Parler de transformation digitale et se retrouver à parler d’intelligence artificielle et l’avenir des problématiques logicielles complexes, car l’ingénierie logicielle a de beaux jours devant elle, tant les domaines d’application sont vastes, variés et critiques. On peut citer le biomédical, le militaire, la finance, le divertissement et bien d’autres. Cela ne peut arriver qu’avec Karim Bibi Triki, ingénieur de formation qui a eu à gérer Alfatron par le passé, et qui travaille aujourd’hui au sein d’Intel Corporation. Alors, écoutons-le !

IT Mag : Les dépenses mondiales en technologies de transformation numérique (matériel, logiciels et services) selon IDC devraient atteindre près de 1300 milliards de dollars en 2018, soit une augmentation de 16,8% par rapport aux 1100 milliards de dollars dépensés en 2017. La Transformation Digitale devient de facto le principal sujet d’actualité. Comment la percevez-vous ?

Karim Bibi Triki : Qui dit « Transformation » parle de changement profond. Le changement en lui-même est normal. Mais la combinaison des avancées technologiques, d’un côté, et l’évolution économique et sociale à l’échelle mondiale, de l’autre, ont créé un cycle où des forces externes obligent les entreprises à repenser leurs modèles économiques pour s’adapter. Ces changements créent des zones de rupture dans des pans entiers d’activités. Un changement aussi rapide a des conséquences profondes pour les entreprises et pour la vie quotidienne.

Sur le plan technologique, ces dernières années sont marquées par une vague d’innovation accélérée. Nous observons l’émergence (ou la maturation) de certaines technologies comme : la Réalité Virtuelle, la connectivité 5G, les registres distribués ou “Blockchain”, l’impression 3D, ou encore l’Intelligence Artificielle, pour ne citer que celles-ci. Chacune ayant le potentiel, même prise individuellement, de transformer les entreprises. Lorsqu‘elles sont combinées, elles ont le potentiel de perturber et de changer le monde d’une manière inimaginable.

En effet, beaucoup d'entreprises ont axé leurs investissements sur les Accélérateurs d'innovation tels l'intelligence artificielle. On ne peut pas dire que c’est nouveau ; qu’est-ce qui fait qu’on s’y intéresse autant aujourd’hui ?

Effectivement, l’Intelligence Artificielle (IA) a captivé notre imagination culturelle depuis au moins les années 50s. À travers de nouvelles techniques, de plus en plus complexes, les informaticiens et les scientifiques, d’une manière générale, n’ont cessé d’attiser la curiosité et stimuler l’intérêt du grand public sur ce que serait le futur avec l’intelligence artificielle.

Maintenant, en dehors des scénarios futuristes de “science-fiction”, l’ère de l’économie numérique est celle de la donnée ; la “Data”. D’énormes quantités de données vont être générées dans le proche avenir, car en plus des appareils actuels comme les micro-ordinateurs – tablettes – smartphones, des milliards d’autres objets seront connectés à Internet. Certaines estimations mentionnent 50 milliards d’appareils et 212 milliards de capteurs intelligents. C’est un vrai déluge de données. Les données produites devraient doubler tous les deux ans pour atteindre 40.000 milliards de Giga octets d’ici 2020. Un utilisateur générera en moyenne ~1.5 Go de Trafic Internet par jour (contre ~650 Mo en 2015). C’est considérable, mais ce chiffre est relativement faible comparé à ce que vont générer les machines… Voici quelques exemples :

  • Un hôpital intelligent génèrera 3,000 Go/jour.
  • Une voiture autonome génère plus de 4,000 Go/jour chacune ; un aéronef 10 fois plus.
  • Une usine connectée, 1 Million de Go/jour.

Toutes ces données auront besoin d’être analysées et interprétées, parfois en temps-réel, dans le but d’en extraire des enseignements perspicaces (Insights) et de la valeur pour l’entreprise, que ce soit :

Sur le plan des Opérations – l’optimisation des efficiences permet de réduire les coûts tout en améliorant la qualité. Exemples : Maintenance prédictive, Optimisation des inventaires…etc.

Sur le plan du Business – une meilleure compréhension des besoins et moteurs du marché permet une anticipation des résultats et ouvre les yeux sur de nouvelles opportunités.

Sur le plan de la Sécurité – la reconnaissance des comportements suspects et la prédiction des vulnérabilités peuvent aider à mieux protéger notre propriété intellectuelle et à une meilleure planification de la sécurité.

Ce que vous venez d’expliquer s’approche plus du "Big Data" et de l’Analytique. En quoi l’IA est-elle différente ?

