Data science et IA : quels sont les concepts clés ?

Institut Sapiens
15 Jun 202357:41

Summary

TLDRDans cet épisode du café sapiens, les invitées Vincent Freyto et Jérôme Lafond abordent la révolution numérique et son impact sur l'entreprise, la société et la philosophie. Vincent Freyto, professeur à HEC Paris et consultant en data science, et Jérôme Lafond, directeur technique chez Direct Assurance, discutent des défis et des opportunités offerts par l'intelligence artificielle et des données dans différents domaines, incluant la tarification des assurances et l'automatisation des processus. Les deux experts soulignent également l'importance de l'éthique dans l'utilisation des données et la nécessité de sensibiliser les jeunes à ces enjeux.

Takeaways

  • 🌟 L'IA et la data science sont au cœur de la révolution numérique actuelle, impactant tous les domaines tels que la politique, la géopolitique, la société et les entreprises.
  • 📈 La data science est comparée au pétrole du 21e siècle, avec des entreprises basées sur la data connaissant une croissance exponentielle.
  • 🤖 L'intelligence artificielle vise à reproduire les capacités cognitives humaines, et son développement est multidimensionnel, allant de la logique mathématique à la créativité.
  • 🧠 Le deep learning est une sous-catégorie de l'apprentissage automatique qui utilise des réseaux neuronaux artificiels pour traiter des données complexes et volumineuses.
  • 🚗 Les voitures autonomes sont un exemple concret de l'utilisation de l'IA et du machine learning, ayant évolué vers des systèmes de plus en plus sophistiqués pour gérer de nouvelles données.
  • 📚 L'enseignement de la data science et de l'IA est en constante évolution, avec des programmes comme le Master Science Data Science for Business qui combine l'ingénierie et la gestion.
  • 🏢 L'assurance est un secteur qui a toujours utilisé la data, passant de modèles linéaires traditionnels à des approches de machine learning plus récentes pour améliorer la prédiction des sinistres.
  • 💡 L'utilisation de l'IA dans les entreprises suscite des questions sur l'organisation optimale, avec des stratégies allant de la centralisation à la décentralisation en fonction de la maturité des technologies.
  • 🌐 La question de la confidentialité des données est un enjeu majeur pour l'IA, en particulier dans les domaines sensibles tels que la santé ou les finances.
  • 🔄 L'impact de l'IA sur l'emploi est une préoccupation, avec des craintes que les tâches répétitives et les emplois de bureau blanc puissent être remplacés par des algorithmes.
  • 📈 L'investissement dans la recherche et le développement de l'IA est essentiel pour permettre aux entreprises et aux pays de rester compétitifs sur la scène mondiale.

Q & A

  • Quel est le thème principal du café sapiens mentionné dans le script ?

    -Le thème principal du café sapiens est la data et l'intelligence artificielle, et comment elles impactent les entreprises et la société.

  • Quelles sont les deux principales compétences abordées par Vincent Freyto dans son livre sur l'adaptation pour les managers ?

    -Les deux compétences principales abordées sont la compréhension des données et de l'intelligence artificielle, et comment les managers peuvent les utiliser dans le cadre de leurs projets et de leur travail en entreprise.

  • Quel est le rôle de Jérôme Lafond au sein de Direct Assurance ?

    -Jérôme Lafond est le directeur technique de Direct Assurance, où il gère les équipes responsables de la tarification et de l'estimation du risque d'accident pour les clients.

  • Comment la data science est-elle décrite dans le script ?

    -La data science est décrite comme l'extraction de connaissances et de savoir à partir des données pour impacter l'environnement, les entreprises ou la société.

  • Quelle est la comparaison faite entre les entreprises mondiales en 2008 et celles en 2016 ?

    -En 2008, les principales capitalisations boursières étaient détenues par des sociétés pétrolières ou gazières, tandis qu'en 2016, ce sont les GAFAM (Google, Amazon, Facebook, Apple, Microsoft) qui ont pris les premières places, montrant l'importance croissante de la data dans l'économie.

  • Quels sont les trois domaines complexes auxquels est associée la data science ?

    -Les trois domaines complexes associés à la data science sont les mathématiques, la statistique, la probabilité, l'algèbre, l'informatique et l'expertise métier de chaque domaine.

  • Quelle est la différence entre l'intelligence artificielle, le machine learning et le deep learning ?

    -L'intelligence artificielle vise à reproduire les capacités cognitives humaines. Le machine learning est un sous-ensemble de l'IA qui utilise des données statistiques pour extraire des informations des données. Le deep learning est une sous-catégorie du machine learning qui utilise des réseaux neurones artificiels pour imiter le fonctionnement du cerveau humain.

  • Comment l'assurance utilise-t-elle la data depuis des dizaines d'années ?

    -L'assurance utilise la data pour estimer le risque d'accident, la tarification et la segmentation des risques en fonction de divers critères. Elle a évolué de l'utilisation de modèles linéaires traditionnels vers l'utilisation de machine learning pour bénéficier de plus de variables et d'interactions non linéaires.

  • Quelle est l'importance de la cloud computing dans l'exploitation des données ?

    -La cloud computing a donné une capacité incroyable de stockage et de traitement des données, ce qui a booster la capacité des métiers à exploiter la data. Elle a permis d'alimenter les algorithmes qui, avant, manquaient de données numériques suffisantes et de puissance de calcul.

  • Quels sont les enjeux pour les entreprises en termes d'utilisation de l'IA et de la data ?

    -Les enjeux pour les entreprises incluent la réorganisation, la production de contenu, la manière d'enseigner les choses, la simplification des parcours clients, la fiabilisation des données et la capacité à tirer parti des outils technologiques pour améliorer leur service à la clientèle.

  • Quelle est la position de l'Institut sapiens concernant l'utilisation de l'IA dans l'enseignement ?

    -L'Institut sapiens encourage l'utilisation de l'IA dans l'enseignement, considérant qu'il est impossible de l'interdire et que cela peut aider les étudiants à aller plus loin, plus vite et à être plus impactants dans leurs travaux.

Outlines

00:00

🌟 Introduction au café sapiens et présentation des invités

Le paragraphe introduit le café sapiens, un événement animé par Raphaël Kevin, où l'accent est mis sur l'humanisation numérique et l'impact de l'intelligence artificielle dans divers domaines. Les invités, Vincent Freyto, professeur à HEC Paris, et Jérôme Lafond, directeur technique chez Direct Assurance, sont présentés. Vincent a publié un guide sur l'adaptation des managers aux nouvelles technologies et Jérôme a une expérience variée dans plusieurs secteurs avant de rejoindre l'assurance.

05:02

📈 La data science et l'intelligence artificielle dans l'entreprise

Le paragraphe aborde la définition de la data science et son évolution au fil des décennies, soulignant son importance comparée au pétrole du 21e siècle. Les différences entre intelligence artificielle, machine learning et deep learning sont expliquées. L'importance de la data science dans l'industrie de l'assurance est également discutée, avec une transition vers des modèles de machine learning pour améliorer la précision des prévisions et la tarification.

10:02

🚀 L'impact de l'IA sur l'industrie et les défis technologiques

Ce paragraphe met en avant les impacts de l'intelligence artificielle sur l'industrie, en particulier dans l'automatisation et l'optimisation des processus. Les défis technologiques liés à l'industrialisation et à la transformation des entreprises sont également discutés. L'importance de la collaboration entre les data scientistes et les métiers est soulignée pour maximiser l'utilisation de la data dans les entreprises.

15:03

🤖 L'intelligence artificielle multidimensionnelle et ses applications

Le paragraphe explore la nature multidimensionnelle de l'intelligence artificielle et son application dans divers domaines, notamment les jeux de stratégie, la créativité et la robotique. La progression de l'IA est illustrée par des exemples concrets comme la victoire de DeepMind sur le jeu de Go et les progrès dans la génération de contenu et la programmation.

20:03

🎓 L'enseignement de la data science et la formation des étudiants

Ce paragraphe discute de la manière dont l'enseignement de la data science évolue et des stratégies adoptées par les écoles pour intégrer les outils de l'IA dans le curriculum. Les défis liés à la formation des étudiants et la nécessité d'encourager l'utilisation responsable de l'IA sont également abordés.

25:05

💡 La vision de l'avenir de l'IA et des technologies dans l'entreprise

Le paragraphe se concentre sur la vision future de l'IA et des technologies dans l'entreprise, en discutant de la transformation digitale et des stratégies d'investissement. Les impacts potentiels sur l'emploi et la nécessité d'adapter les compétences et les formations sont également explorés.

Mindmap

Keywords

💡IA

L'intelligence artificielle (IA) est un domaine de l'informatique qui se concentre sur la création de systèmes capables de reproduire les capacités cognitives humaines. Dans le contexte du script, l'IA est utilisée pour illustrer comment les technologies avancées peuvent être appliquées dans divers domaines, tels que l'assurance, la banque et la santé, et comment elles peuvent améliorer les processus existants en termes d'efficacité et de précision.

💡Deep Learning

Le deep learning est une sous-catégorie de l'IA qui utilise des réseaux neuronaux artificiels pour imiter le fonctionnement du cerveau humain. Dans le script, il est mentionné comme une technologie de pointe qui permet de traiter des données complexes et volumineuses, telles que les images et les vidéos, et qui est utilisée dans des applications telles que les voitures autonomes et la médecine.

💡Données

Les données font référence à l'ensemble d'informations brutes qui sont collectées, stockées et analysées pour extraire des connaissances utiles. Dans le script, l'importance des données est soulignée dans divers contextes, notamment l'utilisation de données ouvertes pour améliorer les parcours clients dans l'assurance et la santé, et la nécessité de maîtriser les données pour rester compétitif dans le secteur de la tech.

