Les 10 tendances technologiques 2020

En 2019, les R&D des fournisseurs engagés dans l’informatique quantique, IBM, Intel, Google, Atos et Microsoft, ont continué à avancer leurs pions vers la simulation d’ordinateurs capables de résoudre des tâches dont la résolution demanderaient des milliers d’années aux supercalculateurs actuels. Cet automne, Google a même pensé avoir démontré la suprématie quantique - une déclaration aussitôt réajustée par IBM - en ayant fait exécuter en 200 s par son processeur quantique Sycamore 54 Qubits un calcul qui aurait, selon lui, pris 10 000 ans au supercalculateur actuel le plus rapide. Pour IBM, une simulation idéale du test aurait pu être exécutée en 2 jours et demi sur un système classique en tirant autrement parti de ses capacités et ressources. En outre, il souligne que l’expression suprématie quantique, proposée par John Preskill en 2012, doit être utilisée avec précaution car, en dehors de rares experts, elle est mal comprise et induit en erreur. IBM relève toutefois que Google démontre les progrès de l’informatique quantique basée sur la supraconductivité. L’expérimentation de ce dernier, décrite dans Nature, repose sur une puce constituée d’une grille à deux dimensions où chaque qubit est connecté à quatre autres qubits apportant à la puce la connectivité pour que les états en qubit interagissent rapidement dans l’ensemble du processeur.

Intel, pour sa part, renvoie vers l’article qu’il a lui-même publié dans Nature en mai dernier. Richard Uhlig, senior fellow chez Intel, rappelle que l’étude compare un algorithme quantique tolérant au bruit (ANT) avec un algorithme classique sur une série de problèmes Max-Cut de taille croissante. « Après des simulations approfondies, notre recherche suggère qu’il faudra des centaines, si ce n’est des milliers de qubits travaillant ensemble de façon fiable avant que les ordinateurs quantiques soient capable de résoudre des problèmes pratiques plus vite que des supercalculateurs », indique-t-il dans un billet. Il estime que cela prendra des années : « la course à l’informatique quantique commercialement viable est un marathon, pas un sprint », pointe-t-il.

Simulateur à 41 Qubits

En attendant, les tenants du domaine proposent aux chercheurs, développeurs et étudiants d’explorer l’univers quantiques à partir des simulateurs qu’ils mettent à leur disposition dans le cloud. IBM suggère de tester le champ des applications dans la chimie, la finance, l’optimisation ou l’intelligence artificielle en développant et exécutant des programmes sur sa plateforme cloud IBM Q Experience ou il fournit son framework quantique Qiskit basé sur Jupyter. En mai dernier, le Français Atos a annoncé son programme myQLM, dérivé de son simulateur Atos QLM (Quantum Learning Machine) lancé 2 ans plus tôt et capable de simuler de 30 à 41 Qubits. Cet environnement Python conçu pour développer et simuler des applications quantiques sur un poste de travail est mis à disposition gratuitement. En novembre, Atos s’est associé à Zapata Comupting pour fournir des bibliothèques d’algorithmes quantiques sur des marchés verticaux (chimie, pharmacie, logistique, finance, science des matériaux) à exécuter sur l’appliance Atos QLM.

Au même moment, Microsoft a annoncé son écosystème cloud Azure Quantum qui rassemble un ensemble de services quantiques, d’outils et de tutoriels dont son Quantum Development Kit pour tester du code écrit en Q# sur des simulateurs quantiques. Et AWS vient d’enchérir avec trois initiatives sur ce terrain à l’occasion de re:Invent à Las Vegas : le service managé Braket pour accéder à des plateformes quantiques, l’AWS Center for Quantum Computing et le programme Quantum Solutions Lab.

En 2019, les cryptomonnaies inspirées du pionnier Bitcoin occupent toujours le devant de la scène. Néanmoins, en coulisse, nombre d’entreprises explorent d’autres usages pour les technologies de registre distribué basées sur la blockchain. Et même si les analystes estiment que le marché manque encore de maturité, plusieurs projets commencent à passer le cap de l’expérimentation, pour être plus largement déployés. L’Etat français lui-même s’est emparé du sujet, à travers la création d’une « task force » sur la blockchain, qui a tenu sa première réunion le 25 juillet 2019.

