00:00:07 Cas d’utilisation potentiels de la programmation différentiable dans les supply chains.
00:00:31 Application de la programmation différentiable aux magasins de détail et aux perspectives des clients.
00:02:56 Propriété révolutionnaire de la programmation différentiable dans la modélisation du comportement des clients.
00:06:05 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 des entrepôts avec 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 la supply chain.
00:13:01 Contrôle de la qualité et imperfections dans les systèmes de production.
00:14:17 Application de la programmation différentiable pour modéliser les incertitudes dans l’industrie pharmaceutique.
00:16:00 Programmation différentiable et ses avantages dans les situations de données clairsemées.
00:17:41 L’expiration des brevets comme exemple d’application de la programmation différentiable dans l’industrie pharmaceutique.
00:19:57 Appréhender la complexité et aborder les principaux moteurs de l’entreprise grâce à la programmation différentiable.
00:21:59 Équilibrer la simplicité et la complexité dans les modèles en fonction des besoins de l’entreprise.
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 la gestion de la supply chain. Les modèles traditionnels de séries temporelles ont du mal à modéliser la cannibalisation et la substitution, tandis que la programmation différentiable offre une approche centrée sur le client, en tenant compte des désirs et des besoins des clients pour une prise de décision plus éclairée. Cette approche peut conduire à une prévision de la demande plus précise, une gestion des stocks et une optimisation des entrepôts. La programmation différentiable aborde les défis complexes multi-échelons et tient compte des imperfections de production, ce qui la rend adaptée à diverses industries. Vermorel souligne que la programmation différentiable permet aux entreprises d’incorporer des connaissances sectorielles dans les modèles d’apprentissage automatique, ce qui se traduit par des solutions plus précises, efficaces et adaptées à des 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, discutent des cas d’utilisation potentiels et des conséquences de l’application de cette technologie aux supply chains, en particulier aux magasins de détail. La programmation différentiable a le potentiel d’améliorer la gestion de la supply chain en abordant divers problèmes que les approches traditionnelles de séries temporelles ne peuvent pas gérer efficacement.
L’un des problèmes clés de la gestion de la supply chain est le défi de la modélisation de la cannibalisation et de la substitution, qui sont particulièrement significatives dans des industries telles que le luxe, la fast fashion et la vente au détail alimentaire. Les modèles traditionnels de séries temporelles ont du mal à prendre en compte ces facteurs, recourant souvent à des solutions de fortune insatisfaisantes et loin d’être optimales.
La programmation différentiable offre une approche novatrice 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 probabilité de choisir ou de ne pas choisir des articles parmi l’assortiment actuel et la disponibilité des stocks. Cette approche centrée sur le client permet une compréhension plus précise et nuancée de l’environnement de vente au détail, conduisant à une prise de décision plus éclairée.
L’aspect révolutionnaire de la programmation différentiable réside dans sa capacité à modéliser les affinités des clients pour des produits spécifiques du catalogue. Ce processus procédural permet aux gestionnaires de la supply chain de prendre en compte divers facteurs, tels que l’attrait de la nouveauté pour les achats des clients et le fait que les clients réguliers sont peu susceptibles d’acheter à nouveau le même produit. Ces informations peuvent conduire à des prévisions de demande et à une gestion des stocks plus précises.
Par exemple, dans un magasin de livres, un client qui achète un livre est très peu susceptible d’acheter le même titre lors de sa prochaine visite. Les modèles traditionnels de séries temporelles ont du mal à prendre en compte ce comportement, tandis que la programmation différentiable peut modéliser directement ces décisions d’achat individuelles. Cela permet de mieux comprendre la demande des clients et le cycle de vie des produits.
La programmation différentiable permet aux gestionnaires de la supply chain de modéliser le comportement des clients qui visitent régulièrement le magasin, tels que ceux qui sont attirés par la nouveauté. Cette approche peut aider à prédire la popularité des nouveaux produits et le moment où la demande pour ces produits diminuera. Contrairement aux modèles de séries temporelles, qui reposent sur des méthodes indirectes pour modéliser ces tendances, la programmation différentiable offre une solution plus directe et précise.
Vermorel explique que la programmation différentiable permet de modéliser de manière plus précise le comportement des clients au point de vente. Les modèles statistiques traditionnels avaient du mal à intégrer même des informations de base sur le comportement des clients, ce qui rendait difficile leur apprentissage à partir de zéro. En revanche, la programmation différentiable offre une manière plus directe de comprendre ce qui se passe dans le magasin et peut être facilement intégrée aux modèles d’apprentissage automatique.
