Le machine learning s'engouffre dans les entreprises

Lors d’une conférence au dernier CES 2016 qui s’est déroulé à Las Vegas, Toyota a dévoilé qu’il investissait près d’un milliard de dollars dans un centre de recherche dédié à l’intelligence artificielle en partenariat avec le MIT et l’université de Stanford. L’objectif pour le fabricant automobile nippon est ambitieux puisqu’au-delà de la recherche dans l’automobile pour améliorer la sécurité et l’intelligence du véhicule, il envisage de développer et d’adapter ses complexes algorithmes, issus de ses travaux de recherche, à la mobilité en général pour servir d’autres usages comme les robots, le handicap et bien d’autres projets. On le voit bien, les investissements autour du machine learning sont importants chez certains grands groupes industriels mais surtout chez les acteurs de l’IT et du web comme Microsoft, Amazon, Google et IBM qui voient dans cette technologie l’émergence d’un énorme marché.

« En soi, le machine learning est une technologie assez ancienne, mais à la différence qu’aujourd’hui elle est devenue accessible et abordable », souligne Damien Cudel, chef de marché plateforme applicative chez Microsoft France. Par manque de chiffres concrets, il est encore difficile d’évaluer réellement la taille du marché de l'apprentissage statistique, quelques chiffres circulent chez certains cabinets d’études (IDC, Gartner, etc.) qui font état d’un marché à plus 5 Mds de dollars (ce revenu est souvent donné pour le marché des données globales liées à la statistique qui regroupe entre autre le machine learning). Toutes les entreprises peuvent, quel que soit leur secteur d’activité, exploiter le machine learning pour apporter de nouveaux services et être toujours plus compétitives face à une concurrence accrue : des banques aux assurances pour améliorer la gestion des risques, à la santé pour mettre à la disposition des personnels soignant toujours plus d’outils permettant d’affiner les diagnostics, en passant par le retail pour faire des recommandations aux clients sur des produits spécifiques, aux acteurs de l’énergie et de l’industrie.

Maintenance prédictive chez Thyssen Krupp

A ce titre, l’exemple du fabricant d'ascenseurs Thyssen Krupp, donné par Microsoft, est d’ailleurs très significatif sur les bénéfices du machine learning. En effet, le groupe allemand dispose d’une vision globale sans précédent sur le fonctionnement et la maintenance de ses ascenseurs grâce à la plateforme Azure Machine Learning Service. L’industriel peut détecter à l'avance les comportements anormaux afin de déterminer les pannes et permettre notamment de remplir de façon proactive les camions en pièces de rechange et accélérer ainsi le dépannage chez le client.

Si nous avons souvent pris l’habitude d’associer le machine learning au big data, pour Damien Cudel et pour Pierre Gaudet, le fondateur de Steerfox (voir partie 3), il n’y a pas forcément un lien entre les deux approches, tout dépend des cas d’usages. Par exemple, un e-commerçant qui fait de la recommandation sur un livre a surtout besoin d’algorithmes performants en intégrant que très peu de données. Un autre exemple, celui du statisticien Nate Silver qui s’est appuyé sur des données contenues sur une simple disquette pour prédire l’élection de Barack Obama en 2012. Il faut bien comprendre que l’efficacité du machine learning repose sur la performance de l’algorithme (les algorithmes, étant publics, sont souvent accessibles à tous, bien sûr, des développements d’algorithmes privés enrichissent aussi les plateformes). L’efficacité du machine learning repose aussi sur une préparation rigoureuse en amont des données et la sélection des variables.

Des temps de mise en production très courts

Ces deux dernières années, les annonces se sont succédées à l’image d’IBM et de Microsoft. Microsoft promeut ainsi sa plateforme Microsoft Azure Machine Learning qui fait partie de l’offre globale Microsoft Cortana Analytics Suite (une offre globale qui renferme une vingtaine de briques). « Quelle que soit la complexité des projets, notre offre vise aussi bien les datascientists, les développeurs et les métiers. Le machine learning est à tous les étages. Ce sont surtout les bénéfices qu’importent. Certaines entreprises que nous avons visitées mettent parfois une semaine voire un an à déployer une solution en production alors qu’avec notre plateforme, c’est juste cinq minutes », indique Damien Cudel.