Deux grandes implémentations reviennent fréquemment dans les initiatives du monde professionnel : d’un côté Hyperledger Fabric, projet Open Source hébergé par la Fondation Linux ; de l’autre Ethereum, créée par Vitalik Buterin, qui se présente comme une blockchain programmable et dispose d’une cryptomonnaie native. Sur Hyperledger s’appuient notamment les projets de la Chambre des Notaires de Paris ou la plateforme Connecting Food, destinée à l’industrie agro-alimentaire. De son côté, Ethereum sert de base à Quorum, une plateforme de blockchain Open Source, créée par la banque J.P. Morgan et ciblant notamment le secteur financier ; ou encore à Arianee, une solution de certification destinée au secteur du luxe, déployée par exemple par le fabricant de montres Vacheron Constantin. La diversité des projets montre que la technologie apporte des réponses à des problématiques variées, dans de nombreux secteurs : lutte contre la contrefaçon dans le luxe ou l’industrie pharmaceutique ; traçabilité dans l’agro-alimentaire, la santé ou encore la logistique ; preuves d’intégrité des données pour les professions réglementées et tiers de confiance, ou encore auto-gestion d’une ressource partagé entre plusieurs acteurs, comme avec la blockchain des fréquences, lancée par l’ANFR fin 2018.

Une notion est au cœur de tous ces usages : la transparence. Celle-ci repose sur la capacité de la blockchain à permettre le partage d’informations entre tous les acteurs (les nœuds) de la blockchain. Dès lors que ceux-ci possèdent la clef, ils peuvent voir les transactions déjà enregistrées dans une chaîne, mais aussi valider l’ajout de nouveaux blocs, à condition d’atteindre un consensus. Par ailleurs, une fois des données déposées dans une blockchain, celles-ci sont considérées comme immuables (le caractère distribué de la technologie rendant extrêmement difficile toute modification). Cela en fait donc une technologie de choix pour collecter des informations clefs à chaque étape du cycle de vie d’un produit ou d’un document, de façon pérenne et sécurisée.

Autre point commun de la plupart des projets évoqués : il s’agit de blockchains privées, gérées par un consortium d’acteurs. Dans ce contexte, en complément de la transparence apportée par la technologie, une vraie gouvernance est indispensable : il faut établir précisément quelles données peuvent être enregistrées dans une chaîne, dans quelles les conditions chaque membre y participe, notamment sur le plan technique et financier, sans oublier le choix des mécanismes de consensus.

En toute logique, la forte mobilisation autour du dérèglement climatique et de ses conséquences de plus en plus visibles, n’ont pas épargné le numérique. Le secteur est ainsi de nouveau la cible d’études pointant sa lourde empreinte écologique. Ainsi, en juillet 2019, le think tank français militant The Shift Project publiait un rapport sur « L'insoutenable usage de la vidéo en ligne ». Le document qui compile études et avis d’experts sur le sujet, rappelle à ceux qui ne l’avaient pas compris que la vidéo en ligne n’est nullement un usage dématérialisé, mais exploite lourdement nombre des infrastructures réseau, et bien évidemment de nombreux datacenters (en mode cloud ou local). En 2018, le streaming aurait émis plus de 300 millions de tonnes de CO2, soit l’équivalent de l’Espagne ou de 1% du total des émissions dans le monde . L'email a fait l’objet du même type d’analyse en vue d’inciter chacun à nettoyer sa messagerie pour consommer moins de stockage.

Pourtant, rien n’est plus complexe que de juger de l’impact environnemental du secteur. Pour commencer, les fournisseeurs d’équipements et les acteurs qui exploitent des datacenters travaillent sur ce sujet depuis plusieurs années. Ils consolident les serveurs, optimisent la consommation de leurs équipements, augmentent la température des locaux pour éviter l’usage intensif de climatisation, etc.

La 5G, symbole de la complexité du numérique vert

Par ailleurs, la plupart des technologies nécessitent une réflexion globale et poussée. Le cas de la 5G, qui a pointé le bout de ses antennes en 2019, et sera la star de 2020, est emblématique. La norme a par exemple été conçue pour économiser l’énergie autant que possible. Ses réseaux devraient consommer moins en cas de baisse du trafic, par exemple. Pour autant, elle est la première génération mobile développée pour les objets connectés autant que pour les personnes et les entreprises. Elle favorisera donc la multiplication de ces équipements consommateurs d’énergie et pas toujours faciles à recycler… et impliquera bien sûr un renouvellement massif des smartphones. Et quid de l’impact des ondes électromagnétiques associées au déploiement de la 5G ? Il reste difficile de connaître l’impact réel sur la santé des équipements associés au mobile (téléphones, stations de base, etc.). Le recul d’un peu plus de vingt ans sur leurs usages ne suffit pas.

Sans numérique, le phénomène Greta Thunberg aurait-il eu le même impact aussi rapidement ?

