TECH 20702 EFFECTUER UNE VEILLE DES TECHNOLOGIES ÉMERGENTES
Séance 1 -----------------------------------------------------------------------------------------------------
En somme: trois tendances qui transforment le monde des affaires:
En somme: trois tendances qui transforment le monde des affaires:
1) L'augmentation rapide de la capacité des machines (Alphago)
2) La disruption causée par des jeunes pousses qui offrent des 'plateformes' et
deviennent des concurrents redoutables
3) La possibilité d'exploiter la foule: le potentiel distribué de connaissances et de
compétences humaines
Ces tendances amènent à des "rééquilibrages":
Machine - esprit humain
● Qui fait quoi? Comment collaborer? Changements dans les processus organisationnels
Platformes - produits
● Comment combiner produits et plateformes pour transformer son offre?
Foule - coeur
● Comment la foule et le coeur altèrent ce que sont les organisations / comment elles
fonctionnent?
Approfondi produit taxi:plateforme uber produit restaurant et plateforme ubereats
Comparer lavant et lapres puiser dans des eemples
Pourquoi maintenant? Avancées techniques majeures (utilisation des ordinateurs pour
des
tâches “non routinières” + démocratisation/adoption forte des technologies (Internet,
mobile)
et interconnexion croissante entre individus via la numérique
Séance 2 -------------------------------------------------------------------------------------------
Nouveau partenariat humain-machine, approches symboliques et statistiques à l’IA, types
d’apprentissage pour l’apprentissage automatique (“machine learning”), potentiels de
valeur en entreprise, défis (ex: opacité) (s2)
L’approche statistique: l’apprentissage automatique!
● Principe clé: apprendre du mode d’apprentissage des enfants (observations, répétition,
feedback) / de l’architecture du cerveau humain (réseaux de neurones!)
Comment raisonnons-nous en tant qu’êtres humains ?
Système 1 vs système 2
Faiblesses de ce mode de fonctionnement
● Système 1: raccourcis, biais, égo
● Système 2: approche analytique est longue
● Biais qui lie 1 et 2: système 2 “justifie” une conclusion du système 1
● HiPPO (“highest paid person opinion”) est la façon de prendre les décisions depuis
toujours
On sous-estime limpact de l'égo, le système 1 est souvent utilise par les gens ayant de
l'expérience (raccourcis) souvent raison par contre attention a l'égo
Hippo prend generalement la decision (tranche) idealement baser la decision sur des
analytiques mais souvent boss qui tranche
IA symbolique : approche fondée sur les règles est ajd en sommeil.
IA automatique : concevoir des logiciels capables, après qu’on leur est montré un grand
nombre
d’exemples, de détecter des motifs et de formuler des stratégies gagnantes. Deep
learning, réseaux de neurones, capacité d’apprendre et de comprendre comme un
humain. Ils s’améliorent plus il y a de données, plus les hardware sont puissantzs et
spécialisés et plus les algorithmes sont améliorés.
1. Supervisé : les exemples à apprendre sont étiquetés
2. Non-supervisé : principal moyen dont les humains apprennent le monde
3. Renforcement
3 groupes :
Supervise: humain donne a lordi ceci est une pomme / ceci est une orange
(recherche images google)
Non supervise : l'algo trouve des similarites entre les images (reconnaissance
d'images on ne sait pas ce que contient)
Renforcement: jeux video, il va jouer des centaines de fois un jeu et va comprendre
ce quil doit faire ESSAI -ERREUR
Symbolique programme défini par les symboles détermine par les humains alors que
statistique (connexionniste) roule sur les données, simplement fournir des données pour
que lalgorithme crée un modele et ensuite faire des predictions (adapte au son, image,
video)
Avances surtt dans connexionniste donc la valeur des données augmentent
Les systemes les plus complexes utilisent un mix des 2
Les humains en savent plus donc symbolique fonctionne moins bien
L’IA peut supporter trois catégories de besoins d’affaires - Potentiel de valeur
“Automating business processes - Process automation (RPA)”
● Bots qui agissent comme des utilisateurs (Ex: mise à jour de données clients)
● Souvent des processus “backoffice”
● Pas nécessairement “intelligents” (pas d’apprentissage)
● Peut mener à des réductions d’emploi (mais pas nécessairement)
Souvent pour faire le pont entre deux systemes (nouveau, vieux)
“Gaining insights through data analysis - Cognitive insight”
● “Analytics on steroids”
● Applications utilisant l’apprentissage automatique
● Ex: identifier des transactions frauduleuses, prédire ce que les clients vont acheter
● But: améliorer la performance
“Engaging with customers and employees - Cognitive engagement”
● Traitement du langage naturel (natural language processing)
La vision du métavers de Meta (aka Facebook)
Vos fonctionnalités préférées?