En ce qui concerne la gestion des entrepôts, la programmation différentiable peut aider à optimiser et à fluidifier le flux des produits. Les entrepôts sont souvent confrontés à des problèmes de capacité d’entrée/sortie, et il serait idéal de pouvoir apporter de petits ajustements aux horaires d’expédition pour éviter les expéditions en collision et réduire le besoin de personnel temporaire. Les techniques d’optimisation traditionnelles ont eu du mal à résoudre 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, ce qui permet d’optimiser l’expédition de millions de références et de prendre en compte les effets d’interaction subtils.
Au niveau de la fabrication, la programmation différentiable peut aider à relever les défis complexes des chaînes d’approvisionnement multi-échelons. Les approches traditionnelles avaient tendance à se concentrer sur des nœuds spécifiques de la supply chain et visaient des niveaux de service élevés pour certains produits. Cependant, Vermorel soutient que ce qui importe vraiment, c’est que les produits finis soient disponibles pour les clients, rendant ainsi une grande partie des étapes intermédiaires de la supply chain sans importance. La programmation différentiable permet une modélisation plus précise du réseau complexe de pièces et d’assemblages au sein de la supply chain, ce qui aide finalement à mieux servir les clients et à respecter les délais.
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 industries comme la pharmacie, où des organismes vivants sont impliqués dans la production de médicaments avancés, des lots de production peuvent être perdus en raison de processus biologiques. La programmation différentiable peut prendre en compte 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’ensemble du lot est susceptible d’être perdu, ce qui est différent de l’industrie automobile où seule une petite fraction de pièces peut échouer au contrôle qualité. Les modèles traditionnels d’apprentissage automatique peuvent avoir du mal avec ce niveau d’incertitude, car ils peuvent ne pas disposer de suffisamment de données historiques pertinentes pour prédire avec précision les résultats.
La programmation différentiable offre une alternative en permettant aux entreprises d’incorporer leurs connaissances spécifiques dans le modèle d’apprentissage automatique. Vermorel souligne que la programmation différentiable ne consiste pas à fournir une grande quantité de données à un système d’IA, mais plutôt à tirer le meilleur parti de 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’incorporer cette connaissance dans le modèle, améliorant ainsi sa précision et son efficacité.
La polyvalence de la programmation différentiable la rend adaptée à diverses industries, chacune présentant des défis uniques. Vermorel prend l’exemple du marché de l’après-vente automobile, où la compatibilité entre les pièces de véhicules et les modèles de véhicules 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 éléments essentiels de l’activité.
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 qui peut résoudre des problèmes et des situations spécifiques.
La programmation différentiable représente une évolution de l’approche programmatique de Lokad en matière d’optimisation de la supply chain. Elle permet aux entreprises d’incorporer leurs connaissances spécifiques dans leurs modèles d’apprentissage automatique, ce qui se traduit par une exécution plus efficace et des performances améliorées en termes de précision. La programmation différentiable offre aux entreprises l’opportunité de revoir 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 un peu plus en détail certains de ses cas d’utilisation potentiels et les conséquences importantes 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 est fait dans la supply chain adopte une perspective de séries temporelles, où vous avez un produit et vous observez les ventes unitaires, la demande d’achat ou de service en fonction du type de magasin que vous exploitez. Évidemment, un magasin dans le secteur aérospatial n’est pas la même chose qu’un magasin de mode rapide, mais l’idée est que l’angle est plutôt l’angle des séries temporelles par produit. Le problème avec cette perspective, par exemple, est que des choses comme la cannibalisation et la substitution, qui sont très fortes dans le luxe, la mode rapide ou même la grande distribution alimentaire, sont très difficiles à modéliser. Dans de nombreux cas, elles n’existent pratiquement pas du tout. La programmation différentiable vous donne un angle pour 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 qui ont des désirs et des besoins, et ils vont choisir ou ne pas choisir les choses qui leur sont exposées, en tenant compte de l’assortiment actuel et de la disponibilité des stocks actuelle dans le magasin.” C’est très intéressant car, grâce à quelque chose comme la programmation différentiable, nous pouvons opérer à un niveau qui n’est pas celui d’une série temporelle sur les références de produits répertoriées dans le magasin. Nous pouvons adopter la perspective du client, et cela change considérablement la donne. Notre expérience avec la perspective des séries temporelles est que, généralement, le mieux que vous puissiez faire est d’appliquer du ruban adhésif à vos modèles numériques pour qu’ils ne soient pas trop défectueux face à la cannibalisation et à la substitution, mais ce n’est pas très satisfaisant. C’est tout au plus du ruban adhésif.
