R&D numérique – Processus d'innovation avec l'IA, avec Kevin See

Dans cet épisode d'Innovation Capital

Nous nous concentrons sur l'impact de l'IA en tant que méthode d'invention capable de remodeler la nature du processus d'innovation et l'organisation de la R&D. En explorant la manière dont l'IA automatise l'innovation et la découverte, nous mettrons en évidence ses avantages révolutionnaires, notamment la réduction des coûts de R&D dans de nombreux domaines, l'augmentation de la productivité de la recherche et la création de plus de valeur pour les consommateurs et les actionnaires.

Écouter maintenant

Transcription de l'épisode

Ray Chohan : Kevin, bienvenue chez Innovation Capital. Je suis ravi de vous accueillir aujourd'hui. Pourrions-nous commencer par vous demander de nous raconter votre parcours, comment vous êtes arrivé chez Lux Research et comment vous êtes devenu l'un des leaders d'opinion les plus éminents dans le domaine de l'IA et de la R&D ?

Kevin See : Oui, merci, Ray. Je vous remercie de m'avoir invité et je suis ravi d'être ici. J'ai une formation scientifique. J'ai fait un doctorat et un post-doctorat axés principalement sur le développement de dispositifs matériels pour diverses applications, allant des capteurs à la récupération d'énergie. Je passais donc beaucoup de temps dans le laboratoire à concevoir, construire et tester. À ce moment-là, après avoir terminé ma formation universitaire, je m'intéressais beaucoup à la commercialisation des technologies émergentes. J'ai vu certains de mes collègues travailler sur des projets en laboratoire, mais j'avais aussi le sentiment que beaucoup d'entre eux n'étaient pas très prometteurs. Je me suis donc intéressé à ce qu'il fallait pour réussir la commercialisation d'une technologie et, au final, créer de la valeur pour quelqu'un. Cet intérêt m'a conduit à Lux, qui est vraiment l'endroit idéal pour développer certaines de ces passions. Nous accordons une grande importance à la force technologique, mais nous l'associons également à une certaine compréhension commerciale de ce qu'il faut pour commercialiser réellement des produits. À partir de là, j'ai participé à l'élargissement de notre modèle commercial afin d'étudier tous les aspects, des technologies énergétiques aux énergies renouvelables, en passant par le numérique et l'IA, dont nous allons parler aujourd'hui. J'ai également contribué à la direction de nos produits, ce qui consistait à développer et à internaliser nos propres capacités en matière d'IA. J'ai donc occupé divers postes qui m'ont beaucoup plu.

Ray : En ce qui concerne 2020 et au-delà, nous avons le sentiment que nous entrons, espérons-le, dans une ère glorieuse où l'apprentissage automatique, en particulier, aura un impact réel sur le processus d'innovation. Mais avant de nous tourner vers l'avenir, j'aimerais connaître votre avis d'expert sur la dernière décennie et sur la manière dont nous en sommes arrivés à vouloir améliorer le parcours numérique dans le domaine de la R&D et de l'innovation. Kevin, pouvez-vous nous donner quelques éléments de contexte, quelques éléments historiques qui nous ont menés là où nous en sommes aujourd'hui ?

Kevin : Oui, je pense que c'est une bonne question, Ray. Je pense que cela dépend en grande partie de la façon dont vous définissez le numérique. Le numérique peut signifier beaucoup de choses. Il peut s'agir de l'IA pour la découverte, qui est peut-être la version la plus séduisante. Mais il peut aussi s'agir de choses plus opérationnelles, comme des outils pour gérer votre pipeline d'innovation et d'autres choses de ce genre. Je dirais donc que, dans l'ensemble, nous en sommes encore à un stade assez précoce. Il y a eu des progrès, il y a eu des projets pilotes. On essaie de nouvelles choses, mais ces grandes ambitions d'automatisation du processus de R&D, dans l'ensemble, personne n'y est vraiment parvenu. On voit des gens essayer des projets pilotes isolés, et différentes choses de ce genre. On voit d'autres outils numériques, un peu plus avancés, qui servent simplement à gérer les connaissances ou le pipeline d'idées. Encore une fois, tout dépend de la façon dont vous définissez le numérique. S'agit-il d'une approche agressive qui va changer le monde ? Ou est-ce parfois quelque chose de banal, comme la gestion d'un processus ? Tout dépend vraiment de la façon dont vous voyez les choses. Mais je pense sincèrement que nous n'en sommes qu'au début d'une phase où nous allons commencer à voir apparaître certaines de ces applications numériques plus disruptives.

Ray : Peut-on dire que nous en sommes à la première manche ? Et si ce n'est pas le cas, où en sommes-nous dans ce parcours pour y parvenir ?

Kevin : Je dirais que sur cet aspect particulier, nous n'en sommes qu'à nos débuts. Nous voyons à nouveau des gens essayer des projets pilotes, essayer l'apprentissage automatique, vous savez ; comment trouver des articles intéressants en rapport avec les sujets qui m'intéressent ? On commence à voir ce genre de choses apparaître, mais en termes de mise à l'échelle réelle, comme la détection de signaux et la génération d'idées, de manière automatisée ou à partir de données ou d'analyses éclairées, je dirais que nous n'en sommes vraiment qu'aux prémices. Et nous n'avons encore vu personne pousser vraiment cela, cette partie floue, de manière vraiment agressive.

Ray : Donc, si l'on devait utiliser davantage l'analogie avec les débuts d'Internet dans les années 90, à quelle année en sommes-nous en matière d'apprentissage automatique ? Et en matière de révolution de cette phase initiale floue, Kevin ?

