00:00:07 Introduction et le parcours de Cédric Hervet chez Kardinal.
00:02:07 Approche de Kardinal en matière d’optimisation d’itinéraire en temps réel avec intervention humaine.
00:03:41 L’impact de l’optimisation d’itinéraire en temps réel sur la supply chain et la gestion des stocks.
00:05:32 Développement des algorithmes d’optimisation d’itinéraire et importance des données.
00:06:22 Évolution de l’optimisation d’itinéraire et l’importance de données précises.
00:08:00 Entreprises clés et acteurs de l’optimisation d’itinéraire.
00:09:58 Comment les innovations de Google ont inspiré d’autres entreprises.
00:10:51 Principales sources de données pour l’optimisation d’itinéraire de Kardinal.
00:12:55 Défis techniques des solutions en ligne en temps réel.
00:15:38 Les utilisateurs gagnent en contrôle sur les données et son impact sur l’optimisation.
00:18:00 Les défis d’équilibrer le contrôle des données et l’expertise humaine.
00:19:30 L’impact de grandes entreprises telles qu’Amazon, Google et Microsoft sur la dépendance aux données.
00:21:00 La concentration du marché des données cartographiques.
00:22:17 Des recherches et développements passionnants en intelligence artificielle et leurs applications potentielles.

Résumé

Dans cette interview, Kieran Chandler s’entretient avec Joannes Vermorel et Cédric Hervet, fondateurs respectifs de Lokad et Kardinal. Ils évoquent les défis de l’optimisation d’itinéraire en temps réel et l’importance de l’intervention humaine en complément des technologies avancées. Hervet partage également son enthousiasme pour les avancées en IA, notamment l’apprentissage par renforcement et les implications potentielles de l’informatique quantique. La conversation aborde l’idée des données cartographiques comme bien commun et la dépendance envers les grandes entreprises technologiques pour l’accès aux données, ainsi que la nécessité de rester à la pointe des technologies émergentes.

Résumé détaillé

Kieran Chandler anime une discussion avec Joannes Vermorel, fondateur de Lokad, une société de logiciels de supply chain optimization, et Cédric Hervet, cofondateur et responsable R&D chez Kardinal, une société de logiciels d’optimisation d’itinéraire. Ils abordent les récentes avancées en données participatives, l’informatique quantique, l’optimisation d’itinéraire en temps réel et le rôle de l’humain dans ces processus.

Cédric Hervet explique que Kardinal se spécialise dans l’optimisation d’itinéraire en temps réel avec une attention particulière au contexte. La planification d’itinéraires traditionnelle se fait généralement manuellement, ce qui est sous-optimal. Les humains, cependant, ont la capacité de gérer les urgences et de prendre des décisions en fonction d’une vision globale des priorités. Les logiciels actuels d’optimisation d’itinéraire sur le marché fournissent des solutions statiques, qui s’avèrent problématiques lorsque surviennent des événements inattendus, comme des embouteillages ou la reprogrammation d’horaires.

L’approche de Kardinal consiste à optimiser en continu les itinéraires, offrant ainsi une plus grande capacité à gérer les problèmes dès leur apparition. Ils insistent également sur le fait de ne pas exclure les humains du processus, car ceux-ci possèdent des connaissances et une vision stratégique que l’on ne peut retrouver ou modéliser dans des bases de données.

Joannes Vermorel convient que l’utilisation de l’intelligence humaine associée à la puissance des ordinateurs modernes est essentielle pour l’optimisation de la supply chain. La stratégie de Lokad est de tirer le meilleur parti des personnes intelligentes, très conscientes des problèmes qu’elles cherchent à résoudre.

La conversation aborde les différences d’échelle temporelle entre les approches de Kardinal et de Lokad. Kardinal se concentre sur l’optimisation d’itinéraire en temps réel, avec des décisions réévaluées toutes les minutes environ. Ce n’est pas la même chose que des décisions au niveau de la microseconde, puisque vous ne pilotez pas de robots en temps réel effectuant des prélèvements dans un warehouse. En revanche, les décisions de Lokad portent sur le lendemain ou sur une période allant jusqu’à un an.

