA pour stimuler votre créativité, et le pur plagiat – En équipe, il faut décider du pourcentage de contenu qui doit être modifié avant de le considérer comme propriétaire.

L’IA ne remplacera jamais la créativité de l’être humain ni les liens que ce dernier sait établir. Une machine n’a pas de vécu et ne peut ni se former une opinion, ni gérer et former un employé. Elle représente un merveilleux outil pour les marketeurs, mais est inutile sans un regard humain, une vision stratégique et une bonne implémentation. Il ne faut donc pas voir l’IA comme un moyen de sauter des étapes, mais bien comme un moyen d’accélérer la création de contenu.

Les travaux sur les implications éthiques des neurotechnologies menés en 2021 par l’UNESCO ont souligné la nécessité d’un modèle de gouvernance mondiale solide. Cette semaine, 24 experts internationaux chargés de rédiger un projet de cadre éthique, nommés par Audrey Azoulay, la Directrice générale de l’UNESCO, se réunissent pour la première fois dans les bureaux de l’Organisation à Paris.

Les troubles neurologiques représentent désormais la principale cause de maladie et d’invalidité à l’échelle mondiale : une personne sur huit vit avec un trouble mental ou neurologique, ce qui représente près d’1/3 des dépenses de santé dans les pays développés et une charge très lourde pour les pays à faible ou moyen revenu. Ce fardeau est d’ailleurs appelé à s’alourdir dans les prochaines décennies avec le vieillissement de la population mondiale, le nombre de personnes de plus de 65 ans devant doubler d’ici à 2050.

Le potentiel des neurotechnologies dans le traitement de ces maladies représente une source d’espoir considérable. Cependant pour l’UNESCO (Organisation des Nations Unies pour l’éducation, la science et la culture) :

“Etant donné que les neurotechnologies interagissent directement avec le cerveau, qui est au cœur de l’identité, de l’autonomie, de la vie privée et de l’épanouissement de l’être humain, leur progression et leur commercialisation rapides soulèvent des questions éthiques, juridiques et sociétales sans précédent qui appellent une réponse”. 

Alors que l’utilisation des neurotechnologies dans le secteur médical est encadrée par des règles bioéthiques, selon l’UNESCO, le neuromarketing, l’analyse des informations neuronales pour comprendre les préférences et les décisions d’achat des consommateurs, “représente une menace pour l’intimité psychique et la liberté de pensée, mettant ainsi en danger la démocratie et la liberté politique”.

En réponse à l’absence de cadre éthique mondial dans le domaine, Audrey Azoulay a proposé aux 194 Etats membres de l’UNESCO de développer le premier cadre normatif pour assurer la protection des droits humains et des libertés fondamentales, ce qu’ils ont approuvé en novembre dernier.

Un cadre éthique mondial avant fin 2025 ?

La proposition d’un cadre éthique mondial pour les neurotechnologies s’inscrit dans la continuité des précédentes initiatives de l’UNESCO en matière d’éthique scientifique. L’Organisation, qui a joué un rôle pionnier en établissant des cadres mondiaux pour le génome humain (1997), les données génétiques humaines (2003), la bioéthique et les droits humains (2005) et l’IA (2021), a pour projet l’adoption de ce cadre en novembre 2025.

Le groupe d’experts internationaux, nommés par sa directrice générale, se compose de spécialistes de l’IA, des neurosciences, de la psychologie, de l’interface cerveau-machine, des neurotechnologies, de l’éthique et de la bioéthique. Ils proposeront un premier projet de recommandation à l’issue de leur réunion cette semaine à Paris.

Des consultations mondiales, régionales et nationales menées par l’UNESCO débuteront dans les jours suivants et se poursuivront jusqu’en juillet prochain. Elles visent à recueillir les avis d’un large éventail de parties prenantes et à intégrer des perspectives pluralistes dans le projet de recommandation, garantissant ainsi un processus d’élaboration ouvert et inclusif.

Lors d’une seconde réunion en août prochain, les experts intègreront les contributions issues de ces consultations à leur projet de recommandation qui sera communiqué aux Etats membres d’ici septembre 2024, ouvrant ainsi le processus de consultation intergouvernementale qui se déroulera jusqu’en 2025.

Le texte final de la recommandation sera présenté pour adoption en novembre 2025 lors de la 43e session de la Conférence générale.
Audrey Azoulay affirme :

“Les neurotechnologies sont prometteuses pour résoudre de nombreux problèmes de santé. Mais elles peuvent aussi constituer une menace pour les droits humains, la liberté de pensée et la vie privée. Il est urgent d’établir un cadre éthique commun au niveau international, comme l’a fait l’UNESCO pour l’intelligence artificielle en 2021. Il ne peut y avoir de collecte des données neuronales sans droits neuronaux”.

Les réseaux sociaux sont devenus au fil des ans des espaces commerciaux. La plateforme client HubSpot vient de publier son rapport “Social Media Trends 2024” réalisé en collaboration avec Meltwater. Cette étude, réalisée auprès de marketeurs de divers secteurs du monde entier, souligne l’omniprésence des réseaux sociaux dans les stratégies marketing des entreprises, leur usage pour le service client et la vente en ligne ainsi qu’une utilisation croissante de l’IA générative pour se démarquer. 

