Optimisation de route en temps réel (avec Cédric Hervet)

00:00:07 Introduction et parcours de Cédric Hervet chez Kardinal.
00:02:07 L’approche de Kardinal en matière d’optimisation de route en temps réel avec l’apport humain.
00:03:41 L’impact de l’optimisation de route en temps réel sur la gestion de la chaîne d’approvisionnement et des stocks.
00:05:32 Développement des algorithmes d’optimisation de route et importance des données.
00:06:22 Évolution de l’optimisation de route et l’importance de données précises.
00:08:00 Principales entreprises et acteurs de l’optimisation de route.
00:09:58 Comment les innovations de Google ont inspiré d’autres entreprises.
00:10:51 Les principales sources de données pour l’optimisation de route de Kardinal.
00:12:55 Les défis techniques des solutions en ligne en temps réel.
00:15:38 Les utilisateurs qui reprennent le contrôle sur les données et leur impact sur l’optimisation.
00:18:00 Les défis de l’équilibre entre le contrôle des données et l’expertise humaine.
00:19:30 L’impact des grandes entreprises comme Amazon, Google et Microsoft sur la dépendance aux données.
00:21:00 La concentration du marché des données cartographiques.
00:22:17 Les recherches et développements passionnants en IA et leurs applications potentielles.

Résumé

Dans cette interview, Kieran Chandler s’entretient avec Joannes Vermorel et Cédric Hervet, fondateurs de Lokad et Kardinal respectivement. Ils discutent des défis de l’optimisation de route en temps réel et de l’importance de l’apport humain conjointement avec la technologie avancée. Hervet partage également son enthousiasme pour les développements en IA, y compris l’apprentissage par renforcement et les implications potentielles de l’informatique quantique. La conversation aborde l’idée des données cartographiques en tant que bien commun et la dépendance aux grandes entreprises technologiques pour les données, ainsi que la nécessité de rester à la pointe des technologies émergentes.

Résumé étendu

Kieran Chandler anime une discussion avec Joannes Vermorel, fondateur de Lokad, une entreprise de logiciels d’optimisation de la chaîne d’approvisionnement, et Cédric Hervet, co-fondateur et responsable de la R&D chez Kardinal, une entreprise de logiciels d’optimisation de route. Ils discutent des récentes avancées dans les données issues de la foule, de l’informatique quantique, de l’optimisation de route en temps réel et du rôle des humains dans ces processus.

Cédric Hervet explique que Kardinal se spécialise dans l’optimisation de route en temps réel avec une attention particulière à la prise en compte du contexte. La planification traditionnelle des itinéraires est généralement effectuée manuellement, ce qui est suboptimal. Les humains, cependant, ont la capacité de gérer les urgences et de prendre des décisions basées sur une vision globale des priorités. Les logiciels d’optimisation de route actuellement disponibles sur le marché fournissent des solutions statiques, ce qui pose problème lorsque des événements inattendus se produisent, tels que les embouteillages ou les changements de planning.

L’approche de Kardinal consiste à optimiser en continu les itinéraires, ce qui permet de mieux gérer les problèmes au fur et à mesure qu’ils surviennent. Ils insistent également sur le fait de ne pas exclure les humains de l’équation, car ils possèdent des connaissances et une vision stratégique qui ne peuvent être trouvées ou modélisées dans les bases de données.

Joannes Vermorel convient que l’utilisation de l’intelligence humaine en conjonction avec la puissance de calcul moderne est essentielle pour l’optimisation de la chaîne d’approvisionnement. La stratégie de Lokad consiste à tirer le meilleur parti de personnes intelligentes qui sont très conscientes des problèmes auxquels elles essaient de remédier.

La conversation se tourne vers les différences d’échelle de temps entre les approches de Kardinal et de Lokad. Kardinal se concentre sur l’optimisation de route en temps réel, avec des décisions réévaluées toutes les minutes environ. Ce n’est pas la même chose que les décisions au niveau des microsecondes requises pour des tâches comme la pilotage de robots dans un entrepôt. D’autre part, les décisions de Lokad se concentrent sur le lendemain ou jusqu’à un an à l’avance.

