00:00:07 Cas d’utilisation potentiels de la programmation différentiable dans les supply chain.
00:00:31 Appliquer la programmation différentiable aux magasins de détail et à la perspective client.
00:02:56 La propriété révolutionnaire de la programmation différentiable dans la modélisation du comportement des clients.
00:06:05 L’impact de la programmation différentiable sur les opérations d’entrepôt et la prévision de la demande future.
00:07:11 Lissage des courbes d’expédition de l’entrepôt grâce à la programmation différentiable.
00:09:38 L’importance de servir les clients à temps et son impact sur la supply chain.
00:10:40 Le rôle de la programmation différentiable dans la modélisation des réseaux complexes de supply chain.
00:13:01 Contrôle qualité et imperfections dans les systèmes de production.
00:14:17 Appliquer la programmation différentiable pour modéliser les incertitudes dans l’industrie pharmaceutique.
00:16:00 La programmation différentiable et ses avantages dans les situations de données rares.
00:17:41 L’expiration des brevets comme exemple de l’application de la programmation différentiable dans l’industrie pharmaceutique.
00:19:57 Adopter la complexité et aborder les principaux leviers commerciaux grâce à la programmation différentiable.
00:21:59 Équilibrer la simplicité et la complexité dans les modèles en fonction des exigences commerciales.
00:22:42 La programmation différentiable comme évolution de l’approche programmatique de Lokad, avantages et opportunités pour les clients.

Résumé

Dans cet épisode d’interview, l’animateur Kieran Chandler et Joannes Vermorel, fondateur de Lokad, explorent les applications de la programmation différentiable et son impact sur gestion de la supply chain. Les modèles traditionnels de séries temporelles peinent à modéliser la cannibalisation et la substitution, tandis que la programmation différentiable offre une approche centrée sur le client, tenant compte des désirs et des besoins des clients pour une prise de décision mieux informée. Cette approche peut conduire à une prévision de la demande plus précise, à la gestion des stocks et à une optimisation des entrepôts. La programmation différentiable répond à des défis complexes multi-niveaux et prend en compte les imperfections de production, ce qui la rend adaptée à divers secteurs. Vermorel souligne que la programmation différentiable permet aux entreprises d’incorporer leur connaissance du domaine dans les modèles de machine learning, aboutissant à des solutions plus précises, efficaces et adaptées aux problèmes spécifiques.

Résumé Étendu

Dans cet épisode de la série d’interviews sur la programmation différentiable, l’animateur Kieran Chandler et Joannes Vermorel, fondateur de Lokad, abordent les cas d’utilisation potentiels et les conséquences de l’application de cette technologie aux supply chain, notamment dans les magasins de détail. La programmation différentiable a le potentiel d’améliorer la gestion de la supply chain en traitant divers problèmes que les approches traditionnelles par séries temporelles ne parviennent pas à gérer efficacement.

L’un des enjeux majeurs dans la gestion de la supply chain est le défi de modéliser la cannibalisation et la substitution, qui sont particulièrement importants dans des secteurs tels que le luxe, la fast fashion et le commerce alimentaire. Les modèles traditionnels de séries temporelles peinent à intégrer ces facteurs, recourant souvent à des solutions de fortune peu satisfaisantes et loin d’être optimales.

La programmation différentiable offre une approche nouvelle à ces problèmes en se concentrant sur la perspective du client, plutôt que uniquement sur le produit. Elle permet aux gestionnaires de la supply chain de prendre en compte des facteurs tels que les désirs et les besoins des clients ainsi que leur propension à choisir ou non des articles, en fonction de l’assortiment actuel et de la disponibilité des stocks. Cette approche centrée sur le client fournit une compréhension plus précise et nuancée de l’environnement commercial, menant à une prise de décision mieux informée.

L’aspect révolutionnaire de la programmation différentiable réside dans sa capacité à modéliser les affinités des clients envers des produits spécifiques du catalogue. Ce processus procédural permet aux gestionnaires de la supply chain de prendre en compte divers facteurs, tels que l’effet de la nouveauté sur les achats et la faible probabilité que des clients réguliers achètent à nouveau le même produit. Ces informations peuvent conduire à une prévision de la demande plus précise et à une gestion des stocks améliorée.

Par exemple, dans une librairie, un client qui achète un livre est très peu susceptible de se procurer à nouveau le même titre lors de sa prochaine visite. Les modèles traditionnels de séries temporelles peinent à intégrer ce comportement, tandis que la programmation différentiable peut modéliser directement ces décisions d’achat individuelles. Cela conduit à une compréhension plus précise de la demande des clients et du cycle de vie des produits.