Votre remarque est très pertinente. Au fait, l’analytique a besoin de l’IA pour gagner en maturité. L’analytique (Analytics) est en constante évolution. Les entreprises peuvent l’exploiter pour les “insights”, l’innovation, et pour leur avantage concurrentiel. L’analyse des données continue d’avancer à travers cinq étapes ou niveaux : analyse descriptive, diagnostique, prédictive, prescriptive et cognitive.

L’analyse descriptive nous permet d’identifier ce qui s’est produit dans le passé. Cela nous aide à découvrir ou comprendre certains phénomènes ou processus avec du recul. Dans l’environnement concurrentiel d’aujourd’hui, ce niveau d’analyse, quoiqu’utile, ne permet pas d’assurer une position concurrentielle. Le diagnostic offre un meilleur aperçu de ce qui s’est passé, en décrivant pourquoi cela s’est produit. Plus de perspicacité, mais pas suffisant pour identifier ce que nous devrions faire à l’avenir dans un environnement qui évolue rapidement et fortement concurrentiel.

Les analyses de type prédictive et prescriptive permettent une vision prospective. Elles nous aident d’abord à identifier les potentiels de chacune des nombreuses pistes et chemins que l’entreprise peut emprunter, et oriente ensuite nos actions en vue d’atteindre les résultats escomptés. L’utilisation de nombreuses sources de données et de simulations aide à prescrire la meilleure voie à suivre. 40% des nouveaux investissements en analytique seront orientés vers l’analyse prédictive et prescriptive d’ici 2020, selon IDC.

À l’avenir, l’étape Cognitive permettra de tirer profit de ce que nous apprenons et développons en matière d’Intelligence Artificielle et d’Analyse de Données à Haute Performance (HPDA), pour automatiser les prises de décisions à l’aide d’une analyse similaire à celle faite par les humains. La majorité des entreprises se trouve aux étapes des “analyses traditionnelles”, c’est-à-dire analyses descriptives et diagnostics. L’intelligence artificielle joue un rôle de plus en plus important à l’échelon supérieur de l’analyse diagnostique et au-delà, pour les solutions émergentes d’analyse prédictive, prescriptive et cognitive.

Est-ce qu’on peut dire que l’analyse avancée des données est la seule application de l’IA ?

J’ai mentionné le “déluge de données” comme étant un facteur clé qui a accéléré l’adoption de l’IA. Bien entendu, en parallèle, les performances des calculateurs ont drastiquement évolué pour permettre aujourd’hui le traitement de ces quantités énormes de données, à travers des algorithmes de plus en plus complexes et dans des délais acceptables.

Mais les données, les algorithmes et les calculateurs ne sont pas les seuls moteurs de l’IA. Le développement vers l’IA est également stimulé par une poussée d’innovation qui nous a fait passer de la recherche vers l’usage courant. Chaque nouveau cas d’utilisation et d’innovation algorithmique nous ouvre davantage les yeux sur la puissance de l’IA, amenant plus d’innovateurs à rejoindre la communauté et stimulant une demande toujours croissante pour la technologie. Les innovations des réseaux neuronaux dans les années 1990 ont relancé les recherches sur l’IA, mais ce sont les percées en matière de précision dans la reconnaissance vocale et la reconnaissance d’image, respectivement en 2009 et en 2012, qui ont catalysé la vague d’innovation actuelle. À mesure que nous progressons, une pléthore de défis d’IA non résolus continuera d’interpeler des chercheurs et des innovateurs du monde entier.
Quant aux applications et usages déjà envisagés, nous pouvons citer quelques-uns pour illustration. Dans le segment grand public, il y a bien sûr les Assistants Personnels comme : Alexa d’Amazon, Siri d’Apple, Google Assistant, Microsoft Cortana, Facebo!ok Jarvis home automation. Il y a aussi les Chatbots comme ceux de Bank of America, Uber, Pizza Hut, Amtrak…etc. Un autre usage courant aujourd’hui consiste en la personnalisation des recommandations de consommation – possibilité d’ajuster automatiquement le contenu / les recommandations en fonction des individus (par exemple : moteur de recommandation Netflix, recommandations d’achats personnalisés d’Amazon).

Dans le domaine des Transports, un autre exemple spectaculaire concerne les voitures autonomes. D’autres applications et usages existent pour quasiment tous les secteurs : Santé, Finance, Grande Distribution, Gouvernement, Energie, Education, Sport, Publicité…etc.

 

Vous avez mentionné « Machine Learning » et « Deep Learning ». Pouvez-vous nous l'expliquer ?

Il existe différentes approches et techniques pour aborder l’intelligence artificielle. De nos jours, l’intelligence artificielle est un terme générique qui représente tout programme capable de détecter, de raisonner, d’agir et de s’adapter.

* Détecter : identifier et reconnaitre des objets ou des concepts significatifs au sein d’un vaste ensemble de données (Est-ce un feu rouge ? Est-ce une tumeur ou un tissu normal ?)