La conversation se tourne ensuite vers l’évolution de l’optimisation d’itinéraire au fil des ans. Hervet fait la distinction entre le problème de trouver le meilleur itinéraire d’un point à un autre, pour lequel Google Maps est conçu, et l’enjeu plus complexe de déterminer l’ordre optimal pour visiter plusieurs arrêts. Ce dernier problème nécessite des algorithmes sophistiqués et des données de trafic précises pour fournir des itinéraires à la fois réalisables et efficaces. Kardinal se concentre sur la transformation des mathématiques théoriques en solutions pratiques, garantissant que les itinéraires optimisés soient réalistes et gérables pour les conducteurs.

Vermorel souligne que Google est une entreprise qui a stimulé une innovation significative dans les solutions en ligne, notamment dans les moteurs de recherche, en fournissant des informations plus actualisées que celles de ses concurrents à l’époque. Bien qu’ils n’utilisent pas directement les algorithmes de Google, cette approche sert d’inspiration pour des entreprises telles que Lokad et Kardinal, qui développent des solutions en ligne évolutives pour des problèmes complexes.

En évoquant les contraintes et les non-linéarités dans l’optimisation d’itinéraire, Vermorel souligne que des facteurs tels que les réglementations en matière d’emploi et les contraintes spécifiques aux conducteurs aggravent la complexité du problème. Hervet ajoute qu’il existe deux sources principales de données pour Kardinal. La première provient des clients, qui fournissent des informations sur les commandes, des contraintes, la disponibilité des conducteurs, les capacités des véhicules et d’autres détails pertinents. La deuxième source provient de partenaires technologiques tels que HERE Technologies, qui fournit des données de distance, des schémas de trafic et des mises à jour en temps réel nécessaires à l’optimisation d’itinéraire.

Ils discutent des défis liés au traitement des données en temps réel, de l’importance de l’apport humain et de la dépendance envers les grandes entreprises technologiques pour les données.

Vermorel explique que travailler avec des données en temps réel présente de multiples défis. D’une part, la vitesse de la lumière est finie, ce qui signifie que, bien que les données puissent être transmises rapidement, il peut tout de même s’écouler des secondes pour les traiter lorsqu’il y a plusieurs centres de données et des milliers d’aller-retour impliqués. De plus, de nombreux facteurs peuvent ralentir les systèmes informatiques, tels que les mises à jour logicielles ou d’autres processus en arrière-plan. Garantir le fonctionnement efficace des systèmes en temps réel à l’échelle mondiale requiert une expertise considérable.

Un autre défi est la dépendance aux partenaires, qui peut affecter la disponibilité et la fiabilité des services d"enterprise software. Plus il y a de dépendances, plus les problèmes potentiels et les temps d’arrêt peuvent survenir. Cela signifie que la disponibilité du service ne sera aussi bonne que celle de ses dépendances, ce qui se traduit souvent par une disponibilité et une fiabilité moindres.

Hervet souligne l’importance de maintenir l’apport humain dans les systèmes d’optimisation d’itinéraire. Il raconte comment leurs itinéraires générés initialement par algorithme étaient mathématiquement optimaux, mais que les conducteurs étaient capables d’identifier des problèmes que l’algorithme ne pouvait pas percevoir. Par exemple, un conducteur pourrait savoir qu’il serait impossible de se garer à une heure précise en raison du ramassage des enfants à l’école par leurs parents. Hervet insiste sur la nécessité de trouver un équilibre entre les itinéraires générés par algorithme et l’expertise humaine afin de prendre les meilleures décisions possibles.

Il estime également que le contrôle des données est crucial. Les utilisateurs doivent être capables de comprendre et d’interagir avec les données pour prendre des décisions éclairées. Kardinal vise à augmenter la decision-making humaine avec des aperçus computationnels, permettant ainsi une combinaison de l’expertise humaine et d’une optimisation basée sur les données.

En évoquant la question de la dépendance vis-à-vis de grandes entreprises telles qu’Amazon, Google et Microsoft pour les données, Hervet convient qu’il y a peut-être une trop grande dépendance envers elles. Cependant, il reconnaît également que la technologie évolue rapidement et qu’il existe peu de fournisseurs de données cartographiques dans le monde.

La conversation débute par une question sur le fait de savoir si les données cartographiques devraient être considérées comme un bien commun. Vermorel reconnaît l’importance des cartes ouvertes et suggère que les avancées technologiques pourraient rapprocher le domaine de la cartographie d’un bien commun. Cependant, il souligne également que l’industrie de la cartographie est très concentrée, avec seulement quelques acteurs clés. Bien que la concurrence existe, elle reste limitée.