Le secteur numérique n’est pas une industrie à part, qui pourrait échapper à une surveillance fine de son empreinte écologique. Devenu vital pour l’économie, il se doit de surveiller ses émissions de CO2, sa consommation d’énergie et d’eau, son exploitation de matières premières rares ou extraites en dépit du respect des droits humains, son recyclage des déchets électronique (DEEE), etc. Que ce soit par conviction, pour des questions d’économie, ou pour des questions d’image auprès de leurs clients et de leurs employés actuels et futurs, les fournisseurs et les entreprises utilisatrices vont devoir redevenir attentifs à leur empreinte numérique.

Ne jetons pas le bébé avec l'eau du bain

Mais, attention à ne pas jeter le bébé avec l’eau du bain. Sans numérique, pas de crowd sourcing pour alimenter les chercheurs sur l’évolution des espèces menacées ou l’impact des catastrophes naturelles… Pas de modélisation du climat et de son dérèglement. Pas d’économie de la fonctionnalité, du partage… Et sans numérique, pas de buzz pour Greta Thunberg comme le décrypte l’agence numérique La Netscouade ! Le green IT est un sujet sérieux qui mérite une approche systémique plutôt qu’un regard simplement analytique.

Ne faire confiance à personne. Tel est le créneau de la démarche zero trust - d'aucuns parleront de philosophie - consistant à assurer une sécurisation optimum des systèmes d'information de l'entreprise. Apparu pour la première fois en 2009, ce terme a été mis en avant par un analyste du cabinet Forrester, John Kindervag, dans son rapport « No More Chewy Centers: The Zero Trust Model Of Information Security ». Les principes du zero trust sont assez simples, du moins en théorie, à savoir mettre en place des outils, des règles et des mesures visant à vérifier de façon systématique qu'un utilisateur identifié accède bien via un appareil/terminal aux données et applications sur lesquels il dispose de droits bien définis (lecture, écriture, partage...).

« Les concepts fondamentaux d'une architecture zero trust sont des micro-segments pouvant englober un petit groupe de périphériques alignés sur un usage, la connaissance approfondie des utilisateurs et des applications grâce à la gestion des identités et des accès permettant de filtrer les flux au niveau fonctionnel et des outils de mesure pour connaitre l'état du réseau en temps réel », nous a expliqué Michel Juvin, membre du Cesin. « Le zero trust exige que toute tentative d'accès aux systèmes de l'entreprise soit soumise à un certain niveau de vérification. Cette notion repose sur l'authentification multifactorielle, l'analyse, le chiffrement et les permissions au niveau du système de fichiers. Il inclut un renforcement dynamique des règles d'accès, non seulement pour vérifier l'identité de l'utilisateur, mais aussi celle de son périphérique et du contexte dans lequel il tente d'accéder au système. Si bien que les utilisateurs disposent d’un accès minimum pour accomplir une tâche spécifique ».

Un marché évalué à près de 39 milliards de dollars en 2024

Le décollage du marché du zero trust est bel et bien en ligne de mire. Après avoir atteint 15,6 milliards de dollars en 2019 selon Reportlinker, ce dernier est attendu en progression annuelle moyenne de 19,9% jusqu’en 2024 pour atteindre près de 38,6 milliards de dollars. La dynamique de ce marché s’est accélérée ces derniers mois avec plusieurs rachats significatifs dont celui de la start-up californienne Aporeto par Palo Alto Networks pour 150 millions de dollars et sa technologie de microsegmentation basée sur l’identité de la machine. Cette jeune pousse a dans son portefeuille des solutions pour sécuriser de multiples environnements allant des conteneurs aux microservices en passant par le cloud et les applications sur site. Parmi les autres rapprochements : celui d’Okta avec ScaleFT et sa plateforme IAM permettant un accès distant sécurisé sans VPN ou encore Proofpoint avec Meta Networks pour 119 millions de dollars.