Kieran Chandler: Récapitulons donc ce que nous avons discuté dans les épisodes précédents. Quelle est cette propriété révolutionnaire dont vous avez parlé 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 que les gens sont venus dans mon magasin pour acheter un livre, par définition, ils n’achèteront pas le même livre lorsqu’ils reviendront ? Ils n’achèteront qu’un autre titre, pas le même. D’un point de vue classique, basé sur les séries temporelles, il est presque impossible de prendre en compte quelque chose d’aussi basique que cela, à savoir qu’un client qui revient dans votre librairie une fois par mois n’achètera pas à nouveau le même produit. Ainsi, si vous constatez une augmentation de la demande pour un livre, il y a de fortes chances que la demande soit éteinte par le fait que si tous vos clients réguliers achètent ce nouveau livre populaire, alors par définition, lorsqu’ils reviendront, ils ne l’achèteront pas à nouveau. Bien sûr, vous pouvez modéliser cela avec une perspective de séries temporelles en utilisant un effet de cycle de vie, où vous introduisez un nouveau produit, il connaît un pic au tout début de son lancement, puis la demande diminue seulement. Mais c’est une façon très indirecte de modéliser le problème. Une approche beaucoup plus directe consiste à utiliser la programmation différentiable.
Kieran Chandler: Votre logiciel vous permet de modéliser avec précision ce qui se passe dans le magasin d’une manière beaucoup plus directe qu’auparavant. Pouvez-vous expliquer comment cela change la façon dont les modèles statistiques sont utilisés dans l’optimisation de la supply chain ?
Joannes Vermorel: Avec la programmation différentiable, il devient plus facile d’intégrer des connaissances de base sur le comportement des clients dans les modèles statistiques. Cela signifie que les modèles n’ont pas à tout apprendre à partir de zéro sans aucune connaissance métier, ce qui était une tâche difficile auparavant.
Kieran Chandler: Comment la programmation différentiable aide-t-elle dans l’aspect de la gestion des stocks de la supply chain ? S’agit-il principalement de prévoir la demande future ?
Joannes Vermorel: La programmation différentiable peut également aider à relever les défis au niveau de l’entrepôt, tels que lisser le flux des expéditions. Les entrepôts sont souvent confrontés à des problèmes de capacité d’entrée-sortie, et une solution consiste à organiser intelligemment les expéditions pour éviter les collisions et réduire la pression sur les plates-formes logistiques. En apportant de petits ajustements au calendrier des expéditions, les opérations peuvent être plus fluides, plus faciles 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 l’apprentissage et l’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 avec de nombreuses interactions subtiles, telles que la nécessité d’expédier plus de produits vers un magasin s’il est plus proche de la rupture de stock.
Kieran Chandler: Vous avez une boucle de rétroaction entre ce que vous décidez, ce que vous prévoyez, et d’un point de vue plus traditionnel, nous pouvions faire ce genre d’optimisation, mais c’était beaucoup plus fastidieux car nous devions faire une analyse par étapes. Fondamentalement, il était très difficile de prendre en compte toutes ces boucles de rétroaction qui existent dans le système. D’accord, et si nous prenons le dernier pas en arrière dans cette supply chain et regardons les choses maintenant du point de vue de la fabrication, comment la programmation différentiable nous aide-t-elle à relever ces défis multi-échelons ?
Joannes Vermorel: Le point est encore plus aigu lorsque vous passez au domaine de l’optimisation multi-échelons. La plupart de ce qui se passe sur chaque nœud individuel est, d’une certaine manière, sans conséquence dans le sens où c’est 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 finissent par devenir les produits finis. Le seul point du graphique qui compte vraiment est de savoir si vous servez votre client à temps, ce qui n’est qu’une question pertinente pour les produits finis.
Qu’en est-il de tout le graphe de dépendance qui se cache derrière ? Le fait que ce qui se passe à chaque étape intermédiaire, ce graphe complexe de dépendances où vous avez votre nomenclature des matériaux générant ce graphe, est fondamentalement sans importance. C’est un artefact qui n’a d’importance que du point de vue de savoir si, à la toute fin du processus, vous servez vos clients.
Au fait, cela revient à ma critique du DDMRP il y a quelques semaines. Si vous pouvez adopter un schéma de notation binaire sur ce graphe et dire que pour certains nœuds, vous souhaitez atteindre un niveau de service élevé, il n’a pas d’importance d’avoir un niveau de service élevé pour un produit si vos clients ne s’en soucient pas car 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.