Hervet évoque ensuite son enthousiasme pour les avancées en recherche opérationnelle et en intelligence artificielle. Chez Kardinal, des doctorants travaillent sur la résolution de problèmes d’optimisation en ligne, élargissant ainsi le champ d’application des mathématiques. Ils envisagent également d’autres avancées en IA, telles que l’apprentissage par renforcement, qui enseigne aux algorithmes à prendre des décisions sans définir explicitement le meilleur choix. Hervet note que cette approche est philosophiquement différente des méthodes actuelles de Kardinal, qui consistent à définir un espace de solutions et à classer les solutions au sein de cet espace.

Bien que l’apprentissage par renforcement ait montré des promesses dans diverses applications, Hervet admet qu’il présente des limites lorsqu’il s’agit de gérer l’éventail des contraintes auxquelles ils sont confrontés chez Kardinal. Cependant, ils continuent de suivre ses progrès, car il pourrait devenir plus adapté à la prise de décisions en temps réel à l’avenir.

La conversation se tourne ensuite vers les implications potentielles du quantum computing. Hervet mentionne la récente affirmation de Google quant à la suprématie quantique, signifiant que les ordinateurs quantiques peuvent résoudre des problèmes en beaucoup moins de temps que les ordinateurs classiques. Des algorithmes quantiques pourraient être utilisés pour résoudre des problèmes complexes tels que le problème du voyageur de commerce, qui est au cœur du travail de Kardinal.

Bien que le quantum computing reste une perspective à long terme, Hervet reconnaît son potentiel pour démocratiser la résolution de problèmes en facilitant la résolution d’énigmes complexes. Si tel est le cas, des entreprises comme Kardinal devront rester à la pointe de la technologie pour aider leurs clients à améliorer leurs performances.

Transcription intégrale

Kieran Chandler: Cette semaine sur Lokad TV, nous sommes ravis d’accueillir Cédric Hervet, qui va nous expliquer comment l’augmentation du quantum computing et la capacité d’optimiser les itinéraires en temps réel ont amené les entreprises de livraison à modifier leur mode de fonctionnement. Alors, Cédric, merci beaucoup de nous rejoindre aujourd’hui.

Cédric Hervet: Merci de m’accueillir. Kardinal est une société spécialisée dans l’optimisation d’itinéraire en temps réel avec une grande sensibilité au contexte. Habituellement, les itinéraires sont optimisés manuellement par des humains, qui planifient les horaires de leurs conducteurs ou techniciens. Cela est clairement sous-optimal, mais d’un autre côté, les humains ont une grande capacité à gérer les urgences, les événements imprévus et les problèmes. Ils sont capables d’envisager l’ensemble de leurs priorités et de prendre des décisions. Cependant, les algorithmes ne sont pas entièrement équipés pour cela, en particulier les algorithmes d’optimisation. Il existe des logiciels sur le marché qui proposent une optimisation d’itinéraire, mais ils le font de manière très statique. Ils recueillent des données, les mélangent d’une manière ou d’une autre, et fournissent une solution optimisée pour les plannings. Mais cela pose problème, car le premier événement rencontré va détruire la qualité des itinéraires. Une fois les camions sur la route, il y a des problèmes tels que les embouteillages, des clients en retard ou absents, et la reprogrammation des rendez-vous. Tous ces événements peuvent nuire à la performance. Chez Kardinal, nous croyons que la bonne manière d’optimiser les itinéraires est de ne jamais cesser de les optimiser. Ainsi, vous avez une plus grande capacité à gérer les problèmes dès leur apparition. Un autre aspect clé de notre démarche est que nous mettons un accent particulier sur le fait de ne pas exclure les humains de l’équation, car ils connaissent leur métier et savent des choses que l’on ne peut trouver ou modéliser dans aucune base de données. Il est important de ne pas les retirer du processus, car ils ont une vision stratégique de leur activité globale.

Kieran Chandler: L’idée d’utiliser le cerveau humain et d’en tirer le meilleur parti, en particulier dans ces scenarios, est vraiment intéressante. Je pense que c’est quelque chose sur lequel tu serais probablement d’accord également, Joannes, en tirant le meilleur parti du cerveau humain en complément de l’optimisation ?

Joannes Vermorel: Absolument, l’idée de tirer le meilleur parti des personnes intelligentes, très conscientes des problèmes qu’elles tentent de résoudre avec leur supply chain, et d’utiliser le meilleur que la puissance de calcul moderne a à offrir est, à un niveau très élevé, également la stratégie de Lokad.