La programmation différentiable permet aux gestionnaires de la supply chain de modéliser le comportement des clients qui fréquentent régulièrement le magasin, notamment ceux attirés par la nouveauté. Cette approche peut aider à prédire la popularité de nouveaux produits et le moment où leur demande diminuera. Contrairement aux modèles de séries temporelles, qui reposent sur des méthodes indirectes de modélisation de ces schémas, la programmation différentiable offre une solution plus directe et précise.

Vermorel explique que la programmation différentiable permet une modélisation plus précise du comportement des clients au point de vente. Les modèles statistiques traditionnels avaient du mal à intégrer même des indications de base sur le comportement des clients, rendant leur apprentissage de zéro particulièrement difficile. La programmation différentiable, en revanche, offre une méthode plus directe pour comprendre ce qui se passe en magasin et peut être facilement intégrée aux modèles de machine learning.

En ce qui concerne la gestion des entrepôts, la programmation différentiable peut aider à optimiser et à lisser le flux des produits. Les entrepôts se heurtent souvent à des problèmes de capacité d’entrée/sortie, et il serait idéal de pouvoir effectuer de petits ajustements aux plannings d’expédition afin d’éviter des envois qui se chevauchent et de réduire le besoin de personnel temporaire. Les techniques d’optimisation traditionnelles éprouvaient des difficultés avec ce problème, car il impliquait à la fois des aspects d’apprentissage et d’optimisation. La programmation différentiable, en revanche, peut gérer le grand nombre de variables impliquées dans ce processus, rendant possible l’optimisation de l’expédition de millions de SKU et la prise en compte des effets d’interaction subtils.

Au niveau de la fabrication, la programmation différentiable peut contribuer à résoudre des défis complexes multi-niveaux. Les approches traditionnelles avaient tendance à se concentrer sur des nœuds spécifiques au sein de la supply chain et visaient des taux de service élevés pour certains produits. Cependant, Vermorel soutient que ce qui importe réellement, c’est que les produits finis soient disponibles pour les clients, rendant ainsi la plupart des étapes intermédiaires de la supply chain sans importance. La programmation différentiable permet de modéliser plus précisément le réseau complexe de pièces et d’assemblages au sein de la supply chain, ce qui, en fin de compte, aide à mieux servir les clients et à temps.

De plus, la programmation différentiable peut aider à prendre en compte les imperfections du système de production, telles que les problèmes de contrôle qualité. Dans des secteurs comme la pharmaceutique, où des organismes vivants participent à la production de médicaments de pointe, des lots de production peuvent être perdus en raison de processus biologiques. La programmation différentiable peut compenser ces pertes et aider à optimiser l’ensemble du processus de production.

Vermorel explique que l’industrie pharmaceutique est confrontée à des niveaux élevés d’incertitude en raison de la nature de ses processus. Par exemple, si un problème survient dans un lot de cultures, l’intégralité du lot risque d’être perdue, ce qui diffère de l’industrie automobile où seule une petite fraction des pièces peut échouer au contrôle qualité. Les modèles traditionnels de machine learning pourraient éprouver des difficultés avec ce niveau d’incertitude, car ils ne disposent peut-être pas de suffisamment de données historiques pertinentes pour prédire avec précision les résultats.

La programmation différentiable offre une alternative en permettant aux entreprises d’intégrer directement leur savoir-faire du domaine dans le modèle de machine learning. Vermorel souligne que la programmation différentiable ne consiste pas à noyer un système d’IA sous une masse de données, mais plutôt à tirer le meilleur parti des données rares et précieuses. Par exemple, dans l’industrie pharmaceutique, l’impact de l’expiration des brevets sur la tarification des médicaments est un phénomène bien connu. La programmation différentiable permet d’intégrer cette connaissance dans le modèle, améliorant ainsi sa précision et son efficacité.

La polyvalence de la programmation différentiable la rend adaptée à divers secteurs, chacun ayant des défis uniques. Vermorel prend l’exemple de l’après-vente automobile, où la compatibilité entre les pièces de véhicule et certains modèles spécifiques est cruciale. Ignorer cet aspect dans un modèle simpliste pourrait conduire à des résultats sous-optimaux, tandis que la programmation différentiable peut aider à capturer ces leviers commerciaux essentiels.

