Nos formations : www.jedha.co Avec la crise sanitaire, beaucoup de secteurs ont été mis à mal. Pour une majorité d'entreprise utilisant la Data pour ses objectifs business, il est devenu plus que complexe de construire des modèles aussi robustes, dans un contexte aussi changeant sur le long terme.

1. L’IA à l’épreuve du COVID
Cédric Hervet, Ph.D.
Co-fondateur et Directeur
Scientifique @ Kardinal

2. Optimisation de
tournées
Machine Learning
SaaS
www.kardinal.ai

3. L’IA en Industrie

4. Tâches et technos pour l’IA
Percevoir Comprendre Décider
Big Data
IoT
Machine
Learning
Data
Analytics /
Visualization
Knowledge
Representation
Reinforcement
Learning
Operations
Research

5. La valeur de l’IA en Industrie
Tâches répétitives,
peu de valeur ajoutée
Tâches complexes
et/ou stratégiques
AUTOMATISATION AIDE A LA DECISION
ACTION

6. Et le COVID ?
Tâches répétitives,
peu de valeur ajoutée
Tâches complexes
et/ou stratégiques
AUTOMATISATION AIDE A LA DECISION

7. Le “Concept Drift”
et les moyens de
le gérer

8. En Machine
Learning, le
contexte change,
et les modèles
perdent en
performance.
Source : Online Ensemble with Abstaining Classifiers for Drifting and Noisy Data Streams,
B. Krawczyk & A. Cano in Applied Soft Computing 68:677-692, July 2018

9. Mesurer le
« drift »
1
2
3
Une fois qu’on a son modèle (liste de features +
méthode d’apprentissage)
Réaliser un apprentissage avec les conditions à
TX
Regarder l’évolution de la performance entre
TX et aujourd’hui

10. Identifier le type
de « drift »
Source : The ravages of concept drift in stream learning applications
and how to deal with it, Jesus Lopez in Kdnuggets.com (December 2019)
Exemple d’un drift de type « sudden »

11. Stratégie
« passive » :
mise à jour
constante des
modèles
Possible si les Features sont calculées
sur un historique proche

12. Stratégie
« active » :
détection du drift
Ne pas hésiter à challenger toutes les
hypothèses du modèle !

13. Le COVID et les
grands
bouleversements

14. “Est-ce que le COVID, c’est
du Concept Drift ?”
Spoiler : c’est un peu plus que ça…

15. Le Concept « Upheaval »
Les crises sanitaires
Le terrorisme
Les catastrophes naturelles /
changement climatique
Les crises économiques La guerre
La disruption technologique

16. Le
bouleversement
provoque une
phase de
transition Le concept « drift »
tous les jours avant de
se stabiliser !

17. Cas concret :
la messagerie

18. Livraison du
dernier kilomètre
E-commerce
Industrie en plein
bouleversement
Sources : DHL, FedEx

19. Du jour au lendemain, réapprendre le métier
Part de B2C dans les livraisons pré-COVID Part de B2C dans les livraisons sur
Mars-Avril

20. “En 2 jours, le volume a été
divisé par 5.”
CEO d’un grand groupe logistique

21. “La semaine suivante, le B2B
remontait à la moitié de la
normale.”
CEO d’un grand groupe logistique

22. “La semaine suivante, le B2C
était multiplié par 2…”
CEO d’un grand groupe logistique

23. “…Puis par 3 la semaine
suivante.”
CEO d’un grand groupe logistique

24. “Notre chance, c’était que les
gens étaient chez eux et qu’
être en retard était
« acceptable ». Le
déconfinement, ça va être
chaud...”
CEO d’un grand groupe logistique

25. Colis par semaine pendant le COVID
Fêtes
de fin
d’année
: repos !
Début du
plongeon
« COVID »
Montée
rapide de
l’activité
B2C

26. Comment gérer ?
Que faire avec la
Data si on ne
peut plus l’utiliser
pour prédire ?
Back to basics : ANALYTICS
1
2
3
Détourner le système pour
simuler, simuler, simuler
Sur-exploiter les technos d’IA
pour l’Aide à la Décision

27. Conclusion : la résilience d’un processus
industriel assisté par la Data et l’IA
Maîtriser sa data, avoir une forte capacité analytique en interne
Mettre du Machine Learning en prod, c’est d’abord penser à
travailler SANS le Machine Learning
Automatiser la prise de décision complexe, c’est prendre le
risque d’une perte de savoir-faire

28. Merci,
à bientôt !