124
Plus spécifiquement vis-à-vis de l’IA, les techniques actuelles de deep learning sont nécessaires au
bon fonctionnement des robots : reconnaissance d'objets, de visage, d'activité, de sons, de parole, etc.
Les robots de service qui n'auront pas accès à ce type de fonction seront cantonnés à des rôles
d'aspirateur. Les sociétés de robotique, comme SoftBank Robotics, ont les capacités intellectuelles
pour intégrer ce type de technologies mais manquent de ressources pour les mettre en œuvre. La
constitution des données pour nourrir le deep learning est un goulot d'étranglement et il faut se reposer
sur les services (américains) des géants du domaine. Cela crée une dépendance risquée. En outre, audelà du deep learning, les techniques d'IA doivent se développer pour intégrer, notamment pour les
besoins de la robotique, des liens entre la perception et l'action, l'apprentissage tout au long de la vie
du robot de nouvelles compétences, la généralisation de concepts appris dans une situation et
réutilisable dans une autre, l'apprentissage de ce qu'est le sens commun, etc. Le deep learning est
nécessaire au développement de l'industrie robotique mais la robotique aura besoin d'aller au-delà des
capacités offertes par le deep learning.
SWOT
Forces
La recherche française est excellente en robotique.
La France a une culture scientifique et d’ingénierie très forte, qui lui donne des atouts en robotique.
Elle dispose de bons laboratoires (publics et privés) en IA et d’une longue tradition mathématique utile
au développement de l'IA, et donc d’une bonne connaissance des besoins du domaine. Des grandes
entreprises de télécommunication et de diffusion de contenu existent en France.
La France possède une culture diversifiée en IA – au-delà du Deep Learning – ce qui est un atout dans
la filière robotique, puisqu’il n’est pas facile de déterminer a priori la discipline IA qui sera nécessaire
à toutes les parties robotiques (p. ex. le contrôle/commande).
La France a d’excellente PME dans le domaine même si elle n’a pas de filière structurée.
Faiblesses
La France est historiquement faible en ce qui concerne la pénétration des robots industriels,
probablement en raison d’une très mauvaise vision de l’impact de la robotique sur l’emploi. Pourtant,
l’Allemagne maintient un taux emploi industriel plus élevé qu’en France, avec un taux de robotisation
cinq fois supérieur.
L’apprentissage, en robotique comme en IA, requiert de très grandes bases de données. Or dès que ces
données contiennent des images de personnes, la CNIL a une approche très restrictive. Ceci empêche
la recherche en robotique tournée vers l’humain (cobotique, transport,…) de trouver une place en
France. Il devient plus simple de faire cette recherche à l’étranger.
En outre, le stockage et le traitement de ces données pose problème, comme dit en introduction.
Avons-nous assez de centres de formation pour les experts en IA et pour des data scientists ? Avonsnous accès aux corpus de données qui permettent aux techniques d'apprentissage de déployer toutes
leurs capacités ? Une certaine dispersion des forces est à noter.
Opportunités
Une prise de conscience du besoin d’agir émerge. La commission européenne va soutenir les
développements dans ce domaine.
Il devient de plus en plus nécessaire d’intégrer des données logistiques (évolution de stock,
préparation de batch, de commandes...) pour optimiser la gestion de la flotte globalement ou
Plus spécifiquement vis-à-vis de l’IA, les techniques actuelles de deep learning sont nécessaires au
bon fonctionnement des robots : reconnaissance d'objets, de visage, d'activité, de sons, de parole, etc.
Les robots de service qui n'auront pas accès à ce type de fonction seront cantonnés à des rôles
d'aspirateur. Les sociétés de robotique, comme SoftBank Robotics, ont les capacités intellectuelles
pour intégrer ce type de technologies mais manquent de ressources pour les mettre en œuvre. La
constitution des données pour nourrir le deep learning est un goulot d'étranglement et il faut se reposer
sur les services (américains) des géants du domaine. Cela crée une dépendance risquée. En outre, audelà du deep learning, les techniques d'IA doivent se développer pour intégrer, notamment pour les
besoins de la robotique, des liens entre la perception et l'action, l'apprentissage tout au long de la vie
du robot de nouvelles compétences, la généralisation de concepts appris dans une situation et
réutilisable dans une autre, l'apprentissage de ce qu'est le sens commun, etc. Le deep learning est
nécessaire au développement de l'industrie robotique mais la robotique aura besoin d'aller au-delà des
capacités offertes par le deep learning.
SWOT
Forces
La recherche française est excellente en robotique.
La France a une culture scientifique et d’ingénierie très forte, qui lui donne des atouts en robotique.
Elle dispose de bons laboratoires (publics et privés) en IA et d’une longue tradition mathématique utile
au développement de l'IA, et donc d’une bonne connaissance des besoins du domaine. Des grandes
entreprises de télécommunication et de diffusion de contenu existent en France.
La France possède une culture diversifiée en IA – au-delà du Deep Learning – ce qui est un atout dans
la filière robotique, puisqu’il n’est pas facile de déterminer a priori la discipline IA qui sera nécessaire
à toutes les parties robotiques (p. ex. le contrôle/commande).
La France a d’excellente PME dans le domaine même si elle n’a pas de filière structurée.
Faiblesses
La France est historiquement faible en ce qui concerne la pénétration des robots industriels,
probablement en raison d’une très mauvaise vision de l’impact de la robotique sur l’emploi. Pourtant,
l’Allemagne maintient un taux emploi industriel plus élevé qu’en France, avec un taux de robotisation
cinq fois supérieur.
L’apprentissage, en robotique comme en IA, requiert de très grandes bases de données. Or dès que ces
données contiennent des images de personnes, la CNIL a une approche très restrictive. Ceci empêche
la recherche en robotique tournée vers l’humain (cobotique, transport,…) de trouver une place en
France. Il devient plus simple de faire cette recherche à l’étranger.
En outre, le stockage et le traitement de ces données pose problème, comme dit en introduction.
Avons-nous assez de centres de formation pour les experts en IA et pour des data scientists ? Avonsnous accès aux corpus de données qui permettent aux techniques d'apprentissage de déployer toutes
leurs capacités ? Une certaine dispersion des forces est à noter.
Opportunités
Une prise de conscience du besoin d’agir émerge. La commission européenne va soutenir les
développements dans ce domaine.
Il devient de plus en plus nécessaire d’intégrer des données logistiques (évolution de stock,
préparation de batch, de commandes...) pour optimiser la gestion de la flotte globalement ou