La conversation aborde ensuite le développement de l’optimisation de route au fil des années. Hervet fait la distinction entre les problèmes de recherche du meilleur itinéraire d’un point à un autre, pour lesquels Google Maps est conçu, et la question 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 réalisables et efficaces. Kardinal se concentre sur la transformation des mathématiques théoriques en solutions pratiques, en veillant à ce que les itinéraires optimisés soient réalistes et gérables pour les conducteurs.

Vermorel souligne Google comme une entreprise qui a stimulé une innovation significative dans les solutions en ligne, notamment dans les moteurs de recherche, en fournissant des informations plus à jour par rapport aux concurrents de l’époque. Bien qu’ils n’utilisent pas directement les algorithmes de Google, cette approche sert d’inspiration pour des entreprises comme Lokad et Kardinal, car elles travaillent sur des solutions en ligne évolutives pour des problèmes complexes.

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

Ils discutent des défis du traitement des données en temps réel, de l’importance de la contribution humaine et de la dépendance vis-à-vis des grandes entreprises technologiques pour les données.

Vermorel explique que travailler avec des données en temps réel présente de multiples défis. Tout d’abord, la vitesse de la lumière est finie, ce qui signifie que même si les données peuvent être transmises rapidement, elles peuvent prendre quand même quelques secondes à être traitées lorsqu’il y a plusieurs centres de données et des milliers d’allers-retours. De plus, il existe de nombreux facteurs qui peuvent ralentir les systèmes informatiques, tels que les mises à jour logicielles ou d’autres processus en arrière-plan. Assurer le bon fonctionnement des systèmes en temps réel à l’échelle mondiale nécessite une expertise significative.

Un autre défi est la dépendance vis-à-vis des partenaires, ce qui peut affecter la disponibilité et la fiabilité des services de logiciels d’entreprise. Plus il y a de dépendances, plus il peut y avoir de problèmes potentiels et de temps d’arrêt. Cela signifie que le temps de disponibilité du service ne sera aussi bon que ses dépendances, ce qui entraîne souvent une disponibilité et une fiabilité plus faibles.

Hervet souligne l’importance de maintenir la contribution humaine dans les systèmes d’optimisation des itinéraires. Il raconte une histoire sur la façon dont leurs itinéraires générés initialement par algorithme étaient mathématiquement optimaux, mais les conducteurs ont pu identifier des problèmes que l’algorithme ne pouvait pas voir. Par exemple, un conducteur pourrait savoir qu’il serait impossible de se garer à un moment précis en raison de la prise en charge des enfants à l’école. Hervet insiste sur la nécessité d’un équilibre entre les itinéraires générés par algorithme et l’expertise humaine pour prendre les meilleures décisions possibles.

Il est également convaincu que le contrôle des données est crucial. Les utilisateurs doivent être en mesure de comprendre et d’interagir avec les données pour prendre des décisions éclairées. Kardinal vise à augmenter la prise de décision humaine avec des informations computationnelles, permettant ainsi une combinaison d’expertise humaine et d’optimisation basée sur les données.

Lorsqu’il aborde la question de la dépendance à l’égard de grandes entreprises comme Amazon, Google et Microsoft pour les données, Hervet convient qu’il peut y avoir une dépendance excessive à leur égard. Cependant, il reconnaît également que la technologie évolue rapidement et qu’il n’y a pas beaucoup de fournisseurs de données cartographiques dans le monde.

La conversation commence par une question sur la question de savoir si les données cartographiques devraient être un bien commun. Vermorel reconnaît l’importance des cartes ouvertes et suggère que les avancées technologiques pourraient rapprocher 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 qu’il existe une concurrence, elle reste limitée.

Hervet parle ensuite de son enthousiasme pour les développements en recherche opérationnelle et en intelligence artificielle. Chez Kardinal, des étudiants en doctorat travaillent sur la résolution de problèmes d’optimisation en ligne, élargissant ainsi le champ d’application du domaine mathématique. Ils examinent également d’autres avancées en matière d’IA, telles que l’apprentissage par renforcement, qui apprend 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 dans 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 traiter la gamme de contraintes auxquelles ils sont confrontés chez Kardinal. Cependant, ils continuent de surveiller ses progrès, car il pourrait devenir plus adapté à la prise de décision en temps réel à l’avenir.