Kieran Chandler: Super. Aujourd’hui, nous parlons un peu de l’optimisation d’itinéraire en temps réel. Pourquoi cela vous intéresse-t-il d’un point de vue supply chain ?

Joannes Vermorel: Évidemment, chez Lokad, lorsqu’on pense à l’optimisation de la supply chain, nous ne considérons pas exactement la même échelle de temps. Si je compare ce que font Kardinal et Lokad, qui sont tous deux des fournisseurs de logiciels d’entreprise : Kardinal se consacre à l’optimisation d’itinéraire, avec des décisions pouvant être remises en question toutes les minutes environ. Ce n’est pas comme des décisions à l’échelle de la microseconde, puisque vous ne pilotez pas de robots en temps réel effectuant des prélèvements dans un entrepôt. Au contraire, Lokad se concentre sur des décisions pour le lendemain ou jusqu’à un an à l’avance, ce qui détermine l’échelle temporelle. Le fait que Lokad puisse optimize supply chains implique généralement la prise de décisions sur des périodes plus longues.

Kieran Chandler: Nous discutons du rééquilibrage des stocks entre différents sites, tels que les magasins ou les entrepôts. Cela dépend grandement de l’agilité d’outils comme l’optimisation d’itinéraire, fournie par des entreprises telles que Kardinal. Plus vos itinéraires sont agiles, plus il est facile de rééquilibrer les stocks entre les magasins, ce qui réduit le coût de l’optimisation. Comment l’optimisation d’itinéraire s’est-elle développée ces dernières années, notamment compte tenu de notre dépendance croissante aux smartphones et aux systèmes GPS ?

Cédric Hervet: L’optimisation d’itinéraire comporte deux problèmes principaux. Le premier consiste à aller d’un point à un autre en trouvant la bonne route, pour lequel des outils comme Google Maps sont conçus. Le deuxième, plus difficile, consiste à avoir n arrêts à visiter et à déterminer l’ordre dans lequel vous allez visiter tous ces arrêts, en tenant compte de facteurs tels que le trafic. Notre objectif se concentre sur ce second problème. Pour le résoudre efficacement, vous avez besoin d’algorithmes plus intelligents que de simplement énumérer toutes les combinaisons possibles, c’est là que les mathématiques interviennent.

La capacité de modéliser ce problème et de développer des algorithmes existe depuis les années 1960. Cependant, la mise en œuvre effective de ces algorithmes repose fortement sur la disponibilité de données précises, telles que les données de trafic. Si les données fournies à l’algorithme sont erronées ou inexactes, il produira des itinéraires irréalisables. Chez Kardinal, notre objectif est de fournir des itinéraires réalisables et pratiques pour les conducteurs.

Kieran Chandler: En parlant de disponibilité des données, quels sont les acteurs clés qui ont impulsé la croissance et l’expertise en optimisation d’itinéraires ?

Joannes Vermorel: Il y a eu un développement intense des solutions en ligne pour divers problèmes. Historiquement, une entreprise qui a eu un impact significatif dans ce domaine était Google. Avant Google, des moteurs de recherche comme Yahoo et AltaVista mettaient à jour leurs index une fois par trimestre, ce qui donnait lieu à des résultats de recherche obsolètes. Google a été innovant à bien des égards, notamment par sa capacité à fournir des résultats de recherche plus actualisés.

Kieran Chandler: Alors, Joannes, pouvez-vous nous parler de la transition que vous avez opérée, passant d’une entreprise d’optimisation pour les moteurs de recherche à une entreprise d’optimisation de supply chain ?

Joannes Vermorel: Nous avons débuté avec des solutions en ligne pour fournir les meilleurs résultats aux requêtes. Cependant, la réalité est que de nouvelles pages sont constamment ajoutées à l’index, et au départ, nous ne faisions qu’un rafraîchissement hebdomadaire. Mais c’était déjà 20 fois plus rapide que la plupart de nos concurrents. Ainsi, il y a eu une transition vers un problème où nous voulions des résultats toujours actualisés dans des conditions changeantes. Low Cad et Kardinal n’utilisent pas d’algorithmes de Google spécifiquement conçus pour les moteurs de recherche, mais cela nous a inspirés en nous montrant ce qui est possible à grande échelle.