Internet a révolutionné le commerce, permettant au potentiel client à la recherche d’un produit de comparer rapidement les offres des différentes marques. Toutefois les habitudes des consommateurs en ligne ont changé : plutôt que de parcourir les sites web, ils achètent de plus en plus sur la recommandation d’un ami ou d’un influenceur.

Face aux défis du marketing moderne, les équipes ont besoin de solutions innovantes pour répondre aux attentes croissantes des clients et aux changements rapides des modes de consommation. Avec des budgets réduits, elles doivent optimiser leurs ressources et leur temps. L’IA et l’automatisation sont donc des alliés précieux pour les marketeurs, qui peuvent se libérer des tâches répétitives et stimuler leur créativité, notamment grâce à l’IA générative.

Un précédent rapport de HubSpot a révélé que les marketeurs ciblent avant tout les acheteurs qui ont grandi en ligne. Soixante-quatorze pour cent des marketeurs veulent atteindre les Millennials (personnes nées entre 1980 et 2000) et 67 % veulent engager la génération X (entre 1965 et 1979), seuls 27 % d’entre eux se disant intéressés par les audiences des baby-boomers. Les réseaux sociaux Facebook, Instagram, YouTube et TikTok leur offrent aujourd’hui le meilleur retour sur investissement.

Pour 78 % des marketeurs français, les réseaux sociaux deviennent des canaux de contact privilégiés pour le service client.

Les marketeurs français pionniers de l’utilisation de la GenAI sur les réseaux sociaux

Parmi les 10 tendances en matière de marketing sur les réseaux sociaux en 2024 révélées par cette dernière étude, la principale est l’intégration d’outils d’IA générative dans les stratégies marketing.

En effet, la quasi-totalité des professionnels du marketing interrogés (97 %) envisage d’exploiter des fonctionnalités d’IA intégrées aux plateformes sociales pour la création de contenu. Ces fonctionnalités IA in-App comprennent la génération et l’édition d’images, la rédaction de légendes et l’utilisation de chatbots pour gérer les interactions et les réponses aux messages.

Bien que certains d’entre eux restent sceptiques quant à son impact sur la réputation de la marque et à la capacité à pouvoir créer du contenu qui se démarque des concurrents, les marketeurs français sont plutôt en avance : 84 % utilisent déjà l’IA générative pour créer du contenu sur les réseaux sociaux, contre 73 % au niveau mondial. Parmi eux, 69 % estiment que les contenus générés avec l’IA obtiennent des performances supérieures aux contenus créés sans IA.

La montée du “Social Searching” et son impact sur le marketing

Les réseaux sociaux prennent désormais le relais des moteurs de recherche traditionnels (Google, Bing, Yahoo) : avant d’acheter, les consommateurs se tournent de plus en plus vers les réseaux sociaux, une tendance observée notamment chez les plus jeunes.

Les réseaux sociaux sont identifiés comme un canal de vente efficace : une grosse majorité de marketeurs français (82 %) estime que les consommateurs seront plus enclins à acheter des produits directement via les réseaux sociaux que sur les sites web des marques, une tendance qui gagne également en popularité à l’échelle mondiale.

Les marques doivent donc adapter leurs stratégies marketing pour répondre à cette nouvelle réalité, en mettant l’accent sur la visibilité et l’engagement sur les plateformes sociales.

Le rôle croissant du marketing d’influence

Le précédent rapport de HubSpot révélait qu’en 2023, un consommateur sur quatre a acheté un produit sur la recommandation d’un influenceur.

La collaboration avec des influenceurs et des créateurs de contenu reste une stratégie clé pour les marques, 77 % des entreprises françaises collaborent avec des influenceurs ou créateurs de contenus, notamment sur YouTube et Instagram, contre 62 % des entreprises au niveau global. 74 % des marques françaises prévoient d’augmenter leurs investissements dans le marketing d’influence cette année, contre 55 % à l’échelle mondiale.

Par ailleurs, les entreprises françaises semblent privilégier la qualité à la quantité : 39 % travaillent avec des nano-influenceurs contre 24 % au niveau mondial. Au-delà de coûter moins cher, les nano-influenceurs représentent une opportunité pour les marques de se connecter à des communautés certes plus restreintes, mais particulièrement engagées.

La montée des contenus éducatifs

En France, les contenus éducatifs (infographie, tutoriel, Q&R avec un expert…) gagnent en popularité et en impact. Les marketeurs le considèrent comme le deuxième type de contenu ayant généré le plus de retour sur investissement en 2023 et reconnaissent de plus en plus l’importance de ce type de contenu pour susciter l’intérêt des consommateurs et renforcer la crédibilité de la marque. Les investissements dans ce domaine devraient d’ailleurs augmenter dans les mois à venir.