Malgré la complexité de la programmation différentiable, Vermorel soutient que les entreprises ne devraient pas hésiter à l’adopter. Bien que des modèles plus simples puissent fonctionner, ils le font souvent au détriment de la précision et d’une compréhension approfondie de l’activité. La programmation différentiable permet une approche plus personnalisée pouvant répondre à des problèmes et situations spécifiques.

La programmation différentiable représente une évolution de l’approche programmatique de Lokad pour l’optimisation de la supply chain. Elle permet aux entreprises d’intégrer leur savoir-faire du domaine dans leurs modèles de machine learning, conduisant à une exécution plus efficiente et à une performance améliorée en termes de précision. La programmation différentiable offre aux entreprises l’opportunité de revisiter les problèmes existants et de développer des solutions évolutives qui répondent mieux à leurs défis uniques.

Transcription Complète

Kieran Chandler: Aujourd’hui, nous allons conclure notre courte série en examinant de plus près certains de ses cas d’utilisation potentiels et les conséquences de grande portée que cela peut avoir lorsqu’il est appliqué à une supply chain. Alors, Joannes, quels sont certains des problèmes sur lesquels nous pouvons améliorer notre approche en utilisant la programmation différentiable ? Et commençons peut-être par les magasins de détail, vous savez, le point de contact avec les clients.

Joannes Vermorel: Actuellement, presque tout ce qui se fait en supply chain adopte la perspective des [séries temporelles], où l’on a un produit et l’on observe les ventes unitaires, la demande ou le service, selon le type de magasin exploité. Évidemment, un point de vente dans l’aérospatial n’est pas comparable à une enseigne de fast fashion, mais l’idée est d’adopter une perspective de séries temporelles par produit. Le problème avec cette approche, par exemple, est que des éléments tels que la cannibalisation et la substitution, très marqués dans le luxe, la fast fashion ou le commerce alimentaire, sont extrêmement difficiles à modéliser. Dans de nombreux cas, ils existent à peine. La programmation différentiable offre un angle permettant d’aborder directement le problème du point de vue du client, en disant : “Eh bien, j’ai une population de clients qui entrent dans mon magasin et ont des désirs et des besoins, et ils vont choisir ou non les articles qui leur sont présentés, en tenant compte de l’assortiment actuel et de la disponibilité des stocks.” C’est très intéressant car, grâce à la programmation différentiable, nous pouvons opérer à un niveau qui ne se limite pas aux séries temporelles appliquées aux références produits exposées en magasin. Nous pouvons adopter la perspective du client, et cela change véritablement la donne. Notre expérience avec la perspective des séries temporelles est que, généralement, le mieux que l’on puisse faire est d’appliquer du ruban adhésif à nos modèles numériques pour qu’ils ne soient pas trop défaillants face à la cannibalisation et à la substitution, mais ce n’est pas très satisfaisant. C’est du ruban adhésif, au mieux.

Kieran Chandler: Récapitulons peut-être ce dont nous avons discuté dans les épisodes précédents. Quelle est donc cette propriété révolutionnaire dont tu as parlé et qui rend tout cela possible ?

Joannes Vermorel: Avec une approche de programmation différentiable, vous pouvez littéralement modéliser le fait qu’un client a une affinité spécifique pour n’importe quel produit de votre catalogue, et vous pouvez écrire un processus procédural pour cela. Par exemple, disons que j’ai des clients qui reviennent dans mon magasin, et peut-être que ces clients sont attirés par la nouveauté. Comment modéliser quelque chose d’aussi simple que le fait que, une fois venus acheter un livre, ils ne vont par définition pas racheter le même livre lors de leur prochaine visite ? Ils n’achèteront qu’un autre titre, et non le même. Dans une perspective classique de séries temporelles, il est quasiment impossible d’intégrer un aspect aussi fondamental, à savoir qu’un client récurrent qui entre dans votre librairie une fois par mois ne rachètera pas le même produit. Ainsi, si vous constatez un pic de demande pour un livre, il y a de fortes chances que cette demande soit atténuée par le fait que, si tous vos clients habituels achètent ce nouveau livre populaire, alors par définition, lors de leur prochain passage, ils ne l’achèteront plus. Évidemment, vous pouvez modéliser cela avec une approche par séries temporelles en utilisant un effet de cycle de vie, où vous introduisez un nouveau produit qui connaît un pic lors de son lancement, puis la demande décroît. Mais c’est une méthode très indirecte pour modéliser le problème. Une approche bien plus directe consiste à utiliser different

Kieran Chandler: Votre logiciel vous permet de modéliser avec précision ce qui se passe en magasin de manière bien plus directe qu’auparavant. Pouvez-vous expliquer comment cela modifie l’utilisation des modèles statistiques dans l’optimisation de la supply chain ?

