Chaque semaine dans le Podcast Supply Chain by Vekia, nous répondons à vos questions et vous accompagnons dans la transformation de votre Supply Chain suite au COVID19.
Où en est le Machine Learning aujourd’hui ? Continue-t-il d’avancer ?
Le Machine Learning a eu une très forte présence dans les médias généralistes, et continue d’être suivi de près dans les médias plus spécialisés aujourd’hui.
C’est une discipline qui continue d’avancer à grand pas aujourd’hui, tout simplement car il y a une grande communauté mondiale de chercheurs et de développeurs qui travaillent dessus. On a tous en tête les stars du domaine que sont Yann LeCun ou Andrew Ng, mais ils sont loin d’être seuls.
Le Machine Learning est une technologie extrêmement puissante dont le grand public commence à être conscient de la puissance et des limites, mais qui reste encore l’objet d’idées reçues.
La première idée reçue est que les algorithmes sont capables de tout faire. Évidemment c’est faux, il y a des limitations. On parle d’apprentissage, donc si la machine n’a pas rencontré dans son apprentissage une situation représentative d’une situation nouvelle qu’elle pourrait rencontrer, elle ne va pas être performante. Un algorithme de Machine Learning a un terrain de jeu.
Pour la Supply Chain, ça marche bien pour faire de la prévision de Lead Time ou de demande en période normale avec une incertitude du quotidien. Par contre, dans des événements très inédits et inattendus comme nous y avons été confrontés avec le COVID et le confinement, le Machine Learning atteint ses limites et l’homme doit intervenir.
Ce qu’il faut garder en tête est que l’algorithme, souvent mis en avant comme étant la clé de la performance, dépend évidemment beaucoup de la qualité des données, mais aussi de la manière dont on transforme et on prétraite ces données. On se rend compte qu’il y a un savoir-faire très important sur le Feature Engineering, c’est à dire toute cette préparation de données. Aujourd’hui, la recherche sur le Machine Learning vise la capacité des systèmes à prétraiter en autonomie, sans l’intervention systématique d’un humain.
Tu parlais du buzz autour du Machine Learning. Comment tout ça s’est passé selon toi ?
Je dirais qu’il s’est passé ce qu’il se passe avec toute nouvelle technologie qui débarque dans la sphère publique. Il y a 3 types de réactions : ceux qui connaissent bien qui sont généralement assez minoritaires, ceux qui sont trop enthousiastes, et ceux qui ont peur.
Une fois qu’on a compris que la technologie est mise au point par des humains, la technologie devient moins effrayante. On ne peut pas être aveugle aux dérives possibles de la technologie (il n’y a pas de technologie qui y échappe). Ce qui est rassurant, c’est que c’est l’humain qui décide de l’usage qui en est fait.
Le Machine Learning ne peut de toute façon pas fonctionner sans l’humain 100% du temps…
Un algorithme de Machine Learning est un système technologique qui a besoin de l’humain pour le mettre en place et le mettre au point. Il a besoin de l’humain pour vérifier si les résultats sont satisfaisants par rapport à l’usage qui est fait. Et il a également besoin de l’humain pour que la performance se maintienne et progresse.
Il y a un peu d’efforts humains qui permettent d’automatiser beaucoup de tâches.
Au contraire des idées reçues, y’a-t-il des vérités inconnues sur le Machine Learning ?
Dans le domaine industriel, je pense que le grand public ignore tout ce que le Machine Learning peut apporter en termes de performances. Un sujet qui nous est cher chez Vekia est de faire le lien entre le Machine Learning et les enjeux économiques, écologiques et sociaux de notre pays. En travaillant la performance économique, on va créer des emplois qui n’existaient plus, on va baisser l’impact environnemental des entreprises utilisatrices, et on va améliorer la qualité des métiers.