Pour découvrir toutes les tendances et les conseils de HubSpot pour optimiser la stratégie marketing cliquer ici

Le premier ministre japonais Fumio Kishida était cette semaine en visite officielle aux USA où il a évoqué avec Joe Biden les tensions politiques, le renforcement de leur coopération en matière de défense et technologie, notamment en matière d’IA. Il a également rencontré Brad Smith, le vice-président et président de Microsoft qui a annoncé l’intention d’investir 2,9 milliards de dollars au cours des deux prochaines années pour accroître son infrastructure de cloud computing et d’IA à grande échelle au Japon.

Il y a deux marchés dans lesquels le Japon tente de rattraper son retard : celui de l’IA et celui des semi-conducteurs. Microsoft, y a installé son premier bureau international, ces 2,9 milliards de dollars représentent son plus gros investissement en 46 ans d’histoire au Japon.

L’expansion de son infrastructure d’IA et de cloud permettra à Microsoft de fournir des ressources informatiques plus avancées au Japon, y compris les dernières unités de traitement graphique (GPU), qui sont cruciales pour accélérer les charges de travail de l’IA. Ce qui lui permettra de soutenir le Generative AI Accelerator Challenge (GENIAC), un programme dirigé par le ministère de l’Économie, du Commerce et de l’Industrie qui aide les startups et les entreprises japonaises à obtenir les ressources informatiques nécessaires au développement de modèles de fondation et à encourager la collaboration entre les parties prenantes.

Renforcer les compétences du Japon en matière d’IA

Microsoft s’est engagé en outre à former pas moins de 3 millions de travailleurs japonais à temps plein et à temps partiel au cours des trois prochaines années, dans le but de doter le pays des compétences nécessaires. La société a annoncé plusieurs initiatives, notamment une formation dédiée aux femmes, des cours et des architectures de référence pour les développeurs d’IA et les entreprises technologiques, une aide à la mise en œuvre de programmes centrés sur l’IA dans les lycées professionnels.

Ces formations seront dispensées en partenariat avec des institutions de renom telles que l’Institut des Nations Unies pour la formation et la recherche (UNITAR). Microsoft soutiendra également les jeunes pousses japonaises par le biais du Microsoft for Startups Founders Hub.

Ouverture du 1er laboratoire Microsoft Research Asia

Microsoft Research Asia va ouvrir un laboratoire à Tokyo qui se concentrera sur des domaines clés tels que l’IA incarnée, la robotique et l’IA sociétale.

Le centre de recherche collabore étroitement avec des universités, des instituts de recherche et des entreprises technologiques de la région Asie-Pacifique, notamment avec les universités japonaises depuis plus de deux décennies, ce qui a d’ailleurs contribué à propulser la recherche interdisciplinaire et à encourager les talents.

Afin de favoriser une meilleure collaboration en matière de recherche, Microsoft accordera 10 millions de dollars de subventions de ressources au cours des cinq prochaines années à l’Université de Tokyo et au partenariat de recherche en intelligence artificielle entre l’Université Keio et l’Université Carnegie Mellon.

Nvidia, Amazon et d’autres entreprises privées soutiennent également ces partenariats entre les universités des 2 pays, 110 millions de dollars y seront consacrés.

Microsoft a d’autre part l’intention d’approfondir sa collaboration avec le secrétariat du Cabinet japonais pour renforcer la résilience en matière de cybersécurité du gouvernement, des entreprises et de la société.

Afin d’optimiser le processus de prise en charge des patients, d’assurer une continuité de soins hôpital-médecine de ville, et de réduire la charge de travail des secrétaires, les Hôpitaux Civils de Colmar (HCC) se sont équipés de Dragon Medical One, une solution de reconnaissance vocale de Nuance communications, entreprise acquise par Microsoft en 2022, pour automatiser la rédaction de comptes-rendus et lettres de liaison.

L’Établissement Public de Santé HCC, composé de 4 sites distincts géographiquement sur la partie ouest de la ville de Colmar, compte 675 médecins et réalise 413 653 admissions par an. Plus de 200 médecins d’entre eux utilisent désormais Dragon Medical One.

Basée sur le deep learning, hébergée dans les centres sécurisés Microsoft Azure en France, avec une IA entrainée sur un vocabulaire médical professionnel, cette solution s’interface directement avec le dossier patient informatisé (DPI) Easily des HCC.

Le Dr Marc Schneider, urologue, utilise Dragon Medical One depuis une dizaine d’années, tant dans un cadre professionnel que personnel, il était déjà convaincu des avantages en termes de précision, de rapidité et de gain de temps que cette solution offre.

À cette époque, même la secrétaire la plus expérimentée passait entre 15 et 20 minutes pour finaliser une lettre. Avec une charge de travail comprenant environ cinquante patients par jour, en plus de ses autres responsabilités, le processus de révision de ces lettres par le Dr Schneider prenait généralement deux à trois mois. Relire une pile de documents et de courriers de patients rétrospectivement représentait un défi majeur, nécessitant de se rappeler tous les détails.

Depuis l’intégration réussie de Dragon Medical One aux HCC, et sa compatibilité avec le DPI, le Dr Schneider a encouragé ses collègues à l’adopter afin d’alléger le fardeau des secrétaires surchargées.

Désormais, une lettre médicale est remise au patient directement à la fin de la consultation, réduisant ainsi les délais pour les autres intervenants de la prise en charge hospitalière. Elle est également transmise au médecin traitant via une messagerie sécurisée et à Mon Espace Santé (si le patient a consenti).

