Pour ne rien manquer de la transformation digitale

Abonnez-vous au Digest
Recherche
Et si, demain, vous pouviez prédire les ventes dans votre magasin, le besoin de maintenance d’un ascenseur ou encore les fraudes sur votre site de vente en ligne ? Les prédictions ne sont plus de l’ordre du fantasme et s’imposent comme la plus efficace des feuilles de route pour les entreprises. Un élément qu’ont bien compris les « early adopters » du machine learning, qui tirent d’ores-et-déjà leur épingle du jeu face à leurs concurrents. Alors, à qui le tour ? Entretien croisé entre Bernard Ourghanlian, Directeur technique et sécurité de Microsoft France et Julien Clausse, Group Head of Marketing de la division Intelligent Systems du groupe Altran.

Qu’est-ce que le machine learning et comment cela fonctionne-t-il ?

Bernard Ourghanlian : Le machine learning est une branche de l’intelligence artificielle. En français, on le traduit par « apprentissage prédictif » ou encore « apprentissage statistique » ou « automatique ». L’objectif est de faire en sorte que les machines puissent apprendre, c’est-à-dire qu’elles puissent accumuler de la connaissance afin de raisonner par induction.

Cela n’est possible que grâce à la convergence de l’informatique et de la statistique, car ce sont les méthodes de ce dernier domaine qui permettent de tirer un enseignement des données et d’apprendre quelque chose. L’idée est donc de savoir généraliser un modèle de manière rationnelle à partir d’informations que l’on possède déjà, et d’en faire un modèle exploitable capable de prédire des choses qui ne se sont pas encore passées.

Modéliser des intentions d’achats pour mieux gérer les stocks

Le machine learning s’applique-t-il à tous les business ?

Bernard Ourghanlian : Clairement, l’apprentissage statistique concerne une multitude de domaines. Des commerces peuvent modéliser des intentions d’achat et ainsi mieux gérer les stocks par exemple.

Dans les télécoms, les entreprises peuvent détecter à quel moment un client risque de se désabonner et se tourner vers la concurrence. En matière de santé, si les patients sont équipés d’appareils connectés enregistrant leurs données, notamment pour les gens qui souffrent de maladies chroniques, il est possible de faire de la médecine préventive et d’éviter certains contrôles de routine couteux et non-nécessaires. Cela permet aussi d’alerter le médecin en temps réel lorsque les données signalent une anomalie.

L’apprentissage statistique est aussi très utile pour la gestion de l’énergie grâce aux smart grids, ou encore dans le domaine de la maintenance prédictive. De nombreuses startups en France se positionnent sur tous ces créneaux. C’est un vivier fort d’innovation.

Microsoft TechDays 2015 - BO

"Les entreprises doivent bien souvent changer de culture et comprendre pourquoi les données sont importantes. La prise de conscience est progressive mais elle arrive"

Vous venez de citer la maintenance prédictive. Pouvez-vous nous en dire plus à ce sujet ?

Bernard Ourghanlian : La maintenance prédictive c’est par exemple aussi essentiel que d’éviter que les gens ne soient bloqués dans un ascenseur ! On parle beaucoup du potentiel économique et du business plan qui se réinventent autour de ça, mais c’est aussi la relation client qui change car on n’attend plus que le problème survienne pour le résoudre. On l’anticipe.

En matière de maintenance prédictive, Altran a modélisé à grande échelle l’utilisation d’une flotte de véhicules et la consommation de carburant. Comment s’est déroulée cette expérience ?

Julien Clausse : Pour notre projet VueForge™, nous avons mobilisé une équipe de cinq data scientists qui a récupéré les données de consommation d’essence de plus de 380 véhicules de notre propre flotte d’entreprise. Ensuite, nous avons modélisé ces données sur 50 000 véhicules. Dans un premier temps, nous avons pu savoir quelle fonction type (consultant, senior, manager, etc.) consommait le plus de carburant par exemple.

Et grâce à ces informations et à notre algorithme de machine learning, nous pouvons prédire quelle sera la consommation de carburant dans les prochains jours. Avec cela à disposition, on peut imaginer que j’aille voir un acteur du monde de l’énergie et que je lui dise « regardez, aujourd’hui je suis capable de vous dire que sur la région Ile-de-France, je vais avoir un pic de demande de carburant tel jour ».