Parmi les acteurs positionnés sur le marché du zero trust, on trouve notamment Akamai (Zero Trust Security), Check Point (Infinity Security Access), Cisco (Duo Beyond, Tetration et SD-Access), Centrify Corporation, Cloudflare, Cyxtera Technologies (Appgate SDP), Forescout (TFP), Forcepoint (NGFW), Fortinet (NAC et ISFW), Google (Context-Aware Access for Enterprise) Illumio (Adaptive Security Platform), Mobileiron (Zero Trust Platform), Okta (Identity Cloud, rachat de ScaleFT), Palo Alto Networks (GlobalProtect, App/Content-ID et WildFire), Proofpoint (ZTNA et CASB), Sophos (XG Firewall et Synchronized Security), Symantec (Integrated Cyber Defense), Trend Micro (Network Dfense)…

Pour la plupart des cabinets d’études, l’edge computing s’affirme comme une des grandes tendances de l’année à venir. Cette notion se définit comme étant une topologie de traitement des données (calcul, réseau, stockage) au plus près des sources d’information. Ces dernières sont multiples : objets connectés (IoT), systèmes embarqués, équipements autonomes. Et ils vont générer un afflux de données sans précédent. Gartner prévoit ainsi 55 milliards d’objets connectés et 75% des données qui seront créés en dehors des datacenters traditionnels d’ici 2022. Ces chiffres donnent le vertige et ouvrent un marché de 13 milliards de dollars d’ici 2022 sur lequel lorgne beaucoup d’acteurs (opérateurs, équipementiers, fournisseurs de cloud et éditeurs). Le traitement des données en périphérie pose différentes questions : combien de données doivent être traitées en local ou dans le cloud ? Quelles données doit-on analyser ? Quels types de réseaux utiliser ? Quel niveau de sécurité mettre en place ?

Tout le monde se met donc en ordre de bataille pour fournir des solutions sur les différentes briques IT. Sur les équipements, des sociétés comme HPE ou Dell via VMware (avec la concrétisation du projet Dimension) ont déjà lancé des gammes de solutions convergentes ou hyperconvergentes adaptées aux environnements Edge comprenant des puces performantes et des facteurs de formes adaptées. Les fournisseurs de cloud comme AWS ou Azure se sont engouffrés dans la brèche avec de solutions dites serverless , comme Lambda ou Azure Functions. Idem pour les acteurs du réseau et les opérateurs qui adaptent leurs offres à ce segment de marché en proposant de la connectivité locale (Sigfox, Lora, 5G, WiFi) ou avec des clouds (liens interconnect, SD-WAN, etc.). L’ensemble des acteurs misent surtout beaucoup sur l’automatisation et les apports des algorithmes de machine learning. L’idée est que l’architecture s’adapte au besoin de l’environnement Edge : traiter les données au plus près de l’objet.

Dans cette ébullition technologique, il ne faut oublier la sécurité, un élément sous-jacent de l’Edge computing. Elle constitue un défi pour le futur avec l’augmentation de la surface d’attaque combinée au volume de données. Les risques de sabotage, de vol de données, de demandes de rançons existent. Alignement de la sécurité de l’IT à l’OT (système industriel), notion de “security by design”, gestion des accès, chiffrement des flux et des données, sont des pistes envisagées par les différents acteurs pour répondre à ce challenge.

L’informaticien serait-il devenu plus qu’un technicien ? Il y a quelques années c'était normalement un acquis. Reste que les compétences comportementales (soft skills) sont en train de prendre l’ascendant sur les « hard skills », ou compétences purement techniques. En effet, de plus en plus de recruteurs reconnaissent l’importance des savoir comportementaux dans différents métiers liés au numérique, pour renforcer l'engagement des collaborateurs dans les entreprises. De même différentes études mettent en avant l’importance des changements intervenus sur les compétences demandées aux collaborateurs et aux candidats lors des recrutements suite aux évolutions technologiques. Ainsi, selon une étude IBM, les savoirs techniques sont donc pris en compte dans un contexte plus global ramenant au premier plan les qualités humaines d’insertion dans l’entreprise ou dans les différentes équipes avec lesquelles chacun sera amené à travailler. Et ce sont les comportements associés à la flexibilité, l’agilité et l’adaptabilité ainsi que la capacité à collaborer efficacement en équipes et à communiquer qui sont privilégiés. Un point de vue partagé par Nicolas Morel, président de monkey tie, une plate-forme de recrutement et de mobilité interne basée sur le matching affinitaire. En prenant en compte l’individualité de chacun, en complément de ses compétences techniques, cette technologie identifie la personnalité des collaborateurs et des candidats, leurs affinités culturelles leur dynamique comportementale. « Dans le secteur numérique, l’analyse des soft skills permet d’identifier au sein de l’entreprise des candidats pertinents sur des métiers pénuriques, tels que les datascientists, les développeurs ou les chefs de projet », nous a confié le dirigeant. L’idée des soft skills consiste à proposer une évolution de carrière qui tienne compte à la fois des aptitudes techniques, mais aussi des affinités personnelles afin de contribuer à retenir les talents », a-t-il ajouté. Pour ce dernier, les soft skills permettent de collaborer efficacement par exemple pour développer des projets en mode sprint agile. Cela contribue à constituer des équipes qui pourront réaliser un ensemble fonctionnel cohérent avec les besoins métiers sur un timing serré. « Dans ce contexte, on demande aussi aux développeurs de mettre à profit de qualités telles que l’agilité, la souplesse et surtout la communication et la capacité d’écoute », insiste Nicolas Morel. Des savoir-être que le dirigeant considère essentiels, outre la maîtrise de la technologie et du code, pour mener à bien tous types de projets.