Le Dr Schneider, également expert médical dans les procédures de plaintes de patients dans toute la France, affirme :

“Dragon Medical One a participé à améliorer l’accueil des patients. Il est inenvisageable de travailler sans. Avec Dragon Medical One, je peux dicter un résumé d’un dossier de 300 pages juste en 2 heures, alors que sans la solution, il m’en faudrait 4″.

Le Dr Marie-Sandrine Mann, spécialiste en médecine physique et de réadaptation, qui gère diverses consultations au sein des HCC, utilise elle aussi la solution. Elle crée des comptes rendus spécifiques pour chaque type de consultation, qu’il s’agisse de consultations externes spécialisées, comme la consultation post-AVC ou le bilan sclérose en plaques, de consultations de podologie, de réunions de concertation pluridisciplinaire pour le pied diabétique et neuropathique, ou encore d’avis interservices et de consultations en hôpital de jour.

Elle explique :

“Avec Dragon Medical One, l’information précise est affichée instantanément dans le DPI, sans erreur. Dragon Medical One m’aide dans la rédaction des comptes rendus de consultation en direct devant le patient, et aussi des lettres à transmettre aux médecins traitants. Je peux ainsi rédiger des comptes-rendus longs et détaillés, en dictant à mon rythme et sans perdre le fil de mes idées”.

La solution lui permet également de gagner un temps considérable pour retranscrire les antécédents et l’histoire de la maladie d’un patient transféré d’un autre hôpital.

99 % des 200 médecins se déclarent satisfaits de l’utilisation de Dragon Medical One tout comme Loïc Moeglin, Directeur des systèmes d’informations aux HCC, qui dresse un premier bilan très positif :

“DMO a permis de réaliser des gains tangibles : l’établissement a récupéré 5 176 heures de travail en un trimestre, et les insertions automatiques offertes par l’outil ont permis d’éviter 10 jours de dictée supplémentaires. Cette solution apporte un bénéfice réel avec un suivi précis des performances”.

Celonis, société pionnière du Process Mining, et le groupe automobile BMW ont annoncé le 26 mars dernier l’extension de leur partenariat stratégique. Celui-ci a pour ambition d’optimiser de manière continue les process de BMW afin d’améliorer son efficacité, sa productivité et le respect de ses engagements environnementaux. Les deux entreprises ont également convenu de travailler ensemble au développement de futures innovations en matière de Process Mining. 

Basé à Munich comme BMW, mais également à New York, aux Etats-Unis, comptant plus de 20 bureaux à travers le monde, Celonis a développé une plateforme d’intelligence des process utilisant une technologie de pointe en matière d’IA et de Process Mining (exploration des processus métiers) qui offre aux entreprises un jumeau numérique en temps réel de l’ensemble de leurs process.

Créée en 2011, la start-up est devenue en 2021 la 1ère décacorne européenne, étant valorisée à 11 milliards de dollars, sa valorisation est d’ailleurs passée aujourd’hui à 13 milliards $ après une série D en août dernier. En outre, elle a été nommée Leader dans le premier Magic Quadrant de Gartner pour les outils de Process Mining l’an passé.

Le partenariat avec BMW

La collaboration entre Celonis et BMW a débuté en 2016 avec le lancement du processus d’extraction avec deux preuves de concept dans une usine de Munich.

Convaincu que le Process Mining était un élément clé de sa transformation numérique, BMW a créé un centre d’excellence (CoE) au sein de son département IT en 2018 qui s’appuie sur l’intelligence des processus de Celonis.

Le groupe a été l’un des premiers à utiliser Process Intelligence Graph dévoilé en novembre dernier par Celonis qui unifie toutes les données de processus d’une organisation et fournit des applications prêtes à l’emploi.

Une numérisation à l’échelle du groupe

BMW entend aujourd’hui accélérer la digitalisation à l’échelle du groupe, et pour cela, s’appuie sur la technologie de Process Mining de Celonis. Son objectif est de rendre ses solutions accessibles à tous les employés du groupe, quel que soit leur département, pour une meilleure identification et élimination des inefficacités.

Les principaux domaines de collaboration de ce partenariat étendu comprennent l’optimisation continue des processus, l’utilisation du Process Intelligence Graph pour coordonner les processus interconnectés, l’amélioration de l’expérience utilisateur du logiciel, et le développement de solutions innovantes.

Il prévoit également le développement de nouveaux logiciels par le centre d’excellence en Process Mining de BMW  avec l’équipe de développement de Celonis, notamment en explorant des pistes telles que l’amélioration de la connexion des fournisseurs dans les processus interentreprises et la cartographie complète du parcours client, avec une intégration accrue de l’IA pour une meilleure transparence et gestion des processus.

Alexander Buresch, CIO du groupe BMW,  commente :

“Le groupe BMW entend rester pionnier dans la qualité et l’efficacité de ses process. Cet objectif est d’autant plus stratégique à l’heure de transformations majeures, les plus importantes de l’histoire du groupe, entre l’essor des mobilités électriques, la digitalisation des activités et les enjeux de transition. L’analyse et l’optimisation continues de nos process de bout en bout avec Celonis représentent un atout décisif pour accroître notre productivité, minimiser notre consommation de ressources et rendre les chaînes d’approvisionnement plus résilientes”. 