Quant à IBM, il multiplie les initiatives autour de son système cognitif Watson qui intègre aussi des briques de machine learning. D’ailleurs, big blue s’est notamment illustré au dernier CES avec le lancement de la plateforme Watson IoT et des multiples annonces de ses partenaires sur l’usage de cette plateforme comme Medtronic. Ensemble, Medtronic et IBM ont présenté une application de gestion de diabète qui peut prédire les événements hypoglycémiques jusqu'à trois heures à l'avance, assez tôt pour permettre à une personne souffrant de diabète de prendre des mesures en amont d’une déficience potentielle.

De l’importance des API pour IBM

Pour Philippe Bournonhesque, CTO d’IBM France, la force de Watson tient aussi dans l’intégration de ses API (reconnaissance de la parole, vidéo, etc.). « L’objectif est que le développeur puisse disposer d’une bibliothèque d’API pour concevoir son application. Watson Oncology Advisor sur la recherche autour du cancer est un exemple d’application. A partir de ces API, il est possible de développer une multitude d’applications métiers pour la prise de décisions, pour la découverte ou pour l’engagement. Plus généralement, nous comptons déjà de nombreux partenaires qui travaillent autour de Watson à l’image de Sopra Steria qui a ouvert un centre Watson à Lille afin d’aider ses clients à créer et à déployer de nouvelles applications. » Chez IBM, l’apprentissage machine est également présent dans les solutions traditionnelles de l’éditeur comme l’analytique avec Analytics Server pour traiter les énormes quantités de données ou derrière l’offre « Customer Insight for… » qui croise des données multi sources en fonction de critères bien précis des utilisateurs (mode de vie, personnalité, comportement, etc.). Enfin, IBM souhaite aussi imposer sa bibliothèque d’algorithmes en open source System ML (Machine Learning) à l’industrie IT, une sorte de SQL du machine learning.

Les géants du web sont également très en pointe dans ce domaine de l'apprentissage machine comme Amazon web services avec Amazon Machine Learning. La société américaine BuildFax, qui produit un certain nombre d’indices autour de la construction immobilière, utilise l’application d’Amazon pour créer des modèles prédictifs en quelques secondes pour les assureurs et les constructeurs. Bref, pour Amazon, les cas d’usages sont nombreux, de la détection de fraudes à la prévision de la perte de client en passant par la modélisation des tendances pour les campagnes marketing.

Des cours qui se généralisent dans les écoles 

Le machine learning, comme toute technologie innovante et naissante d’un point de vue commercial, réclame des compétences et elles ne sont pas encore si répandues, mais les écoles supérieures ont bien compris l’importance de ce marché et ont déjà ouvert un certain nombre de cursus dédiés. Certains fournisseurs comme Microsoft s’engagent d’ailleurs auprès des centres de formation et des écoles. L’éditeur américain a notamment passé des accords avec l’Ensae (École nationale de la statistique et de l'administration économique) et l’Ensai (École nationale de la statistique et de l'analyse de l'information) pour former les étudiants aux technologies Machine Learning de Microsoft. De son côté, Philippe Bournonhesque, CTO IBM France, indique qu’il existe aujourd’hui de nombreuses écoles d’ingénieurs qui dispensent des formations et des cours sur ces technologies du Machine learning. En complément, IBM a même créé un site web dédié (bigdatauniversity.com) qui aborde bien sûr le big data, l’analytique et les approches de l’apprentissage automatique.