Kevin : Oui, en ce qui concerne cette phase initiale, je dirais que cela révèle un peu mon âge. Mais en gros, je me souviens être arrivé à l'université et, vous savez, c'était vraiment le début des connexions Ethernet et du T1, qui nous ont ouvert les yeux sur la puissance d'Internet. C'était vraiment un territoire inconnu. Je pense que c'est probablement une bonne analogie avec la situation actuelle, où nous avons un processus assez bien établi en termes d'idéation sur ce front-end flou, où nous explorons simplement les possibilités, en sachant que les outils sont là, mais sans vraiment comprendre comment les utiliser ni ce qu'ils peuvent faire. Je dirais donc que nous n'en sommes qu'aux prémices.

Ray : Oh, d'accord. Kevin, tu me rappelles des souvenirs, mon ami avec une connexion T1. C'est donc un bon contexte pour certaines personnes qui sont peut-être des auditeurs plus âgés. En fait, nous en sommes peut-être à 96-97 en termes de maturité. Est-ce juste de dire cela ?

Kevin : Oui. Je dirais que c'est une analogie juste en termes de calendrier.

Ray : Excellent. Et en ce qui concerne certains pionniers, Kevin, j'ai vu certains de vos travaux qui mettent en avant des études de cas intéressantes où quelques organisations font vraiment bouger les lignes en matière d'IA, d'apprentissage automatique et de réseaux neuronaux profonds, qui soutiennent réellement ce processus d'innovation, que ce soit au début ou plus tard dans le cycle. Avez-vous des études de cas préférées qui, selon vous, ont vraiment fait des vagues sur le marché ?

Kevin : Oui, je ne pense pas vraiment, il y a une pléthore d'acteurs dans la partie idéation et front-end de l'entonnoir dont nous discutons. Il y a certainement des acteurs qui émergent. Ils font un travail intéressant. Je pense que nos deux entreprises font un travail intéressant dans ce domaine. Mais je pense que c'est plus loin dans l'entonnoir que l'on constate une plus grande maturité, notamment dans le domaine de l'informatique des matériaux, où l'on utilise une tonne de données à sa disposition pour essayer de déterminer : « Que vais-je fabriquer ensuite qui aura les propriétés que je souhaite ? » Ainsi, dans le cadre de nos recherches et de notre travail, nous avons découvert de nombreuses entreprises intéressantes. Celle qui se démarque est Citrine Informatics, qui fait un travail intéressant dans ce domaine. Mais en ce qui concerne la partie frontale de la conceptualisation, je dirais que le terrain est encore un peu ouvert, qu'il s'agit vraiment d'essayer de développer les bons outils qui seront utiles aux scientifiques sur le terrain. Je pense qu'il y a énormément de travail intéressant à faire dans ce domaine. Mais je ne dirais pas qu'un leader unique s'est encore imposé.

Ray : C'est fascinant. Vous avez mentionné le domaine de l'informatique des matériaux, c'est un domaine qui nous passionne profondément. Et oui, nous apprécions beaucoup ce que Citrine et quelques autres acteurs de la région de Boston font dans ce domaine. Donc, d'une manière plus générale, peut-on dire que vous constatez davantage de progrès plus haut dans l'entonnoir ? Ainsi, lorsque nous entrons dans le domaine de la gestion du cycle de vie des projets, où l'on approfondit davantage le flux de travail, où l'on constate l'impact de l'IA, plus que dans la phase de développement et de lancement ?

Kevin : Oui, encore une fois, cela dépend de la façon dont vous voyez les choses. Je dirais que vous avez raison, si vous intégrez l'informatique des matériaux, selon la façon dont vous définissez, vous savez, l'étape de l'entonnoir, c'est un peu plus loin, c'est encore un stade précoce, mais vous passez de la phase d'idéation à la découverte réelle, vous savez, sur quoi vais-je travailler, et vous avancez de manière plus agressive. Je pense donc qu'il y a certainement plus à faire dans ce domaine. Je pense que si vous revenez à des choses comme la gestion de projet et le cycle de vie, vous savez que ces choses ne nécessitent pas nécessairement l'IA. Je pense donc que c'est un cas où c'est certainement numérique, mais vous savez, pour gérer plus efficacement un pipeline d'entreprises ou un pipeline de projets, vous n'avez pas vraiment besoin de l'IA. Tout dépend donc de l'étape à laquelle vous vous trouvez dans le processus et des outils qui vous intéressent le plus. Nous y reviendrons probablement, mais je pense qu'il est important de noter que l'IA n'est pas toujours l'outil adéquat. Vous n'avez pas toujours besoin de l'IA pour résoudre tous vos problèmes. Je pense qu'il faut garder à l'esprit qu'il existe également des solutions plus simples.

Ray : C'est intéressant, et vous publiez des recherches fascinantes sur la modélisation de sujets, le traitement automatique du langage naturel (NLP) et son potentiel à faire bouger les choses dans ce domaine encore flou. Mais en réalité, quand on regarde le marché, cette technologie est encore très peu utilisée à l'heure actuelle. Pensez-vous qu'il y ait eu une accélération cette année, en particulier avec la COVID et le fait que la R&D se fasse plus que jamais à distance ? Y a-t-il eu des événements en 2020 qui, selon vous, ont accéléré le développement de la modélisation de sujets et le chevauchement des contenus ?

