La révolution data est en marche
Chaque révolution industrielle tire son origine d’une source d’énergie. Celle que nous connaissons aujourd’hui ne se fonde ni sur la vapeur, ni sur l’électricité, ni sur le moteur à explosion, mais sur la donnée. Nous n’en parlons plus au pluriel, d’ailleurs, mais avec un article défini générique qui inclut toutes les données, tant ces dernières sont protéiformes.
Si la vapeur a permis la communication des hommes, par train ou bateau principalement, et des savoirs, par la presse rotative, si le moteur à explosion a relié entre eux les continents, a mécanisé l’agriculture et à rendu les travailleurs mobiles, si l’électricité a apporté l’énergie en continu sur tous les sites, entraînant dans son sillage l’électronique, la micro électronique et l’informatique, la donnée, elle, ouvre la perspective de l’industrialisation du savoir et des services.
Ainsi, après les secteurs secondaires et primaires, c’est au secteur tertiaire de bénéficier de sa révolution industrielle. Pour l’essentiel, l’économie occidentale est une économie de services et la donnée qu’elle a produite pendant des décennies, dorénavant stockée, traitée et distribuée sous une forme raffinée contribue à renforcer cette économie. Les femmes et les hommes peuvent se consacrer à d’autres tâches.
Mais le chemin pour parvenir à cette situation est long. L’électrification de nos sociétés a bien été l’affaire de plusieurs décennies, elle aussi, à l’aube du 20ème siècle.
Aujourd’hui trois défis se posent
Premier défi, celui de l’usage, ou plutôt des usages. Les données permettent de fournir une représentation du monde, de visualiser le réel ou de l’anticiper, de raconter une histoire étayée de chiffres ou des faits. La discipline cherche à construire en même temps les meilleurs indicateurs possibles et leur représentation narrative.
Prédire, anticiper, comprendre, lire, entendre et finalement aider tous les agents économiques qui manipulent du savoir, telle est la promesse. Les capacités sont en la matière de plus en plus puissantes, qu’il s’agisse de visualisation ou d’algorithmes. Ainsi, naviguer dans des données pour en découvrir la topographie et le sens n’a jamais été aussi accessible. De même, la force de l’analyse prédictive repose sur des algorithmes, longtemps théoriques, désormais activables par les capacités de calcul mises à portée de presque tous.
L’analyse prédictive suppose non seulement que les données sont disponibles et exploitables mais aussi que ceux qui les manipulent, ingénieurs ou analystes, soient familiers des opérations possibles. Avec les usages, ce sont donc une culture et une compétence qui sont attendus.
Second défi, celui des moyens. Naturellement, les fonctions de visualisation et de prédictions doivent s’appuyer sur une maîtrise sans faille des données, depuis leur identification jusqu’à leur mise à disposition pour être utilisées.
En effet, les données produites sont pour la plupart brutes. Rassembler et mettre sous contrôle ces données est un prérequis indispensable de leurs usages futurs. Au-delà, il s’agit d’imaginer les usages de ces données et ce, parfois avant même qu’elles ne soient produites.
Les données sont porteuses d’un sens qui les dépasse lorsqu’elles sont mises en perspective les unes par rapport aux autres. Elles préexistent à leurs usages mais peuvent aussi être conçues pour une finalité spécifique. Elles doivent donc faire l’objet d’une stratégie opérationnelle spécifique, reflet data de la stratégie de l’entreprise.
En un mot, tout agent économique devrait s’interroger et répondre à la question « quelle entreprise data driven ai-je l’ambition d’être ? ». De la réponse à cette question va dépendre une trajectoire lui permet de calibrer les moyens consacrés à la réalisation de l’ambition. Mais comment passer à l’échelle ?
Troisième défi, celui de l’industrialisation. La révolution dont nous parlons est bien industrielle. C’est parce que la source d’énergie est captable de manière massive et généralisée qu’elle peut être mise au service d’une chaîne de production entière. C’est cet aspect massif, total, qui rend la révolution possible.