« 3000 à 4000 jours/homme ont été nécessaires pour concevoir notre plateforme en open source de génération de leads automatique article par article à partir de catalogues produits », souligne Pierre Gaudet, le fondateur de la startup SteerFox. L’idée de cette plateforme, disponible en mode SaaS, est de permettre aux e-commerçants d’accroitre leur visibilité en générant du trafic en fonction d’un budget prédéfini préalablement. Comment ? Par des robots intelligents qui analysent la composition du catalogue du client ainsi que ceux de la concurrence. Cet outil se connecte à de multiples sources d’audiences dont des comparateurs (Google Adwords, Google Shopping, Bing Ads, Amazon Product Ads, Facebook Product Ads…) et va créer, en quelques secondes, des campagnes (annonces ou bannières) en se connectant avec le back office des fournisseurs. L’outil prend aussi en compte certains événements ou phénomènes comme les saisons pour certains produits (les barbecues par exemple qui s’écoulent surtout au printemps et à l’été). « Notre plateforme est révolutionnaire car nous ne résonnons pas en termes de flux mais dans une logique d’intelligence artificielle », précise Pierre Gaudet. Ainsi, pour augmenter les ventes des e-commerçants, la plateforme SteerFox (hébergée chez OVH) affine la génération de campagnes suivantes en fonction de l'évolution du catalogue et des performances des campagnes précédentes grâce à des algorithmes performants ».

Des gains spectaculaires pour le ROI

Précisons que Pierre Gaudet ne souhaite pas divulguer plus d’information sur l’architecture de sa solution considérée, à juste titre, comme un outil stratégique et véritablement innovant. Cela dit, il reconnaît la satisfaction de ses clients à l’usage de sa plateforme. « Nos clients sont très satisfaits. Il serait non professionnel de promettre un pourcentage d’amélioration extrêmement variable selon les secteurs. L’important est de faire mieux qu’avant l’usage de notre plateforme, tout en faisant gagner un temps considérable aux équipes. Nos clients dépensent entre 300 et 100 000 euros par mois. Certains déjà très optimisés sont impressionnés par une amélioration du ROI de 20 %,  pour d'autres nous avons multiplié le ROI par 5 ». A noter que pour soutenir sa croissance, Steerfox a récemment levé 1,2 millions d’euros auprès de divers organismes financiers. La startup va ainsi renforcer sa force commerciale et son service de R&D, le nombre de salariés devrait passer ainsi de 8 à 16 d’ici à la fin de l’année.

Du machine learning pour créer un moteur intelligent d'indexation

Dans quelques semaines le service d’indexation Lefty sera en production nous confirme Roman Berenstein, co-fondateur et président de la startup Lefty. En clair, Lefty construit actuellement une place de marché qui regroupera des millions de photos provenant d’Instagram et va, par la suite, les monétiser (les auteurs seront aussi indemnisés). Bref, un modèle proche de celui de Fotolia. Dans la conception de son moteur de recherche par ses équipes internes, Lefty exploite des techniques de machine Learning et de « vision par ordinateur » (branche de l’intelligence artificielle).

 

« Par exemple, si vous prenez une photo avec une plage, l’ordinateur voit un pixel, il faut donc lui apprendre, grâce à des techniques d’intelligence artificielle conçues par nos équipes, que ce pixel, c’est une plage. Nous traitons ainsi des millions de données », explique Roman Berenstein. Et pour ce faire, Lefty utilise des composants en open source, très nombreux sur le marché selon Roman Berenstein. Pour Lefty, le machine learning ouvre à d’énormes perspectives, par exemple, l’entreprise utilise aussi ses techniques pour détecter les comptes frauduleux.