Joannes Vermorel: Avec la programmation différentiable, il devient plus aisé d’injecter des informations essentielles sur le comportement des clients dans les modèles statistiques. Cela signifie que les modèles n’ont pas à tout apprendre de zéro, sans aucune connaissance métier, ce qui était auparavant une tâche ardue.

Kieran Chandler: Comment la programmation différentiable aide-t-elle dans l’aspect entreposage de la supply chain ? Est-ce principalement une question de prévision de la demande future?

Joannes Vermorel: La programmation différentiable peut également aider à relever des défis au niveau des entrepôts, tels que fluidifier le flux des expéditions. Les entrepôts font souvent face à des problèmes de capacité d’entrée et de sortie, et une solution consiste à organiser intelligemment les expéditions pour éviter qu’elles ne se heurtent et réduire la pression sur les plates-formes logistiques. En apportant de petits ajustements au planning des expéditions, les opérations peuvent être plus fluides, plus simples et moins coûteuses à gérer, réduisant ainsi le besoin de main-d’œuvre temporaire et la complexité opérationnelle qui en découle.

Kieran Chandler: A-t-il été difficile d’atteindre ce niveau d’optimisation avec les techniques existantes ?

Joannes Vermorel: Avec les techniques existantes, il était difficile de combiner apprentissage et optimisation. Lorsque vous avez des milliers de produits et des centaines de clients, vous vous retrouvez avec des millions de variables à optimiser, et les méthodes d’optimisation traditionnelles ne peuvent pas gérer cette complexité. La programmation différentiable permet une meilleure optimisation dans ces situations, même en présence de nombreuses interactions subtiles, comme le besoin d’expédier davantage de produits vers un magasin s’il est proche de la rupture de stock.

Kieran Chandler: Vous avez une boucle de rétroaction entre ce que vous décidez, ce que vous prévoyez, et avec une perspective plus traditionnelle, nous pouvions réaliser ce type d’optimisation, mais c’était beaucoup plus fastidieux car nous devions effectuer une analyse par étapes. Fondamentalement, il était très difficile de prendre en compte toutes ces boucles de rétroaction existant dans le système. D’accord, et si nous revenons au maillon final de cette supply chain et examinons désormais les choses du point de vue de la fabrication, comment la programmation différentiable nous aide-t-elle face à ces défis multi-échelons ?

Joannes Vermorel: Le problème est encore plus aigu lorsque l’on entre dans le domaine de l’optimisation multi-échelons. La plupart de ce qui se passe à chaque nœud est, en quelque sorte, insignifiant dans la mesure où il s’agit d’un artefact. Vous ne vous souciez pas de la disponibilité des stocks à des points aléatoires de votre réseau complexe de pièces et d’assemblages qui aboutissent aux produits finis. Le seul point du graphe qui importe réellement est de savoir si vous servez votre client à temps, ce qui n’est pertinent que pour les produits finis.

Que dire de tout le graphe de dépendances que vous avez en arrière-plan ? Le fait que ce qui se passe à chaque étape intermédiaire, ce graphe complexe de dépendances où figure votre nomenclature BOM générant ce graphe, est fondamentalement sans importance. C’est un artefact qui n’a d’importance que du point de vue du fait qu’au bout du processus, vous servez vos clients.

Joannes Vermorel: Au fait, cela revient à ma critique de DDMRP il y a quelques semaines. Si vous pouvez adopter un système de score binaire sur ce graphe et déclarer que pour certains nœuds vous souhaitez atteindre un taux de service élevé, il importe peu d’avoir un taux de service élevé pour un produit si vos clients ne s’en préoccupent pas parce qu’ils n’achètent pas ce produit. La seule chose qui les intéresse, c’est de savoir si les produits finis que vous vendez sont disponibles ou non.

Joannes Vermorel: La programmation différentiable vous aide à modéliser de manière beaucoup plus précise ce qui se passe dans ce réseau. Certaines étapes peuvent avoir des durées probabilistes ou non. Il se peut que certaines étapes voient une fraction du flux ne passer pas le contrôle qualité. Évidemment, si vous disposez d’une supply chain parfaite, vous auriez un contrôle qualité à 100%. Ainsi, si vous devez approvisionner 100 articles, vous obtiendrez 100 produits finis qui circuleront après l’étape d’usinage. Mais parfois, vous appliquez un contrôle qualité, et votre système de production est imparfait, ce qui peut entraîner des pertes de quantités.