Kevin : Oui, je n'ai pas vraiment considéré la COVID comme un catalyseur ou un accélérateur. À ce stade, nous parlons plutôt de détection de signaux faibles ou de détection précoce d'idées. Vous l'avez vu, évidemment, dans certains cas, les choses évidentes comme les vaccins ou la découverte de médicaments, qui, encore une fois, sont un peu plus loin. La détection de signaux ne se fait pas dans un champ de jeu ouvert, où vous vous contentez de chercher : « Sur quoi puis-je travailler ? » Encore une fois, certains de ces projets pilotes, avec des outils tels que le NLP, un modèle thématique ou un classificateur, sont menés par un groupe de recherche ou une entreprise qui trouve un article intéressant et qui peut utiliser certains de ces outils d'IA pour se demander : Quels sont les autres articles similaires qui méritent que je m'y intéresse et qui devraient être pertinents compte tenu de mon intérêt pour ce sujet ? C'est là que vous pouvez reconnaître ce qui vous intéresse. Nous avons entendu parler de certaines grandes entreprises et d'autres acteurs qui commencent à s'intéresser un peu plus à ces outils. Je ne dirais pas qu'ils ont déjà été intégrés dans une infrastructure plus large, mais on voit des gens explorer certains de ces outils. Je ne pense pas que les événements de 2020 aient nécessairement accéléré cette utilisation particulière. Je pense qu'il s'agit simplement d'une évolution dans laquelle les entreprises, en particulier, deviennent plus sophistiquées en matière d'IA et commencent à s'y intéresser pour essayer de comprendre comment elles peuvent l'utiliser.

Ray : Et du côté des clients, quelle est leur philosophie ? Est-ce qu'ils préfèrent construire, développer en interne, acheter ou s'associer ? Quels sont les secteurs qui, selon vous, sont en déclin ? Nous constatons une certaine diversité, mais nous aimerions connaître votre point de vue.

Kevin : Oui, nous constatons également un mélange. Je pense que c'est là que la situation peut devenir assez délicate pour beaucoup d'entreprises. Parce que leur force ne réside pas nécessairement dans la construction. Il s'agit plutôt de créer des logiciels d'entreprise pour les scientifiques, et vous le savez bien, n'est-ce pas ? Mais c'est un défi. Il s'agit d'un cas d'utilisation et d'un public très exigeants. On constate donc que les entreprises font parfois appel à leur service informatique pour développer des logiciels, des outils, mais que parfois, l'interface utilisateur ou d'autres éléments ne sont tout simplement pas très bons. Et il est difficile de les faire accepter en interne. Nous pensons donc qu'il est probablement utile de faire appel à l'expertise interne. Dans ce cas, vos clients le savent très bien. Mais ils ne sont pas toujours les mieux équipés pour fournir ces solutions. Nous avons donc constaté certaines erreurs, où l'on crée des produits que les gens n'utilisent pas, en grande partie à cause de cela. Dans ce cas, il est logique d'acheter ou de s'associer. Et il peut s'agir de différents types de partenaires. Il existe de grandes entreprises qui pourraient vous aider à le créer, il y a des acteurs émergents, mais l'essentiel est que vous recherchiez une combinaison de capacités en matière d'IA et de science des données, que toutes les entreprises ne possèdent pas ; en fait, ces compétences sont très recherchées. Et il est difficile de trouver des personnes compétentes dans ce domaine. Mais dans de nombreux cas, vous développez également des logiciels. Il ne s'agit donc pas seulement de faire de la science des données en arrière-plan, de traiter des données et de produire des résultats. Il s'agit en fait de créer des interfaces et des outils que les gens doivent utiliser. Et, encore une fois, ce ne sont pas nécessairement des domaines dans lesquels les entreprises de divers secteurs excellent. C'est pourquoi nous avons essayé d'orienter les personnes vers nos clients qui nous ont posé des questions à ce sujet. Personnellement, je pense qu'il est logique d'obtenir cette expertise auprès de partenaires et de s'assurer de l'intégrer aux connaissances existantes en interne.

C'est fascinant. Vous avez mentionné la dynamique autour de la manière dont les entreprises et les grands fonds tentent de mettre en avant leurs efforts en matière de science des données et d'augmenter leurs effectifs ?

Ray : Dans quels secteurs ou sous-secteurs observez-vous une croissance exponentielle, où l'on met vraiment l'accent sur la science des données, la science de la décision et où l'on s'efforce réellement de renforcer les capacités internes dans ce domaine ?

Kevin : Oui, c'est un effort considérable. Cela concerne principalement l'industrie manufacturière. Dans une certaine mesure, c'est un problème d'optimisation bien connu. Il est donc tout à fait logique d'appliquer la science des données à des domaines tels que la maintenance prédictive, la qualité ou d'autres aspects. C'est quelque chose qu'ils comprennent en termes de besoin ou de cas d'utilisation. Ils peuvent apporter la science des données pour innover dans cet ensemble spécifique de cas d'utilisation, qu'il s'agisse de la fabrication de la chaîne d'approvisionnement. Vous pouvez également considérer cela comme un entonnoir d'innovation, pas nécessairement comme une idée qui se transforme en produit. Mais dans un cas comme celui-ci, il s'agit plutôt de l'idée de passer au déploiement ou à l'utilisation opérationnelle en interne. Mais vous constatez que les data scientists sont très demandés pour cette application, car il s'agit d'un problème bien connu, bien compris, et qui peut apporter un bénéfice immédiat à l'organisation, mesurable en termes financiers. C'est donc clairement un domaine où l'on constate une forte demande pour les talents en science des données.

Ray : Et pour l'avenir, où voyez-vous des océans bleus où la science des données aura un impact significatif sur ce processus Stage-Gate, ou plus généralement sur l'ensemble du processus de R&D et d'innovation ?