La programmation différentiable vous aide à modéliser de manière beaucoup plus précise ce qui se passe dans ce réseau. Vous avez des étapes qui peuvent avoir des durées probabilistes ou non. Vous pouvez avoir des étapes où une certaine fraction du flux ne passe pas le contrôle qualité. Évidemment, si vous avez une supply chain parfaite, vous aurez un contrôle qualité à 100%. Donc, si vous avez besoin de fournir 100 articles, vous aurez 100 produits finis qui sortent après l’étape d’usinage. Mais parfois, vous avez un contrôle qualité, et votre système de production est imparfait, et vous pouvez perdre certaines quantités.
Par exemple, dans l’industrie pharmaceutique, lorsqu’ils ont des processus biologiques très avancés, vous pouvez perdre un lot de production car il s’agit d’une culture de cellules pour produire des médicaments plus avancés. Malgré des décennies d’efforts, lorsque vous travaillez avec des organismes vivants produisant les composés chimiques que vous souhaitez extraire et intégrer à votre médicament, il est très difficile d’avoir un processus qui soit complètement fiable à 100%. Ce n’est pas comme l’usinage dans l’industrie automobile.
Kieran Chandler: Donc, c’est là que l’idée de modéliser ces résultats qui ne sont pas complètement déterministes intervient ?
Joannes Vermorel: Oui, mais aussi le fait que vous pouvez avoir des informations très spécifiques sur le type de problèmes que vous pouvez rencontrer. Par exemple, dans l’industrie pharmaceutique, si vous avez un problème, il est fort probable que vous perdiez l’ensemble du lot de cultures que vous avez dans l’usine. Ce ne sera pas comme l’usinage dans l’industrie automobile où une pièce sur dix mille ne passe pas le contrôle qualité. Si vous êtes dans l’industrie pharmaceutique et que vous avez des cultures qui génèrent certains types de composés chimiques, vous pouvez perdre l’ensemble du lot s’il y a un 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 rendez le problème plus difficile qu’il ne devrait l’être car vous aimeriez pouvoir exprimer ce genre d’aperçu, la réalité physique de votre entreprise, directement dans le modèle. Donc, l’approche probabiliste est très bonne, mais mon point est, qu’en est-il d’une approche comme la programmation différentiable où vous pouvez formuler les problèmes que vous essayez d’apprendre de manière à orienter directement vos algorithmes d’apprentissage automatique vers le type d’incertitude très spécifique que vous vous attendez à trouver car vous connaissez beaucoup de choses sur votre réseau ? Et cela peut être révolutionnaire car soudainement, vous avez besoin de beaucoup moins de données pour être super efficace.
Joannes Vermorel: Absolument. La vraie vertu réside dans cette idée de programmation. Vous voulez, ce n’est pas une IA à laquelle vous pourriez simplement donner des données et dire apprends ; c’est un peu le contraire de cela. Cela signifie que les données sont rares et que je veux être très précis, mais je dois tirer le meilleur parti des données que j’ai. Ce n’est pas comme si Google essayait d’analyser un milliard de pages Web ; nous n’avons pas de données infinies. Les données sont rares ; il y a des données erratiques, et elles sont très précieuses car nous n’avons pas autant de points de données. Nous devons donc vraiment en tirer le meilleur parti. Par exemple, si nous voulons revenir à l’industrie pharmaceutique et faire des prévisions stratégiques très éclairantes, il y a toute la question de l’expiration des brevets.
L’expiration des brevets est un moteur pour les grandes entreprises pharmaceutiques. Vous avez un produit, un médicament breveté, et lorsque le brevet expire, il y a le risque que des concurrents entrent sur votre marché à un prix inférieur et vous fassent concurrence, vous obligeant ainsi à baisser vos prix, ce qui peut réduire considérablement votre marge. Cette question d’expiration des brevets est complètement évidente pour quiconque connaît l’industrie pharmaceutique, et elle a été le moteur de l’innovation et de l’activité des grandes entreprises pharmaceutiques depuis des décennies. Si vous vous attendez à ce qu’un algorithme d’apprentissage automatique redécouvre de lui-même ce mécanisme d’expiration des brevets, c’est un peu insensé. En revanche, la programmation différentiable est comme un outil pour les scientifiques de la supply chain pour dire, eh bien, je sais que j’ai cette question d’expiration des brevets. Ce que je ne sais pas exactement, c’est quelle est la probabilité que des concurrents entrent sur le marché et nous fassent concurrence en termes de prix. Et ce que je ne sais pas exactement, c’est comment cette chose va se dérouler pour nous si soudainement nous devons avoir 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 ne dépendent pas de la quantité que je produis, et donc, si j’ai des concurrents qui entrent sur le marché, l’effet sur mes marges peut être complètement non linéaire. Donc, vous avez raison ; il s’agit complètement de pouvoir modéliser les idées clés qui sont spécifiques d’un secteur à un autre en les programmant dans le modèle d’apprentissage automatique.
