164
- Les « clouds » actuels mettent essentiellement en œuvre des serveurs de calculs d’architecture
classique dite CPU, alors que les processeurs GPGPU (General Purpose Graphical Processing
Unit) s’avèrent offrir une puissance de calcul très nettement supérieure tant pour la phase
d’apprentissage que pour l’exécution des modèles appris, pour des couts de machines
comparables, et même parfois une efficacité énergétique accrue. De grandes capacités de mémoire
vive (RAM) sont aussi nécessaires. Ainsi, les grands acteurs de « Clouds » américains (comme
Amazon Web Services) ont commencé à intégrer ces processeurs (acquis auprès de NVIDIA,
acteur américain leader du marché des GPU).
- le besoin d’un « cloud computing » souverain, au moins au niveau européen, localisé sur le
territoire européen et opéré par des acteurs européens de confiance, condition sine qua non pour
garantir la sécurité des données qui y sont déposées et traitées.
Accès et utilisation des données :
Les données constituent aujourd’hui l’un des carburants majeurs de l’IA. Celles-ci sont notamment
utilisées par des algorithmes d’apprentissage machine qui produisent des modèles mathématiques qui
sont ensuite utilisés pour des prises de décision. Ces algorithmes peuvent apprendre sur des données
brutes, en mode supervisé ou non et produisent des modèles prédictifs à partir de données annotées
par des valeurs cible. De plus, certaines approches d’apprentissage très performantes ont besoin d’un
nombre de données importantes.
Un 1
er écueil majeur, pour toutes les entreprises travaillant sur l’IA, concerne l’accès et l’utilisation
effectifs des données pourtant produites en masse par différentes organisations (entreprises,
administrations, ..). S’agissant des données à caractère personnel, il existe d’une part un risque
juridique et financier fort lié au caractère uniquement contraignant et répressif du règlement
européen 2016/679 (GDPR), qui, outre des mesures de sécurité et organisationnelles légitimes, impose
des restrictions encore plus fortes sur l’utilisation de telles données, notamment en termes de finalité et
de durée, ce qui limite très fortement les approches exploratoires et donc la recherche et l’innovation.
On constate de plus un risque d’image important pour les entreprises concernées lié à une opinion
publique de plus en plus sensible sur le sujet des données et de l’IA en général, et nettement moins
tolérante à l’égard des acteurs français que des acteurs US pourtant moins respectueux en la matière.
Concernant des données techniques produites lors des opérations d’infrastructures, de véhicules,
etc., la difficulté d’accès est plus liée à la confidentialité ou à la sensibilité « business ». La
possession de telles données peut en effet permettre de « désintermédier » et de donner les clés
business à de nouveaux acteurs, en particulier ceux qui maîtrisent le stockage, les flux et l’accès aux
données et aux utilisateurs (GAFAM).
Un 2nd écueil concerne la production d’annotations de données brutes, qui peut s’avérer
extrêmement couteuse, voire très difficile à réaliser, car requérant très souvent une expertise métier
pointue, difficulté amplifiée par la volumétrie importante nécessaire. De façon critique, quel que soit le
modèle des entreprises qui travaillent sur ces données, la valeur ajoutée, pour l’entreprise consiste en
la collecte, la mise en forme et l’analyse (par le l’IA) de ces données.
La connaissance du domaine d’application et l’accès à des utilisateurs potentiels permettant
d’expérimenter et d’évaluer de nouveaux usages conditionnent la capacité de déploiement de
l’IA.
- Les « clouds » actuels mettent essentiellement en œuvre des serveurs de calculs d’architecture
classique dite CPU, alors que les processeurs GPGPU (General Purpose Graphical Processing
Unit) s’avèrent offrir une puissance de calcul très nettement supérieure tant pour la phase
d’apprentissage que pour l’exécution des modèles appris, pour des couts de machines
comparables, et même parfois une efficacité énergétique accrue. De grandes capacités de mémoire
vive (RAM) sont aussi nécessaires. Ainsi, les grands acteurs de « Clouds » américains (comme
Amazon Web Services) ont commencé à intégrer ces processeurs (acquis auprès de NVIDIA,
acteur américain leader du marché des GPU).
- le besoin d’un « cloud computing » souverain, au moins au niveau européen, localisé sur le
territoire européen et opéré par des acteurs européens de confiance, condition sine qua non pour
garantir la sécurité des données qui y sont déposées et traitées.
Accès et utilisation des données :
Les données constituent aujourd’hui l’un des carburants majeurs de l’IA. Celles-ci sont notamment
utilisées par des algorithmes d’apprentissage machine qui produisent des modèles mathématiques qui
sont ensuite utilisés pour des prises de décision. Ces algorithmes peuvent apprendre sur des données
brutes, en mode supervisé ou non et produisent des modèles prédictifs à partir de données annotées
par des valeurs cible. De plus, certaines approches d’apprentissage très performantes ont besoin d’un
nombre de données importantes.
Un 1
er écueil majeur, pour toutes les entreprises travaillant sur l’IA, concerne l’accès et l’utilisation
effectifs des données pourtant produites en masse par différentes organisations (entreprises,
administrations, ..). S’agissant des données à caractère personnel, il existe d’une part un risque
juridique et financier fort lié au caractère uniquement contraignant et répressif du règlement
européen 2016/679 (GDPR), qui, outre des mesures de sécurité et organisationnelles légitimes, impose
des restrictions encore plus fortes sur l’utilisation de telles données, notamment en termes de finalité et
de durée, ce qui limite très fortement les approches exploratoires et donc la recherche et l’innovation.
On constate de plus un risque d’image important pour les entreprises concernées lié à une opinion
publique de plus en plus sensible sur le sujet des données et de l’IA en général, et nettement moins
tolérante à l’égard des acteurs français que des acteurs US pourtant moins respectueux en la matière.
Concernant des données techniques produites lors des opérations d’infrastructures, de véhicules,
etc., la difficulté d’accès est plus liée à la confidentialité ou à la sensibilité « business ». La
possession de telles données peut en effet permettre de « désintermédier » et de donner les clés
business à de nouveaux acteurs, en particulier ceux qui maîtrisent le stockage, les flux et l’accès aux
données et aux utilisateurs (GAFAM).
Un 2nd écueil concerne la production d’annotations de données brutes, qui peut s’avérer
extrêmement couteuse, voire très difficile à réaliser, car requérant très souvent une expertise métier
pointue, difficulté amplifiée par la volumétrie importante nécessaire. De façon critique, quel que soit le
modèle des entreprises qui travaillent sur ces données, la valeur ajoutée, pour l’entreprise consiste en
la collecte, la mise en forme et l’analyse (par le l’IA) de ces données.
La connaissance du domaine d’application et l’accès à des utilisateurs potentiels permettant
d’expérimenter et d’évaluer de nouveaux usages conditionnent la capacité de déploiement de
l’IA.