Kevin : Oui, je pense que la découverte de matériaux, par exemple, consiste essentiellement à tirer parti des enseignements de l'industrie pharmaceutique, qui est un peu plus avancée en matière d'IA pour des domaines tels que la découverte de médicaments, et à les transposer à d'autres industries analogues, comme le développement d'un polymère présentant un certain ensemble de propriétés. Je pense que c'est également un domaine qui me tient particulièrement à cœur, compte tenu de mon parcours. Mais je pense qu'il est extrêmement utile de tirer parti de tous les articles, toutes les publications et tous les résultats d'expériences. Si vous pouvez structurer et traiter ces données, vous pouvez les utiliser pour accélérer considérablement la découverte, la conception et la production de matériaux présentant les propriétés que vous recherchez. C'est donc, à mon avis, une application particulièrement intéressante de l'IA.

Dans un tout autre domaine, je pense que le secteur des biens de consommation courante (CPG) s'intéresse beaucoup à l'IA, qui permet de mieux comprendre l'utilisateur final (dans ce cas, le client) et d'intégrer ces informations dans votre processus d'innovation. Quelles sont les tendances que j'observe chez mes clients ? Quels sont les différents ensembles de données que je peux rassembler ? Quels sont les modèles que je peux dégager ? Comment cela peut-il m'aider à mieux concevoir mes prochains produits ? On observe donc une sorte de cercle vertueux, dans lequel on conçoit des produits à grande échelle en intégrant une certaine mesure d'IA et d'IoT qui permettent de recueillir davantage de données sur le client, puis on réinjecte ces données dans le processus. On constate ainsi une capacité à mieux comprendre l'utilisateur final et le client. Je pense que cela ne peut que rendre l'ensemble du cycle de développement des produits plus efficace et plus performant.

Ray : C'est amusant, vous avez mentionné à plusieurs reprises le domaine de l'informatique des matériaux, qui nous tient également très à cœur. Est-ce un domaine intéressant en termes d'apprentissage automatique, susceptible de faire évoluer les équipes de science des matériaux dans différents secteurs ? Recevez-vous des commentaires et des retours positifs, les acheteurs ou ce type de compétences étant vraiment pris en compte par notre conseil d'administration ?

Kevin : Oui, je dirais que c'est le cas si vous vous adressez à la bonne personne dans la bonne entreprise. Dans ce cas précis, nous parlons évidemment du secteur des produits chimiques et des matériaux. Ils savent à quel point il est difficile de concevoir le prochain produit, qu'il s'agisse d'une petite molécule, d'un composite ou d'un polymère. J'ai moi-même essayé de concevoir ces produits en laboratoire, et c'est difficile, cela nécessite des essais, des erreurs et des déductions. Il est donc évident que si cela fonctionne, ce qui est loin d'être acquis, la capacité à passer au crible toutes les données existantes afin de mieux déterminer où investir mes ressources représente une valeur ajoutée considérable pour une entreprise. Cela peut accélérer la mise sur le marché d'un produit, réduire les coûts de R&D, et offrir de nombreux autres avantages. Je pense donc que c'est une clientèle difficile. Ils ont toujours fonctionné de la même manière depuis longtemps. Mais nous constatons un intérêt croissant pour l'utilisation d'outils numériques afin de faciliter et d'accélérer ce cas d'utilisation particulier. Car si vous réussissez, c'est formidable, mais ce n'est probablement pas tout à fait à la même échelle que la découverte de médicaments. C'est une valeur ajoutée considérable si vous pouvez obtenir plus rapidement des produits rentables. C'est ce qui attire vraiment les gens, d'après ce que nous constatons.

Ray : Oui, c'est intéressant, vous avez fait la transition vers le domaine de la découverte de médicaments. Encore une fois, nous assistons à des développements brillants dans ce domaine depuis 24 mois en particulier, de la part du marché, qui montre vraiment une volonté d'acheter et un enthousiasme pour déployer le ML au niveau des laboratoires, au stade de la découverte, et plus loin dans le cycle de développement des médicaments. Que pensez-vous des opportunités les plus faciles à saisir dans ce domaine au cours des deux ou trois prochaines années ? Y a-t-il des exemples particulièrement intéressants qui ont retenu votre attention ? Et où voyez-vous des opportunités de croissance intéressantes dans le domaine de la découverte de médicaments intelligente basée sur l'IA ?

Kevin : Oui, je dirais que ce n'est pas le domaine que je suis le plus, mais en observant le marché et en voyant des entreprises comme Moderna, et à quel point elles mettent l'accent sur le numérique et l'IA dans leur stratégie globale pour développer leur entreprise. Et cela a clairement porté ses fruits dans le développement de vaccins et d'autres domaines. C'est donc un exemple frappant où la COVID a montré la valeur réelle de la numérisation de ce processus de découverte. Il y a donc des exemples frappants et évidents comme celui-ci. Dans l'ensemble, je pense que l'industrie ou le secteur dispose d'un ensemble de données extrêmement vaste. Les données génétiques, par exemple, sont de plus en plus faciles à acquérir, à tester et à synthétiser. Ce type de données, associé aux résultats cliniques, permet de corréler des éléments en amont avec les résultats chez le patient. Il existe d'énormes possibilités et avantages à exploiter à l'avenir. J'aurais du mal à choisir une application particulière, car je pense que cela couvre un domaine très vaste, mais je suis vraiment attiré par ce problème particulier en raison de l'énormité des données. Nous y reviendrons probablement, mais en réalité, la qualité des informations que vous obtenez dépend vraiment des données que vous entrez. Et je pense qu'il y en a tellement que la découverte de médicaments est mûre pour l'utilisation de l'IA.