Kieran Chandler: Et le problème que beaucoup de personnes pourraient avoir avec la programmation différentiable est que c’est assez complexe par endroits. Est-ce que nous utilisons parfois un marteau-pilon pour écraser une noix, et existe-t-il des techniques plus simples que nous pourrions toujours utiliser ?
Joannes Vermorel: Vous pouvez toujours utiliser des techniques plus simples, 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 vraiment décider d’ignorer la complexité de l’activité dans laquelle vous opérez ? Par exemple, si vous vendez des pièces automobiles sur une plateforme de commerce électronique et que vous fournissez des propriétaires de voitures…
Kieran Chandler: Pouvez-vous vraiment ignorer les problèmes que vous avez, comme les compatibilités mécaniques entre les véhicules et les pièces ? Le fait est que les personnes qui viennent acheter des pièces de voiture sur votre site web, les vrais clients ne sont pas ces personnes, ce sont leurs véhicules. Donc le véhicule est le client ultime de ces pièces, et vous avez au cœur de la demande 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 extrêmement important de votre activité. Ce que je veux dire, c’est que c’est un exemple où vous devez embrasser cela car c’est vraiment le cœur de votre activité. Une approche simpliste qui ignore simplement le défi de la compatibilité pièce-véhicule, qui est complètement crucial lorsque vous pensez à l’après-vente automobile, peut fonctionner mais au détriment d’être incroyablement rudimentaire du point de vue commercial.
Joannes Vermorel: Je dis que en termes de marteau-pilon, vous ne devriez pas utiliser une technologie sophistiquée juste pour le plaisir de la technologie sophistiquée. Ce que je veux dire, c’est que si vous utilisez quelque chose qui ignore simplement le moteur commercial clé de votre activité, alors quel que soit le modèle que vous avez, il est incroyablement simpliste, et ne vous attendez pas à ce que la solution numérique sophistiquée ou autre résolve réellement le problème commercial que vous avez si votre recette numérique commence par ignorer complètement cet aspect commercial. Mon point est que vous devriez être aussi simple que possible, mais pas plus simple que ce que votre activité exige réellement.
Kieran Chandler: Si nous concluons aujourd’hui, auparavant chez Lokad, nous avions une approche très programmative. 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 est en effet plus ou moins la même chose que cette approche programmative qui a été le moteur de Lokad pendant longtemps. C’est maintenant quelque chose où cette approche programmative entre au cœur de notre technologie d’apprentissage automatique. Ce n’était pas seulement le cœur de notre plateforme Big Data avec des mécanismes pour effectuer le traitement de données volumineuses, mais simplement le filtrage, l’agrégation et le prétraitement typique, le nettoyage des données, et ainsi de suite. C’était déjà complètement programmable, mais le cœur de l’apprentissage automatique était légèrement rigide. Avec l’apprentissage profond, nous étions déjà beaucoup plus flexibles que ce que nous avions avec la génération précédente, mais c’est une nouvelle étape. Pour nos clients, je pense que c’est l’occasion de revoir de nombreux problèmes et situations où, dans le passé, nous avions fait beaucoup de bricolage. Lorsque vous n’avez pas quelque chose de flexible, vous bricolez un peu les choses en utilisant des astuces intelligentes, mais elles ne sont pas naturellement aussi évolutives que nous le souhaitons. Elles peuvent être un peu rudimentaires et approximer l’aperçu commercial de manière suboptimale. Ici, c’est l’occasion de revoir cela et de faire à peu près la même chose mais de manière plus épurée en termes d’exécution et plus performante en termes de précision lorsque nous comptons en euros ou en dollars d’erreur, du point de vue commercial.
Kieran Chandler: Super, merci pour votre temps aujourd’hui. C’est tout pour notre mini-série sur la programmation différentiable. Nous serons de retour la semaine prochaine avec un nouvel épisode sur un nouveau sujet, mais d’ici là, merci de nous avoir regardés. Au revoir.