Par exemple, dans l’industrie pharmaceutique, lorsqu’ils disposent de processus biologiques très avancés, vous pouvez perdre un lot de production car il s’agit d’une culture de cellules destinée à produire des médicaments plus avancés. Malgré des décennies d’efforts, quand vous travaillez avec des organismes vivants produisant les composés chimiques que vous souhaitez extraire et intégrer dans votre médicament, il est très difficile de disposer d’un processus entièrement fiable à 100%. Ce n’est pas comme l’usinage dans l’industrie automobile.

Kieran Chandler: Est-ce ici que l’idée de modéliser ces résultats qui ne sont pas complètement déterministes intervient ?

Joannes Vermorel: Oui, mais aussi le fait que vous puissiez obtenir des informations très spécifiques sur le type de problèmes que vous pouvez rencontrer. Par exemple, dans l’industrie pharmaceutique, en cas de problème, vous allez très probablement perdre l’ensemble du lot de cultures présent dans l’usine. Ce ne sera pas comme dans l’usinage de l’industrie automobile où une pièce sur dix mille ne passe pas le contrôle qualité. Si vous êtes dans la pharma et que vous disposez de cultures générant certains types de composés chimiques, vous pourriez perdre l’ensemble du lot en cas de problème.

Kieran Chandler: Cela change complètement le type d’incertitude, et vous pouvez essayer de l’apprendre à partir des données, mais c’est difficile car vous n’avez peut-être pas 20 ans de données pertinentes. Vous compliquez un peu le problème plus qu’il ne le devrait, car vous aimeriez pouvoir exprimer ce type d’intuition, la réalité physique de votre entreprise, directement dans le modèle. L’approche probabiliste est donc très bonne, mais mon propos est le suivant : et si l’on adoptait une approche comme la programmation différentiable, où vous pourriez cadrer les problèmes que vous essayez d’apprendre de manière à orienter directement vos algorithmes de machine learning vers le type très spécifique d’incertitude que vous attendez, parce que vous connaissez beaucoup de choses sur votre réseau ? Et cela peut révolutionner la donne car, soudainement, vous avez besoin de bien moins de données pour être super efficace.

Joannes Vermorel: Absolument. La véritable vertu réside dans cette idée de programmation. Vous voulez dire, ce n’est pas une IA à laquelle vous pourriez simplement lancer des données et dire “apprends” ; c’est en quelque sorte le contraire. Cela signifie que les données sont rares, et je veux être très précis, mais je dois tirer le meilleur parti des données dont je dispose. Ce n’est pas comme Google qui essaie d’analyser un milliard de pages web ; nous n’avons pas de données infinies. Les données sont rares, elles sont erratiques, et elles sont très précieuses car nous ne disposons pas de tant de points de données. Par exemple, si nous voulons revenir à la pharma et réaliser des prévisions stratégiques très éclairées, il y a tout le sujet de l’expiration des brevets.

L’expiration des brevets est le moteur de la big pharma. Vous avez un produit, un médicament breveté, et ensuite, lorsque le brevet expire, il y a le risque que des concurrents pénètrent votre marché à un prix inférieur et se fassent concurrence, vous obligeant à baisser également vos prix, ce qui peut réduire significativement votre marge. Ce phénomène d’expiration des brevets est tout à fait évident pour quiconque connaît la pharma, et il stimule l’innovation ainsi que l’activité des grandes entreprises pharmaceutiques depuis des décennies. Si vous vous attendez à ce qu’un algorithme de machine learning redécouvre par lui-même ce mécanisme d’expiration des brevets, c’est un peu insensé. En revanche, la programmation différentiable est comme un outil pour les Supply Chain Scientist pour dire, eh bien, je sais que j’ai ce phénomène d’expiration des brevets. Ce que je ne connais pas exactement, c’est la probabilité que des concurrents pénètrent le marché et se fassent concurrence sur les prix. Et ce que je ne sais pas précisément, c’est comment cela va jouer pour nous si soudainement nous devons fournir les quantités que nous vendons simplement parce que d’autres concurrents entrent et que nous maintenons tous les mêmes coûts fixes.

Si je maintiens la même capacité de production, alors j’ai de nombreux coûts qui sont complètement fixes et qui ne dépendent pas de la quantité produite, et ainsi, si des concurrents pénètrent le marché, l’effet sur mes marges peut être entièrement non linéaire. Vous avez donc raison ; il s’agit avant tout de pouvoir modéliser les insights clés qui sont spécifiques d’un secteur à un autre en les intégrant dans le modèle de machine learning.