Ray : C'est fascinant, vous avez mentionné la qualité des données et toute la rigueur nécessaire à la normalisation. Nous entendons souvent ce genre de commentaires. Je veux dire, créer un modèle d'apprentissage automatique est une chose, mais mettre de l'ordre dans ses affaires et s'occuper des tâches fastidieuses, comme la mise en place d'opérations de données optimales, en est une autre. Où en sont les organisations à cet égard ? Pensez-vous que les entreprises sont vraiment prêtes à optimiser la valeur de l'apprentissage automatique et de ses sous-secteurs, comme le traitement du langage naturel et la modélisation de sujets ? Ou est-ce encore un long chemin à parcourir ?

Kevin : C'est clairement encore un long chemin à parcourir. Je dirais que la grande majorité des entreprises ne sont pas bien positionnées pour exploiter les données dont elles disposent. C'est pourquoi elles rencontrent des difficultés lorsqu'elles font appel à un partenaire ou à un fournisseur pour les aider à intégrer leurs données dans ma boîte noire et à en tirer des informations précieuses. Elles se rendent très vite compte que si la qualité des données entrantes est mauvaise, ou si celles-ci sont mal structurées, mal étiquetées, etc., les résultats le seront également. Des données erronées donnent donc des résultats erronés. Et je pense que c'est là que réside la frustration : tout le monde veut utiliser l'IA, mais ne se rend pas nécessairement compte de la quantité de travail nécessaire pour se préparer, du point de vue des données, afin d'obtenir de bons résultats. D'après mon expérience, lorsque je discute avec des entreprises ou d'autres personnes intéressées par l'utilisation de certains de ces outils, comme le NLP, je constate que l'on se heurte généralement à un goulot d'étranglement au niveau des données à saisir pour bien faire les choses. Il faut donc prévoir et allouer des coûts importants pour simplement nettoyer les ensembles de données dont vous disposez, qu'il s'agisse de cahiers de laboratoire ou de données externes, comme des articles, en les étiquetant et en les structurant du mieux possible. C'est un énorme problème. Et je pense que c'est un obstacle majeur.

Ray : C'est intéressant, vous mentionnez cela. Il existe un groupe dans la région de la baie de San Francisco, appelé scale.ai. Il mène des travaux vraiment fascinants avec tous les grands constructeurs automobiles afin de mettre de l'ordre dans leurs affaires et de faciliter le passage aux véhicules autonomes, en particulier certains acteurs traditionnels en dehors de Tesla. Nous voyons donc quelques entreprises qui sont vraiment de très bons partenaires dans ce domaine. Mais si l'on regarde d'autres secteurs, comme l'industrie chimique, pharmaceutique, des biens de grande consommation ou encore l'informatique, quel est le véritable problème en matière de données ? S'agit-il de l'adhésion des dirigeants ? S'agit-il simplement d'infrastructures et de systèmes obsolètes ? Selon vous, que faut-il faire au cours des deux prochaines années pour que ces organisations optimisent la propreté de leurs données afin de tirer pleinement parti de la valeur du ML ?

Kevin : Cela illustre bien certains des dysfonctionnements que l'on peut observer dans les grandes organisations en termes de compréhension réelle du problème à résoudre et des moyens nécessaires pour y parvenir. Et ce n'est pas propre aux grandes entreprises. Je pense que c'est un problème qui touche de nombreuses organisations. Mais je pense qu'il n'y a pas toujours de transparence, lorsque ces initiatives sont annoncées ou lancées, sur la difficulté réelle qu'elles représentent et sur le niveau de résultats que l'on peut en attendre. Je crois donc, et j'ai vu de nombreuses initiatives lancées, sans vraiment beaucoup de diligence raisonnable, nécessairement sur la difficulté que cela va représenter ou sur les résultats inattendus. Dans les cas les plus extrêmes, on se dit : « Utilisons l'IA, parce que c'est de l'IA, et voyons ce qui se passe. » Mais je constate que les gens deviennent de plus en plus sophistiqués. Mais il est certain qu'au début de la transformation numérique, on ne voyait pas beaucoup de rigueur dans le choix des problèmes et des outils appropriés. Ainsi, lorsque vous soulevez la question des données, vous constatez que les organisations ne sont pas vraiment unifiées et ne comprennent pas ce qu'il faut faire pour obtenir de bons résultats, comme je l'ai mentionné précédemment. Je pense que cela nécessite de vraiment comprendre le coût réel. Quel est le coût ? Et quel est le rapport coût-bénéfice ? Quel travail vais-je devoir fournir ? Je peux faire appel au fournisseur x, qui est très attractif, mais combien de travail cela va-t-il demander ? Et combien vont-ils me facturer rien que pour nettoyer mes propres données, avant même que je puisse commencer à les mettre dans la boîte noire et à obtenir des résultats ? Je pense donc qu'il y a souvent un manque de compréhension quant à la difficulté que cela représente. Vous avez souligné que cela pouvait concerner uniquement l'emplacement des données, mais aussi l'unification d'ensembles de données provenant de différentes parties d'un système ou d'une organisation, ainsi que toutes sortes de problèmes d'infrastructure. La gestion des données est donc plus difficile que ce que l'on imagine souvent.

Ray : Y a-t-il des entreprises ou des secteurs qui, selon vous, font vraiment bouger les choses dans ce domaine ? Qui améliorent leur préparation afin de pouvoir réellement intégrer une boîte noire IA et optimiser véritablement la valeur ? Y a-t-il des secteurs qui retiennent votre attention et qui pourraient être des pionniers dans ce domaine ?