Comme son nom l’indique, l'apprentissage semi-supervisé se situe entre l'apprentissage supervisé et celui non supervisé. Le premier commence par un marquage - une labellisation - des données avec les bonnes réponses (valeurs cibles). Ce processus d'apprentissage permet d’obtenir un modèle pondéré pour prédire les réponses de données similaires qui n'ont pas encore été labellisées. L'apprentissage semi-supervisé utilise à la fois des données labellisées et non labellisées pour s'adapter à un modèle. Dans certains cas, comme celui d'Alexa, l'ajout des données non labellisées améliore la précision du modèle.

Mais dans d'autres situations, les données non labellisées peuvent aggraver le modèle. Comme nous le verrons plus loin, les algorithmes présentent des vulnérabilités à différentes caractéristiques des données. En général, le marquage des données coûte de l'argent et prend du temps. Ce n'est pas toujours un problème, dans la mesure où certains ensembles de données sont déjà marqués. Mais si vous avez beaucoup de données, dont une partie seulement est marquée, alors, l'apprentissage semi-supervisé mérite d’être testé.

Algorithmes d'apprentissage semi-supervisés

Cela fait au moins une quinzaine d’années que l’on parle d’apprentissage semi-supervisé. En 2005, Jerry Zhu, de l'Université du Wisconsin, a rédigé une étude sur le sujet. Parce qu'il réduit le taux d'erreur sur des indicateurs importants, l'apprentissage semi-supervisé a connu une résurgence ces dernières années, et pas seulement chez Amazon. En avril 201, Sebastian Ruder de DeepMind a consacré un billet de blog à des algorithmes d'apprentissage semi-supervisés destinés au marquage de proxy, notamment pour l'auto-apprentissage, l'apprentissage multi-vues et le self-ensembling. L'auto-apprentissage utilise les propres prédictions d'un modèle sur des données non labellisées pour les ajouter à l'ensemble de données labellisées. Essentiellement, on fixe un seuil au niveau de confiance d'une prédiction, souvent 0,5 ou plus, au-dessus duquel la prédiction est considérée comme acceptable et elle est alors ajoutée à l'ensemble de données marquées. L’auto-apprentissage du modèle se poursuit jusqu'à ce qu’à ce qu’il n’y a plus de prédictions de confiance. Ce processus pose la question du modèle réel utilisé pour l’apprentissage. Comme dans la plupart des programmes d'apprentissage machine, chacun voudra probablement tester tous les modèles raisonnables possibles dans l'espoir d'en trouver un qui fonctionne bien. Le succès de l'auto-apprentissage a été mitigé. Le plus grand défaut de ce modèle, c’est qu’il est incapable de corriger ses propres erreurs : une prédiction très fiable (mais fausse) sur, disons, une valeur aberrante, peut corrompre l'ensemble du modèle.

L’apprentissage multi-vues consiste à entraîner différents modèles sur différentes vues de données, qui peuvent inclure différents ensembles de caractéristiques, différentes architectures de modèles ou différents sous-ensembles de données. Il existe un certain nombre d'algorithmes d'apprentissage multi-vues, mais l'un des plus connus est le tri-training. Il consiste à créer trois modèles différents ; chaque fois que deux modèles s'accordent sur le marquage d'un point de données, le label est ajouté au troisième modèle. Comme dans le cas de l'auto-apprentissage, le training s’interrompt quand plus aucun label n'est ajouté à aucun des modèles. Le self-assembling utilise généralement un seul modèle avec plusieurs configurations différentes. Dans la méthode du réseau en échelle, la prédiction sur un exemple propre est utilisée de manière aléatoire comme label de remplacement pour un exemple perturbé, afin de développer des caractéristiques qui résistent au bruit. Le tutoriel publié en 2007 par Jerry Zhu prend également en compte un certain nombre d'autres algorithmes. Il s'agit notamment de modèles génératifs (comme ceux qui supposent une distribution gaussienne pour chaque classe), de machines vectorielles supportant l’apprentissage semi-supervisé et d'algorithmes basés sur des graphiques.