💡Data Science

La data science est une discipline qui consiste à extraire des connaissances et du savoir à partir des données à l'aide de méthodes statistiques, algorithmiques et informatiques. Dans le script, la data science est présentée comme un domaine clé pour comprendre et exploiter les données, avec une évolution vers des approches plus avancées telles que le machine learning et le deep learning.

💡Machine Learning

Le machine learning est un sous-ensemble de l'IA qui se base sur les données pour apprendre et prendre des décisions sans être explicitement programmé. Dans le script, le machine learning est discuté comme une technique qui utilise des statistiques pour extraire des informations pertinentes des données, avec des applications dans des domaines variés comme les prévisions météorologiques et la tarification des assurances.

💡Éthique

L'étique est un aspect crucial dans l'utilisation des technologies de l'IA et des données, qui concerne la manière responsable et moralement admissible d'utiliser ces outils. Dans le script, l'importance de l'ethique est soulignée, notamment en ce qui concerne la confidentialité des données, la transparence et la compréhension des impacts potentiels sur la société.

💡Open Data

Les données ouvertes sont des informations publiques disponibles gratuitement et facilement accessibles, permettant leur utilisation et leur redistribution par des tiers. Dans le script, l'Open Data est mentionné comme une source précieuse pour l'amélioration des services, notamment dans l'assurance et la santé, en permettant une meilleure prise de décision fondée sur des données plus larges.

💡Transformation digitale

La transformation digitale fait référence au processus par lequel les entreprises et les organisations adoptent et intégrent les technologies numériques pour améliorer leurs opérations, leurs services et leur modèle de business. Dans le script, la transformation digitale est discutée comme un phénomène inévitable qui affecte tous les domaines, nécessitant l'adaptation et l'innovation pour rester compétitif.

💡Confidentialité des données

La confidentialité des données est la protection des informations personnelles et sensibles contre l'accès non autorisé, la divulgation ou la modification. Dans le script, la confidentialité est un enjeu majeur, en particulier dans les domaines de la santé et de l'assurance, où les données peuvent être très sensibles et doivent être traitées avec le plus grand soin et conformément aux lois sur la protection des données.

💡Rôle de l'homme

Le rôle de l'homme dans le contexte de l'IA et de la data science est un thème central du script. Il est question de la manière dont les technologies peuvent augmenter les capacités humaines, tout en abordant les inquiétudes liées à la potentialité de ces technologies pour remplacer les tâches humaines et les implications éthiques et sociales de cela.

Highlights

L'Institut sapiens vise à remettre l'humain au cœur du numérique.

La révolution numérique, les données et l'intelligence artificielle impactent tous les domaines.

Vincent Freyto, professeur à HEC Paris, a publié un guide sur l'adaptation des managers aux enjeux de la data et de l'IA.

Jérôme Lafond, directeur technique de Direct Assurance, partage son parcours dans l'assurance et la data science.

La data science est au carrefour de mathématiques, statistiques, informatique et expertise métier.

L'intelligence artificielle vise à reproduire les capacités cognitives de l'être humain.

Le machine learning est un sous-ensemble de l'intelligence artificielle basé sur les données.

Le deep learning utilise des réseaux neurones artificiels pour extraire des informations complexes des données.

Les entreprises de tech comme Google, Amazon, Facebook et Microsoft sont basées sur la data.

L'assurance est un secteur qui a toujours utilisé la data pour estimer le risque et fixer les tarifs.

L'assurance et la banque sont les secteurs économiques les plus avancés en matière de deep learning.

Les étudiants en data science ont des perspectives d'emploi très larges, allant de la grande entreprise à la création d'entreprise.

Les impacts de l'IA et de la data science sur l'emploi sont actuellement limités, mais peuvent devenir significatifs à l'avenir.

Les administrations publiques sont en train de progresser dans l'utilisation du digital et de la data.

Les étapes de la transformation digitale des entreprises, de la compréhension des données à l'intégration d'IA.

Transcripts

play00:00

[Musique]

