News

lesechos

Deep Techs : des outils d’IA européens à portée des entreprises

Par Emmanuel Frénod – Directeur Scientifique de See-d – Fondateur 
(Article  Les Echos)

Au-delà des problèmes de sécurité des Intelligences Artificielles et de la nécessaire régulation des systèmes auto-apprenants neuronaux, l’usage massif actuel d’outils d’IA développés par les GAFAM soulève d’autres risques de perte de souveraineté, d’indépendance, mais aussi d’efficacité.

Les IA sont en marche, c’est inéluctable. Elles sont déjà entre autres, couramment utilisées par les logiciels interprétant le langage naturel (chatbots, traducteurs automatiques, interpréteurs de texte écrit, etc.).
La nouveauté, c’est l’avènement des systèmes auto-apprenants et en particulier les intelligences artificielles neuronales, mais aussi de data prédictives et d’aide à la prise de décision à haute valeur ajoutée.
Stratégiquement, les systèmes auto-apprenants impliquent une véritable révolution dans le monde du travail et dans la société. De nombreuses tâches que l’on croit aujourd’hui être de haut niveau, seront faites demain – bien mieux et beaucoup plus rapidement – par ces systèmes.
Pour schématiser, les systèmes apprenants utilisent deux ingrédients : un modèle mathématique et une base de données appelée base d’apprentissage, constituée de data considérées comme des « causes » et de celles estimées comme des « conséquences ». Le modèle mathématique lui, dépend toujours d’une multitude de paramètres : pour chaque collection de valeurs, il doit être capable de calculer à partir d’une data liée aux données « causes », une data liée aux données « conséquences ». Cette variété de paramètres détermine la capacité d’apprentissage du système en le conditionnant à être la plus proche possible de la donnée « conséquence » déterminée.
Pour atteindre cet objectif, le modèle mathématique doit faire appel à des objets mathématiques plus ou moins sophistiqués avec une règle assez simple : plus le modèle est sommaire plus le volume de la base d’apprentissage doit être important.

Les Deep Tech pour des outils IA sur mesure. 

Aujourd’hui, l’Intelligence Artificielle et en particulier les outils de maîtrise des systèmes apprenants est fortement dominée par les grandes entreprises du numérique (GAFAM et
IBM). Au delà du caractère stratégique des IA, cela pose évidemment des problèmes de souveraineté pour les Etats et d’indépendance pour les entreprises. Il ne semble par exemple pas très raisonnable, pour un Etat, de lutter contre la fraude fiscale avec des outils développés par Google ou de combattre l’espionnage avec des algorithmes conçus par Palentir Technologies qui travaille essentiellement pour toute la communauté du renseignement des Etats- Unis. Pour une entreprise, chercher à avoir une connaissance fine sur ses clients avec des outils d’Amazon, plus grande plateforme d’e-commerce au monde, est aussi absurde qu’utiliser le point de vente de son principal concurrent pour inviter ses clients à une vente privée !

Pour les Etats comme pour les entreprises européennes, il est fondamental d’acquérir et de maîtriser les outils d’Intelligence Artificielle avec lesquels ils vont travailler pendant longtemps. D’autant qu’il existe de nombreuses alternatives, aux outils d’Intelligence Artificielle des GAFAM. Les Deep Techs ou ces innovations de rupture nées dans un labo et faisant l’objet d’un transfert de technologie, façon techno-sciences, déploient désormais des Intelligences Artificielles sur mesure. Particulièrement adaptées aux processus d’entreprises commerciales et industrielles, elles permettent déjà de mieux maîtriser un système de tarification, de définir le prix optimum d’un produit, d’optimiser des stocks, une chaîne de production, d’abaisser les coûts de gestion du matériel via de la maintenance prédictive, etc.
Ces alternatives et leurs systèmes apprenants font appel à des modèles mathématiques plus sophistiqués que ceux des outils vendus ou mis à disposition par les plateformes des géants du numérique qui demandent des bases d’apprentissage colossales et avec lesquelles il est compliqué de prendre en considération des phénomènes d’accumulation, de décalage temporel ou de seuillage. Les deep tech européennes nourrissent le système apprenant de la connaissance a priori du domaine d’activité pour lequel il sera utilisé pour atteindre des
niveaux de performance remarquables. Un gain de temps en termes d’acquisition de bases d’apprentissage, mais aussi une économie significative en puissance de calcul. Dans le contexte industriel, il y a rarement des tera octets de données disponibles pour l’éducation des Intelligences Artificielles !

Lire la suite

Nous recherchons un(e) stagiaire en marketing/communication

Fondée en 2014, See-d (10 salariés) réalise des prestations de data science sur mesure (intelligences artificielles, analyse de données, modélisation mathématique, aide à la décision). Nos clients sont majoritairement des PME et ETI, et nos interlocuteurs, le plus souvent des décideurs : direction générale, direction métier, direction des systèmes d’information.
Nous sommes des généralistes et intervenons dans toutes les grandes fonctions de l’entreprise. Les dossiers que nous traitons sont d’une grande variété et le plus souvent confidentiels.
Pour travailler chez See-d, il faut être curieux, adaptable et intéressé par les nouvelles technologies.
L’objectif de ce stage est de définir le périmètre de la fonction marketing dans une entreprise qui est en plein développement.
Stage basé à Vannes.