Le tout en un ou le meilleur existant ? Telle est la grande question quand il faut choisir des outils collaboratifs pour ses équipes ou sa société. L’arrivée d’acteurs comme Slack ou Discord sur le marché a bouleversé la manière d’échanger en entreprise. Moins en révolutionnant les méthodes de travail et de partage qu’en apportant des outils focalisés sur une technologie ou un usage avec la meilleure expérience possible. Les sociétés qui déploient ces solutions ont, de plus, tendance à s’intégrer les unes aux autres par API pour fluidifier cette expérience utilisateur.

C’est la stratégie du « best of breed », prendre le meilleur de ce qui existe sur le marché. Les éditeurs les plus récents ont donc compris qu’il valait mieux se serrer les coudes plutôt qu’être dans une stratégie concurrentielle. « Nous ne sommes pas seulement des partenaires, mais aussi des clients de nos produits respectifs », a déclaré Jonathan Rende, vice-président produit senior de PagerDuty lors de BoxWorks 2019. Reste que les intégrations entre concurrents directs sont plus rares (Slack/Teams ou Box/Dropbox).

Privilégier le choix des utilisateurs finaux 

Aujourd’hui, les attentes des clients sont plus élevées que jamais et la multitude des choix rend les produits monolithiques moins pertinents. Cependant, l’expérience dans les plus grosses suites est souvent plus fluide. Les outils Office sont intégrés nativement à Teams. Des connexions sont, certes, disponibles dans la quasi-totalité avec les plateformes concurrentes mais l’utilisateur sort tout de même de l’environnement. De plus, l’utilisateur paie un abonnement pour la totalité des fonctionnalités proposées par une suite, dans le cas de Microsoft 365 ou de la G Suite, alors qu’il devra s’abonner à chacun des éditeurs dont il voudra utiliser les solutions en version premium, dans une stratégie best of breed. Et des modèles proposant des abonnements communs à plusieurs éditeurs ne semblent pas être prévus.

Un fonctionnement « best of breed » nécessite aussi de connecter les outils entre eux et de tout de même centraliser les données issues de chacun pour unifier l’expérience. Il faut donc souvent souscrire à un outil de stockage supplémentaire ou une plateforme de gestion de contenu type Box ou Dropbox. Sans compter toutes les questions de sécurité qui sont plus simples à gérer sur une suite unifiée que sur différentes solutions. Le principal obstacle, pour Mike Adams de Zoom, c’est l’adoption. « Beaucoup de société ont déjà déployer des solutions de visioconférences, qui ne sont pas utilisées. Et si les gens n’utilisent pas l’outil ça ne sert à rien de le pousser. » D’où l’importance de privilégier des outils que les utilisateurs finaux veulent utiliser.

Le terme data gravity a été utilisé pour la première fois en 2010 par le développeur Dave McCrory dans un article de blog. Ce concept fait référence à la façon dont les données « attirent » d'autres données et services. Tout comme la gravité d'une planète attire d'autres objets, cette analogie permet d'imaginer que de grandes accumulations de données sont plus susceptibles d'accumuler encore plus de données. De nouvelles applications à forte intensité de données comme l'analytique, l'intelligence artificielle et l'Internet des Objets entraînent une croissance énorme des données d'entreprise. Cette croissance s'accompagne d'un nouvel ensemble de considérations architecturales qui tournent autour du concept de gravité des données. C'est une analogie utile en ce sens qu'elle explique pourquoi le cloud et l'edge computing ont pris le dessus sur la façon dont les données sont stockées et gérées.

Jusqu'à présent, cette théorie s'est généralement maintenue pour les entreprises qui gèrent des silos de données en expansion. Dans le contexte actuel, à mesure que les ensembles de données deviennent de plus en plus volumineux dans les entreprises, ils deviennent de plus en plus difficiles à déplacer. Donc, les données restent en place, c’est la gravité, et d'autres choses sont attirées par les données, comme les applications et la puissance de traitement, qui vont là où les données résident. Et comme la gravité des données augmente rapidement, les entreprises sont amenées à utiliser des plates-formes et des applications adaptées.