Les 3 rééquillibrages poussés a l'extrême qui permet le Metavers
Séance 3
---------------------------------------------------------------------------------------------------------------------
Apprentissage automatique, prédiction, “Machine learning canvas”, son utilité et
applicabilité, son utilisation (s3)
● Les avancées récentes dans le domaine de l’IA sont des avancées en termes de
prédiction (meilleures, moins chères, plus rapides)
● Le “buzz” autour de l’IA aujourd’hui est la résultante de progrès significatifs dans le
domaine du
● “machine learning” (apprentissage automatique)..une technologie de prédiction!
● Prediction = “using information that you have to generate information that you don't
have”
IMPORTANT! IA est quune facon de faire des prediction et les predictions cest de
linformation que lon genere et qui est absente
à Quand la prediction devient accessible et precise (“cheap”)....
(1) on l’utilise plus (+)
(2) la valeur de ses substituts diminue
(3) la valeur de ses compléments augmente
Substituts aux prédictions faites par les machines = prédictions humaines
Compléments = données, actions (quoi faire avec une prédiction), le jugement, (savoir
quelles
prédictions sont nécessaires et que faire avec ces prédictions)
Lien avec les problemes de consultant element AI et la valeur des complements de
predictions: ceux qui offe des services de consulation de AI est la fiabilite des bases de
donnees car lacquisition de donnees est tres dispendieuse
→ Modèle des composantes d’une décision pour analyser et détecter le potentiel de
valeur de l’IA dans une organisation :
Aspects d’une tâche à analyser
· Quel est l’élément de prédiction,
· Quelles données sont impliquées dans la prédiction,
· Quel jugement est appliqué à la prédiction,
· Quelle action est prise en fonction de la prédiction et du jugement
· Quel est le résultat possible de cette action
● Les prédictions sont au coeur des décisions. Ces dernières sont omniprésentes dans la
vie de tous les jours / en organisation
● Le “buzz” autour de l’IA aujourd’hui = la résultante de progrès significatifs dans le
domaine du “machine learning”
● Outils (visuels) pour analyser la pertinence et le design d’outils de ML
● AI Canvas, Machine Learning Canvas
Séance 4
---------------------------------------------------------------------------------------------------------------------
Automatisation robotisée des processus et automatisation intelligente: pertinence,
bénéfices attendus (s4)
RPA: des robots (logiciels) qui imitent la façon dont les individus interagissent avec des
applications informatiques via une interface utilisateur (front-end)
Impact sur l’organisation :
Increased automation of tasks does not necessarily lead to loss of jobs—workforce
augmentation, rather than replacement, may be a more likely outcome. By freeing up a
person’s time, employees can now focus on more advanced and engaging tasks, and over
time organizations could see lower turnover, higher morale, and increased internal
innovation.
Taches a VA
CANVA
1. Proposition de valeur: quoi, qui, pourquoi. (Value Propositions: What are we trying to do
for the end-user(s) of the predictive system? What objectives are we serving?)
2. Sources de données brutes. (Data Sources: Which raw data sources can we use
(internal and external)?).
3. Caractéristiques extraites des sources de données. (Features: Input representations
extracted from raw data sources.)
4. Nouvelles données collectées de façon implicite ou explicite. (Collecting Data: How do
we get new data to learn from (inputs and outputs)?)
5. Construction et mise à jour des modèles. (Building Models: When do we create/update
models with new training data? How long do we have to featurize training inputs and
create a model?)
6. Comment les prédictions sont utilisées pour prendre des décisions. (Decisions: How are
predictions used to make decisions that provide the proposed value to the end-user?)
7. Entrées/sorties du système, type de problème. (ML task: Input, output to predict, type of
problem.)
8. Quand sont faites les prédictions. (Making Predictions: When do we make predictions on
new inputs? How long do we have to featurize a new input and make a prediction?)
9. Assurance qualité pré-lancement. (Offline Evaluation: Methods and metrics to evaluate
the system before deployment.)
10. Évaluation en mode production, ie. post-lancement. (Live Evaluation and Monitoring:
Methods and metrics to evaluate the system after deployment, and to quantify value
creation.)