play00:03

bonjour à toutes et à tous ravi de vous

play00:06

retrouver pour ce nouveau café sapiens

play00:08

alors l'Institut sapiens ça a une

play00:11

punchlide une punchline qui est remettre

play00:13

l'humain au cœur du menu mérite remettre

play00:16

l'humain au cœur du numérique et bien ça

play00:18

nous amène tout naturellement au thème

play00:20

de la data de l'intelligence

play00:22

artificielle alors je vais vous dire ce

play00:24

n'est ni le premier ni le dernier qui a

play00:26

fait sapiens consacrée à cette

play00:28

thématique la révolution numérique les

play00:31

datas et bien ça impacte tous les

play00:34

domaines la politique la géopolitique le

play00:37

sociétal la philosophie et bien entendu

play00:40

l'entreprise alors aujourd'hui nous

play00:42

allons nous intéresser à la data dans le

play00:46

monde de l'entreprise nous serons

play00:48

pragmatique et je le ferai avec le

play00:50

regard croisé d'un enseignant et d'un

play00:54

praticien j'ai le plaisir en effet

play00:56

d'accueillir aujourd'hui dans son freto

play00:59

professeur à HEC Paris et Jérôme Lafond

play01:01

directeur technique du

play01:04

pionnier et leader de l'assurance

play01:06

directe Direct Assurance alors tout

play01:09

d'abord quelques mots de présentation de

play01:11

nos invités alors Vincent freyto tu

play01:14

viens de publier un bouquin un guide je

play01:17

dirais très synthétique et illustré sur

play01:21

l'adaptation il y a pour les managers et

play01:24

peux-tu te présenter rapidement oui donc

play01:27

je suis professeur associé à HEC

play01:29

également consultant conférencier auteur

play01:31

depuis peu HEC je suis directeur

play01:34

scientifique du Master science data

play01:36

science for business qui est un

play01:37

programme en deux ans conjoint avec

play01:39

l'École polytechnique et HEC je m'occupe

play01:43

de certificat d'académie et puis les

play01:45

cours dans toutes les grandes majeures

play01:47

de les cours d'introduction à la data

play01:48

dans toutes les grandes majeures

play01:49

finances stratégie de de HEC et pour

play01:53

faire ses cours bien évidemment j'ai lu

play01:55

beaucoup de livres et autres et à chaque

play01:58

fois j'ai fait le constat que passer le

play02:01

premier chapitre on avait soit des

play02:03

formules mathématiques un petit peu

play02:04

compliquées soit des lignes de code

play02:07

absolument incompréhensibles soi-même

play02:09

les deux et donc je me suis dit qu'il y

play02:10

avait une nécessité d'écrire un livre

play02:12

pour les personnes qui n'ont pas

play02:14

vocation à devenir des Data scientistes

play02:16

mais qui vont devoir utiliser la data et

play02:19

l'intelligence artificielle dans le

play02:21

cadre de projets dans le cadre de leur

play02:23

travail en entreprise merci Vincent et

play02:27

Jérôme quel est ton parcours alors

play02:29

Jérôme Laffont je travaille aujourd'hui

play02:31

chez irritations comme tu l'as dit

play02:32

Raphaël déjà je te remercier de nous

play02:35

inviter aujourd'hui c'est vraiment un

play02:36

plaisir moi c'est la première fois que

play02:37

je suis convié à l'Institut sapiens donc

play02:40

un grand merci je travaille aujourd'hui

play02:42

chez Direct Assurance où je suis le

play02:44

directeur technique je gère les équipes

play02:46

qui font les prix que vous voyez quand

play02:49

vous faites un devis en ligne sur Direct

play02:51

Assurance pour une offre auto habitation

play02:53

ou santé

play02:55

donc c'est à la fois dans mon équipe

play02:58

qu'on va essayer de d'estimer le risque

play03:01

d'accident l'accidentologie de nos

play03:04

clients et c'est également là où on va

play03:06

avoir toute une sophistication tarifaire

play03:07

plus d'une segmentation de ce risque sur

play03:09

tout un tas de critères qui sont en

play03:11

général des critères que vous avez dans

play03:12

le questionnaire mais pas que et avant

play03:15

ça de formation je suis ingénieur et

play03:17

j'ai travaillé avant dans d'autres

play03:19

industries j'ai travaillé dans la

play03:20

finance de marché j'ai travaillé dans la

play03:22

publicité en ligne chez crithéo et j'ai

play03:24

travaillé aussi au Groupe AXA sur le

play03:26

véhicule connecté donc j'ai eu la chance

play03:28

d'avoir des expériences très variées et

play03:30

en tout cas pour moi c'est un moteur

play03:32

aussi de pouvoir changer de secteur

play03:34

régulièrement et c'est aussi une chance

play03:35

je trouve dans les métiers de la data et

play03:37

de l'analyse de données de pouvoir comme

play03:40

ça naviguer d'une industrie une autre

play03:42

enfin on a vraiment cette chance et je

play03:45

suis Raphaël Kevin j'anime régulièrement

play03:46

des cafés ça piences alors le déroulé de

play03:49

cette session va être classique en

play03:53

premier et bien nous aurons en quelque

play03:55

sorte un mini cours magistral un pitch

play03:58

un pitch magistral de Vincent Frey pour

play04:01

partager les concepts clés on partagera

play04:05

en quelque sorte le même scène sauf

play04:06

d'informations ensuite j'enchaînerai sur

play04:09

une série de questions pour nous inviter

play04:11

et puis évidemment vous pouvez vous

play04:14

public de sapiens en direct vous pouvez

play04:16

poser vos questions et dans le fil de

play04:18

discussion et nous essayons avec nos

play04:20

invités d'y répondre à la fin de cette

play04:23

émission alors Vincent

play04:28

à toi de très bien on va commencer par

play04:31

la science des données la data science

play04:32

qui consiste en fait à extraire de la

play04:35

connaissance à extraire du savoir à

play04:37

partir des données pour impacter

play04:39

l'environnement les entreprises ou la

play04:41

société au sens large du terme alors la

play04:43

data Sayen sont en fait depuis très

play04:45

longtemps plusieurs décennies l'exemple

play04:47

typique c'est les prévisions

play04:48

météorologiques on a un ensemble de

play04:50

Carter sur le territoire on analyse des

play04:53

images satellites il y a un gros

play04:54

algorithme qui traite tout ça et qui est

play04:57

capable de faire des prévisions dans le

play04:58

sur la durée alors j'aimerais dire que

play05:01

la data c'est un peu le pétrole du 21e

play05:03

siècle et pour illustrer ça si on

play05:06

regarde par exemple les principales

play05:07

capitalisations boursières des

play05:09

entreprises au niveau mondial en 2008 on

play05:12

avait dans le top 10 principalement des

play05:13

sociétés pétrolières ou des sociétés

play05:16

gazelles à partir de 2016 ce sont les

play05:18

gafams qui trust les premières places et

play05:21

si on regarde l'évolution entre 2016

play05:22

2021 l'ensemble de ses capitalisations

play05:25

boursières de ces acteurs

play05:27

dans le business est vraiment fondé sur

play05:29

la data était en croissance annuelle

play05:32

moyenne de 33%. donc on a des grosses

play05:35

entreprises qui génèrent énormément de

play05:37

chiffre d'affaires qui sont extrêmement

play05:39

fortement valorisées qui du coup ont un

play05:42

impact sur le monde sur le monde

play05:43

aujourd'hui alors la data cylindre c'est

play05:46

compliqué c'est complexe parce que c'est

play05:48

la tirer à la croisée de trois domaines

play05:51

qui sont eux aussi complexes que sont

play05:53

les mathématiques déjà statistiques

play05:55

probabilité algérinaire les

play05:57

l'informatique l'informatique en soi

play05:59

c'est un c'est quelque chose de très

play06:01

complexe et l'expertise métier de chaque

play06:04

domaine et donc la data science est au

play06:06

carrefour de ces trois domaines

play06:07

complexes donc la data science est

play06:09

elle-même aussi compliqué alors

play06:13

clarifier les principaux termes quand on

play06:16

parle d'intelligence artificielle de

play06:17

machine learning et de Deep learning

play06:19

pour essayer de clarifier les choses

play06:21

l'intelligence artificielle c'est

play06:23

consiste à en fait à créer des systèmes

play06:25

qui vont reproduire les capacités

play06:28

cognitives de l'être humain et on a des

play06:31

systèmes qui ont commencé des systèmes

play06:32

qu'on appelait système expert donc

play06:34

commencé dans les années 60-70 qui

play06:37

consistait pour les construire à

play06:39

interroger des experts extraire leur

play06:42

expertise comme par exemple des médecins

play06:43

sur

play06:45

la façon dont il

play06:47

prédisait des maladies sur des analyses

play06:51

sanguines par exemple

play06:52

et bien on connaît ses règles qui

play06:56

étaient données par les experts

play06:57

directement dans des programmes on

play06:58

faisait des systèmes experts et puis

play07:00

arriver plus tard donc après les années

play07:03

2000 on a la data science qui est

play07:05

arrivée et là on a donc un sous-ensemble

play07:07

de l'intelligence artificielle qui

play07:09

s'appelle le machine learning qui lui en

play07:12

fait est basé non pas sur les règles des

play07:13

experts mais sur la donnée et en machine

play07:15

learning c'est un algorithme qui va

play07:17

utiliser du riz statistique et qui va

play07:20

extraire des informations intéressantes

play07:21

dans les données par exemple le calcul

play07:23

du moyenne et une information extrait

play07:26

des données l'exemple typique c'est

play07:28

l'algorithme de régression linéaire vous

play07:30

savez il y a un nuage de points et on

play07:31

essaie de trouver la droite qui

play07:32

approxime le mieux c'est c'est quoi et

play07:35

au sein de ces algorithmes de machine

play07:37

learning il y a une sous-catégorie qui

play07:39

s'appelle le deploring donc on a Ia

play07:41

machine learning deep learning et le

play07:43

Deep learning fonctionne un petit peu

play07:44

différemment parce que ce ne sont pas

play07:46

des algorithmes statistiques ce sont des

play07:48

réseaux neurones artificiels donc on

play07:50

essaie vraiment de reproduire le

play07:52

fonctionnement du cerveau humain pour

play07:54

pouvoir extraire les informations

play07:56

directement dans les alors pourquoi on

play07:59

utilise le Deep learning avec ces

play08:01

réseaux neurones parce que quand les

play08:04