Votre mission

·   Outils de communication et d’aide à la vente (présentations PPT et brochures, flyers) : adapter les outils existants à l’image de l’entreprise. Rédiger et présenter les nouveaux outils. Envisager leur évolution : vidéos, mini-films, charte graphique, Prezi… Refonte du site internet.
·        Veille (en français et en anglais) : concurrence, produits, nouveaux salons, appels à projets, challenges start-ups,
·        Salons, conférences : proposer, prendre en main l’organisation,
·        Newsletters et emailings : créer et envoyer (SendingBlue), maintenir les bases abonnés
·        Communication : rédiger des communiqués de presse, enrichir la base de contacts. Proposer des interventions du dirigeant sur des congrès ou salons
·        Web et réseaux sociaux : animer, mettre à jour (cette partie de la mission n’est pas centrale dans le stage)
·        Nouveaux produits : participer aux études de marché

Votre profil :

Diplômé(e) en Marketing, Communication, Ecole de commerce, ou actuellement en formation :

•            Vous êtes organisé(e), rigoureux(euse), et savez vous adapter au changement,
•            Vous maîtrisez parfaitement les logiciels du Pack Office,
•            Vous êtes créatif et maîtrisez des outils de PAO
•            Votre orthographe est irréprochable et vous maîtrisez la rédaction marketing,
•            Vous savez faire preuve d’autonomie et faire des propositions.
•            Vous avez un bon niveau d’anglais

Nous vous offrons :

•            Un stage d’une durée minimum de 3 mois, à commencer dès que possible.

Merci d’envoyer votre CV à cecile.liot@see-d.fr en expliquant en quelques lignes pourquoi ce stage vous intéresse.

Lire la suite

Optimisation par algorithmes évolutionnaires

Introduction

Les algorithmes évolutionnaires sont des solveurs universels qui sont adaptés à la résolution de problèmes difficiles, en particulier de problèmes multicritères rencontrés dans l’industrie.

Exemple :

Un exemple de problème difficile est celui dit du « voyageur de commerce » : un voyageur de commerce doit visiter un ensemble de villes et revenir à sa ville de départ. Les distances entre toutes les villes sont connues et son objectif est d’effectuer le parcours le plus court.

Pour ce problème, la recherche de la meilleure solution nécessite l’évaluation de tous les cas possibles. En considérant 1 milliard de solutions (parcours possibles) testées par seconde, comparons les temps de calcul nécessaires pour 16 et 25 villes :

Pour 16 villes : 10 minutes

Pour 25 villes : 9.8 millions d’années !

On observe ici un phénomène d’explosion combinatoire avec l’augmentation de la taille du problème. On doit alors se résoudre, à partir d’un certain seuil, en fonction des ressources de calcul et du temps dont on dispose à abandonner la recherche de la solution optimale. On s’orientera alors vers la recherche d’une « bonne solution » dans un temps raisonnable. Un certain nombre d’algorithmes d’optimisation peuvent être mis en œuvre afin de traiter ce type de problème de cette façon comme par exemple : la méthode de Monte-Carlo, la méthode du « recuit simulé », les algorithmes évolutionnaires…

Les algorithmes d’évolution artificielle 

Cet article s’intéresse aux algorithmes d’évolution artificielle.

Le principe de ces algorithmes est de simuler de manière simplifiée l’évolution des êtres vivants selon les théories de l’évolution.

Les mécanismes simulés par les algorithmes évolutionnaires sont ceux :

- de la sélection naturelle (les individus les mieux adaptés à leur environnement ont des capacités plus importantes de survie et de reproduction)

- de la reproduction : le génotype de l’enfant est construit par héritage du génotype des parents.

- de la modification spontanée d’un ou plusieurs caractères génétiques par mutation

Ce type d’algorithme nécessite :

  1. la représentation d’une solution sous forme numérique (vecteurs de réels, entiers, booléens…) correspondant à des valeurs associées à la réalité à représenter
  2. de pouvoir évaluer les solutions (valeurs associées à la solution)

La représentation de la solution est en quelque sorte le génotype artificiel d’un « individu-solution» et son évaluation correspond à la qualité de la solution. Dans l’exemple du voyageur de commerce, la représentation de la solution pourra par exemple être une liste des villes ordonnées selon le parcours envisagé.

Voici le schéma général d’un algorithme évolutionnaire :

1

 

 

L’algorithme commence par l’initialisation d’une population de taille fixe dont les individus sont générés de manière aléatoire. Les individus sont ensuite évalués à l’aide d’une fonction d’évaluation dont le résultat est attribué à l’individu et qui traduit la qualité de la solution qu’il représente. Cette évaluation est nécessaire pour pouvoir par la suite comparer les individus entre eux et permettre de décider de conserver ou non tel ou tel individu plutôt qu’un autre.