Séance 5
---------------------------------------------------------------------------------------------------------------------
Les “architectes” de l’IA, leur contribution, les enjeux pour le futur. (s5)
*Présentation*
Avantages présents et futurs, l'autre cote de la médaille
Militarisation agi , rééducation des travailleurs, transparence (eviter les biais),faire
machine learning canva
Les reequilibrages exercice presse ecrite
Pub avant gere par des humains
● AI pour atteindre AGI
● AI dans la sante augmente lefficacite et reduction des erreurs, collaboration avec les
autres hopitaux
● Gestes et expréssions faciales: Surveillance du conducteur, La santé mentale, Entrevue
AI
● Nanotechnologies
● Amortalité
● Recherche de solutions en matière d'education et d'emploi
● Restructuration sociale, Perte d'emploi
● Militaire Robots tueurs ert manque de moral
● Risque de contrôle, contrôler robots
● Influence sur la politique
● (salaire universel)
● Responsabilite du gouvernement
● Reglementation de chaque industrie
● Transparence
● Discussion a linternationnal G7
Séance 6
---------------------------------------------------------------------------------------------------------------------
La disruption
"ce qui se produit quand quelqu'un fait quelque chose d'intelligent qui vous rend ou rend
votre
entreprise obsolète" … "les technologies numériques sont peut-être les outils les plus
puissants de la disruption intelligente" (p.132)
à Depuis une vingtaine d’années: de profondes turbulences
à Ampleur et rapidité ++
à Écarts phénoménaux entre les indicateurs économiques clés (eg croissance,
chiffre d’affaires) des années 1990 ou 2000 versus années 2010 pour de nombreux
secteurs aux activités et biens physiques
Principes économiques moteurs: L’économie des biens informationnels numériques
1. Gratuité (le coût marginal de fabrication-reproduction d’une copie supplémentaire
d’un bien informationnel est proche de zéro)
2. Perfection (la copie est identique à l’originale)
3. L’économie des réseaux
4. Instantanéité
En d’autres termes: “les réseaux permettent de déplacer quasiment immédiatement d’un
endroit à un autre (ou de nombreux autres) une copie gratuite et parfaite de biens
informationnels” (p. 134)
L'effet de réseau cest que la valeur dun reseau augmente a mesure que le nombre
utilisateurs aug, ca prends une masse critique .
Disruption et plateforme: “La plateforme est un environnement numérique qui se
caractérise par un coût marginal d’accès, de reproduction, et de distribution proche de
zéro” (p. 135)
Pouvoir renforcé par l’économie des compléments (surtout quand ils sont gratuits, parfaits,
et
instantanés)
● Qu’observe-t-on depuis une dizaine d’années dans plusieurs industries ?
● Comment qualifier ce phénomène ?
● Quelles sont ces causes?
La disruption ca arrive a tout le monde universite, ministeres a tout le monde. Le concept
est exponentiel.
Les entreprises se font disruptr comme ca
● Internet
● Web
● Plateformes de contenu
Exemple dans l’industrie de la musique: trois vagues de plateformes
● Napster (P2P/illégale) Rappelez-vous de la saga Metallica VS Napster
● iTunes Music Store (dégroupage).. (ex économie de l’atome vs du réseau) p. 142
● Spotify, Apple Music (diffusion en continu / streaming; regroupage sous forme
d’abonnements)...gratuit, infini, instantanné!
● Plateformes de diffusion d’annonces publicitaires
Google Adsense
● Plateformes de communication
Séance 7
----------------------------------------------------------------------------------------------------------------------
Les plateformes O2O
à Rassemblent l’économie des bits et des atomes
à Stock souvent perissable (ex: nuits d’hôtel) mais pas tout le temps (ex: rent the runway)
à Vocation centrale: mettre en relation l’offre et la demande
à Prennent la forme de services (fonctionnalités) qui favorisent la mise en relation efficace
entre
offre et demande (cf p. 186)
à Ces services sont “construits” / rendus possibles grâce aux données portant sur
l’utilisateur et
son interaction avec la plateforme
à L’apprentissage automatique peut d’ailleurs être utile à cet égard (prédiction..)
à Ils sont souvent gratuits, parfaits, instantanés! :
v Développement du service est coûteux
v Mais son déploiement / réplication / diffusion à plus qu’un utilisateur sur la plateforme ne
coûte pas plus cher!
Les assistants personnels basés sur l’IA vont transformer comment les entreprises
interagissent
(“connect”) avec leurs clients
à Délégation grandissante des décisions d’achat aux assistants personnels
à Centralisation grandissante des choix et transactions au sein d’un ou de quelques
assistants
(plateformes)...laquelle sera préférée?
à Nouvelle forme d’intermédiation! + cercle d’auto renforcement (plus de données, plus de
prédictions précises, plus d’utilité, plus d’utilisation, plus de données, etc..)
à Acquisition
Les marques vont faire leur promotion auprès de ces assistants personnels/plateformes
(vs. les
clients finaux)
à De multi canal à un seul canal: ces plateformes!
“Product placement and recommendations on AI platforms are inevitable” (p. 84)
à Satisfaction
Auto-renforcement données-utilité-utilisation (meilleure compréhension des
consommateurs)
“AI assistants may be better able to satisfy customer needs better that the customers
themselves” (p. 85)
Rétention : Concurrence accrue (l’IA réévalue les choix et préférences)
Le transhumanisme est un mouvement culturel et intellectuel international prônant l'usage
des sciences
et des techniques afin d'améliorer la condition humaine notamment par l'augmentation des
capacités
physiques et mentales des êtres humains.
Downloaded by meli melo (elobrgs03@[Link])
lOMoARcPSD|9878689
La singularité technologique est l'hypothèse selon laquelle l'invention de l'intelligence
artificielle
déclencherait un emballement de la croissance technologique qui induirait des
changements
imprévisibles sur la société humaine.
Downloaded