Et nous sommes même allés un cran plus loin : je sais combien de kilomètres parcourt ma flotte, quel est le niveau d’essence dans le réservoir et le nombre de kilomètres que nos employés vont devoir parcourir. A côté, nous avons un modèle d’évolution du prix de l’essence. En associant le tout, nous sommes en mesure de dire « il est plus intéressant de faire le plein aujourd’hui et non pas dans deux jours quand le réservoir sera vide ». Puis nous pouvons transmettre cette information aux personnes dont le véhicule est concerné, et seulement à celles-ci. Si cela touche 11 000 véhicules de notre flotte sur les 50 000 modélisés, l’économie globale atteint 27 000 euros. Avec deux pleins par mois sur un an, une telle gestion permet une économie de l’ordre de 500 000 euros par an !

Utiliser un moteur de recherche c’est faire de l’analyse prédictive

On a l’impression que la prise de conscience de cet enjeu par les entreprises est assez récente… Pourquoi ?

Bernard Ourghanlian : Cette prise de conscience tardive est le résultat de différents facteurs : il n’y a pas assez d’offres à la carte, un manque de compétences et une réinvention des usages et des modèles d’affaires auxquels il faut s’adapter. Les industries traditionnelles se trouvent aujourd’hui concurrencées par de nouveaux venus comme Google dans l’automobile par exemple. Leur réaction est violente mais ils se trouvent face à une réalité : le numérique infuse partout dans le monde et de nouveaux concurrents émergent.

Pourtant on fait de l’analyse prédictive depuis très longtemps : quand on utilise un moteur de recherche sur internet et que celui-ci nous propose des résultats personnalisés avant même d’avoir fini de taper notre recherche, lorsque nos spams sont filtrés dans nos boîtes mail, quand on détecte automatiquement en ligne qu’une transaction est liée ou non à une fraude de la carte bancaire, lorsque les capteurs Kinect permettent d’agir avec sa console de jeux Xbox… Ce qui est nouveau, c’est que l’on dispose de données de plus en plus nombreuses et précises à travers les capteurs des smartphones, des objets connectés, etc. Les progrès faits en statistiques permettent aussi de rendre le machine learning plus visible.

Julien Clausse : Les entreprises ont besoin qu’on leur montre concrètement le potentiel du machine learning, qu’on leur donne des exemples concrets. Nous en avons de plus en plus, c’est ce qui progressivement contribue à changer les mentalités. Après, il faut s’entourer des bons experts pour mettre en place un tel projet en entreprise.

Bernard Ourghanlian : Les entreprises doivent bien souvent changer de culture et comprendre pourquoi les données sont importantes. La prise de conscience est progressive mais elle arrive. Les banques par exemple, savent tout ce que font leurs clients via leurs achats. American Express a pour projet de vendre des données sur ses clients à des entreprises qui les payeraient pour accéder à plus d’informations et faire du marketing plus ciblé. C’est donc tout un business model qui peut être réinventé. Mais se pose la question de la confiance des clients envers ceux qui collectent leurs données et des usages qui peuvent en être faits. Et là, c’est une deuxième étape qui peut expliquer l’adoption tardive du machine learning.

julien clausse

"Les entreprises ont besoin qu’on leur montre concrètement le potentiel du machine learning, qu’on leur donne des exemples concrets"

« CTO et DSI doivent travailler main dans la main »

Le machine learning se trouve à la croisée de plusieurs domaines professionnels. Quels sont-ils et comment collaborent-ils?

Julien Clausse : Les acteurs comme Microsoft apportent toute leur expertise et leur savoir-faire. Chez Altran, nous nous centrons sur l’analyse de données issues des machines. Notre plus-value est donc en matière d’ingénierie industrielle. Nous comprenons les machines et nous sommes complémentaires avec nos partenaires.

Prenons l’exemple du projet VueForge™. Nous avons rencontré les équipes de Microsoft à Seattle en 2013 et nous nous sommes très vite rendus compte de la complémentarité de nos offres : une technologie sécurisée d’un côté et l’expertise industrielle de l’autre. Ensemble, nous avons donc travaillé à l’intégration de cette technologie au sein d’un monde industriel automobile.