« La mise à disposition d’API par l’application Azure Microsoft ML m’a facilité la vie », déclare René Lefébure, directeur de la R&D chez Conexance. Le métier de Conexance, un expert en bases de données mutualisées, est d’aider ses clients dans divers secteurs d’activités (le retail, le caritatif, la presse, la vente à distance, etc.) à booster leur stratégie commerciale via des productions de scoring, de la prospection, de la fidélisation ou encore de la recommandation. Aujourd’hui, près de 400 partenaires ont confié leurs données clients à Conexance, l’entreprise prend aussi en charge de nombreuses données SIG en opendata. Pour modéliser toutes ces données, Conexance migre progressivement son existant vers la solution Microsoft Azure Machine Learning. Il faut savoir qu’auparavant, Conexance utilisait une solution éditée par SAS. L’entreprise travaille néanmoins toujours avec SAS sur la préparation des données en amont. « Nous avons choisi la plateforme Cloud Microsoft après avoir benchmarké différentes solutions du marché. Les tests de modélisation des données grâce aux techniques de machine learning intégrées dans Azure ML ont été concluants », détaille René Lefébure qui apprécie notamment les fonctions de type forêt aléatoire et deep learning offrant bien plus de performances.

Des bénéfices concrets du machine learning 

D'ailleurs, en termes de performances, Conexance admet obtenir des gains de l’ordre de 10 à 35 % mais jamais de régression. Autre avantage cité par René Lefébure, c’est la mise à disposition d’API par l’application qui facilite fortement les déploiements. Le directeur de la recherche apprécie aussi le support de certains composants en open source comme les langages Python et R. Seul petit regret pour Conexance, c’est l’interface jugée un peu faible pour les représentations graphiques. Enfin, côté prix, Conexance revendique un coût 10 fois inférieur (environ 100 à 150 € par mois et par utilisateur) par rapport à un outil équivalent concurrent accessible en licence qui revient souvent selon René Lefébure à 1 500 € par mois.

« Le deep learning nous permet d’aller plus dans la simulation du fonctionnement neuronal et de répondre ainsi à des situations imprévues. Par exemple, dans le monde de l’automobile, le deep learning va bien au-delà de la simple action par rapport à une détection comme un freinage sec immédiat si un sac en plastique passe devant le véhicule. En effet, le deep learning adapte le comportement de conduite de l’automobiliste via de l’auto-apprentissage en suivant la bonne combinaison par décision neuronale. Chez Nvidia, cette approche du deep learning est possible grâce à notre puissante architecture matérielle massivement parallèle, mais aussi grâce à notre environnement logiciel de développement et nos bases de données neuronales », résume Serge Lemonde, directeur des ventes EMEA chez Nvidia. Le deep learning est un axe stratégique important chez Nvidia et les travaux du fabricant de CPU et de GPU dirigés vers le secteur de l’automobile sont à la fois impressionnants et effrayants. Impressionnants car l’intelligence embarquée dans les véhicules les rendra dans quelques années entièrement autonomes. Effrayants car une machine de la taille d’une boîte à chaussure offre un meilleur niveau de connaissance qu’un être humain !

Des mini super ordinateurs pour le deep learning

D’ailleurs, à l’occasion du dernier salon CES à Las Vegas il y a un mois, Nvidia a présenté Drive PX2, un super ordinateur de 8 Teraflops capable de traiter les entrées de 12 caméras vidéo et autres capteurs à ultrasons. Le constructeur Volvo est, à ce titre, le premier partenaire de Nvidia à envisager d’intégrer le Drive PX2 dans ses futures voitures autonomes. Le Drive PX2 n’est pas une simple boîte qui intègre de puissants CPU et GPU mais c’est aussi un environnement logiciel, des API, des librairies et une base de données interprétées DriveNet pour construire cette approche d’auto-apprentissage. Pour répondre aux besoins de deep learning de façon plus générale, Nvidia a imaginé pour les développeurs et les chercheurs un mini « superordinateur » doté de la puissance nécessaire. Baptisé Digits DevBox, ce super computer, accessible à 15 000 dollars environ, intègre 4 GPU TITAN X avec 7 TeraFlops et 336.5 Go/s de bande passante et embarque le framework deep learning Caffe, la librairie python Theano, la librairie open source de machine learning Torch, l’architecture BIDMach et les environnements cuDNN v2 et CUDA 7.0 de Nvidia.