Plus de 44% de nos clients pensent que l’IA et le Machine Learning sont devenus incontournables et 88 % d’entre-elles lanceront un projet dans les 6 mois. Ces sujets encore avant-gardistes hier, sont déjà dans la roadmap des entreprises pour qui la Data est au cœur de l’innovation. Quels sont les domaines d’application du Machine Learning ? Comment utiliser l’Intelligence Artificielle ? Quels sont les défis technologiques à relever ? Quel(s) outil(s) choisir ? Entre Cortana (Microsoft) et Watson (IBM), votre cœur balance ? Découvrez comment l’Intelligence Artificielle et le Machine Learning vont changer radicalement votre business ! A noter que cette infographie est également accessible en ligne à l'adresse suivante : http://www.umanis.com/evenement/mediatech/infographie Suivez Umanis les réseaux sociaux : - Linkedin : http://bit.ly/Inc-umanis - Twitter : http://bit.ly/tw-umanis - Facebook : http://bit.ly/face-umanis

1. Des Machines
et des Hommes
INTELLIGENCE ARTIFICIELLE & MACHINE LEARNING

2. 2
ML ET IA, LE LEXIQUE
OBJETS INANIMÉS, AVEZ-VOUS DONC UNE ÂME ?
QUAND LES MACHINES SE PRENNENT POUR DES HOMMES
QUELS DÉFIS TECHNOLOGIQUES À RELEVER ?
CORTANA VS WATSON, LE CHOC DES TITANS
LUMIÈRES SUR WATSON
LUMIÈRES SUR CORTANA
WATSON VS CORTANA
LE CAS DE LA VOITURE CONNECTÉE
OÙ EN ÊTES-VOUS ? INFOGRAPHIE ÉTUDE UMANIS
Auteurs de cet eBook
François Binder, IoT, Data Insights & Cloud Platform Practice Director
Philippe Harel, Data Science Practice Manager Microsoft
et l’équipe Marcom d’Umanis
SOMMAIRE
p.3
p.4
p.6
p.10
p.11
p.12
p.15
p.18
p.20
p.22

3. 3
ML ET IA, LE LEXIQUE
INTELLIGENCE ARTIFICIELLE
Ensemble de théories et de techniques (ré-
seaux de neurones, systèmes cognitifs dis-
tribués,..) mises en œuvre en vue de créer
des machines capables de simuler l’intelli-
gence humaine.
MACHINE LEARNING
Ensemble de méthodes permettant à une
machine (au sens large) d’apprendre à réa-
liser des tâches sans avoir été programmée
explicitement pour cela. La machine utilise
des algorithmes génériques applicables à
une multitude de tâches. La machine agit
de manière autonome, est capable de com-
prendre et d’appliquer des algorithmes pour
notamment automatiser des process. C’est
un sous-champ de l’Intelligence Artificielle.
APPRENTISSAGE SUPERVISÉ (AS)
Technique de Machine Learning où l’on
cherche à produire automatiquement des
règles, à partir d’une base de données
contenant des cas déjà traités et validés.
APPRENTISSAGE NON SUPERVISÉ (ANS)
Technique de Machine Learning où l’on
cherche à découvrir des structures cachées
(méthode proches du Data Mining) dans
les données, plutôt que de généraliser des
exemples à partir d’un feedback connu.
INTERNET DES OBJETS (IOT)
« Réseau de réseaux » qui permet par des
systèmes d’identifications complexes de
transmettre des données entre objets phy-
siques et virtuels.

4. 4
Depuis 5 ans, c’est tout notre univers, jusqu’alors immobile et
passif, qui se met en mouvement. Nous assistons à la nais-
sance de pléthore de nouveaux usages personnels, suivis par
des applications industrielles de plus en plus nombreuses qui
ouvrent la voie à une utilisation plus transparente et intelligente
des signaux qu’émettent ou captent ces objets en continu.
Tout d’abord, ce sont les biens de consommation grand public
OBJETS INANIMÉS,
AVEZ-VOUS DONC UNE ÂME ?
Depuis 2008,
il y a plus
d’objets connectés
que d’hommes sur Terre.