Cédric Hervet: Et de nombreux autres acteurs ont commencé à faire des choses similaires sur différents types de problèmes. Je pense qu’une nouvelle vague de personnes réfléchissait à comment obtenir une version en ligne d’un problème bien plus intelligente et également très différente de ce que fait Kardinal aujourd’hui par rapport à ce que l’on faisait dans les années 50. Toutes ces contraintes et non-linéarités rendent l’optimisation difficile à représenter. Vous avez des contraintes non linéaires, comme le fait que votre conducteur ne peut peut-être pas conduire plus de X heures en raison d’une réglementation sur l’emploi.

Kieran Chandler: Cédric, pouvez-vous nous parler des données réellement pertinentes pour Kardinal et d’où vous les obtenez ?

Cédric Hervet: Bien sûr. Il existe deux sources principales de données. La première provient évidemment de nos clients, qui nous fournissent les commandes que nous devons optimiser. Ils nous donnent la description la plus précise de leur activité, telles que les contraintes légales concernant les heures de travail des conducteurs, leur disponibilité, où ils commencent, où ils prennent le service, le type de véhicule qu’ils conduisent, la capacité requise, et s’ils peuvent transporter des marchandises dangereuses ou effectuer des interventions techniques spécifiques nécessitant un ensemble particulier de compétences. Toutes ces données définissent des contraintes sur leur activité, et nous devons les comprendre. La deuxième source provient lui aussi du client, qui décrit les commandes elles-mêmes, telles que les colis à livrer ou des interventions comme la réparation de matériel informatique. Nous comptons sur des partenaires technologiques comme HERE Technology, notre partenaire pour obtenir les données de distance dont nous avons besoin pour comprendre combien de temps il faut pour passer d’un arrêt à un autre, et comment le trafic évolue au fil du temps. Nous devons également recevoir des mises à jour du trafic en temps réel pour nous adapter si nécessaire. HERE nous fournit ces données, et nous utilisons nos algorithmes pour fournir des solutions actualisées.

Kieran Chandler: Cédric, vous avez mentionné la croissance des solutions en ligne. D’un point de vue technique, quels défis cela pose-t-il en termes de capacité à travailler en temps réel ?

Cédric Hervet: Le temps réel introduit de nombreuses complications. Premièrement, il n’existe pas vraiment de temps réel, car la vitesse de la lumière est finie. Même si elle est incroyablement rapide, cela prend quand même du temps. Le problème survient lorsque vous disposez de systèmes informatiques distribués et que vous devez effectuer des allers-retours entre plusieurs centres de données. Si vous effectuez des milliers d’aller-retour, il faut des secondes pour obtenir des résultats.

Kieran Chandler: Réaliser des systèmes en temps réel peut être assez difficile lorsque l’on opère à l’échelle mondiale. Quelles sont certaines des difficultés auxquelles vous faites face ?

Joannes Vermorel: Eh bien, il y a de nombreuses choses qui peuvent vous empêcher d’avoir un bon système en temps réel. Par exemple, nos ordinateurs peuvent sembler super rapides en moyenne, mais il arrive qu’ils se bloquent en raison de mises à jour ou d’autres raisons. La réalité est donc que, dans le pire des cas, les ordinateurs peuvent être assez lents. De plus, la vitesse de votre système sera généralement déterminée par le maillon le plus lent que vous possédez. Cela signifie que si vous avez de nombreuses machines, la plus lente peut être très lente. Le temps réel représente en soi un ensemble de défis très compliqués. Une autre complication est que faire appel à des partenaires introduit une dépendance, ce qui exige que votre service soit très disponible et fiable, même si vos partenaires ne le sont pas. Plus vous avez de dépendances, plus il y a de problèmes potentiels en cas d’indisponibilité. Votre service n’est aussi performant que l’ensemble de vos dépendances, ce qui signifie qu’à chaque échelon de la chaîne, on obtient quelque chose avec une disponibilité, un temps de fonctionnement et des performances moindres. Le temps réel constitue donc un sacré défi.