Stockage des données hybrides

Généralement, les plates-formes et les applications d'analyse de données vivent dans leurs propres piles de matériel et de logiciels, et les données qu'elles utilisent sont stockées dans un système de stockage à connexion directe (DAS). Les plates-formes d'analyse - telles que Hadoop, Splunk et TensorFlow - aiment par contre conserver leurs données. Ainsi, la migration des données devient un précurseur aux traitements analytiques. Au fur et à mesure que les entreprises mûrissent dans leurs pratiques d'analyse de données, cette approche devient difficile à manier. Lorsque vous disposez de quantités massives de données dans différents systèmes de stockage d'entreprise, il peut être difficile, coûteux et risqué de déplacer ces données vers d’autres clusters analytiques. Ces obstacles sont encore plus importants si vous souhaitez exécuter des analyses dans le cloud sur des données stockées dans l'entreprise, ou vice-versa.

Concrètement, le déplacement des données, plus loin et plus fréquemment, a un impact sur la performance de la charge de travail, il est donc logique que les données soient amassées et que les applications et services associés soient situés à proximité. L'hyperconvergence illustre bien le concept de gravité des données. Dans une infrastructure hyperconvergente, les ressources de calcul, de mise en réseau et de virtualisation sont étroitement intégrées au stockage des données dans un serveur standard. De plus, plus il y a de données dans une source ou un référentiel, plus leur valeur perçue sera grande. Les logiciels et les services sont apportés aux données afin d'en exploiter la valeur. De même, plus la quantité de données est importante, plus d'autres données peuvent y être reliées, ce qui augmente leur valeur pour l'analyse. Signalons enfin que selon Dave McRory, la gravité des données se déplace irrémédiablement vers le cloud. Au fur et à mesure que de plus en plus de données d'entreprise internes et externes sont déplacées vers le cloud ou y sont générées, les outils d'analyse de données sont également de plus en plus basés sur le cloud.

Proposé pour la première fois au milieu des années 1960, le modèle d’économie circulaire vise à s'assurer que les ressources entrant dans l'économie puissent y rester le plus longtemps possible. Autrement dit, de produire des biens et des services de manière durable. Les écologistes et les défenseurs du développement durable connaissent bien cette notion car elle met l'accent sur les concepts de déchets et de pollution et sur le maintien des produits le plus longtemps possible dans le circuit économique de façon à laisser aux systèmes naturels la possibilité de se régénérer. Aujourd'hui, alors que le monde est confronté à une crise climatique imminente, les industries technologiques commencent à prendre conscience de cette réalité. Lors du sommet CIO organisé à Londres fin septembre, Mattie Yeta, responsable gouvernementale des TIC durables au ministère britannique de l'Environnement, de l'Alimentation et des Affaires rurales (DEFRA) a défini l'économie circulaire comme suit : « Un modèle économique qui vise à éliminer les déchets par la réutilisation, la réparation, le reconditionnement, la remise à neuf des actifs et des appareils, pour les maintenir plus longtemps dans le cycle et dans la boucle ».

Economie circulaire et composants électroniques ?

Aujourd’hui, notre modèle économique est dit linéaire : nous prenons et nous utilisons les ressources pour fabriquer un produit et nous le jetons quand nous avons fini de l’utiliser. Chaque année, nous produisons environ 50 millions de tonnes de déchets électroniques, dont 80 % se retrouvent dans un lieu inconnu. Les pays du monde qui acceptaient ces déchets ne les acceptent plus, et récemment, l'ONU a clairement indiqué que chaque pays devait savoir comment traiter ses déchets électroniques. De plus, les ressources naturelles sont limitées et quand nous jetons dans la nature des déchets contenant des composants électriques comme des téléphones portables, des appareils électroménagers et d’autres appareils technologiques, nous rejetons des déchets toxiques. La plupart de ces composants ne sont pas biodégradables, cela signifie qu'ils vont rester ad vitam æternam sur le sol sans être décomposés et absorbés par l'écosystème.

Les écosystèmes biologiques fonctionnent déjà selon des cycles et les experts estiment que l'humanité doit adopter cette même approche et changer sa culture de rejets des déchets pour réduire son impact sur l'environnement. Nous devons adopter une économie qui favorise « la réduction, la réutilisation et le recyclage », et abandonner cette économie qui consiste à « prendre, fabriquer et éliminer ». Mattie Yeta a expliqué que le concept de récupération des matières premières secondaires s'inscrivait dans l'économie circulaire et qu’il offrait une solution écologique pour extraire les métaux et minéraux précieux des appareils technologiques. « Environ 50 à 60 % du tungstène mondial est concentré dans nos appareils », a-t-elle déclaré. Ajoutant que « 26 % de l'étain mondial et 9 % de l'or se trouvaient dans nos ordinateurs portables et nos terminaux ». Ajoutant : « De manière concrète, nous pourrions extraire 7 à 9 grammes d'or de la puce d'un ordinateur portable ».