5. 5
90%des données mondiales
ont été produites
ces deux dernières années
NOMBRE D'OBJETS CONNECTÉS (MILLIARDS)qui se sont développés avec
les ordinateurs personnels, les
smartphones, les tablettes et
plus récemment les wearables
ou autres montres et brace-
lets connectés. On devrait dé-
passer les 5 milliards d’objets
connectés cette année. Et on
parle de 20 milliards à hori-
zon 2020. Le marché du RFID
vaut déjà plus de 10 milliards
de Dollars dans le monde et
ce sera le double en 2020. Le
nombre de connexion M2M
(machine to machine) a littéra-
lement explosé.
Au niveau des usages indus-
triels, on distingue deux types
d’objets connectés avec
d’une part les génériques tels
que les ampoules, les détec-
teurs de fumée, les systèmes
de gestion de la température
dans les bâtiments.
D’autre part, on retrouve des
objets connectés qui sont
spécifiques à chaque secteur
d’activités. Dans l’énergie, on
pense aux compteurs intelli-
gents. Dans l’industrie, on a
aujourd’hui des systèmes qui
permettent de prévenir les
défaillances ou les pannes.
Dans la santé, les objets se
multiplient dans les hôpitaux
mais aussi à domicile pour
mieux suivre les patients,
leurs rythmes cardiaques ou
respiratoire. Dans le secteur
maritime, il y a aujourd’hui des
capteurs dans les cargos pour
enregistrer les mouvements
de houle et de roulis, optimi-
ser les trajectoires et consom-
mer moins de carburant !
Biens de consommation
Industries génériques
Industries Spécifiques
Source Gartner
>80%des données ne sont pas exploitées
et encore moins analysées

6. 6
L’ancienne école
Un SID traditionnel collecte déjà différentes sources de don-
nées telles que des fichiers plats ou des bases de données qui
sont traitées par des ETL (tels que Talend, SSIS, Informatica,
etc.). Elles sont ensuite chargées dans un datawarehouse (SQL
Server, Oracle, Teradata, etc.) où elles sont nettoyées, struc-
turées et rendues disponibles pour alimenter des datamarts,
être consommées par des applications ou encore analysées
via des outils de datavisualisation.
La BI traditionnelle se concentre donc sur les questions qui
doivent trouver réponses, puis elle cherche les données dis-
ponibles à collecter. Enfin, elle restitue les résultats auprès des
personnes qui les ont demandées au préalable.
Les systèmes décisionnels en place n’ont pas été conçus
pour ingérer et analyser de telles volumétries de données sur
des formats aussi divers, d’autant plus que ces données sont
émises désormais en continu. Ils n’ont pas non plus été conçu
pour répondre à des questions qui peuvent se poser au fur et
à mesure de l’arrivée de nouvelles données (ce qui a conduit à
l’émergence d’écosystèmes tels que Hadoop). Sans compter
qu’au phénomène des objets connectés, s’ajoute la multiplica-
tion de nouvelles sources de données telles que les capteurs,
les réseaux sociaux, les flux audio ou vidéo, les images, les
logs, … ainsi que toutes les données brutes que les entreprises
n’ont jamais exploité.
QUAND LES
MACHINES SE
PRENNENT POUR
DES HOMMES
Aujourd’hui, ces systèmes
sont confrontés à trois
principaux problèmes liés
à leur architecture même
la gestion de l’internet des
objets qui se comptent en
milliards de sources de
données
1
la prise en compte du ma-
chine learning avec des
analyses avancées car ils
n’ont pas les capacités
de calcul ou de mémoire
nécessaires
2
la gestion du temps réel
3

7. 7
Le sujet vous intéresse ?
Téléchargez la version complète de notre e-book
Le contenu de cet e-book a été réalisé par nos consultants et nos spécia-
listes, à partir d’études réalisées lors de nos événements « 5à7 »
et enrichi par de nombreux retours d’expérience de nos clients.
Téléchargez gratuitement la version complète à l’adresse suivante :
http://bit.ly/IA-MachineLearning