2020 - 2030, la décennie «Machine Learning» : première partie

 

Depuis une dizaine d’années, j’aide des entreprises «courageuses» à basculer leur Système d’Information sur le Cloud, public cela va de soi.

Je suis très, mais très inquiet quand je constate en 2016 que la majorité des entreprises, et en particulier les plus grandes :

• Continuent à se poser des questions «métaphysiques» sur le cloud public.
• Continuent de manière absurde à croire à l’avenir du cloud privé.
• Ne préparent pas leurs organisations, leur culture, leurs collaborateurs à cette mutation majeure, alors que les solutions cloud publics d’infrastructures et d’usages sont opérationnelles, économiques et de confiance.

Une nouvelle vague d’innovations, de changements majeurs est déjà visible sur les radars, le « Machine Learning » (ML). Je pronostique qu’elle aura des impacts supérieurs à ceux du Cloud Public.

Petit problème : les entreprises ne pourront pas déployer du ML... en dehors du Cloud Public.

Alerte ! Alerte ! Alerte ! Vous devez anticiper, immédiatement, les impacts du ML sur vos organisations ; c’est une question de survie !

 

L’informatique professionnelle, sur quatre décennies

Tous les dix ans, une rupture technologique majeure se produit et permet aux entreprises de repenser tout ou partie de leurs activités, de leur Système d’Information :

• 1990 - 2000, décennie PC : domination de Windows, Office et des applications Client/Serveur.
• 2000 - 2010, décennie Internet : Le réseau au cœur des infrastructures, le Web et les navigateurs.
• 2010 - 2020, décennie Cloud Public : l’industrialisation de l’informatique, naissance de géants des infrastructures.
• 2020 - 2030, décennie Machine Learning.

Les puristes me feront remarquer que le Machine Learning a déjà commencé, et ils auront raison. Quand je parle de «décennie Machine Learning», je fais référence à la période pendant laquelle cette innovation va se généraliser, se banaliser et ne pas rester confinée dans quelques usages de pointe, réservés aux entreprises les plus innovantes. De manière similaire, le Cloud Public est né en 2006, avec AWS, mais n’a pas décollé avant 2010.

 

Machine Learning : principaux ingrédients

Machine Learning ? Il existe de nombreuses définitions de ce concept et en voici une qui me paraît raisonnable :

La capacité, pour des outils informatiques puissants, de développer des compétences, des applications par apprentissage, sans que des ingénieurs logiciels ne les programment, au sens historique tu terme.

En pratique, cela signifie que les algorithmes développés et enrichis en permanence ne le sont pas par des ingénieurs logiciels. Aucun être humain ne peut expliquer quelles sont les règles suivies par le logiciel qui a récemment battu le champion coréen du jeu de Go.

Pour réussir, le Machine Learning a besoin de cinq composants, tous indispensables :

• Puissance de traitement : «sans limites».
• Capacité de stockage : «sans limites».
• Volumes de données disponibles : «sans limites»
• Nombre de clients : 1 milliard ou plus, pour générer les données nécessaires. Ces clients peuvent être des personnes ou des machines dans le cas de l’IoT, Informatique des objets.
• Equipes logicielles de top niveau. Un bon exemple est celui de DeepMind, la filiale ML de Google, qui regroupe 250 personnes, triées sur le volet ; depuis sa création, il n’y a eu aucun départ chez DeepMind !

 

Si l’on accepte cette hypothèse des cinq composants indispensables, la conclusion qui s’impose est lourde de conséquences :

Aucune entreprise, quel que soit son secteur d’activité ou sa taille, ne peut disposer dans son informatique interne d’outils de Machine Learning.

Combien d’entreprises peuvent aujourd’hui créer une équipe telle que celle de DeepMind ? La réponse est limpide : aucune.

Une organisation, publique ou privée, qui souhaite utiliser des outils de ML pour développer des applications innovantes n’a qu’une seule option :

s’appuyer sur les géants du secteur ou... rien !

  

Machine Learning : acteurs majeurs 

Les recherches qui ont permis l’émergence du ML ont démarré il y a des dizaines d’années, autour de l’intelligence artificielle.

Ce graphique «Google Trends» montre clairement que la question était déjà posée en 2005, il y a plus de dix ans.

Les entreprises leaders dans ce domaine s’y préparaient depuis longtemps, mais il a fallu attendre l’émergence des solutions de Cloud Public pour que la convergence des cinq composants du ML rende possible la mise à disposition de solutions ML opérationnelles.

J’ai regroupé dans ce tableau les quatre entreprises qui, à mon avis, seront les acteurs dominants sur le marché des solutions de ML pendant la prochaine décennie.