données sont soit très complexes des

play08:07

images très très évolution par exemple

play08:08

des vidéos avec des flux très importants

play08:11

soit très volumique c'est-à-dire on a

play08:13

des millions et des millions de photos

play08:14

et bien les algorithmes classiques

play08:17

statistiques de machines learning vont

play08:19

saturer ils vont plus être performant

play08:20

ils vont pas y arriver et donc le Deep

play08:22

learning prend un peu le relais à partir

play08:23

du moment où soit la complexité soit le

play08:26

volume soit les deux dans les données

play08:28

nécessite une autre technologie et juste

play08:32

pour conclure sur ce deep learning on

play08:36

par exemple dans les voitures autonomes

play08:37

on utilise initialement du machine

play08:39

learning donc des algorithmes

play08:41

statistiques et puis avec l'apparition

play08:42

de nouveaux capteurs avec des capteurs

play08:45

plus puissants qui envoient beaucoup

play08:46

plus d'informations on a été obligé de

play08:48

passer au deepler aujourd'hui dans les

play08:49

voitures autonomes il y a quasiment plus

play08:51

de machines learning mais quasiment que

play08:53

des diplines voilà donc intelligence

play08:54

artificielle et au sein de

play08:57

l'intelligence artificielle un sous

play08:59

domaine qui utilise la donnée avec le

play09:01

machine learning et un sous-dohème du

play09:03

machine learning qui a le diplôme

play09:05

merci Vincent alors je me retourne vers

play09:08

vers toi Jérôme l'assurance

play09:12

consomme de la data depuis des dizaines

play09:14

d'années je crois que le groupe Drew en

play09:16

France a installé ses premiers

play09:17

ordinateurs dans les en 1956 donc ça

play09:21

remonte des dizaines d'années les

play09:22

acteurs sont

play09:24

les personnes en charge de traiter la

play09:28

data pour effectivement

play09:30

comme tu disais faire les prix où on est

play09:33

aujourd'hui Direct Assurance où se

play09:37

situez-vous Direct Assurance d'ailleurs

play09:39

d'autres compagnies d'assurance mais où

play09:40

se situe aujourd'hui le secteur pourquoi

play09:42

pas par rapport aux trois dimensions

play09:43

qu'on vient de voir tout à fait raison

play09:46

la donnée l'exploitation de la donnée

play09:49

c'est le corps business et le c'est au

play09:51

cœur de l'assurance depuis toujours et

play09:52

du coup les techniques qui ont été

play09:54

employées ont évolué à travers le temps

play09:57

alors moi je travaille dans l'assurance

play09:58

depuis assez peu de temps donc je

play09:59

saurais pas dire dans les années 50-60

play10:01

qu'est-ce qu'ils utilisaient j'imagine

play10:03

qu'ils avaient des sortes de table pour

play10:06

pour trouver des corrélations etc dans

play10:09

les données maintenant aujourd'hui

play10:12

les les données utilisées enfin les

play10:15

actuaires et datations autistes

play10:16

utilisent traditionnellement des modèles

play10:18

linéaires c'est ce que tu mentionné au

play10:20

début et sont en train de passer leur

play10:24

modélisation plutôt sur du machine

play10:26

learning

play10:27

pour bénéficier de plus de variables des

play10:31

effets justement non linéaires dans les

play10:34

interactions entre les variables et

play10:35

aller être beaucoup plus précis dans

play10:37

dans la prédiction de la sinistralité et

play10:41

j'ai bien aimé le plan de ta mentionné

play10:43

sur à la fois la partie mathématique

play10:45

mais aussi la partie informatique et

play10:47

c'est là-dessus je pense par rapport à

play10:49

des grands acteurs gafam je pense que le

play10:52

secteur de l'assurance de ce que j'en

play10:54

vois et finalement très mature sur la

play10:56

modélisation mathématique

play10:58

parce que il y a toute cette tradition

play11:00

cette cette histoire et cette expertise

play11:03

en revanche sur la partie technologique

play11:05

qui va être autour de

play11:07

l'industrialisation l'automatisation des

play11:10

tâches et des processus là je pense que

play11:12

notre industrie a encore à progressé

play11:14

pour aller au niveau de

play11:17

dégâts femme notamment et je donne juste

play11:20

un exemple mais si il faut

play11:24

dis-moi ou un an à une équipe de 10

play11:27

personnes pour mettre à jour un modèle

play11:28

juste parce que les données ont changé

play11:30

parce qu'on n'a pas toute la tuyauterie

play11:32

qui va bien pour que ce soit automatisé

play11:36

et que ça demande des tâches des

play11:37

traitements humains fait par des non

play11:39

paradis data scientistes ça c'est un

play11:40

problème c'est un frein pour le

play11:42

développement de de l'entreprise et donc

play11:45

c'est là où nous en tout cas on

play11:46

travaille et je pense que tous les

play11:48

assureurs investissent beaucoup

play11:49

là-dedans aussi

play11:51

c'est bien et alors c'est peut-être

play11:53

anecdotique en même temps symbolique

play11:55

mais finalement une dizaine d'années en

play11:56

France on disait donner moi je suis

play11:59

merisier le modèle conceptuel de données

play12:01

et puis je sais pas con c'est mis à dire

play12:04

data alors je voyais est-ce que ça cause

play12:06

du Big Data je voyais que première fois

play12:08

c'était 1997 et peut-être aussi le Cloud

play12:12

qui finalement a donné une capacité

play12:14

incroyable de de pour

play12:18

qui a booster finalement la capacité des

play12:21

des métiers à exploiter la data

play12:23

situerait à peu près effectivement on a

play12:26

parlé de Big Data enfin des années 90

play12:28

c'est un peu démocratisé début des

play12:30

années 2000 pour que le terme data tout

play12:34

seul ou data science sera utilisé il

play12:35

faut plutôt attendre les années 2010

play12:36

avec une démocratisation alors on fait

play12:40

on fait de la data science et avec les

play12:43

statistiques depuis des décennies des

play12:45

signes voire même des siècles simplement

play12:46

on faisait à la main donc c'était juste

play12:48

beaucoup beaucoup plus lent et puis

play12:50

après avec l'arrivée des ordinateurs ça

play12:52

a été une des principales utilisations

play12:54

en fait des ordinateurs pour pour faire

play12:56

ses calculs statistiques le tournant

play12:58

pour moi c'est produit à la fin des

play13:00

années 2000 début des années 2010

play13:02

lorsque l'on a eu l'explosion la

play13:04

production au niveau mondial des données

play13:06

avec tout les les ordinateurs les

play13:10

smartphones qui sont mis à générer

play13:11

beaucoup de données et du coup on a un

play13:13

volume de données digitalisé qui a été

play13:16

suffisamment conséquent pour permettre

play13:18

d'alimenter les algorithmes qui avant on

play13:20

avait que des données papier ou

play13:22

classiques je dirais pas du tout pas du

play13:25

tout numérisé et ça combiné avec

play13:27

l'augmentation de la puissance de calcul

play13:29

des ordinateurs on a du coup été en

play13:32

capacité de faire tourner des

play13:33

algorithmes qui avaient été défini au

play13:35

niveau théorique dans les années 60-70

play13:37

mais qui par manque de données et par

play13:40

manque de puissance de calcul ne

play13:42

tournait pas et donc à partir du moment

play13:44

on a eu ces données on a eu cette

play13:45

puissance de calcul à partir des années

play13:46

2010 là on a été en capacité de mettre

play13:49

en place des algorithmes

play13:51

complexe performant et qui nécessitait

play13:53

beaucoup beaucoup d'énergie

play13:54

et d'ailleurs Enrico Macias va bientôt

play13:57

sortir nouvelle version sa chanson le

play13:59

mendiant de l'amour data data data

play14:03

God will pellobact bref pour plus

play14:07

sérieux

play14:08

et un sujet que nous n'avons pas encore

play14:10

abordé alors c'est peut-être tarte à la

play14:12

crème il y a un très bon café sapiens

play14:14

avec Olivier Babou et Laurent Alexandre

play14:16

qui est consacrée c'est évidemment ça

play14:19

dit et je ne peux pas ne pas vous

play14:21

interroger sur le sujet donc

play14:24

premièrement Vincent tchatvity par

play14:27

rapport à cette catégorisation

play14:29

exactement et bien disait le

play14:32

l'intelligence artificielle a pour but

play14:35

de reproduire les capacités cognitives

play14:37

de du cerveau humain on a l'intelligence

play14:40

naturelle qui est multidimensionnelle on

play14:43

parle pas d'une intelligence il y a

play14:45

plusieurs intelligents du coup

play14:46

l'intelligence artificielle est aussi

play14:48

multidimensionnelle il y a certains

play14:49

domaines sur lequel l'intelligence

play14:51

artificielle est très bonne si on prend

play14:53

le domaine de logique mathématique le

play14:55

premier ordinateur a battu le grand

play14:57

maître Kasparov en 97

play15:00

à l'époque d'ailleurs on avait dit bon

play15:02

ok pour les échecs mais s'il y a bien un

play15:05

jeu sur lequel l'ordinateur ne battra

play15:06

jamais un être humain c'est le GO et

play15:08

exactement moins de 20 ans plus tard en

play15:10

2016 l'Isle s'est fait battre par Google

play15:13

dickmind surtout ce qui est créativité

play15:16

c'est un peu plus compliqué mais c'est

play15:18

en train de monter en puissance vous

play15:19

avez classique mid journée qui permet de

play15:21

créer des images aujourd'hui de très

play15:23

bonnes très bonne qualité en robotique

play15:25

aussi on a l'intelligence artificielle

play15:27

arrive bien à reproduire aller voir les

play15:29

vidéos très amusantes de

play15:31

Boston Robotics qui sont avec des qui

play15:35

est une boîte américaine qui a été

play15:36

rachetée par des suites coréens avec des

play15:39

choses très très intéressantes et puis

play15:42

voilà donc différents domaines chaque

play15:45

gipiti c'est quoi par rapport à ce qu'on

play15:46

a dit mais en fait c'est un super réseau

play15:49

neurones très puissant donc on est bien

play15:51

dans le Deep learning c'est la couche

play15:52

lol plus basse on parle de 175 milliards

play15:55

de paramètres vous voyez c'est assez

play15:57

conséquent pour la version

play15:58

3.5 était sortie l'année dernière on

play16:02

parle avec la version 4 de mars de 5 à

play16:04

10 fois plus d'ailleurs on connae qui