Dans un premier temps, nous avons connecté une voiture réelle à leur infrastructure. Puis, pour atteindre un volume important de données, nous avons simulé un flotte d’un demi-million de véhicules dans le Cloud – ce qui est extrêmement intéressant pour le développement d’environnement de simulation synthétique. Nous avons pu enregistrer des données « descriptives » sur les véhicules d’une flotte déterminée et explorer différents cas d’usage, côté constructeur, mais aussi côté conducteur.  La seconde étape était celle du machine learning : prédire les usages à partir de ces données enregistrées. Ce qui est intéressant, c’est qu’il s’agit d’usages réels qui sont reliés à des personnes. L’humain est au cœur du processus et on cherche à mieux le comprendre.  Mais pour qu’un tel projet puisse aboutir, il faut des experts en informatique, en statistique et en ingénierie. CTO et DSI doivent travailler main dans la main.

Le machine learning permet donc de dépasser la « programmation traditionnelle » ?

Bernard Ourghanlian : Ce qui change la donne, c’est qu’on a de plus en plus de data et des moyens de traitements de plus en plus puissants. C’est ce qui nous permet de progresser, d’aboutir à quelque chose de très différenciant et de dépasser la programmation informatique « classique ».

Un exemple relativement clair pour mieux cerner les enjeux est celui de la parole. Il s’agit d’une onde sonore extrêmement difficile à analyser, segmenter et reconnaitre. Comment peut-on savoir qu’il s’agit d’un phonème par exemple ? Comment introduire la notion de ponctuation ? Nous ne sommes pas capables d’écrire ça dans le code aujourd’hui. C’est là que l’apprentissage statistique montre tout son potentiel : on est capable d’introduire la notion de ponctuation et donc de dépasser la notion traditionnelle de la programmation.

Démocratiser le machine learning

Comment rendre le machine learning accessible au plus grand nombre ?

Bernard Ourghanlian : Chez Microsoft, on a pour ambition de démocratiser le machine learning afin de le mettre à la portée du plus grand nombre. L’idée est de mettre à disposition des outils qui permettent d‘utiliser une interface homme/machine très simple, et de pouvoir ainsi mettre en œuvre les algorithmes nécessaires.

C’est par exemple Cortana, l’assistant personnel, des outils de traduction ou de lutte contre les spams. Au quotidien, des outils simples et fonctionnels intègrent le machine learning. Ou encore Skype Translator qui permet à deux locuteurs d’une langue différente de se comprendre mutuellement dans leur langue maternelle.

Comment initie-t-on un projet de machine learning dans une entreprise ?

Bernard Ourghanlian : Pour faire du machine learning, la première étape est de déterminer quel est le besoin business. Si on ne connait pas quel est le problème ou ce vers quoi on se dirige, on n’apportera rien du tout.

La deuxième chose est d’avoir des données exploitables. En général, une entreprise les a déjà dans son système d’information, mais elle ne les utilise pas toutes.

Quels sont les équipements nécessaires pour pouvoir faire du machine learning et quel modèle économique envisager ?

Bernard Ourghanlian : Il est très difficile de faire du machine learning sans cloud. Non pas parce qu’on ne pourrait pas le faire autrement, mais parce qu’économiquement ce n’est pas intéressant. Ce qui parait assez naturel dans l’utilisation du machine learning, c’est d’avoir une puissance de calcul et de stockage gigantesque, et en même temps la possibilité de ne faire payer que ce qu’on consomme.

Julien Clausse : Il faut une multitude de capteurs qui sont déjà largement présents dans notre environnement : nos smartphones sont équipés de micros, d’outils qui mesurent la pression, etc. Prenons le cas extrêmement concret des bennes à ordures par exemple : aujourd’hui, les capteurs permettent de savoir quand elles sont remplies, et de dégager à plus grande échelle des comportements pour prévoir à l’avance l’enlèvement, et ne déplacer les camions que lorsque c’est nécessaire. Les modèles économiques changent donc. Une entreprise qui fait payer les hôpitaux pour un scanner « à l’usage » a tout intérêt à ce qu’il fonctionne à 100% et utilisera la maintenance prédictive pour anticiper les dysfonctionnements. Là encore, il faut savoir s’entourer des meilleurs experts pour s’équiper intelligemment.

Retrouvez l'intégralité de la plénière des TechDays sur le Machine Learning en vidéo