La conversation se tourne ensuite vers les implications potentielles de l’informatique quantique. Hervet mentionne la récente affirmation de Google d’avoir atteint la suprématie quantique, ce qui signifie que les ordinateurs quantiques peuvent résoudre des problèmes en beaucoup moins de temps que les ordinateurs classiques. Les 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 l’informatique quantique soit encore une perspective à long terme, Hervet reconnaît son potentiel de démocratiser la résolution de problèmes en rendant les problèmes difficiles plus faciles à résoudre. Si cela se produit, des entreprises comme Kardinal devront rester à la pointe de la technologie pour aider leurs clients à performer mieux.

Transcription complète

Kieran Chandler: Cette semaine sur Lokad TV, nous sommes ravis d’accueillir Cédric Hervet, qui va discuter avec nous de la façon dont l’augmentation de l’informatique quantique et la capacité d’optimiser les itinéraires en temps réel ont conduit les entreprises de livraison à changer leur mode de fonctionnement. Donc, Cédric, merci beaucoup de nous rejoindre aujourd’hui.

Cédric Hervet: Merci de m’accueillir. Kardinal est une entreprise spécialisée dans l’optimisation des itinéraires en temps réel avec une grande connaissance du contexte. Habituellement, les itinéraires sont optimisés manuellement par des humains, qui planifient les horaires de leurs chauffeurs 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 peuvent envisager l’ensemble de leurs priorités et prendre des décisions. Cependant, les algorithmes ne sont pas entièrement équipés pour cela, en particulier les algorithmes d’optimisation. Il existe des programmes logiciels sur le marché qui fournissent une optimisation des itinéraires, mais ils le font de manière très statique. Ils obtiennent des données, les mélangent d’une certaine manière et fournissent une solution optimisée pour les horaires. 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, les clients en retard ou absents et la reprogrammation des rendez-vous. Tous ces événements peuvent nuire aux performances. Chez Kardinal, nous pensons que la bonne façon d’optimiser les itinéraires est de ne jamais cesser de les optimiser. De cette façon, vous avez une plus grande capacité à gérer les problèmes au fur et à mesure qu’ils surviennent. Un autre aspect clé de ce que nous faisons est que nous mettons fortement l’accent sur ne pas exclure les humains de l’équation car ils connaissent leur travail et savent des choses qui ne peuvent être trouvées ou modélisées dans une base de données. Il est important de ne pas les exclure du processus car ils ont une vision stratégique de leur activité globale.

Kieran Chandler: Cette idée d’utiliser un cerveau humain et de tirer le meilleur parti de celui-ci, en particulier dans les scénarios d’urgence, est vraiment intéressante. Je pense que c’est quelque chose avec lequel vous seriez probablement d’accord aussi, Joannes, en tirant le meilleur parti du cerveau humain en termes d’ajout à l’optimisation ?

Joannes Vermorel: Absolument, l’idée de tirer le meilleur parti de personnes intelligentes qui sont très conscientes des problèmes auxquels elles essaient de faire face avec leur chaîne d’approvisionnement, et d’utiliser le meilleur de ce 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 d’optimisation des itinéraires en temps réel. Pourquoi cela vous intéresse-t-il d’un point de vue de la chaîne d’approvisionnement ?

Joannes Vermorel: Évidemment, chez Lokad, lorsque nous pensons à l’optimisation de la chaîne d’approvisionnement, nous ne pensons pas exactement à la même échelle de temps. Si je compare ce que Kardinal et Lokad, qui sont tous deux des fournisseurs de logiciels d’entreprise, font : Kardinal fait de l’optimisation d’itinéraire, donc des décisions qui peuvent être remises en question toutes les minutes environ. Ce n’est pas exactement à l’échelle des microsecondes, car vous ne pilotez pas de robots en temps réel pour effectuer des prélèvements dans un entrepôt. Cela doit être rapide, mais pas au niveau des microsecondes. Au contraire, Lokad se concentre sur les décisions pour demain ou jusqu’à un an à l’avance, c’est donc la plage de temps. Le fait que Lokad puisse optimiser les chaînes d’approvisionnement implique généralement de prendre des décisions pour des périodes de temps plus longues.

Kieran Chandler: Nous discutons de la rééquilibrage des stocks entre les différents emplacements, tels que les magasins ou les entrepôts. Cela dépend fortement de l’agilité des outils d’optimisation d’itinéraire, tels que ceux fournis par des entreprises comme Kardinal. Plus vous avez d’agilité avec vos itinéraires, plus il est facile de rééquilibrer les stocks entre les magasins, ce qui réduit le coût de l’optimisation. Comment l’optimisation d’itinéraire a-t-elle évolué au cours des dernières années, notamment compte tenu de notre dépendance croissante aux smartphones et aux systèmes GPS ?