play16:06

édite pitty n'a pas communiqué sur le

play16:08

nombre de paramètres mais bon ça ça

play16:10

grossit et ce réseau neurone a été sur

play16:13

entraîné super entraîné sur un volume

play16:15

très très conséquent de données et ce

play16:18

qui est intéressant c'est que il a été

play16:20

aussi entraîné mais avec des

play16:21

interventions humaines pour le corriger

play16:23

pour l'améliorer pour faire en sorte

play16:24

qu'il soit encore plus pertinent donc on

play16:26

a un modèle qui a été je dirais

play16:30

renforcé pour pour du coup être encore

play16:34

plus encore plus pertinent alors pour

play16:35

moi je vais pas vous dire voilà

play16:38

l'utilisation tout ça tout le monde a

play16:39

testé ou peut tester c'est assez

play16:41

intéressant simplement je voudrais

play16:43

insister pourquoi pour moi c'est une

play16:44

vraie rupture trois raisons la première

play16:46

c'est que on a avec gypity une

play16:48

intelligence artificielle et c'est la

play16:50

première qui est acc à tout le monde

play16:51

c'est l'application qui a été le plus

play16:53

utilisé le plus rapidement dans le monde

play16:55

de toutes les applications de depuis la

play16:58

nuit des temps et aujourd'hui vous avez

play17:01

des jeunes voilà 7-8 ans qui peuvent

play17:03

l'utiliser comme des professionnels donc

play17:05

première chose l'accessibilité le

play17:07

deuxième point qui est important c'est

play17:09

qu'on a une IA qui est bonne sur ce

play17:11

qu'on appelle les données non

play17:12

structurées c'est-à-dire le texte et

play17:14

puis maintenant avec la version 4 avec

play17:15

les images ça c'est vraiment la deuxième

play17:18

grosse rupture et enfin le fait qu'on a

play17:20

une IA qui fait plus qui sait faire

play17:22

plusieurs choses c'est généré du contenu

play17:24

elle s'est traduire très bien d'ailleurs

play17:26

elle s'est gênée du code informatique et

play17:29

donc du coup on s'approche vers ce qu'on

play17:31

appelle l'intelligence générale c'est à

play17:34

dire non pas une intelligence

play17:35

aujourd'hui on a plutôt des

play17:36

intelligences spécifiques une

play17:38

intelligence un programme très bon en

play17:39

gros ne serait pas bon ou je l'échecs et

play17:41

nous serons incapable de conduire une

play17:43

voiture autonome et donc avec chaque

play17:46

djibiti on s'approche de cette

play17:47

intelligence générale

play17:49

au sens

play17:51

général dans le sens de ce que sait

play17:53

faire l'intelligence humaine on s'en

play17:55

approche un peu et c'est d'ailleurs pour

play17:56

ça que ça fait peur et que d'ailleurs

play17:58

les créateurs de ces systèmes

play18:02

aujourd'hui demande éventuellement enfin

play18:04

on freine un peu les choses qu'on

play18:06

réfléchisse plus et autre alors les

play18:08

usages explosent dans la vie courante

play18:11

dans la vie courante dans la vie de

play18:12

l'entreprise et pour moi ce n'est qu'un

play18:14

début il va y avoir des impacts

play18:15

organisationnels importants un peu comme

play18:18

quand les robots sont entrés dans les

play18:20

usines ça peut bouleversé les choses ça

play18:24

va remettre en cause le savoir la

play18:25

production de contenu et accessoirement

play18:27

la manière d'enseigner les choses alors

play18:29

techniquement question subsidiaire pour

play18:32

toi les étudiants je pense qu'ils sont

play18:34

déjà dessus et ça les premiers voilà

play18:37

donc c'est des étudiants augmentés et ça

play18:40

leur fait finalement des des assistants

play18:42

d'agilité devient un peu un assistant

play18:44

pour eux pour les aider à faire des

play18:45

synthèses etc quelle est la position de

play18:47

l'Institut la Constitution HTC par

play18:50

rapport à ça c'est bien interdit on va

play18:51

on va chasser l'utilisation de sa

play18:53

dupliquer ou c'est allez-y on est vous

play18:56

êtes vous êtes inscrit à un Master of

play18:58

Science utilisez-le alors en fait je

play19:02

vais parler un peu des écoles et non pas

play19:03

uniquement de HEC et il y a différentes

play19:06

stratégies dans ces différentes écoles

play19:08

université et qui vont du bannissement

play19:10

jusqu'à la recommandation à

play19:13

l'utilisation alors moi type personnel

play19:14

genre encourage bien sûr d'abord parce

play19:16

que je pense que c'est impossible de

play19:18

l'interdire très clairement et du coup

play19:21

un peu c'est pour moi c'est un peu comme

play19:23

si on a plusieurs disait l'usage de la

play19:25

calculatrice d'Excel ou de Google c'est

play19:28

c'est 20 d'essayer de le faire et donc

play19:31

il faut s'adapter et du coup moi je

play19:34

l'encourage parce que je pense que les

play19:35

étudiants vont pouvoir aller plus loin

play19:37

plus vite être plus impactant

play19:40

dans le

play19:42

dans tout ce qu'ils vont tout ce qu'ils

play19:45

vont faire notamment dans l'acquisition

play19:46

de compétences et également je pense que

play19:49

ça va relever le niveau de qualité de

play19:51

leur réflexion ok alors Jérôme est-ce

play19:54

que tu es toi-même utilisateur dit

play19:57

professionnel est-ce que tes

play19:59

collaborateurs

play20:00

l'utilisent est-ce qu'au sein de ton

play20:03

entreprise il y a déjà des usages est-ce

play20:06

que tu peux en parler de manière non

play20:08

déjà je pense que il y a pas eu enfin il

play20:11

y a peu d'entreprises qui se posent pas

play20:12

la question aujourd'hui de qu'est-ce que

play20:13

ça va changer pour eux et comment il

play20:16

pourrait tirer parti de d'outils comme

play20:18

chat GBT donc nous on se la pose

play20:21

également on voit deux

play20:24

de domaines ou en tout cas deux types de

play20:27

de d'applications ou ça pourrait nous

play20:30

être utile en interne pour me

play20:32

collaborateurs tu l'as mentionné

play20:34

notamment la production de code mais on

play20:37

peut aujourd'hui dire achat GPT code moi

play20:40

qui t'ont

play20:43

je sais pas moi quelque chose qui va me

play20:45

permettre de gagner de la donner de

play20:47

telle manière qui va me permettre

play20:48

d'aller récupérer telle donnée sur un

play20:51

site Internet automatiquement et donc ça

play20:53

j'ai débuté le fait alors le code et pas

play20:56

forcément

play20:57

sera pas le même que on va dire un

play21:00

développeur qui a beaucoup beaucoup

play21:01

d'expérience qui codera je pense un peu

play21:03

mieux et qui est l'adaptera son code son

play21:05

entreprise mais pour quelqu'un qui

play21:06

vraiment démarre soit des étudiants soit

play21:08

des gens assez juniors sur un langage ça

play21:10

c'est très bien pour pour les aider ça

play21:12

remplace ça peut aider à remplacer des

play21:15

sites comme Stack Overflow on va aller

play21:17

chercher des informations il va falloir

play21:19

faire des copier coller dans tous les

play21:20

sens donc ça nous dans

play21:24

le milieu il y a un outil qui s'appelle

play21:27

GitHub qui permet de centraliser du code

play21:29

pour une équipe et donc GitHub a un ADN

play21:33

qui s'appelle copilote qui embarque chez

play21:34

LGBT et ça nous on aimerait bien le

play21:36

tester pour voir si ça pourrait pour

play21:37

nous aider après l'autre type

play21:39

d'application

play21:40

on voit c'est pour nos clients les

play21:43

contrats d'assurance notamment c'est

play21:44

assez compliqué les gens se posent des

play21:46

questions la souscription au sinistre et

play21:48

il nous appelle on a des très gros

play21:50

plateau téléphoniques dont une bonne

play21:52

partie du travail et de faire de la

play21:53

pédagogie d'expliquer aux clients

play21:55

différents cas de faire de la

play21:57

recommandation en fonction de leurs

play21:58

besoins et là on se dit il y a peut-être

play22:00

quelque chose à faire avec des outils

play22:01

comme ça d'avoir un chat GPT entraîné

play22:04

sur nos contrats par exemple pour

play22:07

pouvoir fournir à nos clients plus

play22:09

facilement des réponses aux questions

play22:10

qui se posent

play22:12

et bien je vous propose maintenant qu'on

play22:14

aille sur un axe plus organisationnel

play22:17

finalement les entreprises ce sont les

play22:20

femmes et des hommes et on est toujours

play22:22

à la recherche de l'organisation

play22:24

optimale est-ce que tu as observé

play22:31

dans les différentes organisations avec

play22:32

lesquelles tu travailles comme

play22:34

consultant via tes étudiants est-ce que

play22:36

tu as une idée tu peux partager avec

play22:39

nous la vision d'organisation idéale ou

play22:41

en tout cas des organisations qui

play22:42

fonctionnent pour transformer ces boîtes

play22:45

grâce à l'intelligence artificielle et

play22:47

data alors en gros il y a deux écoles

play22:49

deux écoles avec la première la

play22:52

centralisation on va faire une équipe

play22:55

centrale avec une informatique centrale

play22:57

pourquoi parce que ce sont des

play22:58

ressources à la fois humaine et

play22:59

matériels qui coûtent cher et donc on va

play23:01

essayer de mutualiser au maximum dans

play23:03

une approche très centralisée et puis en

play23:05

même temps il y a une autre école qui

play23:06

consiste à au contraire décentraliser

play23:08

c'est-à-dire mettre les Data scientist

play23:10

ou les Data analystes au plus proche du

play23:12

business dans les Business Unit dans les

play23:15

différents entreprises dans les

play23:16

différents départements et en fait pour

play23:19

moi c'est pas vraiment deux écoles c'est

play23:20

plutôt deux séquences de la montée en

play23:24

puissance de la data dans les

play23:25

entreprises c'est-à-dire que pour

play23:26

commencer effectivement comme les

play23:28

ressources sont enrichir on va les

play23:29

mutualiser et puis à un moment donné

play23:31

quand elles vont être suffisamment

play23:32

opérationnelles on va essayer d'être

play23:34

rapprocher du business et de les

play23:36

déployer pour avoir des personnes des

play23:39

ressources informatiques qui soient au

play23:41

plus près des métiers parce que c'est

play23:42

dans les métiers que les projets data

play23:44

vont naître que les idées d'utilisation