Depuis 2016, l’association France Digitale organise l’AI Day, l’un des événements phares de l’IA en France qui se tient habituellement au mois de novembre. Cette année, il revient avec six mois d’avance et l’Institut Prairie en sera de nouveau le partenaire.

Cela fait maintenant 8 ans que France Digitale organise l’un des principaux événements sur l’IA en France et en Europe. Après avoir été appelé AI Day et France is AI, puis FD3 l’an passé s’adressant non seulement à l’IA, mais également aux données et au web3, il revient sous le nom d’AI Day et le 4 avril prochain, Paris, sera de nouveau la capitale de l’IA.

L’événement, qui se déroule chaque année à Station F, vise à fédérer l’écosystème européen (chercheurs, CTO, startups, leaders d’opinion et personnalités politiques) de l’intelligence artificielle en proposant un rassemblement annuel autour d’une conférence, mais également de séances de networking, en permettant aux startups de rencontrer des fonds d’investissement et de nouer entre elles des contacts prolifiques.

L’AI Day 2024

Cette année, la journée signature de France Digitale combine :

• « track état de l’art de l’IA » avec des panels d’experts et de chercheurs pour faire le point sur l’état de l’art des technologies d’IA réalisée en partenariat avec l’Institut Prairie ;
• track « opérationnelle » avec des conférences et ateliers pratiques pour accélérer concrètement sur ses problématiques IA (recrutement, business, outils) ;
• rencontres et networking entre experts en scale-ups, VC, chercheurs et grands groupes.

Track « Opérationnelle » par France Digitale

Il y sera question bien sûr de l’IA générative et de son adoption en entreprise ainsi que de son intégration dans les process avec :

• Isabelle Bénard, Mirakl
• Jean-Baptiste Hironde, MWM
• Gabriel Hubert, Dust
• Marlène Moreira, BPI France
• Bruno Sola, Actual
• Isabelle Bénard, Mirakl
• Jean-Baptiste Hironde, MWM
• Gabriel Hubert, Dust
• Marlène Moreira, BPI France
• Bruno Sola, Actual

Des conseils pour garder et recruter des talents en IA seront apportés par :

• Guillaume Linet, millefeuille.ai
• Claire Lebraz, Malt
• Marie-Anne Lebrec, Télécom Paris
• Paul Midy, Député de Paris-Saclay

Un atelier sera organisé par Chadi Hantouche, Wavestone et Marianne Tordeux-Bitker, France Digitale autour de l’impact de l’AI Act pour les entreprises.

Il sera également question de l’open source, de l’étude France Digitale sur l’IA générative menée par Marianne Tordeux-Bitker, Agata Hidalgo et Gaël Gutierrez, de la place de l’Europe dans la chaîne de valeur de l’IA. Des clés seront données aux participants pour mener avec succès des projets d’IA générative et booster leur business.

Track « État de l’Art de l’IA » par l’Institut Prairie

Parmi les sujets abordés par les experts on retrouvera :

L’impact de l’IA sur les sciences avec :

• Anne-Marie Lagrange, Research Director CNRS, astrophysicist Observatoire de Paris, member of Académie des Sciences
• Stéphane Mallat, Prof. Collège de France, member of Académie des Sciences
• Marie-France Mamzer, Professor of Ethics and Legal Medicine, Univ. Paris Cité
• Jean-Philippe Vert, Chief R&D Officer at Owkin and Co-founder at Bioptimus

La souveraineté avec :

• Antoine Bordes, Vice President Artificial Intelligence – Helsing
• Luc Julia, Scientific Director of Renault
• Cédric O, Board member Artefact, Co-founder Mistral AI, former Secretary of State for digital affairs
• Stéphanie Schaer, Directrice interministérielle du numérique

Le futur de l’IA avec :

• Francis Bach, Research Director Inria, member of Académie des Sciences
• Daniel Cremers, Prof Technical University of Munich
• Michael Jordan, Research director at INRIA and Professor Emeritus at the University of California, Berkeley
• Yann LeCun, Vice-President and Chief AI Scientist META AI, Prof. NUY, member of the US National Academy of Sciences, member of the Académie des Sciences, 2018 ACM Turing Award Laureate
• Cordelia Schmid, Research Director Inria, member of the German Leopoldina Academy of Sciences

L’innovation avec :

• Lourdes de Agapito Vicente, Prof. UCL, co-founder Synthesia
• Philippe Aghion, Prof. College de France, INSEAD, and LSE
• Sriram Krishnan, General Partner at Andreessen Horowitz
• Marc Raibert, Executive director of The AI Institute and founder of Boston Dynamics

L’IA générative avec :

• Joelle Barral, Senior Director of Research & Engineering at Google DeepMind
• Laurent Daudet, Co-CEO and Co-Founder, LightOn
• Benoit Sagot, Research Director INRIA, Collège de France, opensquare

L’AI Day sera une journée enrichissante pour tous les Chief Technical, Data, Product ou IA Officers de scale-up, elle leur permettra d’apprendre des retours d’expériences de leurs pairs et  de repartir avec les idées qui les aideront à passer au niveau supérieur. C’est aussi une journée incontournable pour tous les dirigeants, investisseurs et startups désireux d’approfondir leurs connaissances en matière d’IA.