Cédric Hervet: L’optimisation d’itinéraire présente deux problèmes principaux. Le premier consiste à aller d’un point à un autre et à trouver la bonne route, ce pour quoi des outils comme Google Maps sont conçus. Le deuxième problème, plus difficile, consiste à avoir n arrêts à visiter et à déterminer l’ordre dans lequel vous visiterez tous ces arrêts, en tenant compte de facteurs tels que la circulation. Notre objectif est de résoudre ce deuxième 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 à modéliser ce problème et à développer des algorithmes existe depuis les années 1960. Cependant, la mise en œuvre réelle 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 fausses ou inexactes, il produira des itinéraires irréalisables. Chez Kardinal, notre objectif est de fournir des itinéraires réalisables et pratiques pour les conducteurs à suivre.

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

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

Kieran Chandler: Alors, Joannes, pouvez-vous nous parler de la transition que vous avez effectuée en passant d’une entreprise d’optimisation des moteurs de recherche à une entreprise d’optimisation de la chaîne d’approvisionnement ?

Joannes Vermorel: Nous avons commencé initialement avec des solutions en ligne pour fournir les meilleurs résultats pour les requêtes. Cependant, la réalité est que de nouvelles pages sont constamment ajoutées à l’index, et au départ, nous ne faisions qu’une mise à jour hebdomadaire. Mais c’était déjà 20 fois plus rapide que la plupart de nos concurrents. Il y a donc eu une transition vers un problème où nous voulions toujours des résultats à jour dans des conditions changeantes. Low Cad et Kardinal n’utilisent pas spécifiquement les algorithmes de Google conçus pour les moteurs de recherche, mais cela a été une source d’inspiration pour nous, pour voir ce que vous pouvez faire à grande échelle avec la preuve que cela peut réellement fonctionner.

Cédric Hervet: Et beaucoup d’autres acteurs ont commencé à faire des choses similaires sur différents types de problèmes. Je pense qu’il y a eu une nouvelle vague de personnes qui réfléchissaient à la façon d’avoir la version en ligne d’un problème qui est beaucoup plus intelligente et aussi très différente de ce que Kardinal fait actuellement par rapport à ce que les gens faisaient 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 peut-être votre chauffeur ne peut pas conduire plus de X heures parce qu’il y a une réglementation de l’emploi qui le dit.

Kieran Chandler: Cédric, pouvez-vous nous parler des données qui intéressent réellement Kardinal et de leur provenance ?

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

Kieran Chandler: Cédric, vous avez mentionné la croissance croissante des solutions en ligne. D’un point de vue technique, quels sont les défis que cela pose en termes de capacité à travailler en temps réel ?

Cédric Hervet: Le temps réel introduit beaucoup de complications. Tout d’abord, il n’y a pas de tel chose que le temps réel car la vitesse de la lumière est finie. Même si elle est incroyablement rapide, cela prend quand même du temps. Le problème se pose lorsque vous avez des systèmes informatiques distribués, et que vous devez aller et venir entre plusieurs centres de données. Si vous faites des milliers d’allers-retours, cela prend des secondes pour obtenir des résultats.

Kieran Chandler: Réaliser des systèmes en temps réel peut être assez difficile lorsque vous opérez à l’échelle mondiale. Quelles sont certaines des difficultés auxquelles vous êtes confrontés ?

Joannes Vermorel: Eh bien, il y a beaucoup de 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 y a des moments où ils se bloquent à cause de mises à jour ou d’autres raisons. Donc, la réalité est que les ordinateurs peuvent en fait être assez lents dans le pire des cas. De plus, la vitesse de votre système sera généralement celle du maillon le plus lent que vous avez. Cela signifie que si vous avez de nombreuses machines, la plus lente peut être très lente. Le temps réel est en soi un ensemble de défis très compliqués. Une autre complication est que l’introduction de dépendances vis-à-vis des partenaires signifie que vous devez rendre votre service très disponible et fiable, même si vos partenaires ne le sont pas. Plus vous avez de dépendances, plus il y a de problèmes potentiels de temps d’arrêt. Votre service n’est aussi bon que vos dépendances, ce qui signifie que chaque fois que vous descendez dans la chaîne, vous obtenez quelque chose avec une disponibilité plus faible, un temps de fonctionnement plus faible et tout le reste. Donc, le temps réel est tout un défi.