J’ai donné une note, de 0 à 5, pour chacun des cinq composants nécessaires  pour réussir sur ce marché. Ces acteurs sont, par ordre alphabétique :

AWS, Amazon Web Services. Je ne sais pas estimer le nombre de clients d’Amazon et AWS, mais ce qu’ils font déjà avec leur outil Echo montre qu’ils ont atteint un excellent niveau de compétences en ML. Leur position de numéro un incontesté des infrastructures Cloud Public est un atout majeur.

 

Facebook. C’est la seule entreprise au monde à avoir trois produits qui ont chacun plus d’un milliard de clients : le réseau social Facebook et les deux outils de messagerie instantanée Messenger et WhatsApp. Début avril 2016, lors de la conférence F8, pour les développeurs, Mark Zuckerberg a fait des annonces majeures en ML, ouvrant la plateforme Messenger à la création de Bots par les entreprises.

Bots ? Vous allez souvent être exposés à ce mot. Il s’agit de logiciels de ML capables de dialoguer avec les internautes, que ce soit dans les applications mobiles ou dans les outils de messagerie instantanée. Pour beaucoup de spécialistes du ML, les bots seront les usages ML les plus répandus dans les toutes prochaines années.

Google. Google est aujourd’hui l’entreprise la mieux placée pour réussir dans le ML ; je lui ai mis la note 5 dans toutes les colonnes. L’exemple le plus spectaculaire, déjà évoqué, est celui du succès de DeepMind au jeu de Go ; en 2015, les spécialistes prédisaient qu’il faudrait un minimum de dix années avant qu’un champion humain de Go soit battu par un logiciel.

Ceci ne veut pas pour autant dire que Google a gagné la partie. Comme l’explique très bien cet article, Google a un gros défaut : c’est une entreprise trop... innovante, qui a beaucoup de mal à comprendre les attentes de la grande majorité des entreprises «legacy».

Google commence à comprendre que toutes les entreprises ne raisonnent pas, ne travaillent pas comme ils le font. Le fait de mettre en Open Source TensorFlow, leur moteur logiciel de ML, est un signal encourageant dans ce sens.

Microsoft. Dans ce tableau, Microsoft est le seul fournisseur «legacy» présent, les trois autres étant nés dans le Web et le Cloud ; c’est tout à son honneur. Avec ses infrastructures Azure et ces premières réalisations en ML, en particulier avec des bots, Microsoft a démontré qu’il était conscient de l’importance de ce domaine et qu’il avait bien l’intention d’y jouer un rôle clef.

Certains ce sont moqués des résultats «mitigés» du bot de Microsoft avec Twitter, quand les internautes ont réussi à le transformer en un bot raciste et hitlérien. C’est une grave erreur de jugement ; c’est en ayant le courage d’expérimenter que l’on fait des progrès et je fais confiance aux équipes de Microsoft pour corriger très vite le tir.

 

Machine Learning : quelle place pour d’autres acteurs

Dans le tableau des principaux acteurs, j’ai laissé une ligne avec le symbole «?». Cela signifie que le marché du ML est encore ouvert et que d’autres acteurs pourraient y prendre une place importante. Par contre, les cinq composants indispensables pour réussir en ML limitent fortement le nombre de candidats éligibles, parmi lesquels je vous propose quatre noms :

Apple. Avec les iPhone, Apple a le nombre de clients nécessaires. Il lui manque la puissance de calcul et de stockage, comme le démontre son recours à... Google Cloud Platform, le même Google qui a pris 80 % du marché des smartphones avec Android ! Siri est le bot d’Apple le plus connu. Apple peut-il devenir une plateforme de ML pour les entreprises ? Je n’en suis pas certain.

General Electric. J’ai souvent parlé de GE dans mon blog et de leur démarche très innovante vers le cloud et l’IoT, avec leur solution Predix. GE peut rapidement devenir un acteur majeur du ML sur le créneau vertical de l’informatique des objets industriels.

IBM. Avec Watson, IBM a été l’un des pionniers du ML, et propose ses compétences ML aux entreprises, en priorité dans le monde de la santé. Par contre, IBM est totalement absent du marché du grand public, ce qui lui interdit d’avoir les milliards de clients et les données correspondantes, deux composants clefs de la réussite en ML.

Salesforce. Le rachat récent de PredictionIO, un outil de ML, montre que Salesforce a des ambitions en ML. Par contre, comme je l’ai déjà écrit dans ce blog, Salesforce n’a pas les infrastructures nécessaires, en puissance de calcul et en stockage, pour devenir un acteur majeur en ML.

Si je devais citer d’autres acteurs potentiels, je regarderais volontiers du côté de la Chine ; Alibaba pourrait rapidement devenir un excellent candidat au podium ML.

Dans la deuxième partie de cette analyse, j’analyserai les impacts du Machine Learning pour toutes les entreprises, et comment s’y préparer, immédiatement.