On recherchera selon le type de problème à optimiser soit le minimum de cette fonction d’évaluation (comme dans le cas du voyageur de commerce), soit le maximum (type de problème avec recherche de gain).

La première population créée est identifiée comme la population des « Parents ».

L’algorithme consiste ensuite en une suite d’itérations (une itération correspond à la création d’une nouvelle génération d’individus).

La première étape consiste à « fabriquer » des enfants. Un enfant peut être créé à partir d’un ou plusieurs parents. Le choix d’un ou des parents est effectué par une méthode de sélection, par exemple une sélection par tournoi déterministe : un nombre N de parents est tiré aléatoirement et le meilleur au sens de sa fonction d’évaluation est conservé. Chaque tournoi sélectionne 1 parent et l’opération se répète jusqu’à l’obtention du nombre de parents nécessaires.

Puis un enfant est créé à partir des gènes du ou des parents. Des opérateurs de croisement et de mutation sont appliqués aux gènes des parents selon des probabilités déterminées afin de constituer le génotype d’un enfant.

Cette opération se répète jusqu’à l’obtention d’une taille de population d’enfants fixée. Ces nouveaux individus sont évalués par la fonction d’évaluation (la même que celle appliquée aux individus parents de la première génération)

La nouvelle population constituée des parents et des enfants est soumise à une réduction de taille pour retrouver la taille de la population de parents.  La réduction est un processus de sélection (par tournoi par exemple) qui s’appuie sur la valeur des individus attribuée par la fonction d’évaluation.

Le cycle se poursuit jusqu’à la vérification d’une condition d’arrêt (par exemple l’atteinte du nombre de cycles prévu, par exemple 500 cycles).

A chaque nouvelle population de Parents et dès la première génération, on s’assure de conserver globalement le meilleur individu produit par l’algorithme et à la fin de l’exécution de l’algorithme on dispose de la meilleure solution trouvée. Dans l’exemple précédent du voyageur de commerce, on récupère ainsi le meilleur parcours trouvé par l’algorithme.

Spécificité de ces algorithmes

L’originalité de ces algorithmes est liée à leur capacité à gérer une population d’individus qui représente des solutions potentielles diversifiées (tout au moins au démarrage de l’algorithme). Ces individus peuvent échanger des informations au sein de la population afin de produire de nouvelles solutions. De nouvelles solutions peuvent aussi apparaître sans échange d’informations entre individus grâce au phénomène de mutation.

L’algorithme élimine progressivement les moins bonnes solutions selon un processus non déterministe à chaque génération en simulant une pression de sélection sur les « individus-solutions ». Le phénomène qui apparaît couramment au cours de l’évolution artificielle est la convergence plus ou moins rapide de la population : après un certain nombre de cycles les individus présents tendent à se ressembler du point de vue de leur qualité et de leur génotype.

Ainsi lorsqu’une population a convergé, il n’est plus utile de poursuivre l’exécution de l’algorithme. La recherche de nouvelles solutions implique de relancer l’algorithme.

Performances

Les algorithmes évolutionnaires ont des propriétés qui permettent de paralléliser une bonne partie des opérations qui sont nécessaires pour les faire fonctionner. Ce parallélisme peut être facilement mis en œuvre sur certaines cartes graphiques et permettent ainsi d’améliorer leurs temps de réponse.

Un autre type d’approche pour obtenir une amélioration des performances est de mettre en œuvre un parallélisme en îlots. L’algorithme tourne alors sur plusieurs machines en même temps et de manière indépendante tout en procédant à des échanges contrôlés d’«individus-solutions » entre les îlots.

Conclusion

Les algorithmes évolutionnaires peuvent faire mieux qu’une recherche aléatoire à condition de mettre au point une représentation de la solution adaptée à la résolution du problème d’optimisation posé, puis de tester et mettre au point leur paramétrage. Ceci nécessite une véritable expertise.

Une erreur parfois commise est de considérer qu’il s’agit de solutions en « boite noire » prêtes à l’emploi. Le plus souvent cette utilisation conduit à des déconvenues car il faut au contraire réaliser une adaptation au problème à traiter.

Les algorithmes évolutionnaires sont intéressants pour :

- des problèmes non résolus tels qu’ils peuvent se rencontrer dans l’industrie (problèmes d’ordonnancement avec contraintes, comme par exemple l’optimisation de l’utilisation de machines de production, d’optimisation financière : http://sciences-fictions/journals/displayArticlesnew.jsp?paperID=9963 ),

- pour les problèmes dynamiques (dont l’évaluation de la qualité des solutions est changeante au cours du temps, comme le problème du voyageur de commerce qui doit prendre en compte les changements en temps réel de nouvelles villes à visiter ou d’annulation)

- pour les problèmes multicritères (problèmes de planning à contraintes multiples par exemple).

See-d a une expertise dans le domaine des algorithmes évolutionnaires et plus largement dans celui de la recherche opérationnelle.

Nos experts savent accompagner les entreprises pour résoudre leurs problématiques les plus complexes dans de nombreux domaines. N’hésitez à nous contacter : 06 40 35 19 04

Lire la suite