Cédric Hervet: Oui, je suis d’accord. Et nous entrons maintenant dans une ère où nous pouvons réellement contrôler ces données. Par exemple, avec Waze, vous pouvez désormais signaler la présence d’un radar fixe. Pensez-vous que cela ait un impact positif ? Le fait de pouvoir contrôler ces fragments de données est évidemment très important pour disposer de cette capacité, surtout dans le contexte que je décrivais précédemment. Chez Kardinal, nous accordons une attention particulière à maintenir l’humain dans le système, car une fois qu’il en perd le contrôle et que tout est trop automatisé, il ne peut plus vérifier ce que fait l’algorithme. Il perd alors tellement de compréhension de ce qui se passe qu’il ne peut plus réellement apporter son expertise. Et l’expertise reste toujours présente. J’ai cette anecdote : lorsque nous avons commencé à faire ce que nous faisons, nous tentions de remettre en cause les itinéraires des conducteurs en leur proposant nos propres tournées optimisées. Ils trouvaient toujours un exemple de quelque chose que l’algorithme ne pouvait pas voir. Un exemple amusant est que nous avions cet itinéraire magnifiquement optimisé, qui était évidemment le moyen parfait de visiter tous ces arrêts. Mais lorsque le conducteur l’a vu, il ne se concentrait pas sur l’aspect général de l’itinéraire, qui était de loin meilleur que ce qu’il aurait fait de toute façon. Il se focalisait vraiment sur certains arrêts spécifiques. Il nous disait : “D’accord, donc vous me dites que je vais livrer cette personne ici à 16h45, et qu’ici il y a une école, et je sais que tous les parents se gareront dans cette rue, et je ne pourrai pas me garer pour effectuer cette livraison.” Cela est évidemment mathématiquement optimal, mais je sais que cette livraison à cet horaire précis signifie que ce n’est que 15 minutes, alors qu’il est impossible de livrer quelqu’un en 15 minutes. Et c’est vraiment problématique. Pour ceux qui travaillent dans le domaine des données, le coût de connaître cela à l’avance pour éviter ce créneau, de prévoir 50 minutes d’avance en anticipant ce fait, est très élevé pour nous. Cela ne sert à rien, car nous avons déjà quelqu’un dans le camion qui le sait. L’interaction clé que nous essayons d’implémenter est la suivante : d’accord, vous connaissez des informations que nous ne connaîtrons jamais, et que nous n’essaierons jamais vraiment de connaître parce que cela s’avère trop coûteux pour nous, alors transmettez-nous simplement ces données. D’accord, vous pouvez remettre en question les algorithmes même lorsque vous êtes sur la route. Et ce que nous essayons de faire, c’est de prendre en compte le fait que de nombreux événements peuvent survenir. Il peut s’agir de problèmes provenant de…

Kieran Chandler: Pourriez-vous expliquer à nos auditeurs comment vous combinez l’apport des utilisateurs et les données pour prendre des décisions éclairées ?

Joannes Vermorel: Les clients ne sont pas la seule source de données. L’apport de l’utilisateur est également un événement pour nous, et si vous pensez qu’une solution est vraiment meilleure, vous pouvez choisir de faire autrement. Ce que nous proposons n’est qu’une recommandation, et vous pouvez alors prendre une décision éclairée. Vous serez véritablement le maître de votre domaine car vous connaissez probablement des éléments que nous ignorons. Pour répondre pleinement à votre question, il est essentiel de contrôler les données, car des données, prises isolément, ne valent rien si l’on ne sait pas ce qu’elles signifient réellement. Mais une fois que vous pouvez apporter un éclairage sur la signification de ces données et sur les décisions que vous proposez, les humains ne sont pas supprimés, ils sont augmentés. Ils peuvent prendre de meilleures décisions parce qu’ils disposent d’informations sur l’impact de nos calculs et, avec les autres éléments en tête, ils peuvent faire le meilleur choix possible. C’est ce que nous cherchons à accomplir : la juste combinaison des deux.

Cédric Hervet: Un autre exemple en est celui des feux de forêt aux États-Unis. Lorsque les gens saisissaient leurs itinéraires pour tenter d’échapper à ces incendies, les routes où se déroulaient les feux leur apparaissaient dégagées, et elles les orientaient vers ces directions. Pouvoir ajuster cela et prendre en compte des facteurs hors contexte est essentiel lorsque l’on fait ce que nous faisons.

Kieran Chandler: Diriez-vous, d’un point de vue des données, que nous dépendons trop de certaines grandes entreprises comme Amazon, Google et Microsoft ?