Les inscriptions sont ouvertes ici.

Pure Storage, fournisseur de technologies et de services de stockage de données, collabore depuis plusieurs années avec NVIDIA. A l’occasion de la GTC 2024, il a annoncé une nouvelle architecture de référence validée pour les serveurs NVIDIA OVX équipés de GPU NVIDIA L40S et FlashBlade//S. Cette validation offre aux entreprises un éventail élargi de choix de serveurs GPU, ainsi qu’une infrastructure d’IA prête à l’emploi pour des charges de travail d’entraînement, d’ajustement et d’inférence de petits modèles, rapide et efficace.

En 2018, Pure Storage et NVIDIA développaient une infrastructure pour le déploiement du machine learning à grande échelle. Baptisée AIRI (pour AI-Ready Infrastructure), avec l’objectif de permettre aux organisations de transformer les données, elle associait une baie de stockage 100 % flash de type FlashBlade (boîtier 4U) avec quatre boîtiers NVIDIA GPU DGX-1 et une paire de commutateurs 100 Gb Ethernet d’Arista Networks.

En 2022, Pure Storage lançait la nouvelle génération de l’infrastructure : AIRI//S, pilotée par la boîte de stockage FlashBlade//S, les systèmes NVIDIA DGX A100 et le réseau de bout en bout, grâce aux plateformes réseau Quantum Spectrum de NVIDIA. L’architecture de référence AIRI certifiée NVIDIA DGX BasePOD a, quant à elle, été lancée fin 2023.

S’appuyant sur sa collaboration continue avec NVIDIA, outre l’architecture de référence certifiée NVIDIA OVX Server Storage, Pure Storage annonce un pipeline de génération augmentée de récupération pour l’inférence de l’IA, un développement de génération augmentée de récupération et un investissement accru dans l’écosystème de partenaires IA :

• Architecture de référence certifiée NVIDIA OVX Server Storage : Pure Storage a obtenu la validation OVX Server Storage, ce qui lui permet de fournir aux entreprises des architectures de référence de stockage flexibles et validées pour des solutions matérielles et logicielles d’IA optimisées en termes de coûts et de performances. Elle complète la certification de Pure Storage pour NVIDIA DGX BasePOD annoncée l’année dernière ;
• Pipeline de génération augmentée de récupération pour l’inférence de l’IA : Pure Storage a créé un pipeline exploitant les microservices NVIDIA NeMo Retriever, les GPU NVIDIA, ainsi que son propre stockage d’entreprise all-flash. Ce pipeline accélère le temps d’apprentissage en utilisant les données internes de l’entreprise pour l’entraînement à l’IA, tout en éliminant le besoin de recyclage constant pour les LLM ;
• Développement de génération augmentée de récupération : Pure Storage a créé une solution de génération augmentée de récupération pour les services financiers afin de résumer et d’interroger des ensembles de données avec une précision supérieure à celle des grands modèles de langage standards. Des solutions similaires seront lancées pour le secteur de la santé et le secteur public ;
• Investissement accru dans l’écosystème de partenaires IA : Pure Storage collabore avec des partenaires tels que Run.AI et Weights & Biases pour optimiser l’utilisation des GPU et gérer le cycle de vie du développement des modèles d’IA. L’entreprise travaille également avec des revendeurs et des partenaires de services axés sur l’IA pour rendre les déploiements d’IA des clients plus opérationnels.

Rob Lee, Chief Technology Officer, Pure Storage, conclut :

“Pure Storage a reconnu très tôt la demande croissante en matière d’intelligence artificielle, en proposant une plateforme efficace, fiable et performante pour les déploiements d’IA les plus avancés. Grâce à notre collaboration de longue date avec NVIDIA, les dernières architectures de référence d’Intelligence artificielle validées et les preuves de concept d’IA générative apparaissent comme des composants essentiels pour les entreprises mondiales afin de résoudre les complexités du puzzle de cette technologie”.

Créée en 2006 par Brian Halligan et Dharmesh Shah, deux anciens étudiants du MIT, HubSpot est une plateforme client qui fournit les logiciels, les intégrations et les ressources nécessaires pour connecter les équipes de marketing, de vente, de gestion de contenu et de service client. Elle vient de publier son rapport “The State of Marketing 2024” qui présente les tendances actuelles et futures du marketing.

Internet a révolutionné le commerce, permettant au potentiel client à la recherche d’un produit de comparer rapidement les offres des différentes marques. Dans ce paysage concurrentiel, la nécessité de se différencier devient cruciale. L’essor de l’IA et l’utilisation des données ont transformé le marketing, améliorant l’expérience des clients, les fidélisant et en attirant de nouveaux.