Cédric Hervet: Oui, je suis d’accord. Et nous entrons maintenant dans une ère où nous pouvons réellement avoir le contrôle de ces données. Par exemple, avec Waze, vous pouvez maintenant signaler la présence d’un radar de vitesse quelque part. Pensez-vous que cela a un impact positif ? Le fait que nous puissions maintenant contrôler ces données est évidemment très important pour avoir cette capacité, surtout dans le contexte que je décrivais auparavant. Chez Kardinal, nous accordons une grande attention à garder les humains à bord du système car une fois qu’ils perdent le contrôle, et que tout est trop automatisé, ils ne peuvent pas vraiment vérifier si l’algorithme fait quelque chose. Ils perdent tellement de compréhension de ce qui se passe qu’ils ne peuvent pas vraiment apporter leur expertise. Et ils ont toujours une expertise. J’ai cette petite histoire quand nous avons commencé à faire ce que nous faisons, nous essayions de remettre en question les itinéraires des chauffeurs, et nous proposions nos propres tournées optimisées. Ils avaient toujours un exemple de quelque chose que l’algorithme ne pouvait pas voir. Un exemple amusant est que nous avions cet itinéraire très bien optimisé, qui était évidemment la meilleure façon de visiter tous ces arrêts. Mais quand le chauffeur a vu cela, il ne se concentrait pas sur l’aspect général de l’itinéraire, qui était en quelque sorte meilleur que ce qu’il aurait fait de toute façon. Il se concentrait vraiment sur certains arrêts spécifiques. Il nous disait : “D’accord, donc vous me dites que je vais livrer cette personne ici à 16h45, et ici il y a une école, et je sais que tous les parents vont se garer dans cette rue, et je ne pourrai pas me garer moi-même pour faire cette livraison.” C’est évidemment mathématiquement optimal, mais je sais que cette livraison à ce moment précis signifie que c’est juste 15 minutes, mais il est impossible de livrer quelqu’un en 15 minutes. Et c’est vraiment quelque chose. Pour ceux qui travaillent dans les données, le coût de savoir cela à l’avance pour éviter cet espace, se fixer à 50 minutes à l’avance en anticipant ce fait est très coûteux pour nous. C’est inutile car nous avons quelqu’un dans le camion qui le sait. L’interaction clé que nous essayons de mettre en place avec eux est la suivante : vous savez des choses que nous ne saurons jamais, et nous n’essaierons jamais vraiment de le savoir car cela revient à un coût trop élevé pour nous, alors donnez-nous simplement cette information. 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 que de nombreux événements peuvent se produire. Il peut y avoir des problèmes à partir de…

Kieran Chandler: Pouvez-vous expliquer à nos auditeurs comment vous combinez les contributions des utilisateurs et les données pour prendre des décisions éclairées ?

Joannes Vermorel: Les clients ne sont pas la seule source de données. La contribution de l’utilisateur est également un événement pour nous, et si vous pensez que quelque chose est vraiment meilleur, vous pouvez choisir de faire autrement. Ce que nous suggérons n’est qu’une recommandation, et vous pouvez prendre une décision éclairée. Vous serez vraiment le maître de votre domaine car vous connaissez probablement des choses que nous ignorons. Pour répondre vraiment à votre question, il est essentiel de contrôler les données car les données, en elles-mêmes, sont inutiles si vous n’avez pas quelque chose qui vous dit ce que ces données signifient réellement. Mais une fois que vous pouvez fournir des informations sur ce que signifient les données et sur les décisions que vous proposez, les humains ne sont pas exclus, mais ils sont augmentés. Ils peuvent prendre de meilleures décisions car ils ont des informations sur l’impact de nos calculs, et avec les autres choses qu’ils ont à l’esprit, ils peuvent prendre la meilleure décision possible. C’est ce que nous essayons d’atteindre - la bonne combinaison entre les deux.

