Aucun humain ne pourra jamais analyser le déluge de données que vont engendrer les multiples capteurs qui équipent déjà ou équiperont demain produits et machines. Ce constat explique pourquoi le Machine Learning et l’IA sont appelés à jouer un rôle central dans la transformation numérique. Des technologies qui figurent au cœur de SAP Leonardo, le système d’innovation digital de SAP.
« Si on observe les différentes industries, on se rend compte que le point commun de leurs évolutions réside dans la volonté de rendre les produits, les services et les processus d’entreprise plus intelligents. Or, au cœur de ces démarches, on retrouve systématiquement des discussions autour du Machine Learning ». Pour Mike Flannagan, le vice-président sénior de SAP en charge de SAP Leonardo, cette technologie est donc appelée à jouer un rôle central dans la transformation numérique de nos économies. Donc à occuper une place de choix au sein de SAP Leonardo, un portefeuille d’offres tournées vers l’innovation que le premier éditeur européen a récemment dévoilé. De facto, SAP Leonardo propose déjà plusieurs applications de Machine Learning prêtes à l’emploi, pour les financiers (SAP Cash Application), le service client (SAP Service Ticket Intelligence), les commerciaux (SAP Customer Retention) le marketing (SAP Brand Impact), etc. Mais aussi un framework simple d’emploi permettant de bâtir ses propres applications d’IA (SAP Leonardo Machine Learning Foundation) avec un recours limité à un Data Scientist.
« L’IoT va générer plus de données que ce que des hommes pourraient consommer durant leur vie entière. Si on veut traiter et donner du sens à ce déluge d’informations, dans bien des cas, il nous faut confier cette tâche à une machine », reprend le dirigeant. Les technologies de Machine Learning et d’intelligence artificielle (IA) portent donc en elles une bonne partie des promesses en matière de valeur ajoutée qu’engendrent les nouveaux produits et services de la transformation digitale.
Et le champ d’application de ces technologies est très vaste. « Les promesses du Machine Learning sont par exemple enthousiasmantes dans la santé, où on peut espérer mettre en place ce qu’on appelle une médecine de précision », note Mike Flannagan. Autrement dit, une médecine, qui en s’appuyant sur de grands volumes de données, trouve la thérapie la plus adaptée à chaque individu. Par exemple, dans le traitement de la surtension artérielle, le corps médical est aujourd’hui confronté à des réactions très différentes à un même traitement d’un individu à l’autre. Et, très souvent, ce traitement combine deux ou trois molécules. Face à cette multitude de combinatoires, les médecins ont tendance à prescrire des associations médicamenteuses qu’ils maîtrisent et dont ils ont vu l’efficacité sur d’autres patients.
Rendre la Supply Chain plus intelligente
Une approche qui pourrait être grandement optimisée en prenant en compte les paramètres propres au patient concerné – facteurs qui déterminent sa réaction aux traitements – et en s’appuyant sur un corpus de données très large. Afin de dépasser l’empirisme de chaque médecin pris individuellement. « On pourrait ainsi isoler des modèles qu’un docteur seul ne pourrait jamais établir, faute de disposer d’un corpus de données suffisant », dit Mike Flannagan.
Au-delà de la médecine, le Machine Learning aura des impacts profonds sur l’activité des entreprises. Selon une étude d’IDC, pas moins de 55 % d’entre elles adopteront des applications basées sur cette technologie d’ici à deux ans. Pour tout dire, certaines y sont déjà, en particulier dans la logistique. Selon une étude d’AMR Research, les 25 entreprises les plus performantes dans la supply chain affichent une performance financière 3 fois plus élevée en moyenne que les autres. « Elle parviennent à ce résultat en utilisant leurs données plus efficacement, assure le dirigeant de SAP. Et, pour créer ces processus de prises de décision basées sur la donnée, nombreuses sont celles qui ont déjà recours au Machine Learning. »
A la clef, des enjeux financiers énormes. Ainsi, le logisticien UPS a calculé que si chacun de ses livreurs parvenait à optimiser ses trajets pour rouler 1,6 km de moins chaque jour, il économiserait 30 millions de dollars par an. UPS est précisément une de ces entreprises faisant déjà appel au Machine Learning et aux applications analytiques pour optimiser les trajets de ses livreurs. Le fruit de l’analyse de grands volumes de données issues du terrain sur plusieurs années.
Le Machine Learning au pied… des machines
Reste la question du lieu où les algorithmes d’IA doivent traiter la donnée. Dans de nombreux cas, rapatrier l’information en central – dans le Cloud ou sur les systèmes de l’entreprise – afin de la traiter présente peu d’intérêt. Et peut même se traduire par des délais incompatibles avec le processus à mettre en place. Ainsi, dans les usines, il est souvent indispensable de prendre les décisions automatisées au plus près des machines. Même si cet échelon local est voué à échanger avec le système central, en particulier pour la mise à jour des algorithmes.
Partant de ce constat, SAP a développé au sein de son portfolio SAP Leonardo son offre de Edge Computing appelée SAP Edge Services et a aussi notamment lancé un projet de co-innovation avec HPE, dont la gamme de serveurs Edgeline vise précisément à couvrir ces besoins de calcul déporté, en particulier dans les environnements industriels. Les deux géants ont adapté l’offre Leonardo à ces unités de calcul vouées à être déployées sur le terrain. « Ces serveurs sont pensés pour fonctionner dans des environnements difficiles, hors des datacenters », résume Drew Iacone, le vice-président de HPE en charge de l’alliance avec SAP, un partenariat qui dure depuis 28 ans. Et dont un des nouveaux objectifs consiste bien à amener la puissance de l’IA au plus près du terrain.