Dès lors se pose la question de l’inclusion d’un processus de production dans une dynamique plus vaste. L’industrie nouvelle, liée à la source d’énergie, n’est pas une filière parallèle à d’autres plus anciennes. Elle vient bousculer ces dernières de façon orthogonale. A titre d’exemple, l’apparition de la filière électrique ou pétrolière n’a pas eu comme seule conséquence la création d’un réseau de distribution, câbles et compteurs électriques dans un cas, stations-services dans l’autre. Elle a plus largement contribué à remodeler l’ensemble des secteurs à partir de la motorisation électrique, de l’électronique et de l’automobile.
Le défi de l’industrialisation, en matière de données, se retrouve à trois étapes clés :
- Acquisition des données : comment les capter de manière industrielle ?
- Traitement : comment développer les nouveaux usages et les intégrer dans la production de manière continue et à une cadence suffisante ?
- Exposition : comment restituer de manière industrielle l’information et le savoir créés à l’endroit où ils doivent être consommés ?
S’engager sur la voie d’une « organisation conduite par la donnée » doit se faire par le biais d’une stratégie idoine et de solutions opérantes. Accompagner cette mutation de bout en bout auprès des marchés européens, américains et asiatiques est indispensable. Cet accompagnement vise à construire et délivrer des services augmentés d’intelligence artificielle qui révèlent tout le pouvoir de « la data ».
Certaines problématiques propres à la data, sous tous ses aspects, demandent un accompagnement clairvoyant. Il aura pour objectif de contribuer à la transformation de l’économie tout en faisant grandir l’intelligence des données et relever les défis des entreprises.
La responsabilité sociale et environnementale au coeur de la gestion des données
Il est enfin un dernier point qui ne peut être ignore : puisque les données et l’intelligence artificielle transforment les sociétés, le monde, il est de notre devoir à tous de mettre cette general purpose technology au service d’une révolution industrielle durable et respectueuse de l’éthique. Dans ce domaine également, les promesses sont fortes et la responsabilité immense. Bien entendu, l’Intelligence artificielle est d’ores et déjà un vecteur d’optimisation qui se met au service des smart places par exemple : elle contribue à effectuer limiter de déplacement (chargements maximisés, trajets les plus courts selon le traffic…). Mais le défi en la matière va au-delà des usages.
D’une part les manipulations de données que nous effectuons doivent être frugales, faiblement carbonés et sociétalement responsables ; à l’heure où le stockage des données semble être incontournable, ne pas encombrer les serveurs de données inutiles est un devoir. De même, l’indexation de données, l’annotation – cette technique rudimentaire qui consiste à humainement annoter un élément numérique pour pouvoir ensuite faire apprendre la machine – ne doit pas faire émerger de nouvelles précarités organisées pour produire à bas coût les bases d’apprentissages de nos machines.
D’autre part l’apprentissage des machines est une responsabilité qui restera humaine pour quelques temps et qui dès lors doit requérir toute notre attention pour que le meilleur de l’humanité soit mis à son service. Les algorithmes, de manière simplifiée, sont entrainés par les hommes, comme dressés. C’est à travers cet enseignement qu’ils peuvent exécuter telle ou telle tâche cognitive : reconnaitre une intention dans une expression en langage naturel, optimiser un trajet ou suggérer la nécessité de d’effectuer un contrôle. Pour tous ces exemples, notre devoir est de permettre aux algorithmes de refléter notre humanité. En favorisant des décisions écologiques (cas des transports notamment, …) et équitables (cas des algorithmes de contrôle, qui seraient entrainés à prendre en considération des critères d’apparence physique ou vestimentaires davantage que comportementaux).
S’attaquer à la problématique de la donnée sans embrasser l’ensemble des défis posés ne permettra pas de délivrer la valeur attendue. Pour ne pas être incantatoire, la data stratégie doit aborder d’emblée la perspective de l’industrialisation. L’intelligence machine ne restera malheureusement qu’artificielle, abstraite et factice si l’application à grande échelle n’est pas pensée dès les premiers développements, avec tout ce que cela comporte de pragmatisme et d’éthique.
