93
Le principe du questionnaire est qu’il s’agit d’une auto-évaluation du potentiel – et des
éventuelles difficultés – de transfert et des besoins ; il n’y a pas eu de validation croisée des
déclarations faites par les répondants. Il faut donc prendre les résultats comme des indications
et non comme des certitudes.
2.2.3 Identification des principaux domaines de la recherche
en intelligence artificielle transférables
Vu le nombre important de réponses de chercheurs, nous avons classé et analysé celles-ci en quatre
catégories, sans ordre de priorité.
a. Apprentissage, deep learning, apprentissage par renforcement
Dans la trentaine de questionnaires reçus, l’apprentissage est principalement dominé par
l'apprentissage statistique, qu'il soit à base de Deep Learning ou non. D'autres approches
d'apprentissage apparaissent cependant mais plus ponctuellement : traitement de l'incertitude,
apprentissage développemental, apprentissage embarqué, raisonnement. Cela montre la diversité des
technologies disponibles sur notre territoire.
Plus de la moitié des chercheurs ayant répondu ont des expériences de transfert technologique
montrant des liens déjà forts entre académiques et industriels dans ce domaine. Sur ces transferts la
majeure partie des réponses est plutôt positive ou neutre, seuls quelques questionnaires font mention
d’expérience de transfert négative, en général vers des grands groupes. A ce titre, sont mis en évidence
des problèmes liés à la complexité des algorithmes, leur difficulté de compréhension par les
entreprises cible ainsi que le manque de confiance dans les résultats obtenus et ce, malgré les
expérimentations réalisées.
La grande majorité des réponses mentionne des possibilités de transfert à court terme. Les domaines
d'application sont extrêmement variés : médecine, transport, recommandation et commerce, services
B2C tel que les assistants personnels ou les jeux, maintenance prédictive et problématiques
industrielles, robotique/IoT et enfin tout ce qui a trait à l’embarqué.
Dans le domaine de la vision, le Deep Learning est clairement la technologie majoritaire. Là aussi les
chercheurs justifient d'expériences de transfert réussies sur des applications de reconnaissance d'objets,
d’animaux, etc. et aussi sur des problématiques centrées autour des activités humaines :
reconnaissance de pose, reconnaissance faciale, tracking d'individus.
Les verrous mis en évidence pour une industrialisation des solutions développées concernent
principalement l'incertitude sur la qualité des résultats, notamment sur des champs d'application
nouveaux. Pour lever cette incertitude, plusieurs moyens sont identifiés. On retrouve principalement
un besoin de collecter plus de données pour “augmenter les ensembles d’apprentissage” mais aussi
“d’interaction avec les experts des secteurs cibles” et “d’expérimentations à grande échelle”, avec un
accès à des “données réelles”. La capacité à “réduire l’empreinte” des algorithmes et la nécessité de
pouvoir passer à l’échelle avec des architectures de calcul puissantes sont des thématiques qui
reviennent plusieurs fois dans les réponses afin de résoudre plusieurs challenges actuels.
Notons également, quand cela en est fait mention sur le sujet du transfert des solutions, un réel
problème de ressources pour développer une version “industrielle des algorithmes” souvent à l’état de
démonstrateur ou de POC, en particulier des ingénieurs. Enfin, la problématique d’intégration des
Le principe du questionnaire est qu’il s’agit d’une auto-évaluation du potentiel – et des
éventuelles difficultés – de transfert et des besoins ; il n’y a pas eu de validation croisée des
déclarations faites par les répondants. Il faut donc prendre les résultats comme des indications
et non comme des certitudes.
2.2.3 Identification des principaux domaines de la recherche
en intelligence artificielle transférables
Vu le nombre important de réponses de chercheurs, nous avons classé et analysé celles-ci en quatre
catégories, sans ordre de priorité.
a. Apprentissage, deep learning, apprentissage par renforcement
Dans la trentaine de questionnaires reçus, l’apprentissage est principalement dominé par
l'apprentissage statistique, qu'il soit à base de Deep Learning ou non. D'autres approches
d'apprentissage apparaissent cependant mais plus ponctuellement : traitement de l'incertitude,
apprentissage développemental, apprentissage embarqué, raisonnement. Cela montre la diversité des
technologies disponibles sur notre territoire.
Plus de la moitié des chercheurs ayant répondu ont des expériences de transfert technologique
montrant des liens déjà forts entre académiques et industriels dans ce domaine. Sur ces transferts la
majeure partie des réponses est plutôt positive ou neutre, seuls quelques questionnaires font mention
d’expérience de transfert négative, en général vers des grands groupes. A ce titre, sont mis en évidence
des problèmes liés à la complexité des algorithmes, leur difficulté de compréhension par les
entreprises cible ainsi que le manque de confiance dans les résultats obtenus et ce, malgré les
expérimentations réalisées.
La grande majorité des réponses mentionne des possibilités de transfert à court terme. Les domaines
d'application sont extrêmement variés : médecine, transport, recommandation et commerce, services
B2C tel que les assistants personnels ou les jeux, maintenance prédictive et problématiques
industrielles, robotique/IoT et enfin tout ce qui a trait à l’embarqué.
Dans le domaine de la vision, le Deep Learning est clairement la technologie majoritaire. Là aussi les
chercheurs justifient d'expériences de transfert réussies sur des applications de reconnaissance d'objets,
d’animaux, etc. et aussi sur des problématiques centrées autour des activités humaines :
reconnaissance de pose, reconnaissance faciale, tracking d'individus.
Les verrous mis en évidence pour une industrialisation des solutions développées concernent
principalement l'incertitude sur la qualité des résultats, notamment sur des champs d'application
nouveaux. Pour lever cette incertitude, plusieurs moyens sont identifiés. On retrouve principalement
un besoin de collecter plus de données pour “augmenter les ensembles d’apprentissage” mais aussi
“d’interaction avec les experts des secteurs cibles” et “d’expérimentations à grande échelle”, avec un
accès à des “données réelles”. La capacité à “réduire l’empreinte” des algorithmes et la nécessité de
pouvoir passer à l’échelle avec des architectures de calcul puissantes sont des thématiques qui
reviennent plusieurs fois dans les réponses afin de résoudre plusieurs challenges actuels.
Notons également, quand cela en est fait mention sur le sujet du transfert des solutions, un réel
problème de ressources pour développer une version “industrielle des algorithmes” souvent à l’état de
démonstrateur ou de POC, en particulier des ingénieurs. Enfin, la problématique d’intégration des