Des Machines et des HommesINTELLIGENCE ARTIFICIELLE & MACHINE LEARNING

2

ML ET IA, LE LEXIQUE

OBJETS INANIMÉS, AVEZ-VOUS DONC UNE ÂME ?

QUAND LES MACHINES SE PRENNENT POUR DES HOMMES

QUELS DÉFIS TECHNOLOGIQUES À RELEVER ?

CORTANA VS WATSON, LE CHOC DES TITANS LUMIÈRES SUR WATSON LUMIÈRES SUR CORTANA WATSON VS CORTANA

LE CAS DE LA VOITURE CONNECTÉE

OÙ EN ÊTES-VOUS ? INFOGRAPHIE ÉTUDE UMANIS

Auteurs de cet eBook François Binder, IoT, Data Insights & Cloud Platform Practice DirectorPhilippe Harel, Data Science Practice Manager Microsoftet l’équipe Marcom d’Umanis

SOMMAIRE

p.3p.4p.6

p.10

p.11p.12p.15

p.18

p.20

p.22

3

ML ET IA, LE LEXIQUEINTELLIGENCE ARTIFICIELLE

Ensemble de théories et de techniques (ré-seaux de neurones, systèmes cognitifs dis-tribués,..) mises en œuvre en vue de créer des machines capables de simuler l’intelli-gence humaine.

MACHINE LEARNING Ensemble de méthodes permettant à une machine (au sens large) d’apprendre à réa-liser des tâches sans avoir été programmée explicitement pour cela. La machine utilise des algorithmes génériques applicables à une multitude de tâches. La machine agit de manière autonome, est capable de com-prendre et d’appliquer des algorithmes pour notamment automatiser des process. C’est un sous-champ de l’Intelligence Artificielle.

APPRENTISSAGE SUPERVISÉ (AS) Technique de Machine Learning où l’on cherche à produire automatiquement des

règles, à partir d’une base de données contenant des cas déjà traités et validés.

APPRENTISSAGE NON SUPERVISÉ (ANS) Technique de Machine Learning où l’on cherche à découvrir des structures cachées (méthode proches du Data Mining) dans les données, plutôt que de généraliser des exemples à partir d’un feedback connu.

INTERNET DES OBJETS (IOT) « Réseau de réseaux » qui permet par des systèmes d’identifications complexes de transmettre des données entre objets phy-siques et virtuels.

4

Depuis 5 ans, c’est tout notre univers, jusqu’alors immobile et passif, qui se met en mouvement. Nous assistons à la nais-sance de pléthore de nouveaux usages personnels, suivis par des applications industrielles de plus en plus nombreuses qui ouvrent la voie à une utilisation plus transparente et intelligente des signaux qu’émettent ou captent ces objets en continu. Tout d’abord, ce sont les biens de consommation grand public

OBJETS INANIMÉS, AVEZ-VOUS DONC UNE ÂME ?

Depuis 2008, il y a plus d’objets connectés que d’hommes sur Terre.

5

90% des données mondiales

ont été produites ces deux dernières années

NOMBRE D'OBJETS CONNECTÉS (MILLIARDS)qui se sont développés avec les ordinateurs personnels, les smartphones, les tablettes et plus récemment les wearables ou autres montres et brace-lets connectés. On devrait dé-passer les 5 milliards d’objets connectés cette année. Et on parle de 20 milliards à hori-zon 2020. Le marché du RFID vaut déjà plus de 10 milliards de Dollars dans le monde et ce sera le double en 2020. Le nombre de connexion M2M (machine to machine) a littéra-lement explosé.

Au niveau des usages indus-triels, on distingue deux types d’objets connectés avec d’une part les génériques tels que les ampoules, les détec-teurs de fumée, les systèmes de gestion de la température dans les bâtiments.

D’autre part, on retrouve des objets connectés qui sont spécifiques à chaque secteur d’activités. Dans l’énergie, on pense aux compteurs intelli-gents. Dans l’industrie, on a aujourd’hui des systèmes qui permettent de prévenir les défaillances ou les pannes. Dans la santé, les objets se multiplient dans les hôpitaux mais aussi à domicile pour mieux suivre les patients, leurs rythmes cardiaques ou respiratoire. Dans le secteur maritime, il y a aujourd’hui des capteurs dans les cargos pour enregistrer les mouvements de houle et de roulis, optimi-ser les trajectoires et consom-mer moins de carburant !

Biens de consommation

Industries génériques

Industries Spécifiques

Source Gartner

>80% des données ne sont pas exploitées

et encore moins analysées

6

@

L’ancienne écoleUn SID traditionnel collecte déjà différentes sources de don-nées telles que des fichiers plats ou des bases de données qui sont traitées par des ETL (tels que Talend, SSIS, Informatica, etc.). Elles sont ensuite chargées dans un datawarehouse (SQL Server, Oracle, Teradata, etc.) où elles sont nettoyées, struc-turées et rendues disponibles pour alimenter des datamarts, être consommées par des applications ou encore analysées via des outils de datavisualisation.

La BI traditionnelle se concentre donc sur les questions qui doivent trouver réponses, puis elle cherche les données dis-ponibles à collecter. Enfin, elle restitue les résultats auprès des personnes qui les ont demandées au préalable.

Les systèmes décisionnels en place n’ont pas été conçus pour ingérer et analyser de telles volumétries de données sur des formats aussi divers, d’autant plus que ces données sont émises désormais en continu. Ils n’ont pas non plus été conçu pour répondre à des questions qui peuvent se poser au fur et à mesure de l’arrivée de nouvelles données (ce qui a conduit à l’émergence d’écosystèmes tels que Hadoop). Sans compter qu’au phénomène des objets connectés, s’ajoute la multiplica-tion de nouvelles sources de données telles que les capteurs, les réseaux sociaux, les flux audio ou vidéo, les images, les logs, … ainsi que toutes les données brutes que les entreprises n’ont jamais exploité.

QUAND LES MACHINES SE PRENNENT POUR DES HOMMES

Aujourd’hui, ces systèmes sont confrontés à trois principaux problèmes liés à leur architecture même

la gestion de l’internet des objets qui se comptent en milliards de sources de données

1

la prise en compte du ma-chine learning avec des analyses avancées car ils n’ont pas les capacités de calcul ou de mémoire nécessaires

2

la gestion du temps réel

3

7

Le sujet vous intéresse ? Téléchargez la version complète de notre e-book

Le contenu de cet e-book a été réalisé par nos consultants et nos spécia-listes, à partir d’études réalisées lors de nos événements « 5à7 » et enrichi par de nombreux retours d’expérience de nos clients.

Téléchargez gratuitement la version complète à l’adresse suivante :

http://bit.ly/IA-MachineLearning