Enjeu aussi vaste que complexe, l’IoT (Internet of Things) est en train d’opérer un changement profond dans le visage de notre environnement qui tend à devenir de plus en plus intelligent, et même proactif. Cette évolution est rendue possible grâce au grand volume de données et l’analyse qui en est faite par le Machine Learning et le Deep Learning, deux sous-ensembles de ce qu’on appelle communément « Intelligence Artificielle » (mais que je préfère appeler
« système expert »). Un sujet abordé dans le livre blanc Pentalog « IoT : enjeux économiques et défis technologiques à grande échelle » et que nous partageons ici.
L’IoT amélioré grâce au Machine Learning et au Deep Learning
Que ce soit à l’échelle d’un individu ou d’une société, l’Internet des objets tend de plus en plus à se fondre dans le quotidien afin de faciliter ce dernier, voire même de l’améliorer et ce, grâce au volume de données collectées.
Pour encore plus d’efficacité et de réactivité, l’IoT ne saurait se passer du Machine Learning et du Deep Learning, deux sous-ensembles de l’Intelligence Artificielle qui se caractérisent par une capacité à traiter et à interpréter l’information en temps réel dans le but d’en dégager de la valeur.
L’Intelligence Artificielle est une entité autonome qui, à l’aide de capteurs, perçoit son environnement et interagit avec ce dernier. Elle fait preuve d’apprentissage, d’analyse et de prise de décision.
#Le Machine Learning
En 1959, le Professeur Arthur Samuel, pionner de l’intelligence artificielle, définissait le Machine Learning comme étant la capacité des ordinateurs à assimiler des fonctionnalités pour lesquelles ils n’étaient pas spécifiquement programmés à leur création.
En d’autres termes, le Machine Learning va se nourrir de données préalablement entrées pour en déduire un algorithme afin de réaliser des tâches automatiquement et en conséquence, sans programmation lourde et chronophage en amont.
Le Machine Learning concerne les ordinateurs comme les logiciels, les robots ou encore les applications mobiles. Les algorithmes du Machine Learning se distinguent de nombreuses façons, dont voici les trois familles les plus populaires :
-
L’apprentissage guidé, où des groupes de données sont étiquetés afin que le Machine Learning puisse faire facilement le distinguo
-
L’apprentissage non guidé : les groupes de données ne sont pas étiquetés, le Machine Learning doit alors déduire les tendances similaires pour établir un algorithme
-
L’apprentissage renforcé résulte d’une interaction entre un modèle et son environnement ; c’est-à-dire que l’algorithme repose sur une somme d’expériences afin d’adopter un comportement décisionnel optimal
Détection de fraude à la carte bancaire, recommandation sur une boutique en ligne : et si vous considériez votre environnement autrement en reconnaissant les situations où le Machine Learning entre en action ?
#Le Deep Learning
À l’inverse du Machine Learning qui a besoin de programmation et qui possède un nombre limité de règles à implémenter, le Deep Learning apprend par lui-même. A l’instar du cerveau humain qui se compose de milliers de neurones, le réseau du Deep Learning se compose de plusieurs couches de neurones artificiels, chacun d’entre eux renfermant un algorithme unique, qui vont recevoir et interpréter les informations de la couche précédente. Grâce à cette hiérarchie complexe de concepts nombreux et variés, le Deep Learning va être en mesure d’analyser une lettre, un pixel, un son, avant de déterminer une phrase, une photo, un mot.
Face à la complexité des données (description, dimensionnalité, volume, absence de règles), le Deep Learning est capable de comprendre, interpréter chaque élément et d’agréger celles qu’il faut pour en déduire un concept ou tout simplement, comprendre le monde qui l’entoure.
Le Deep Learning est présent dans notre quotidien, prenons comme exemple Facebook et la reconnaissance d’amis sur les photos, la traduction automatique ou encore la reconnaissance vocale utilisée par Siri ou Cortana.
Le Machine Learning et le Deep Learning se sont pas deux forces à opposer, puisque le second ne pourrait exister sans le premier et a été rendu possible notamment grâce à la puissance des CPU/GPU, la performance des algorithmes et l’existence d’un ensemble de données sur lequel le Deep Learning a pu se baser.
Perspectives du Deep Learning dans l’IoT
La puissance, et sans doute l’espoir sous-jacent, du Deep Learning reposera sur sa capacité à anticiper les événements grâce aux connaissances accumulées, et les exemples ne manquent pas :
-
Industrie : anticiper l’usure d’une pièce ou machine en vue d’une maintenance prédictive
-
Santé : connaître les effets secondaires d’un traitement ou prescrire le traitement le plus adapté grâce aux informations du patient
-
Ville : assurer la sécurité et déclencher l’intervention des services adéquats (police, ambulance, pompiers) selon des facteurs identifiés comme dangereux et adapter le trafic routier et les déviations pour éviter les embouteillages ou les suraccidents.
-
Smart car : adapter la température du véhicule selon les conditions météorologiques
Quelles difficultés le Deep Learning va-t-il poser à l’IoT ?
Face à la multitude de données à interpréter, le premier problème que rencontrera l’IoT face au Deep Learning sera d’ordre matériel puisque les processeurs, les plateformes et les frameworks plus puissants et intelligents devront être en mesure d’absorber toute la complexité et la richesse du Deep Learning.
Les services informatiques devront également changer en profondeur afin que coexistent dans un équilibre optimal la puissance, l’échelle étendue des données, la transversalité et de plus en plus, l’immédiateté.
Les entreprises souhaitant intégrer l’IA à leur stratégie ont tout intérêt à confier une partie de son déploiement et de sa transformation à une plateforme de services digitale. Cette externalisation totale ou partielle permet d’une part à l’entreprise de concentrer ses ressources sur ses top priorités ; d’autre part de déléguer la partie technique à une plateforme qui pourra proposer une architecture adaptée ainsi que des solutions de sécurité des données, que ce soit celles des utilisateurs comme celles de l’entreprise au regard de ses concurrents.
Usages variés de l’Internet des Objets, défis du Big Data, accélération avec la 5G, utilisation et interaction avec l’environnement : retrouvez dans le livre blanc une étude complète qui s’attache à montrer les différentes facettes de l’IoT, ses enjeux et ses solutions d’amélioration.
Consultez aussi :
IoT, enjeux économiques et défis technologiques : le livre blanc Pentalog