Face aux défis du marketing moderne, les équipes ont besoin de solutions innovantes pour répondre aux attentes croissantes des clients et aux changements rapides des modes de consommation. Avec des budgets réduits, elles doivent optimiser leurs ressources et leur temps. L’IA et l’automatisation sont donc des alliés précieux pour les marketeurs, qui peuvent se libérer des tâches répétitives et stimuler leur créativité, notamment grâce à l’IA générative.

Pour ce rapport, HubSpot a interrogé 1 460 marketeurs B2B et B2C de tous les secteurs d’activité, dans plus d’une dizaine de pays, dont la France.

S’ils identifient l’alignement entre les ventes et le marketing comme leur principal défi, ils sont 75 % au niveau mondial à penser qu’une expérience personnalisée augmente les ventes et la probabilité qu’un contact devienne un client fidèle.

Selon HubSpot, les marketeurs ciblent avant tout les acheteurs qui ont grandi en ligne. Soixante-quatorze pour cent des marketeurs veulent atteindre les Millennials (personnes nées entre 1980 et 2000) et 67 % veulent engager la génération X (entre 1965 et 1979), seuls 27 % d’entre eux se disent intéressés par les audiences des baby-boomers.

Facebook, Instagram, YouTube et TikTok offrent le meilleur retour sur investissement. Les marketeurs prévoient de les utiliser en 2024 : 27% de ceux qui n’utilisent pas YouTube prévoient de le faire en 2024.

En 2023, un consommateur sur quatre a acheté un produit sur la recommandation d’un influenceur : 50 % des marketeurs qui collaborent avec un influenceur prévoient d’augmenter leur investissement.

Des marketeurs français réticents face à l’IA

Un défi majeur identifié par HubSpot pour les équipes marketing en France est l’adoption de l’IA pour les accompagner au quotidien voire transformer certaines tâches : 58 % des marketeurs français disent se sentir dépassés par la perspective de mettre en œuvre des outils d’IA dans leurs activités quotidiennes, contre 46 % au niveau mondial.

Ils sont également moins nombreux que leurs homologues à adopter l’IA : ils ne sont que 58% à utiliser l’IA et l’automatisation contre 64% au niveau mondial.

Quand bien même ils l’utilisent, ils ne sont pas encore pleinement convaincus par son potentiel :

• 66 % pensent que les outils d’IA et d’automatisation les aident à être plus efficaces dans leur fonction, contre 81 % au niveau mondial ;
• Ils sont par ailleurs 62 % à estimer que ces outils les aident à partager les données plus efficacement au sein de l’entreprise, contre 75 % à l’échelle mondiale ;
• Seuls les deux tiers (66 %) sont convaincus que l’IA générative améliore la qualité du contenu créé, contre 84 % au niveau mondial.

Parmi les freins à l’adoption de l’IA, les marketeurs français citent la crainte de nuire à la réputation de leur marque (60%), le manque de confiance dans les résultats, ou encore le coût et la complexité des outils.

La personnalisation, le facteur clé du parcours client

La personnalisation est cruciale pour le parcours client, en favorisant la création et la diffusion de contenus adaptés, renforçant ainsi la relation avec le client sur la base de la confiance et de l’unicité.

Selon le rapport HubSpot, 94 % des marketeurs français affirment que la personnalisation permet d’augmenter les ventes et 77 % de ceux qui utilisent l’IA générative pensent qu’elle aide à créer des contenus plus personnalisés. Cependant, seulement 35 % d’entre eux estiment que les consommateurs bénéficient d’une relation très personnalisée avec leur marque, et alors que la personnalisation repose sur la connaissance de son audience, ils ne sont que 54 % à disposer de données qualitatives sur leur audience cible, contre 65 % au niveau mondial.

Ainsi, disposer de données plus précises deviendra un défi majeur pour les équipes marketing à l’avenir, nécessitant des outils capables de collecter, traiter et analyser ces données pour offrir une expérience client plus personnalisée.

Le retrait des cookies tiers est une opportunité pour les équipes de développer de nouvelles stratégies qui les rapprocheraient de leur audience. D’autant plus que 81 % des marketeurs français reconnaissent que leur activité dépend en partie de ces cookies tiers, la recherche de solutions alternatives est donc essentielle.

La collecte des first party data, données directement transmises par les consommateurs, donc plus précises, est une stratégie que les entreprises peuvent envisager pour mieux connaître leur audience. Toutefois, seuls 18 % des marketeurs français la voient comme une stratégie alternative prioritaire, les entreprises privilégiant la publicité ciblée sur les réseaux sociaux. D’ailleurs, leurs utilisateurs sont de plus en plus nombreux à envoyer des messages privés à un service client : 19 % en 2023, soit une hausse de 45 % par rapport à 2022.

La vidéo courte, format le plus exploité

La vidéo courte permet de créer du contenu original, divertissant et engageant, qui capte l’attention des consommateurs sur les réseaux sociaux. Elle émerge comme le format de contenu privilégié, avec 47 % des marketeurs français l’utilisant, et 60 % prévoyant d’augmenter leurs investissements dans ce format en 2024. Cette tendance est portée par le succès de plateformes comme TikTok et Instagram, qui offrent un retour sur investissement important pour les marques.