play23:47

de la data vont prendre leur source et

play23:51

que du coup c'est au niveau du business

play23:53

qui va falloir avoir et les hommes et le

play23:56

matériel et la technologie pour utiliser

play23:58

au mieux la data dans le business

play24:00

Jérôme qu'est-ce que cela t'inspire oui

play24:03

mais je te rejoins et ce mode

play24:05

décentralisé où on a les datacentis qui

play24:09

sont enfin côte à côte avec les équipes

play24:11

métiers de ce que j'ai vu c'est les

play24:13

modèles qui marchent bien parce que

play24:14

c'est là où on se parle le mieux et donc

play24:18

tout ça je te rejoins là dessus et

play24:20

j'avais pas vu ça comme une maturité

play24:22

plus avancée mais ça peut ça peut

play24:24

s'entendre après je pense pas qu'il y a

play24:27

un mode d'organisation qui ne marche qui

play24:30

marche toujours ou un mode qui jamais je

play24:31

pense aussi qu'il y a des principes clés

play24:33

ou en tout cas il y a des grands

play24:34

principes qui font que ça fonctionne et

play24:36

dans ce que j'ai vu en tout cas dans mon

play24:39

expérience à avoir de l'autonomie de la

play24:42

responsabilité pour les équipes et de la

play24:44

valorisation de l'expertise technique

play24:46

c'est des choses qui sont pas forcément

play24:48

innées au sein d'une entreprise qui a

play24:50

pas une culture d'ingénierie ou de Data

play24:52

et pourtant c'est des facteurs clés pour

play24:54

réussir et je vous donne un exemple dans

play24:56

enfin chez Crito par exemple l'équipe

play24:58

qui faisait les systèmes d'information

play25:00

d'analyse de données les bases de

play25:02

données qui faisaient les

play25:05

métriques pour les clients tout ça

play25:07

c'était une seule équipe de cinq

play25:09

ingénieurs à 6 côte à côte et qu'il

play25:10

faisait tout de A à Z et ça marchait pas

play25:13

très bien mais c'était aussi des gens

play25:15

très seigneurs qui étaient valorisés qui

play25:16

avaient des bonnes conditions de travail

play25:18

qui était mis aussi en valeur dans

play25:19

l'entreprise et

play25:21

j'ai aussi vu de d'autres entreprises ou

play25:25

pour faire la même chose c'était

play25:26

cloisonné et réparti sur différents

play25:29

départements des fois dans

play25:31

différents pays et ça c'est beaucoup

play25:32

plus dur en fait de faire fonctionner

play25:33

des projets de faire avancer des projets

play25:35

dans

play25:36

pénalise avec ces mots-là la réussite du

play25:40

projet

play25:41

et au sein de ton entreprise actuelle tu

play25:44

es actuellement côté métier mais il y a

play25:46

aussi un chiffre d'affaires il me disait

play25:47

le qui est à l'informatique et en

play25:49

quelque sorte qui produit tout

play25:50

l'environnement

play25:51

structure les données etc tu peux

play25:53

exactement

play25:55

vous bossez ensemble exactement donc

play25:57

j'ai Direct Assurance la DSI qui va

play26:00

maintenir tous les systèmes

play26:01

informatiques le site internet les bases

play26:03

de données derrière pour la ce qu'on

play26:05

appelle la production c'est à dire quand

play26:07

vous allez demander un devis appeler un

play26:10

conseiller au téléphone etc dans tous

play26:11

les systèmes informatiques derrière

play26:12

c'est ma Dsi cette DSI est produit des

play26:15

données dans les systèmes et cette

play26:17

donnée pour qu'elle soit exploitée il

play26:19

faut la transférer ailleurs et ça c'est

play26:21

justement l'équipe dont tu parles de

play26:24

notre chiffre data officer qui va

play26:27

s'occuper de transférer cette donnée

play26:29

dans un endroit contre nous on appelle

play26:30

un Data le ke donc c'est de la donnée

play26:33

qui vit dans à l'intérieur des systèmes

play26:34

de production qu'on sort on dépose et

play26:38

qu'on structure dans des endroits qui

play26:40

est uniquement dédié à l'analyse de la

play26:42

donnée et nous en tant que en tant que

play26:44

équipe tarification on va être

play26:46

utilisateur de cette donnée donc on va

play26:47

être un peu client de cette direction

play26:52

alors j'avais envie aussi de vous

play26:55

interroger sur finalement la maturité

play26:57

des boîtes en termes d'utilisation des

play26:59

modèles ça veut dire on parle rien etc

play27:01

mais aujourd'hui quand tu interroges les

play27:04

boîtes que tu rencontres des experts etc

play27:08

où en sont les boîtes finalement

play27:10

en termes de maturité alors

play27:13

effectivement j'étais je trouve pas très

play27:16

loin justement et tu évoqué tout à

play27:18

l'heure les modèles linéaires et c'est

play27:19

vrai que par exemple là j'étais en début

play27:22

avril en learning special donc on se

play27:25

promène avec les étudiants on était à

play27:26

Londres pour dans différentes

play27:27

entreprises et nous étions dans un fond

play27:31

d'investissement très célèbre et

play27:33

lorsqu'on leur a demandé enfin les

play27:34

étudiants leur ont demandé finalement

play27:35

qu'elle justement quelle technologie

play27:37

est-ce que c'est une machine learning

play27:38

deep learning on a été très surpris

play27:40

d'entendre que en fait ils font

play27:42

quasiment que du modèle linéaire et il

play27:44

s'interdisent de faire de du Deep

play27:45

learning ils n'en font pas du tout donc

play27:47

en fait ils font de la data science mais

play27:50

je dirais un peu un peu les basiques

play27:52

mais entre autres parce que ça répond à

play27:54

leurs besoins tout simplement donc ça

play27:55

sert à rien d'aller en lancer des des

play27:58

gros algorithmes des gros calculs sur

play28:00

des grosses machines si les choses

play28:02

simples fonctionnent et en fait pour moi

play28:04

ça dépend en fait dans les dans les

play28:06

entreprises de du niveau de compétence

play28:08

des datacées c'est-à-dire que là il

play28:11

semblerait dans ce fond en fait les Data

play28:13

scientistes soient des anciens

play28:14

financiers qui se sont mis à la data

play28:15

science alors que si vous créez des

play28:17

structures des organisations data

play28:20

science avec des datations discours je

play28:22

dirais là ils vont avoir tendance à

play28:23

vouloir pousser l'utilisation de modèles

play28:25

un peu performant un peu innovant donc

play28:28

en fait pour moi les le niveau

play28:30

d'algorithme utilisé et fonction de des

play28:34

compétences des Data scientistes qui

play28:35

sont présents dans dans l'entreprise

play28:40

ce que tu dis je te rejoins je pense que

play28:43

si il y a

play28:44

une culture et une stratégie

play28:47

d'entreprise qui a en fait un fort

play28:48

impact sur la réussite de ce genre de

play28:50

projet au-delà de d'avoir bien sûr c'est

play28:53

important d'avoir des datations autistes

play28:54

expérimentées qui sont capables de de

play28:57

d'avoir différentes options à proposer

play28:59

mais je pense aussi très important

play29:01

d'avoir vraiment derrière une direction

play29:03

qui investit qui a une véritable

play29:06

stratégie business qui a déjà en tête ce

play29:09

qu'elle veut faire avec tel ou tel

play29:12

service numérique et c'est ça qui permet

play29:14

je trouve vraiment d'aller au bout

play29:17

plutôt que de vraiment s'appuyer

play29:20

uniquement sur une petite équipe de

play29:22

datantisme mais sans vraiment lui

play29:23

apporter les moyens et de faire un peu

play29:25

des fois du saupoudrage de projets mais

play29:27

sur une entreprise non transformée et

play29:30

moi il y a un exemple qui m'avait

play29:31

particulièrement marqué c'est quand

play29:33

j'étais encore étudiant j'étais aux

play29:35

Etats-Unis j'avais fait une partie de

play29:36

mon cursus aux États-Unis attent et à

play29:39

l'époque avec mon colocataire on était

play29:41

abonné à Netflix à l'époque c'était dans

play29:43

les années

play29:44

2000 en 2006 Netflix ils envoyaient des

play29:47

DVD on regardait ensuite on mettait dans

play29:50

notre boîte à lettres et le facteur

play29:51

venait le chercher et le reprenait et

play29:52

ben le avec les sorts de l'Internet à

play29:56

grande vitesse des du streaming vidéo

play29:58

Netflix c'est lancé dans un nouveau

play30:00

business ils ont transformé enfin

play30:02

pouvoir des plus grosses exemples de

play30:04

transformation industrielle d'une

play30:06

entreprise ils ont pivoter complètement

play30:07

leur modèle alors que c'était une

play30:09

entreprise établie c'était le Vidéo

play30:11

Futur en ligne américain qui marche bien

play30:13

et aujourd'hui c'est un des leaders de

play30:15

la vie du streaming en ligne et c'est

play30:18

aussi parce que les fondateurs et les

play30:19

toute la direction étaient avait un seul

play30:22

objectif c'était de faire ça en fait

play30:25

d'assurance est capable de rembourser de

play30:28

manière quasiment instantanée à sinistre

play30:29

en analysant des des images des rayures

play30:32

etc on est quand même déjà au-delà la

play30:35

réalisation linéaire et en fait j'en ai

play30:37

pas parlé mais enfin j'ai parlé un petit

play30:38

peu au début de la tarification parce

play30:40

que c'est ce qu'on fait dans mon équipe

play30:41

mais l'assurance c'est c'est pas

play30:44

seulement évalué les risques c'est aussi

play30:46

un processus français aussi des parcours

play30:49

clients et des process qui vont avec et

play30:51

là-dessus nous aussi on a tout un tas

play30:52

d'enjeux qui sont

play30:55

à la fin presque plus complexes de à la

play30:58

fois simplifier nos parcours pour nos

play31:00

clients c'est à dire leur demander leur

play31:02

poser moins de questions

play31:03

aller plus vite etc et en même temps

play31:05

fiabiliser les données qu'on récupère et

play31:08

donc pour ça

play31:09

on a tout un tas de choses soit qu'on a

play31:12

déjà en place soit sur lesquels on

play31:13

travaille que ce soit de demander aux

play31:16

clients des photos des photos à la

play31:18

souscription pour avoir l'état initial

play31:20

du véhicule avec des algorithmes alors

play31:22

du coup pas des régressions linéaires

play31:23

parce que ça va pas marcher sur des

play31:24

images mais des algorithmes que tu as

play31:26

mentionnés qui vont aller essayer de