Kevin : Oui, cela va sembler répétitif, mais je pense vraiment que le secteur manufacturier est un domaine où l'on commence à voir des gens se concentrer sur l'extraction de données provenant de différents systèmes et sur leur unification. Je ne vais pas nécessairement passer en revue tous les acteurs ici, mais je pense qu'il y a une compréhension du fait que mon infrastructure comprend des équipements provenant de tous ces différents fournisseurs et que le simple fait de pouvoir se connecter à tous ces différents systèmes et de regrouper toutes ces données en un seul endroit me permet de faire des choses beaucoup plus intéressantes avec, qu'il s'agisse d'IA ou d'autres approches analytiques. Donc, encore une fois, c'est un domaine particulier où je vois que les gens comprennent le défi que représente le problème, mais où ils commencent aussi à s'orienter vers sa résolution en disposant des connecteurs appropriés pour extraire les données pertinentes. Mais encore une fois, cela se situe assez loin dans le tunnel des applications, par rapport à la consultation d'articles de revues ou d'autres documents pour la R&D. Oui, ce sont des cas d'utilisation assez différents.

Ray : Lorsque les opérations liées aux données sont bien organisées et que vous voyez une entreprise qui fait preuve d'une grande rigueur en la matière, constatez-vous une réelle valeur ajoutée ? En effet, nous observons des cas intéressants où certains sous-secteurs tirent réellement profit de cette valeur ajoutée, tandis que d'autres font beaucoup de battage médiatique, mais ne tirent pas vraiment parti de la valeur significative de l'IA déployée dans la R&D. Quels sont les résultats que vous constatez sur le marché en termes d'impact réel ?

Kevin : Oui, outre les études de cas, vous savez, ces grandes valeurs évidentes comme la découverte de vaccins ou quelque chose dont nous avons parlé auparavant, dans la plupart des industries physiques traditionnelles, ce n'est pas basé sur la pharmacie. Je n'ai pas encore vu cela comme une grande victoire de l'IA. Je ne pense pas que ce soit parce que c'est impossible, mais plutôt parce qu'il existe des barrières organisationnelles. Encore une fois, la question est : choisissez-vous le bon problème ? Choisissez-vous le bon outil ? Obtenez-vous de petites victoires avant d'obtenir de grandes victoires ? Je pense qu'il existe un moyen de mettre en place certaines de ces solutions à l'échelle de l'entreprise qui impliquent de remporter des victoires à petite échelle. Je ne sais pas dans quelle mesure les gens ont systématiquement cherché à identifier d'abord ces petites victoires et à optimiser ou augmenter leurs chances de succès. Car il faut remporter de petites victoires avant de remporter de grandes victoires, en particulier dans ce cas, je pense. Je pense donc qu'il y a vraiment matière à réfléchir aux problèmes que vous essayez de résoudre. Vous vous souvenez de l'exemple que j'ai donné, où je veux trouver des articles comme celui-ci, qui ne sont pas très importants en termes d'exécution, mais qui peuvent offrir un retour sur investissement assez intéressant, si vous le faites de manière à ce que les scientifiques puissent se concentrer sur les 10 meilleurs articles. Je pense donc qu'il est possible d'être plus réfléchi quant à l'ampleur du problème, de choisir ce que vous essayez de résoudre et d'y réfléchir vraiment.

Ray : Nous constatons cela aussi, Kevin. Il y a beaucoup de battage médiatique, les gens essaient de vouloir tout faire à la fois. Et il n'y a pas beaucoup de réflexion approfondie sur les principes fondamentaux, consistant à examiner un problème précis, à le résoudre correctement, puis à partir de là, à se poser et à se développer. C'est fascinant que vous mentionniez cela, car nous entendons aussi ce sentiment sur le marché, où les gens sont vraiment enthousiastes, ils comprennent, ils comprennent la valeur fondamentale potentielle, mais il y a un décalage autour de l'idée de procéder par petites étapes. Il y a donc une certaine confusion autour de l'idée qu'il faut d'abord réussir avant de se développer, autour du déploiement de l'IA dans le processus d'innovation. À votre avis, si l'on s'en tient aux principes fondamentaux, est-ce que cela tient aux personnes ? Est-ce que cela tient aux fournisseurs sur le marché, à la manière dont ils positionnent leur offre ? Quel est le contexte de ce type de déséquilibre sur le marché ?

Kevin : Oui, si nous nous concentrons sur les grandes entreprises, dans ce cas, elles ont généralement du mal à agir rapidement ou à adopter de nouvelles choses. Non pas parce qu'elles ne sont pas intelligentes, mais simplement parce qu'il existe de nombreux obstacles organisationnels qui les empêchent d'essayer de nouvelles choses. En particulier dans un secteur conservateur. Je pense donc que, dans la plupart des cas, ces entreprises ne sont pas natives du numérique. Elles ont donc beaucoup à apprendre sur l'IA. Que cherche-t-elle à faire ? Quelles sont les différentes formes d'apprentissage automatique, supervisé ou non supervisé ? En quoi cela est-il important pour le problème que je cherche à résoudre ? Et toutes ne sont pas en mesure de répondre efficacement à ces questions dès le début, afin de les orienter dans la bonne direction. Je pense donc qu'il y a beaucoup d'aspects liés à la formation. Car si vous vous rendez dans l'une de ces organisations, vous trouverez des personnes vraiment brillantes, à la pointe de la technologie, qui comprennent toutes les nuances. Il y aura des personnes comme ça dans ces organisations. Il s'agit pour elles d'aligner ces fonctions plus larges afin de les exécuter ensemble. C'est un problème très compliqué dans une grande organisation, car il faut obtenir l'adhésion des plus hauts niveaux, jusqu'aux personnes qui effectuent le travail au quotidien. Il est donc difficile d'obtenir une telle unité de vision et de la mettre en œuvre efficacement. C'est difficile, surtout avec une technologie comme l'IA, que beaucoup d'entre eux ne connaissent peut-être pas.