* Raisonner : Comprendre le contexte plus large, et établir un plan pour atteindre un objectif. Si le but est d’éviter une collision, la voiture doit calculer la probabilité d’un accident en fonction des comportements du véhicule, de la proximité, de la vitesse et de l’état de la route.

* Agir : Recommander ou initier directement le meilleur plan d’action. Basé sur l’analyse du véhicule et de la circulation, il peut freiner, accélérer ou préparer des mécanismes de sécurité.

* s’Adapter : Enfin, nous devons être capables d’adapter les algorithmes à chaque phase en fonction de l’expérience antérieure, en les “perfectionnant” pour qu’ils soient de plus en plus intelligents. Les algorithmes du véhicule autonome doivent être perfectionnés ou “recyclés” pour reconnaître davantage d’angles morts, intégrer de nouvelles variables dans le contexte et ajuster les actions en fonction des incidents antérieurs.

Actuellement, les développeurs sont en train de réaliser des machines d’IA, principalement, à travers deux approches: l’apprentissage automatique (Machine Learning) et l’apprentissage profond (Deep Learning).

Dans “Machine Learning”, les algorithmes d’apprentissage construisent un modèle à partir de données, qu’ils peuvent améliorer au fur et à mesure qu’ils sont exposés à plus de données.

Lorsque vous ajoutez quelque chose à votre panier dans le site marchand d’Amazon, et qu’il vous suggère automatiquement une liste d’autres produits recommandés qui pourraient vous intéresser… c’est un exemple de Machine Learning. Essentiellement, il s’agit de programmes informatiques qui peuvent apprendre et créer leurs propres règles en se basant sur des données ; souvent beaucoup plus rapidement qu’un cerveau humain.

“Deep Learning” est un sous-ensemble de Machine Learning, dans lequel des réseaux neuronaux multicouches apprennent et s’entrainent à partir de vastes quantités de données. Les applications les plus populaires sont la reconnaissance vocale et d’image, ainsi que le traitement automatique du langage naturel.

 

Comment voyez-vous l’avenir de l’entreprise avec l’IA ?

La “data” devient le nouveau pétrole ou la nouvelle matière première. Une entreprise transformée numériquement est une entreprise “Orientée Données” (Data Driven), et la valeur ajoutée qu’elle crée provient essentiellement de la valeur qu’elle peut extraire des données. Grâce aux techniques de l’intelligence artificielle, les données sont un trésor d’idées et d’enseignements précieux.

Des sondages récents ont révélé que les dépenses en matière d’intelligence économique constituent la priorité des entreprises. Il y a plus de risques à attendre qu’à se jeter à l’eau. Andrew Ng, un pionnier de l’IA, a déclaré : « Par le passé, beaucoup de PDG du S&P500 ont regretté de n’avoir pas commencé à réfléchir plus tôt à leur stratégie Internet. Dans cinq ans, il y aura un certain nombre de PDG qui souhaiteront avoir entamé plus tôt la réflexion sur leur stratégie en matière d’IA.”

L’IA est aujourd’hui au cœur des stratégies de développement des principaux acteurs de la technologie. L’industrie multiplie les efforts et les investissements dans ce segment, induisant ainsi une forte mobilisation de l’écosystème : académique et startups.

Au niveau national, il est primordial de prendre conscience des enjeux stratégiques autour de l’IA et de la vulgariser ; cet entretien en est un exemple. Nous devons encourager nos entreprises à implémenter graduellement des solutions basées sur l’IA pour pouvoir bénéficier des avantages et bénéfices indéniables que nous avons énumérés plus haut. Cela commence par un maximum de dématérialisation des process et des ressources informationnelles afin de constituer un plus grand gisement de données. D’autre part, il est aussi important de développer nos capacités locales pour une maîtrise de l’IA et ses applications. L’IA est déjà enseignée dans nos Universités. Nous avons également des chercheurs et des spécialistes dans le domaine. Je pense que nous devons juste augmenter le focus sur l’IA et intensifier les efforts dans les Universités, les Centres de Recherche, et les Startups. Il existe un écosystème OpenSource assez dynamique autour de l’IA, et nos développeurs gagneraient à le rejoindre.

 

Une dernière question : Karim, winrak ? Tu as disparu ces dernières années…

Je ne suis jamais parti. J’ai toujours résidé en Algérie. Il est vrai que les dernières années, je passais très peu de temps sur Alger. Depuis ma nomination comme Directeur Général de la région Maghreb-Egypt-Levant, chez Intel Corporation, mon temps était réparti entre les différentes équipes et pays. Mais avec mes nouvelles fonctions, je suis plus disponible, et je compte en profiter pour contribuer davantage à côté de mes confères de l’écosystème des TIC et de l’économie numérique.

Laisser un commentaire

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

Résoudre : *
30 ⁄ 10 =