07/11/2018
La révolution du Machine Learning comporte trois composantes : les algorithmes, l’apprentissage et les applications. La nature du travail et la valeur créée dans chaque composante sont très contrastées.
Gleamerest une startup française qui veut apprendre aux machines à reconnaître les fractures sur des radios conventionnelles. Bonne startup : belle équipe, avec une idée intéressante sur un marché crédible (les radiologues ne sont pas assez nombreux, la radio conventionnelle c'est un peu ennuyeux, l'activité est tout à fait solvable...).
Leur problème c'est la data. Parce que c'est comme ça, évidemment, que marche le Machine Learning.
D'un côté, il y a les gens qui font les algorithmes. Là on trouve Google, Facebook, les sommités comme Yann LeCun , les laboratoires de recherche théorique ou appliquée. Là se raffinent les modèles de réseaux profonds, de réseaux multicouches, de collaboration de réseaux, de stratégie collaborative. Des sujets passionnants, en pleine effervescence, animés par des équipes d’élite, peu nombreuses si on les rapporte au nombre de chercheurs, ou pire au nombre d’informaticiens. Heureusement, les produits résultant de ces travaux sont versés dans la connaissance scientifique, et même, pour le code implémentant ces travaux, dans l’open source.Google et Facebook ont mis sans état d’âme leurs outils, packagés de façon accessible, à la disposition du plus grand nombre. Il est donc relativement aisé de construire un système apprenant.
La difficulté est de lui apprendre effectivement. La majorité des emplois en Machine Learning se trouveront durablement là. Pour obtenir une application utile, il faut rassembler les masses de données représentatives des cas à traiter, et apprendre à l’ordinateur à discerner dans ces données celles qui en font l’intérêt : la fracture ou l’arrachement osseux de Gleamer, l’œuf périmé de Cocorette, la transaction suspecte chez BNPP, le client à fort potentiel, la future star du rap français, la mauvaise herbe dans la pelouse, la fragilité dans le tablier du pont, le précurseur de la crise d’épilepsie… C’est dans ce travail que sont, que seront consommées le gros des années homme de construction du Machine Learning. Patient travail de collecte, de redressement des données, de taxonomie, de codification de l’information utile. Certes, les machines elles-mêmes commencent à faciliter ce travail d’apprentissage. Elles génèrent les catégorisations automatiquement, apprennent entre elles – les premiers résultats d’un réseau éduqué permettant d’enseigner à un réseau plus sophistiqué. Mais aujourd’hui, la collecte, le redressement, la vérification du processus d’apprentissage de la machine, sa vérification, son inlassable optimisation, restent des activités laborieuses et constituent le gros du travail de l’IA d’aujourd’hui. Lorsqu’il n’est pas pris en charge par une équipe dont c’est le projet d’entreprise ou de recherche, comme c’est le cas pour Gleamer, ce travail sera sous-traité à des organisations capables d’organiser à moindre coût ce travail industrieux : innovation méthodologique, mais aussi crowd sourcing, parcellisation des tâches, partage du travail en fonction des coûts et des compétences requises.
Il existe enfin une troisième activité nécessaire à la réussite du Machine Learning, celui où se concrétise le bénéfice de cette innovation. C’est celui de l’application ! Des entrepreneurs, ou des innovateurs, identifient a priori les applications justifiant l’effort d’éducation des machines, comme l’équipe de Gleamer. Il faut encore intégrer la capacité dans un service utilisable, pertinent pour les humains qui sont sensés exploiter la machine. Par exemple, que le traitement automatique de la radiologie conventionnelle soit mis en cohérence avec le parcours de soin du patient et l’organisation du travail médical, y compris la levée du doute sur un diagnostic automatique, ou l’économie du service rendu. Une startup comme Gleamer intègre les deux aspects de l’apprentissage et de l’application qui motive son projet. On leur souhaite de réussir.
Dès à présent, on peut utiliser très largement des briques déjà éduquées : reconnaissance de la parole, des images, chatbots ‘intelligents’, recommandations… Elles sont accessibles comme des services dans le cloud, parmi les nombreux services qui, eux-mêmes, révolutionnent la conception de nouvelles applications. Les services nouveaux hérités des efforts des pionniers du Machine Learning pourront être réutilisés, combinés, intégrés à de nouvelles applications. Les travaux de Gleamer pourraient se décaler vers la santé animale, mettre à disposition des diagnostics en dehors du cabinet : en situation d’urgence, dans des stades, sur des chantiers. Cette troisième activité, la création des applications, est celle où le bénéfice des progrès scientifiques et techniques se concrétise vraiment. C’est là que « se créée la valeur », suivant la formulation en vigueur. C’est ici qu’interviennent des acteurs comme Klee Group, capable d’appréhender à la fois les métiers, les technologies et les usages, pour transférer dans la réalité des entreprises les avancées du Machine Learning.
Une démarche active d’idéation, à la recherche des applications innovantes possibles de capacité existantes ou sur le point d’exister, promet des avancées très concrètes susceptibles de provoquer de spectaculaires – ou plus banalement d’efficaces – avancées dans le fonctionnement de nos sociétés. On peut imaginer de combiner des services de prédiction du trafic, disponibles, avec les informations d’un opérateur de transport pour optimiser les tournées autrement que par le temps estimé (voire le kilométrage !). On peut combiner des services intelligents adressant les différents systèmes d’un bâtiment (température, ascenseurs, énergie, fréquentation, météo) pour améliorer sa performance énergétique, son agrément ou son exploitation. Les idées les plus enthousiasmantes et les plus explorées viennent à l’esprit : la santé humaine, l’environnement, la finance. Ainsi, dans chaque activité humaine, parce qu’elle est humaine, se trouve une part de décisions routinières ou délicates qui pourraient être éclairées par des services du Machine Learning. A nous d’identifier lesquelles pourraient tirer parti des innombrables services que nous rendent déjà les machines qui ont appris.