Ray : D'accord. Fondamentalement, cela ressemble à des personnes, dans sa forme la plus simple.

Kevin : Oui, en résumé, les gens sont... les gens sont compliqués.

Ray : Alors, amusons-nous un peu avec ça maintenant. Imaginez un monde où, sur le plan des données, la plupart des industries ont mis de l'ordre dans leurs affaires, où les ressources humaines sont alignées, où les capacités en science des données sont en place ; à quoi ressemble cette utopie ? Quelles sont les opportunités vraiment séduisantes qui s'offrent à nous en matière d'apprentissage automatique, d'IA, de vision par ordinateur et d'autres formes d'IA susceptibles de transformer réellement le processus d'innovation ? Quels sont les Saint Graal que vous surveillez généralement et qui vous enthousiasment vraiment ?

Kevin : Pour moi, ce qui est passionnant, c'est de savoir si je peux créer plus rapidement des produits de valeur. Cela peut sembler un peu ennuyeux, mais je pense que quel que soit le secteur dans lequel vous travaillez, que votre produit soit un médicament, un code ou un appareil, la question est toujours la même : puis-je créer une version améliorée, plus utile pour mon client ? Et puis-je le faire rapidement ? Parce qu'à un moment donné, il y aura évidemment des gagnants et des perdants, et des gens qui seront meilleurs que d'autres. Mais l'IA va être assez démocratisée. Je veux dire que tout le monde pourra le faire s'il le souhaite. Ainsi, ceux qui continueront vraiment à réussir, traduiront les informations issues des données qu'ils auront intégrées à leur algorithme d'IA, afin de créer des choses intéressantes qui ont plus de valeur. Pour moi, en tant que consommateur, par exemple, le simple fait d'avoir de meilleurs produits qui me sont plus utiles, qui sortent plus fréquemment ou plus souvent, ou qui m'apportent plus de valeur, je pense que c'est ce que nous pouvons espérer. Je pense que cela va se produire. Tout dépend du secteur, de l'industrie. Mais si nous envisageons vraiment un monde où tout le monde peut le faire assez bien, nous devrions obtenir de meilleurs produits en fin de compte.

Ray : Voyez-vous des facteurs macroéconomiques susceptibles d'accélérer considérablement l'impact de l'IA sur l'ensemble du processus de R&D ? Par exemple, nous assistons à des développements très intéressants dans le domaine de l'edge computing, ainsi qu'à l'émergence d'entreprises exceptionnelles telles que Nvidia et à la fusion potentielle entre ARM et Nvidia, qui permettrait de créer une pile complète pour mettre en œuvre l'IA à grande échelle. Ce n'est qu'un exemple parmi d'autres, mais voyez-vous d'autres facteurs macroéconomiques qui pourraient réellement accélérer cette vision d'une recherche et d'un développement axés sur l'IA ?

Kevin : Je pense que vous avez soulevé un point intéressant concernant l'informatique en périphérie. Nous n'avons pas besoin d'une puissance de calcul énorme et nous obtenons plus rapidement des informations grâce à l'IA en périphérie. Je trouve cela fascinant. En termes de facteurs macroéconomiques favorables, je pense que tout le monde s'accorde à dire que l'IA peut être source de transformation et qu'elle est en train de s'imposer. Je pense donc que vous voyez des politiques et des réglementations gouvernementales mises en place ou un soutien au développement de l'IA. C'est certainement le cas en Chine, par exemple. Certains de ces gouvernements commencent à reconnaître l'impact de l'application de ces technologies et vont certainement faire avancer les choses et aider les industries à se développer, et vont contribuer à motiver, je pense, l'application de l'IA et la R&D. Je pense donc qu'il n'y a pas seulement les forces du marché, mais aussi les forces réglementaires qui peuvent également faire avancer les choses. Mais si vous cherchez un signe, rendez-vous sur LinkedIn et recherchez toutes les personnes dont le titre mentionne la transformation numérique. Ces fonctions, ces emplois, ces choses apparaissent partout, dans toutes sortes d'industries, pas seulement dans le marketing et pas seulement dans les technologies traditionnelles. Mais les entreprises qui fabriquent des pompes et celles qui font toutes sortes de choses différentes, cette compréhension de la disruption que peuvent entraîner ces technologies, touche désormais toutes sortes d'industries. Je pense donc que cette tendance va continuer à se développer.

Ray : Oui, Kevin, j'adore ton idée de faire cette recherche rapide sur LinkedIn. Nous le faisons de temps en temps ici, chez PatSnap. Nous avons fait une recherche sur le mot « innovation », Kevin, et les chiffres étaient stupéfiants. Si tu les compares à d'autres domaines, comme la science de la décision ou la science des données, cela donne des résultats très précis. Tout le monde était vraiment enthousiasmé par la vague imminente. Je pense que la création d'emplois est un excellent indicateur pour les catégories de logiciels et de technologies potentielles. J'aime donc cet exemple. Kevin, entrons dans cet état d'esprit imaginatif, un peu comme à Disneyland. Si nous étions en 2028, où en serions-nous selon toi sur l'échelle de l'évolution du processus d'innovation grâce à l'IA ? Ou où en serions-nous en termes d'impact ?