play31:28

mesurer les dommages initiaux sur la

play31:31

voiture les chiffres etc on a aussi des

play31:33

briques qui font la même chose au moment

play31:35

du sinistre pour automatiquement

play31:36

calculer le prix des sinistres et

play31:39

potentiellement indemnisés

play31:40

automatiquement notre client et ça en

play31:42

fait on le fait vraiment si vous êtes

play31:43

client Direct Assurance que vous avez un

play31:45

accident vous pourrez prendre des photos

play31:47

on a un système qui s'appelle il déclare

play31:49

et vous pourrez avoir ce qu'on appelle

play31:51

un greag donc c'est un paiement

play31:52

automatique si vous voulez pas aller

play31:53

faire des réparations ça c'est

play31:54

entièrement automatiser déjà et on a un

play31:57

autre système qu'on est en train

play31:59

d'implémenter à la souscription c'est

play32:01

quand vous envoyez vos pièces

play32:02

carte d'identité permis de conduire

play32:05

relever d'information ou d'aller les

play32:08

parcourir automatiquement avec un

play32:09

algorithme qui va en extraire des

play32:11

informations pour vérifier que les deux

play32:14

qu'on peut les donner sont cohérentes et

play32:15

accélérer votre votre souscription alors

play32:18

pour ces parties là

play32:20

chez nous et même les assurances en

play32:22

général on va plus s'appuyer sur des

play32:24

acteurs du marché parce que c'est très

play32:26

très compliqué et on n'a pas mis la

play32:28

taille ni les moyens pour maîtriser le

play32:30

bout en bout toutes ces techno qui sont

play32:32

finalement un peu éloignés de ce qu'on

play32:34

sait faire traditionnellement donc on va

play32:36

plutôt travailler des partenaires qu'on

play32:37

va intégrer dont on va intégrer les

play32:39

briques technologiques

play32:42

ok merci Jérôme alors je voulais

play32:45

profiter de ta présence parmi nous pour

play32:48

finalement avoir

play32:51

ta vision du presque envie de dire du

play32:54

marché français de de l'enseignement de

play32:57

la data en France on se plaint souvent

play33:00

on n'est pas toujours très bon avec

play33:01

classement dans le classement Shanghai

play33:04

mais en même temps en maths on reste

play33:06

très fort il y a beaucoup de maths

play33:08

évidemment à data donc voilà quel est

play33:11

aujourd'hui la santé de l'enseignement

play33:14

de la data en France

play33:17

et genre une question subsidiaire parce

play33:19

que je trouve que c'est très très

play33:20

intéressant puisque tu t'occupes de ce

play33:23

pasteur de science et qui est commun à

play33:27

HEC et peut être technique alors

play33:28

longtemps on avait l'image en France les

play33:31

îles d'un côté les HEC de l'autre mais

play33:33

là on est sorti du silo et qu'est-ce que

play33:35

ça donne comment ça se passe alors

play33:36

effectivement sur la data il y a en

play33:39

France on est on est plutôt bon on est

play33:41

plutôt bon

play33:42

parce que on a des bons développeurs

play33:44

donc on informatique on est plutôt bon

play33:46

il y a un bon niveau au match

play33:48

effectivement et je me souviens toujours

play33:49

quand j'ai visité jepim Morgan la banque

play33:53

à New York en 2019 ils nous ont présenté

play33:56

le département data sylvens et les deux

play33:58

patrons de département étaient français

play33:59

c'était de normaniens donc il construit

play34:02

l'équipe data science de JP Morgan donc

play34:05

il y a un je dirais un historique et une

play34:07

très bonne renommée de l'école française

play34:09

je veux dire alors effectivement avec ce

play34:11

programme data science for business

play34:13

commun le col politique est HEC l'idéal

play34:16

c'est pas moi qui l'ai créé je l'ai

play34:18

repris la direction un peu plus tard

play34:18

mais c'était justement de mettre de

play34:21

mettre le meilleur des deux mondes avec

play34:23

une

play34:24

un domaine qui est à la croisée de

play34:27

l'ingénieur et du manager ce programme

play34:30

et après six ans numéro 1 en Europe il

play34:34

est numéro 3 niveau mondial derrière de

play34:37

formation de formation américaine

play34:39

donc on est très bon mais le problème

play34:41

c'est la force de frappe c'est à dire

play34:42

que moi je j'ai 70 75 étudiants par an

play34:47

et on forme trop peu de personnes au

play34:50

global elles sont très compétentes du

play34:53

coup elles sont râpées par toutes les

play34:55

grandes entreprises au niveau mondial et

play34:57

ne reste pas forcément pas forcément en

play35:00

France alors peut-être un domaine

play35:01

intéressant c'est la recherche dire deux

play35:03

mots sur la recherche puisque ça bouge

play35:04

beaucoup notamment avec la création de

play35:06

de différents instituts en France dont

play35:09

le central Paris c'est Achille

play35:12

qui a été justement par l'Institut

play35:14

polytechnique avec l'École polytechnique

play35:17

derrière et HEC soutenu par 7 donateurs

play35:20

au niveau de renommée mondiale et mais

play35:22

maintenant si on se compare aux US ou à

play35:24

la Chine le niveau d'investissement les

play35:27

fonctions de la puissance économique de

play35:28

des pays et du coup on a beau faire de

play35:32

gros investissements relativement à ceux

play35:34

des USC de la Chine c'est c'est

play35:36

nettement nettement là c'est pour ça que

play35:38

moi je milite plutôt à titre personnel

play35:40

sur la mise en place d'investissement au

play35:42

niveau européen qui viendrait soutenir

play35:44

en fait des initiatives locales dans

play35:47

chacun des pays afin d'avoir pouvoir

play35:49

peser mondialement et avoir une force de

play35:51

frappe et vraiment jouer dans la cour

play35:53

des grands

play35:55

alors quand on est directeur technique

play35:57

dans une grande boîte d'assurance et

play36:00

qu'on cherche à critter des

play36:03

datasyntistes des Data analystes et bien

play36:05

est-ce que c'est facile ou est-ce que

play36:07

c'est difficile

play36:08

comment quel est votre approche déjà

play36:11

c'est des métiers très en tension en ce

play36:13

moment enfin même depuis quelques années

play36:15

que ce soit des postes des rôles de

play36:17

datacent

play36:19

développeurs actuel et par rapport à

play36:22

quand j'ai commencé à travailler il y a

play36:24

une quinzaine d'années les métiers enfin

play36:25

les c'est vraiment plus en tension

play36:27

aujourd'hui

play36:28

avec beaucoup de demandes sur le marché

play36:30

et finalement pas tant que ça plus

play36:33

étudiant et n'a probablement quand même

play36:34

un peu plus mais c'est surtout la

play36:37

demande qui a énormément augmenté à la

play36:39

fois dans les entreprises

play36:40

traditionnelles comme des assureurs par

play36:43

exemple ou des banques ou des BTP mais

play36:46

également dans des startups il y en a

play36:50

pléthore qui se sont créés récemment

play36:51

enfin souvent dans le numérique et qui

play36:55

veulent aussi attirer des talents

play36:56

n'hésite pas à mettre les moyens ils

play36:58

sont pas du tout les mêmes contraintes

play36:59

que les grandes entreprises ils ont pas

play37:01

de grilles

play37:02

voilà ils peuvent ils peuvent mettre

play37:04

beaucoup sur la table et donc nous c'est

play37:06

un enjeu

play37:07

ce que je vois c'est sur les le

play37:10

recrutement de personnes qui sortent

play37:12

d'école on a pratiquement aucun problème

play37:14

on a vraiment pas de problème dès qu'on

play37:16

passe une annonce on a des bons réseaux

play37:19

dans les écoles ça on a toujours plein

play37:21

de candidats et on recrute sans problème

play37:22

par contre il y a vraiment en effet

play37:25

qui est je le voyais déjà dans mes dans

play37:28

mes expériences précédentes au bout de

play37:30

trois quatre ans quelqu'un qui est sorti

play37:32

d'école qui a été dans une entreprise

play37:33

très formatrice où il a appris à

play37:36

travailler en équipe il a appris les

play37:39

bonnes pratiques de développement il a

play37:40

appris à faire des projets concrets sur

play37:42

le terrain en fait il a acquis une

play37:44

valeur

play37:45

assez importante et c'est assez dur

play37:48

d'être enfin de garder des gens comme ça

play37:51

parce qu'en fait sur le marché ça

play37:52

valorisation elle va prendre 40%

play37:55

on n'a pas forcément

play37:56

traditionnellement une progression à ce

play38:00

rythme là chez nous et donc tout l'enjeu

play38:01

c'est d'arriver à offrir aussi des beaux

play38:04

projets du challenge pour garder les

play38:06

gens voilà donc c'est un peu nos enjeux

play38:09

en ce moment et Vincent est-ce que tu as

play38:12

une idée là

play38:13

répartition des premiers Jobs de tes

play38:15

étudiants comme quand ils sont diplômés

play38:18

entre les grandes boîtes françaises CAC

play38:20

40 les gars pas aussi les startups et

play38:23

peut-être les départs vers l'étranger

play38:25

oui alors des statistiques à partager

play38:27

éventuellement oui alors sur l'étranger

play38:29

déjà le faites c'est que notamment par

play38:33

exemple dans la formation j'ai plus de

play38:34

d'étrangers que de français donc déjà à

play38:36

la base voilà ils ont tendance à

play38:38

repartir chez eux c'est l'étranger même

play38:40

si des fois ça reste en France bien

play38:42

évidemment quant aux Français

play38:43

effectivement ils vont un peu de par le

play38:45

monde dans alors effectivement beaucoup

play38:48

les grandes la tech qui sont très

play38:52

demandeur de de compétences

play38:54

pointu on a également les grandes

play38:57

entreprises internationales

play38:58

beaucoup dans la banque dans l'assurance

play39:00

c'est vrai c'est là où il y a des belles

play39:01

équipes internationales des beaux

play39:03

projets mais aussi chez les industriels

play39:05

avec des projets techniques hyper

play39:07

motivants hyper intéressants un autre

play39:09

gros en domaine aussi c'est le conseil

play39:11

notamment chez les grands du Conseil les

play39:13

BCG les mackenza mais aussi des

play39:15

spécialisés qui ont des branches

play39:17

spécialisés exactement mais aussi des

play39:19

cabinets de plus petite taille

play39:21

spécialisés sur tel et tel secteur par