Kieran Chandler: Et le problème que beaucoup pourraient avoir avec la programmation différentiable, c’est qu’elle est assez complexe par endroits. Utilisons-nous parfois un marteau-piqueur pour casser une noisette, et existe-t-il des techniques plus simplistes que nous pourrions encore utiliser ?

Joannes Vermorel: Vous pouvez toujours utiliser des techniques plus simplistes, mais je pense que la question clé que les clients devraient se poser est la suivante : si vous gérez une supply chain complexe, pouvez-vous réellement décider d’ignorer la complexité de l’entreprise dans laquelle vous opérez ? Par exemple, si vous vendez des pièces automobiles sur le e-commerce et que vous servez des propriétaires de voitures…

Kieran Chandler: Pouvez-vous vraiment ignorer les problèmes que vous rencontrez, tels que les compatibilités mécaniques entre véhicules et pièces ? Le fait est que les personnes qui viennent acheter des pièces automobiles sur votre site web, les véritables clients ne sont pas ces personnes, ce sont leurs véhicules. Ainsi, le véhicule est le client ultime de ces pièces, et au cœur de la demande se trouve un problème de compatibilité mécanique. Si vous avez de nombreuses pièces qui sont des substituts parfaits parce qu’elles sont toutes mécaniquement compatibles avec un véhicule, c’est un aspect super important de votre entreprise. Ce que je dis, c’est que c’est un exemple où vous devez l’accepter parce que c’est vraiment le cœur de votre business. Une approche simpliste qui ignore simplement le défi de compatibilité pièce-véhicule, qui est complètement crucial lorsque vous pensez à l’aftermarket automobile, peut fonctionner mais au détriment d’une approche incroyablement crud du point de vue business.

Joannes Vermorel: Je dis qu’en termes de marteau-piqueur, vous ne devriez pas utiliser une technologie sophistiquée pour le seul plaisir de la technologie sophistiquée. Ce que je veux dire, c’est que si vous utilisez quelque chose qui ignore le moteur commercial clé de votre entreprise, alors quel que soit le modèle que vous ayez, il sera incroyablement simpliste, et n’attendez pas qu’une solution numérique sophistiquée ou autre résolve réellement le problème commercial que vous rencontrez si votre recette numérique commence par ignorer complètement cet angle business. Mon propos est que vous devriez être aussi simple que possible, mais pas plus simple que ce que votre entreprise exige vraiment.

Kieran Chandler: Pour conclure aujourd’hui, auparavant chez Lokad, nous avions une approche très programmatique. Quel est le grand changement que la programmation différentiable nous apporte, et comment les entreprises peuvent-elles s’adapter pour en tirer parti ?

Joannes Vermorel: La programmation différentiable s’inscrit effectivement dans la continuité de cette approche programmatique qui a été le moteur de Lokad depuis longtemps. C’est désormais une approche où cette programmation va au cœur de notre technologie de machine learning. Ce n’était pas seulement le cœur de notre Big Data Platform avec des mécanismes pour le traitement du big data, mais simplement du filtrage, de l’agrégation et des prétraitements typiques, data cleaning, etc. Cela était déjà entièrement programmatique, mais le noyau de machine learning était quelque peu rigide. Avec le deep learning, nous étions déjà bien plus flexibles qu’avec la précédente génération, mais c’est un nouveau stade. Pour nos clients, je crois que c’est l’occasion de revisiter de nombreux problèmes et situations où, par le passé, nous avions usé d’un grand nombre de solutions bricolées. Lorsque vous n’avez pas quelque chose de flexible, vous avez tendance à bricoler la solution avec des astuces ingénieuses, mais elles ne sont pas naturellement aussi évolutives que nous le souhaiterions. Elles peuvent être un peu grossières et approcher l’insight commercial de manière sous-optimale. Ici, c’est l’occasion de revoir cela et de faire sensiblement la même chose, mais d’une manière plus légère en termes d’exécution et plus performante en termes de précision lorsqu’on compte en euros ou en dollars d’erreur, d’un point de vue business.

Kieran Chandler: Super, merci pour votre temps aujourd’hui. C’est tout pour notre mini-série sur la programmation différentiable. Nous reviendrons la semaine prochaine avec un nouvel épisode sur un nouveau sujet, mais en attendant, merci de votre attention. Au revoir.