Des programmes de recyclage mis en place

Dans d’autres domaines, plusieurs entreprises technologiques ont déjà mis en place des programmes de recyclage et cherchent à réutiliser des métaux précieux et d'autres composants électroniques obsolètes pour les transformer en autres produits. L’entreprise de services professionnels Network 2 Supplies (N2S) fait du recyclage et de la biolixiviation informatique pour récupérer des métaux. Ces solutions circulaires réduisent la quantité de déchets électroniques et prolongent la durée de vie de matériaux et de technologies vitales, tout en respectant l'environnement.

De la même façon, HPE propose un programme de retour et de recyclage de matériel aux partenaires Hewlett Packard Enterprise Partners et à ses clients professionnels. Dans le cadre de ce programme, le matériel informatique, comme les serveurs, les produits de stockage et de mise en réseau, bénéficient d'une nouvelle vie, ce qui réduit l'impact de leur élimination sur l'environnement.

Changer les habitudes de consommation et les modèles dans l’IT

Même si l'économie circulaire peut, semble-t-il, apporter une solution indispensable pour aider l'humanité à lutter contre le changement climatique, son adoption massive ne pourra pas se faire du jour au lendemain. L’un des défis essentiels de l'adoption d’une économie circulaire, c’est de prouver qu’elle peut avoir un impact significatif. Il ne suffit pas qu'une ou deux entreprises changent leur processus de fabrication d’un produit. Chaque entreprise de l’infrastructure et de l’économie IT doit adopter ce changement de business model. C’est une tâche colossale et elle semble de plus en plus hors de portée. Selon Tiffen Dano-Kwan, Chief Marketing Officier (CMO) chez SAP Ariba et Fieldglass, il est extrêmement difficile de changer les habitudes de consommation. « Amener les gens à abandonner leurs mauvaises habitudes est vraiment très difficile », a-t-elle expliqué. « Il faut changer les modes de pensée par l'éducation, et en particulier sensibiliser les dernières générations dès le plus jeune âge. Il faut du temps pour faire comprendre aux gens pourquoi ils doivent changer leurs habitudes ».

Par ailleurs, la croissance est stimulée par la demande des consommateurs, et les gouvernements hésitent à légiférer sur des sujets qui risquent de trop perturber les normes existantes. De sorte que Tiffen Dano-Kwan pense que l’on aurait plus de chance de changer les habitudes de consommation si les fabricants s'engageaient à adopter un modèle de production basé sur l'économie circulaire. « Si le modèle de production est basé sur l'économie circulaire, alors on ne produira que ce que l’on est sûr de pouvoir recycler… C’est ce qui se passe dans l’écosystème terrestre. Tout nous revient, tout retourne à la terre. Donc, si notre stratégie de production à plus grande échelle est basée sur ce processus fondamental, je pense qu’il est possible d'avoir un impact significatif sur la manière de consommer et d’aller vers un cycle de consommation durable ».

Repenser le design

Un autre obstacle à l'adoption résulte du fait que l’un des principes fondamentaux du modèle implique une réduction par le design. Les matériaux ne peuvent pas être réutilisés et recyclés s'il est impossible de les extraire des dispositifs qui ont cessé de fonctionner. Cela signifie que, dans une économie circulaire, la technologie doit prendre en compte dès le départ l'objectif final de démontage et de régénération. Prenons l’exemple des AirPods d'Apple : ces derniers contiennent du tungstène, de l'étain, du tantale, du lithium et du cobalt dans une coque plastique inamovible et ils ont une durée de vie de 18 mois environ. Comme la plupart des produits Apple, ils ne sont pas conçus pour être réparés et leur batterie au lithium-ion risque de provoquer un incendie dans les décharges. Apple fait bien remarquer qu'il existe un programme de recyclage pour ses AirPods, mais l’entreprise précise qu’il n’est pas possible d'extraire le cobalt de la batterie, et que la valeur de ce qui peut être recyclé a peu de chance de couvrir le coût de sa récupération.

Cependant, même si les produits ont été conçus et fabriqués pour être recyclables, il n'existe toujours pas d’infrastructure pour soutenir leur réintroduction dans un modèle d'économie circulaire. Si la plupart des pays disposent de centres qui permettent à leurs citoyens de recycler des matériaux comme le papier, le plastique, le verre et l'étain, il existe actuellement peu d'usines capables de gérer le recyclage et le désassemblage des appareils électroniques. Il n’existe pas non plus de solution sûre et efficace pour dégrader ou recycler d'autres matériaux, comme ceux à base de polymères par exemple.