Related Vendors

Kubo Tech AG

Trafag AG

Swiss Safety Center AG

Au-delà de l'étape 4.0

C'est clairement un défi de prédire les évolutions ultérieures et comment les données vont façonner les business modelés des entreprises dans l'avenir.

Une chose est sûre : gérer de la « Smart Data » n'est pas vraiment efficace. Si on y pense, il suffit de montrer une image d'un chat à un enfant de 5 ans, pour que par la suite cet enfant devienne capable d'identifier des chats partout. L'apprentissage humain lui est très efficace. Malheureusement on n'a pas encore percé les secrets de l'apprentissage de notre espèce. Pourquoi cet enfant hypothétique, avec un seul exemple, devient capable d'identifier d'autres chats, même si ces derniers ne ressemblent pas forcement au premier ? Comment notre cerveau arrive-t-il à faire le lien ? Parce qu'ils sont tous poilus ? Parce qu'ils ont tous des moustaches ? On ne le sait pas encore, mais le fait est qu'un exemple suffit.

L'apprentissage automatique, en revanche, ne l'est pas forcément, et fort probablement à cause des points mentionnés ci-avant et dont on ignore le fonctionnement. On ne connait pas le détail de nos propres mécanismes d'apprentissage alors il nous est impossible de les reproduire synthétiquement.

On ne peut alors que proposer des approches, comparativement, très rudimentaires et donc pas forcements efficaces.

Par exemple il faut des milliers voir des millions d'exemples pour qu'une machine puisse commencer à identifier des éléments précis sur des images. La machine n'est pas capable d'identifier des chats sur des images à partir d'un seul exemple, comme le fait un enfant.

Alors, cet apprentissage automatique, dans la plupart de cas, nécessite un énorme investissement humain dans la mise en place de telles solutions. Il faut préparer les données, y mettre des libellés afin de procéder à un apprentissage supervisé (celui qui au présent a prouvé être le plus à même de livrer de la valeur tangible aux entreprises). Sans oublier les efforts ultérieurs car ces solutions doivent réapprendre avec une certaine fréquence.

L'avenir n'est pas encore totalement défini mais on peut oser entrevoir que l'évolution ira en direction de ce qu'on appelle des « objets intelligents ». Ceux-ci vont calculer localement des données « small », dans le sens « en peu de quantité et utilisant moins de bande passante par la suite et donc moins d'électricité ». « Small », « petit », « peu » ce sont des notions dont la culture occidentale à tendance à rabaisser le sens et pourtant semble être la clé de l'avenir car elles sont économes dans tous les sens du terme. Donc « small is beautiful ».

Bibliographie

Henry Chesbrough, (2009, 01 01). Business Model Innovation Opportunities and Barriers. Retrieved 03 18, 2015, from Elsevier: http://www.elsevier.com/locate/lrp

Damian Chiossone, (2015). How established companies respond to threats to their core business models. Fribourg: IIMT University Press - Université de Fribourg. Retrieved from http://www.shop.iimt.ch/epages/176782.sf/de_CH/?ObjectPath=/Shops/176782/Products/9 78-3-905814-54-5

Xavier Comtesse, (2020, 03 03). L'internet des objets intelligents. Retrieved from http://www.agefi.com/home/acteurs/detail/edition/online/article/linternet-des-objets- intelligents-494624.html

Xavier Comtesse & Damian Chiossone, (2020, 01 28). Comment les données ont pris le pouvoir? Retrieved from http://www.agefi.com/home/acteurs/detail/edition/online/article/comment-les- donnees-ont-pris-le-pouvoir-493737.html

Osterwalder, (2010). Business Model Generation. New Jersey: John Wiley & Sons,.

MSM

Modèle d'affaire dynamique de type Canvas

Les données réinventent l’entreprise, 1ère partie

(ID:46462777)