TikTok, qui compte plus de 15 millions d’utilisateurs actifs en France, offre aux marques l’opportunité de toucher une audience jeune à travers des formats innovants et ludiques.

L’alignement équipes Marketing / Vente, autre défi majeur

Seuls 22 % des marketeurs français interrogés affirment que leur équipe marketing et l’équipe vente sont alignées, contre 35 % au niveau mondial.

Selon HubSpot, ce manque de communication efficace entre les équipes ainsi que leur difficulté à partager les données, leur fait gaspiller le budget marketing, perdre des ventes et des clients potentiels, tout en les empêchant d’offrir une expérience client satisfaisante et personnalisée.

Pour stimuler la croissance de leur entreprise, HubScop recommande aux marketeurs d’adopter l’IA tout en maintenant une approche humaine, d’aligner les équipes et de centraliser les données.

Retrouver le rapport ici

La chaîne d’approvisionnement est confrontée à des défis de taille, de la volatilité des marchés à la demande des consommateurs en évolution constante. Dans ce contexte complexe, l’intégration de technologies émergentes telles que l’IA, le ML et la blockchain, ouvrent la voie à une efficacité accrue, une transparence renforcée et une gestion des risques améliorée.

Les principales activités de la supply chain englobent l’approvisionnement en matières premières, la transformation et la fabrication, la gestion des stocks, la logistique et la distribution, la gestion des commandes et des fournisseurs, ainsi que le service client. Une gestion efficace de la chaîne d’approvisionnement est essentielle pour garantir la disponibilité des produits, réduire les coûts, améliorer la satisfaction client et maintenir un avantage concurrentiel sur le marché.

La blockchain, souvent associée à la cryptomonnaie, trouve également des applications dans la supply chain. En tant que registre distribué et sécurisé, elle offre une traçabilité sans précédent à chaque étape du processus d’approvisionnement. Les transactions enregistrées sur la blockchain sont immuables et transparentes, ce qui réduit les risques de fraude et de contrefaçon. Chaque acteur de la chaîne, qu’il soit fournisseur, transporteur ou distributeur, peut vérifier et enregistrer des informations en temps réel. De la provenance des produits à la gestion des stocks et des contrats intelligents, la blockchain permet ainsi d’optimiser la chaîne d’approvisionnement, de manière sécurisée et responsable.

L’IA, le machine learning et le deep learning apportent une valeur ajoutée à la chaîne d’approvisionnement en permettant une optimisation plus fine et une prise de décision proactive. Les algorithmes d’IA analysent de vastes ensembles de données pour identifier des schémas, des tendances et des anomalies dans les données de la chaîne d’approvisionnement, permettant une meilleure prévision de la demande, une gestion plus efficace des stocks et une planification logistique optimisée. De plus, l’IA peut automatiser des tâches répétitives telles que la gestion des commandes et des fournisseurs, libérant ainsi des ressources précieuses pour des activités à plus forte valeur ajoutée.

L’IA et l’automatisation peuvent contribuer à dégager davantage de valeur lorsqu’elles sont intégrées aux données fiables fournies par la blockchain.

Cas d’usage de la blockchain : IBM Food Trust pour la traçabilité des produits agroalimentaires

IBM Food Trust est une plateforme basée sur la technologie de la blockchain développée par IBM. Elle vise à améliorer la traçabilité, la transparence et la sécurité dans l’industrie alimentaire en permettant aux entreprises et aux consommateurs de suivre et de tracer les produits alimentaires tout au long de la chaîne d’approvisionnement, depuis la ferme jusqu’à la table du consommateur.

En stockant les données sur les récoltes, la transformation, l’emballage et l’expédition sur la blockchain, Food Trust permet de retracer les produits en quelques secondes seulement, alors que plusieurs jours ou semaines étaient auparavant nécessaires. Après 18 mois de tests, durant lesquels des millions de produits alimentaires individuels ont été tracés par les distributeurs et les fournisseurs, IBM l’a lancée en 2018.

Parmi les premiers utilisateurs de la plateforme, on trouve des géants de l’agroalimentaire comme Walmart, Unilever, Nestlé et Carrefour, qui visent à renforcer la confiance de leurs clients et à répondre aux exigences réglementaires en matière de sécurité alimentaire.

Nestlé, l’un des premiers à collaborer avec IBM pour la solution, a testé sa capacité à retracer les fruits et légumes de ses produits alimentaires pour bébés de la marque Gerber, l’a ensuite appliquée avec Carrefour à leur gamme de lait infantile GUIGOZ. Les clients, en scannant le QR code depuis un smartphone, peuvent accéder à l’ensemble des informations concernant le lait, son origine, les étapes de production et les contrôles qualité. Nestlé a étendu l’utilisation de la solution en 2020 pour la traçabilité de sa marque de café “Zoégas”.

Carrefour l’utilise également pour permettre à ses clients de vérifier la traçabilité de certains de ses produits frais comme le poulet, le saumon ou les œufs.

Walmart, quant à lui, utilise la solution afin de réduire la propagation des maladies d’origine alimentaire en identifiant les problèmes dans la chaîne alimentaire.