Kevin : Oui, je pense que si nous revenons à cela, nous réfléchissons à l'ensemble du processus d'innovation qui commence à ce stade initial, où vous élaborez des idées. Je pense que d'ici 2020, on verra beaucoup plus d'entreprises déployer des outils pour le faire de manière efficace. Si on en est encore aux prémices, comme on l'a dit avant, on devrait voir une maturation, les gens devraient tirer les leçons de leurs échecs passés et on devrait voir la mise en place de meilleures méthodes, plus systématiques, pour choisir nos prochains projets. Je pense que ce serait décevant de ne pas voir de progrès dans ce domaine. Donc, si vous recherchez des mesures tangibles, vous savez, il existe des mesures du nombre d'initiatives qui aboutissent à des produits réussis, et ce n'est pas bon. Si nous regardons en arrière, j'espère et je pense que d'ici dix ans, vous commencerez à voir le taux de réussite ou le taux de conversion des idées en valeur augmenter, quelle que soit la manière dont cela sera mesuré ou dont nous le mesurons aujourd'hui. Nous devrions voir les organisations commencer à constater une véritable augmentation de ce type d'indicateur, car sinon, je dirais que cette expérience a été un échec.

Ray : C'est une vision qui nous enthousiasme également beaucoup. Tout ce qui touche à l'innovation axée sur l'analyse, où l'on assiste à une convergence de données non structurées toutes connectées entre elles. Où en sommes-nous selon vous sur ce front, en termes de compréhension du marché et d'acceptation de l'utilisation d'une gamme de données non structurées, et de leur mise en relation pour en tirer des prévisions ? Où en sommes-nous selon vous en termes de développement sur ce front ?

Kevin : Je dirais que nous n'en sommes encore qu'aux prémices, et je pense que le décalage vient du fait que, comme nous pourrions en discuter longuement, Ray, nous croyons que les données elles-mêmes seront la solution finale. Je pense donc que le décalage vient du fait que vous ne recherchez pas vraiment des données. Ce n'est pas l'objectif, l'objectif est la compréhension. Vous voulez quelque chose qui vous dise quoi faire ensuite. Comment puis-je améliorer ce sur quoi je travaille pour le rendre plus efficace ? Je pense donc que le décalage vient du fait que vous devez aborder cela sous deux angles différents : d'un côté, vous abordez cela du point de vue de l'unification des données dont vous parlez, et je pense que cela s'améliore rapidement et que beaucoup de choses intéressantes se passent dans ce domaine. Mais je pense qu'il faut associer cela à l'intervention humaine, à la bonne personne à l'autre bout du spectre, pour interpréter les données, interpréter ces tendances, en tirer des informations et vous amener à faire ce que vous êtes censé faire ensuite. Je pense que c'est le fossé qu'il faut combler : des outils de données de pointe, des algorithmes de pointe, des tendances, des prévisions, associées à des personnes capables de prendre des décisions éclairées sur la base de ces informations. Je pense qu'il est possible de combiner ces deux éléments de manière plus efficace. Je pense donc que nous faisons d'énormes progrès dans ce domaine. Nous avons des experts dans différents domaines, les données sont disponibles, comment les réunir sans nécessairement les mettre en concurrence, mais plutôt en leur donnant un objectif commun pour que ces éléments fonctionnent mieux ensemble.

Ray : Kevin, lorsque vous parlez de « l'intervention humaine dans le processus », faites-vous allusion au fait que les équipes chargées des études de marché ou de la prospective dans certaines entreprises pourraient être intimidées par le fait que l'apprentissage automatique risque de remplacer une partie de leur travail ? Existe-t-il donc une sorte de résistance culturelle ? Ou s'agit-il d'un défi ? Ou s'agit-il simplement de comprendre fondamentalement la technologie ? Comment combler ce fossé entre les données non structurées de l'apprentissage automatique et l'intervention humaine dans le processus, afin qu'ils fonctionnent en synergie ?

Kevin : Je pense que ce sont les deux choses que vous avez mentionnées. Il y a certainement une menace, ou des aspects menaçants. Il suffit de rechercher « automatisation de la main-d'œuvre » ou « IA et emplois du futur » pour voir à quel point la crainte de la suppression d'emplois fait débat. Certains emplois seront bien sûr supprimés, mais c'est une réaction naturelle quand on parle d'automatisation, qui est vraiment au cœur de ce dont nous parlons ici : l'automatisation des insights. Bien sûr, cela représente une menace pour les personnes dont le travail consiste à générer et à interpréter des informations à partir de données. Je pense donc qu'il y aura certainement cet obstacle d'un point de vue personnel, qui menace l'expertise des personnes. Mais ce qui me convainc vraiment dans le rôle de l'humain dans ce processus, c'est que, surtout si vous travaillez dans une organisation à vocation scientifique, vous ne ferez jamais aveuglément confiance à un algorithme. En tant que scientifique moi-même, je ne le ferais jamais, peu importe les explications qu'on me donne, peu importe la rigueur avec laquelle il a été développé, un bon scientifique sera toujours sceptique quant aux résultats qui lui sont présentés. Vous devrez donc toujours combler ce fossé, en espérant pouvoir donner des super pouvoirs à cet innovateur. Que ce soit un visionnaire ou un scientifique, ma position serait la suivante : comment utiliser cet ensemble de technologies pour renforcer les capacités des personnes, des personnes intelligentes dont nous disposons déjà, plutôt que de les remplacer ? Je sais que cela peut être controversé, que cela peut différer d'autres points de vue, mais je crois que c'est la vision que je privilégierais à l'avenir.