play39:23

exemple et puis il y a également

play39:25

l'opportunité pour ces étudiants de

play39:27

créer des startups avec des idées qui

play39:31

fondant sur la data ils sont capables de

play39:33

faire des des concepts des business

play39:36

models qui soient vraiment rupture et

play39:38

donc je dirais c'est un peu à l'Arche et

play39:41

à toutes tailles de boîte tout secteurs

play39:42

et tout pays confondus c'est vraiment

play39:44

très très pour eux le problème c'est

play39:47

choisir

play39:49

merci alors l'heure et venue de prendre

play39:52

des questions du public donc je vais me

play39:56

faire le porte-parole de nos auditeurs

play40:00

première question alors on en a bon

play40:02

perspective vous pouvez me dire je passe

play40:04

ou je prends mais les perspectives sur

play40:08

l'emploi

play40:10

comme on les voyez bon c'est tout la

play40:15

peur qu'on peut avoir piti est-ce que ça

play40:17

va tuer des des emplois de colle blanche

play40:19

etc un avis sur le sur le sujet alors

play40:22

oui oui absolument ça va ça va changer

play40:24

les choses on a dit tout à l'heure ça va

play40:25

impacter des réorganisations ça va

play40:28

impacter des la fonction par exemple

play40:30

fonction juridique on se disait bon

play40:32

juristes voilà ils ont toujours du

play40:34

travail en fait c'est malheureusement

play40:37

ceux qui ont le plus de soucis à se

play40:38

faire aujourd'hui assez paradoxalement

play40:40

puisque ces Ia sont capables de générer

play40:42

des contrats ou des précarats de façon

play40:45

très rapide et surtout très efficace

play40:47

alors toujours besoin de juriste bien

play40:49

évidemment pour relire finaliser mais

play40:52

certaines catégories de justice ne vont

play40:56

plus avoir de jobs après effectivement

play40:59

d'autres secteurs vont être impactés

play41:01

alors moi je pense que dans un premier

play41:03

temps va pas y avoir de gros impacts

play41:06

négatifs sur l'emploi mais on va avoir

play41:09

une montée en puissance un serveuse que

play41:11

tu disais c'est on va voir des managers

play41:13

augmentés ils vont pouvoir les plus

play41:15

forts plus vite

play41:16

va être bientôt intégré à la suite

play41:18

Office si c'est pas déjà fait d'ailleurs

play41:20

et on va pouvoir directement dans

play41:22

l'afficher Excel demander de créer une

play41:24

formule qui fasse ici ça donc permet

play41:26

d'aller beaucoup plus vite beaucoup plus

play41:27

loin encore une fois donc je pense qu'à

play41:30

terme il va pas y avoir d'impact

play41:32

si négatif ça par contre quelle va être

play41:35

la paille de chat GPT 5 6 et puis des

play41:37

nouveaux systèmes qui sont en gestation

play41:39

dans les grands de la tech ça

play41:41

malheureusement je ne peux pas le dire

play41:44

mais il va y avoir des impacts c'est

play41:45

obligatoire effectivement on a parlé on

play41:47

va parler d'assurance de banque parler

play41:49

aussi de boire d'investissement d'après

play41:52

vous les secteurs économiques qui sont

play41:55

aujourd'hui les plus avancés en matière

play41:57

de Deep learning etc ce que je reviens

play41:59

c'est peut-être les tout simplement des

play42:01

grands de la tech oui

play42:04

c'est ça c'est aussi eux qui

play42:06

investissent dans dans ce secteur je

play42:08

crois que Microsoft a investi dans Open

play42:11

lance sa société concurrente voilà donc

play42:15

c'est avant tout une question de

play42:16

stratégie d'investissement de moyens et

play42:19

voilà après

play42:21

je pense que les toutes les entreprises

play42:24

vont suivre mais ouais en effet ceux qui

play42:26

sont vraiment les meneurs de cette

play42:28

révolution c'est plutôt les gars c'est

play42:30

la tech et puis c'est des grandes

play42:31

entreprises qui ont des moyens et pour

play42:33

lesquels la data vitale c'est pour ça

play42:35

que dans la banque et l'assurance comme

play42:36

le le pétrole enfin le carburant c'est

play42:40

la data on a des équipes et on a on a

play42:44

des choses à la pointe qui se font donc

play42:46

pour moi il faut avoir des moyens et

play42:48

puis il faut avoir une raison d'utiliser

play42:51

la data

play42:54

dans le domaine de l'enseignement ou de

play42:57

ton métier si on se projette sur les

play42:59

cinq premières prochaines années pardon

play43:01

en 2035 quelles évolutions vous voyez

play43:04

est-ce que d'ores et déjà par exemple il

play43:05

y a des des chercheurs ou des est-ce que

play43:08

déjà d'intégrer des nouveaux cours dans

play43:12

les deux ans qui viennent c'est un petit

play43:14

peu ça que quels sont les tendances

play43:16

qu'on voit venir

play43:19

oui les cours dans ton master dans 5 ans

play43:23

est-ce que à 80% sont toujours

play43:25

aujourd'hui alors ça sera 20% c'est sûr

play43:28

que non puisque déjà les cours que je

play43:29

fais aujourd'hui par rapport à 5 ans ça

play43:31

a quasiment rien à voir c'est à dire que

play43:33

ça change tous les jours moi je me

play43:35

nourris justement de ces expériences

play43:37

quotidiennes pour pour faire grossir le

play43:41

coup avoir différents sujets et autres

play43:43

voilà alors bon ce qui est sûr si vous

play43:47

voulez c'est que ce qu'on enseigne

play43:49

aujourd'hui ne sera pas renseigné dans 3

play43:51

ou 4 ans ça c'est certain en tous les

play43:52

cas la façon dont on va le faire va être

play43:54

différent et même les thématiques vont

play43:55

être différentes c'est pas le cas dans

play43:57

des

play43:58

matières un peu plus classiques comme la

play44:00

comptabilité la gestion ou la finance

play44:03

même s'il y a des évolutions elles n'en

play44:05

sont pas aussi majeures et aussi

play44:07

en rupture que ce qui se passe en data

play44:11

et Enia de vous à moi j'ai pas vu venir

play44:14

tchadjipiti la version de mars est sorti

play44:18

elle est plus performante que la 3.5

play44:20

était sortie quelques mots auparavant je

play44:23

ne sais pas ce qui va se passer dans les

play44:24

mois qui viennent dans les années qui

play44:25

viennent ce qui est certain c'est

play44:26

qu'effectivement les cours les

play44:28

formations vont être complètement

play44:30

différentes et doivent être vus même pas

play44:32

tous les ans en fait tous les trois ou

play44:34

quatre mois et pour ajouter là-dessus je

play44:36

pense alors je partage tout à fait ce

play44:38

que tu dis d'ailleurs quand j'étais

play44:39

étudiant les cours qu'on m'a donné en

play44:42

data science sont aujourd'hui

play44:44

complètement obsolètes de loin et

play44:46

quelque chose je pense qui est important

play44:47

c'est qu'on arrive à parler de ces

play44:50

sujets et à apprendre aux élèves ces

play44:52

sujets le plus tôt possible alors sans

play44:54

aller faire du chat dipty en maternelle

play44:57

mais d'arriver à sensibiliser les élèves

play44:58

très tôt moi à l'époque de mon lycée par

play45:02

exemple on avait des cours de

play45:03

technologie où on soudait je sais plus

play45:06

un triangle pour mettre sur le vélo

play45:07

d'intégrer la technologie moderne très

play45:10

tôt et je pense est très important aussi

play45:12

parce que un problème que je vois dans

play45:15

ces filières c'est que c'est très c'est

play45:16

des filières très masculine et je pense

play45:18

que c'est lié au fait que qui est très

play45:20

mathématisée et donc c'est vraiment le

play45:23

cursus scientifique et après on va aller

play45:26

faire une école d'ingénieur des études

play45:28

scientifiques et après ça va aller ça va

play45:30

amener vers ces métiers de la donnée et

play45:33

donc il y a déjà eu cette augmentation

play45:34

et on se retrouve avec en fait des

play45:36

filiales sont très masculines et je me

play45:37

dis si on parlait et on évangélisait un

play45:41

peu plus les élèves plutôt ça

play45:43

permettrait peut-être de développer la

play45:44

pétanque aussi des plus de femmes pour

play45:47

ces technologies et puis après aller se

play45:51

spécialiser là-dedans

play45:54

une question intéressante sur le secteur

play45:58

public c'est pas d'ailleurs si tu as des

play46:01

cours sur le sujet ou peut-être des

play46:02

étudiants qui vont faire des stages dans

play46:04

l'administration

play46:06

par rapport à tous les sujets dont on

play46:09

parle il y avait tous ces projets de

play46:11

Data open source de gouvernement etc

play46:14

est-ce que tu alors sur la data

play46:17

effectivement il y a beaucoup de choses

play46:20

qui sont mises à disposition donc là je

play46:22

dirais bon c'est en devenir c'est en

play46:24

train de progresser mais on va dans le

play46:25

bon sens très clairement le

play46:27

l'utilisation du digital en général dans

play46:30

les administrations et aussi en bonne

play46:33

voie il suffit de voir la déclaration

play46:34

des impôts enfin je veux dire maintenant

play46:36

ça fonctionne bien c'est opérationnel

play46:38

maintenant le

play46:40

souci entre guillemets de l'usage de

play46:43

l'IA ou la data science dans dans les

play46:46

administrations c'est le côté

play46:47

confidentiel des données ou typiquement

play46:49

on peut pas se permettre d'envoyer des

play46:51

informations à chaque gypity

play46:53

pour attendre une réponse donc en fait

play46:55

ce qui va se passer c'est que ces

play46:57

administrations comme les entreprises

play46:58

d'ailleurs vont intégrer des outils

play47:01

génératif comme chaque GP mais d'autres

play47:03

aussi vont les intégrer dans leur

play47:05

système pour que ces systèmes

play47:07

travaillent sur les données propres à

play47:10

chacune des administrations sans que ces

play47:11

données ressentent donc il va y avoir

play47:13

ces travaux d'intégration et d'ailleurs

play47:14

openia fournit tout ce qu'il faut d'un

play47:17

point de vue technologique pour que cela

play47:19

se passe au mieux donc installer à

play47:22

l'intérieur des entreprises des

play47:24

administrations des

play47:26

IA et qui vont pouvoir travailler sur

play47:28

les données de l'entreprise ou de

play47:29

l'administration

play47:30

d'ailleurs j'avoue que tu as pu

play47:32

constater

play47:34

une évolution dans l'exploitation des

play47:37