Cédric Hervet: Un autre exemple en est les incendies de forêt aux États-Unis. Lorsque les gens planifiaient leurs itinéraires pour échapper à ces incendies, les routes où il y avait des incendies leur étaient montrées comme étant dégagées, et ils étaient en réalité dirigés dans cette direction. Il est essentiel d’avoir un moyen d’ajuster cela et de prendre en compte des facteurs hors contexte lorsque l’on fait ce que nous faisons.

Kieran Chandler: Diriez-vous du 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 aussi le 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. Il y a des gens qui essaient de le faire avec des cartes ouvertes, et ainsi de suite. La réalité est que lorsque vous avez une technologie qui évolue très rapidement, il est difficile pour de nombreuses entreprises de rivaliser. Habituellement, lorsque les gens disent “le gagnant rafle tout”, ce qu’ils oublient dans le domaine de la technologie, c’est que les choses tournent fréquemment rapidement. Donc oui, il n’y a pas tant d’acteurs sur le marché des cartes en ce moment, mais je vois beaucoup de changements où des choses qui étaient considérées comme très difficiles d’accès se rapprochent maintenant d’un bien commun avec des cartes ouvertes et ainsi de suite. Cela prendra beaucoup de temps, mais ce que je soupçonne, c’est que la plupart du temps, ces choses deviennent des commodités, et le problème se sera déplacé vers quelque chose d’autre entièrement. Donc, en fin de compte, pour l’instant, tant qu’il y a une certaine concurrence alpha, je crois qu’il y a de la concurrence. Pour les cartes, il y a probablement quatre ou cinq acteurs, et cela qualifie, mais en effet, c’est encore un marché assez concentré.

Kieran Chandler: Et si cela ne conclut pas les choses aujourd’hui, vous êtes très impliqué dans la recherche et le développement. Quelles sont les choses réelles qui vous enthousiasment du point de vue de la recherche et du développement au cours des prochaines années ?

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

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

Joannes Vermorel: Nous sommes des doctorants travaillant sur la résolution de la version en ligne de l’optimisation, élargissant le champ de l’optimisation des opérations en tant que domaine mathématique pour traiter les problèmes de la bonne manière. Nous avons également vu d’autres choses se produire dans la communauté de l’IA dans son ensemble. L’apprentissage par renforcement est une approche différente de ce que nous faisons avec l’optimisation des opérations. Il s’agit d’enseigner aux algorithmes à connaître la meilleure décision sans leur dire explicitement quelle décision possible est la bonne, ce qui est très différent philosophiquement de ce que nous faisons chez Kardinal. Nous indiquons à l’algorithme l’étendue globale des solutions possibles à un problème et quelle solution est meilleure qu’une autre, afin que nous puissions nous concentrer sur la recherche de la solution à l’intérieur d’une enveloppe fermée de solutions possibles. L’apprentissage par renforcement offre une autre façon de le faire 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 de contraintes auxquelles nous sommes confrontés avec nos techniques. Mais qui sait, nous avons été très surpris de ce que l’apprentissage par renforcement pouvait faire dans Pingo ou même dans les jeux vidéo. Maintenant, ils peuvent battre des joueurs très forts. C’est quelque chose que nous suivons de près et qui est vraiment prometteur. Mais nous avons vu Google annoncer qu’il y a une suprématie quantique, ce qui signifie que les ordinateurs quantiques résolvent des problèmes en peu de temps, ce qui est impossible pour les ordinateurs normaux. Ils ont dû 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 principaux. Ils peuvent le résoudre en quelques secondes, alors qu’il faudrait des milliers d’années à un ordinateur classique pour énumérer toutes les solutions. C’est quelque chose que nous devons suivre. Évidemment, cela relève du très long terme, et avec nos algorithmes intelligents dans leur conception, nous pouvons déjà rivaliser avec la vitesse des algorithmes quantiques. Mais l’informatique quantique permet une sorte de démocratisation de la résolution de tous ces problèmes qui sont difficiles par nature, ce qui est assez intéressant pour nous. Si nos problèmes deviennent faciles à résoudre demain, nous devrons être à la pointe de cette technologie pour aider nos clients à performer beaucoup mieux qu’aujourd’hui.

Kieran Chandler: Génial. Eh bien, merci pour votre temps aujourd’hui en tout cas. C’est vraiment intéressant. Merci beaucoup. Donc, quelque chose pour cette semaine. Merci beaucoup d’avoir suivi, et nous vous reverrons la prochaine fois. Au revoir pour le moment.