Joannes Vermorel: Je dirais probablement oui, mais également du fait que la technologie évolue très rapidement. Si l’on regarde les données cartographiques, il n’y a pas tant de fournisseurs dans le monde entier. La question est de savoir si les données cartographiques devraient être un bien commun. Certains essaient de le faire avec des cartes ouvertes, entre autres. La réalité est que, lorsqu’une technologie évolue de manière extrêmement rapide, il est difficile pour de nombreuses entreprises de rivaliser. Habituellement, quand on dit “le gagnant rafle tout”, ce que l’on oublie en technologie, c’est que les choses tournent souvent très vite. Donc oui, il n’y a pas tant d’acteurs sur le marché des cartes en ce moment, mais je constate de nombreux changements où des éléments autrefois considérés comme très difficiles d’accès tendent à devenir plus semblables à des biens communs grâce aux cartes ouvertes, entre autres. Cela prendra du temps, mais ce que je soupçonne, c’est que la plupart du temps, ces éléments deviendront de simples commodités, et le problème se déplacera vers quelque chose de complètement différent. En fin de compte, pour l’instant, tant qu’il y a une concurrence alpha, je pense qu’il existe une certaine compétition. Pour les cartes, il y a probablement environ quatre ou cinq acteurs, ce qui est suffisant, mais c’est toujours un marché assez concentré.

Kieran Chandler: Et si nous ne clôturons pas les choses aujourd’hui, vous êtes très impliqué dans la recherche et le développement. Qu’est-ce qui, d’un point de vue R&D, vous enthousiasme réellement pour les prochaines années ?

Cédric Hervet: Eh bien, tout d’abord, il y a ce que nous faisons chez Kardinal.

Kieran Chandler: Alors, Joannes, quelles avancées récentes en optimisation vous enthousiasment le plus ?

Joannes Vermorel: Nous sommes des doctorants travaillant à résoudre la version en ligne de l’optimisation, en élargissant le champ de l’optimisation opérationnelle en tant que discipline mathématique pour traiter les problèmes de manière adéquate. Nous avons également observé d’autres développements dans la communauté de l’IA dans son ensemble. L’apprentissage par renforcement est une approche différente de ce que nous faisons en optimisation opérationnelle. Il consiste à apprendre aux algorithmes à identifier la meilleure décision sans leur indiquer explicitement quelle décision est la bonne, ce qui est très différent philosophiquement de ce que nous faisons chez Kardinal. Nous indiquons à l’algorithme le périmètre global des solutions possibles à un problème et laquelle est meilleure qu’une autre, afin de nous concentrer sur la recherche de la solution au sein d’un ensemble fermé de solutions possibles. L’apprentissage par renforcement offre une autre manière de procéder et est probablement très adapté à la prise de décision en temps réel.

Cédric Hervet: La limitation de cette approche aujourd’hui est qu’elle ne peut pas gérer la variété des contraintes que nos techniques engendrent. Mais qui sait, nous avons été très surpris par ce que l’apprentissage par renforcement a pu faire sur Pingo ou même dans les jeux vidéo. Aujourd’hui, ils peuvent battre des joueurs de très haut niveau. C’est quelque chose que nous suivons de près, et c’est vraiment prospectif. Mais nous avons vu Google annoncer qu’il existait une suprématie quantique, ce qui signifie que des ordinateurs quantiques résolvent des problèmes en un temps court, inatteignable pour des ordinateurs classiques. Ils devaient énumérer toutes les solutions, et nous savons qu’il existe des algorithmes quantiques adaptés à la résolution du problème du voyageur de commerce, par exemple, qui est l’un de nos problèmes fondamentaux. Ils peuvent le résoudre en quelques secondes, alors qu’il faudrait des milliers d’années à un ordinateur classique rien que pour énumérer. C’est quelque chose que nous devons suivre. Évidemment, cela est très à long terme, et avec nos algorithmes conçus intelligemment, nous pouvons déjà égaler la vitesse des algorithmes de type « quantum conundrum ». Mais l’informatique quantique engendre une sorte de démocratisation qui rend, pour nous, des problèmes difficiles par nature beaucoup plus faciles à résoudre. Si nos problèmes devenaient faciles à résoudre demain, nous devrions être à l’avant-garde pour exploiter cette technologie et aider nos clients à performer bien mieux qu’aujourd’hui.

Kieran Chandler: Brilliant. Eh bien, merci pour votre temps aujourd’hui. C’est vraiment intéressant. Merci beaucoup. Un petit mot pour cette semaine : merci de nous avoir écoutés, et nous nous retrouverons la prochaine fois. Au revoir pour l’instant.