Au-delà de la modélisation statistique

00:00:08 La dure réalité des projets de science des données qui échouent à avoir un impact sur les opérations commerciales quotidiennes.
00:00:55 La compréhension générale de la science des données dans la plupart des entreprises en tant que modélisation statistique glorifiée.
00:02:17 La différence entre la modélisation statistique classique et ce que font des entreprises comme Google, Microsoft et Amazon.
00:03:51 L’histoire de l’électromagnétisme et la comparaison avec la science des données.
00:07:04 Le problème de la mentalité Kaggle en science des données.
00:08:01 Discussion sur le fonctionnement de l’innovation technologique dans le monde réel.
00:09:01 Exemple de la façon dont Amazon a révolutionné le e-commerce.
00:10:01 Explication selon laquelle la majorité des départements de science des données sont bloqués dans des méthodes académiques.
00:12:34 Explication selon laquelle le plus grand risque pour les entreprises est de devenir obsolètes.
00:14:06 Discussion sur l’importance future de l’IA et du deep learning dans les entreprises.
00:16:01 Les progrès des véhicules autonomes sont stupéfiants, mais la question est de savoir s’ils peuvent être industrialisés.
00:16:17 La discussion se tourne vers l’application de la technologie dans les chaînes d’approvisionnement et la finance.
00:17:37 Un test décisif pour déterminer si l’équipe de science des données d’une entreprise est suffisamment importante pour la survie de l’entreprise.
00:20:07 L’importance pour les dirigeants d’avoir une “sympathie mécanique” afin d’utiliser efficacement la science des données dans leur entreprise.
00:22:34 L’idée d’embaucher de jeunes diplômés pour révolutionner une entreprise relève de l’utopie et de la paresse intellectuelle.

Résumé

Dans l’interview avec Kieran Chandler, Joannes Vermorel explique que la plupart des entreprises n’exploitent pas pleinement le potentiel de la science des données, se concentrant sur les modèles statistiques existants plutôt que sur le développement de nouveaux modèles. Il estime que les entreprises doivent réinventer leurs processus et adopter des méthodes statistiques innovantes. Vermorel souligne l’importance d’intégrer les capacités techniques au niveau de la direction grâce à une “sympathie mécanique”. Il soutient que l’embauche de jeunes ingénieurs est insuffisante pour transformer une entreprise et que les dirigeants doivent avoir une sympathie mécanique pour exploiter véritablement les nouvelles technologies. Les entrepreneurs qui réussissent sont soit très jeunes, soit expérimentés, ces derniers ayant souvent acquis leur expérience en fondant de nouvelles entreprises. S’appuyer sur des diplômés récents pour transformer une entreprise relève de l’utopie et de la paresse intellectuelle.

Résumé étendu

Dans cette interview, Kieran Chandler s’entretient avec Joannes Vermorel, fondateur de Lokad, sur les limites de la modélisation statistique classique en science des données et sur la nécessité pour les entreprises de repenser leur approche pour réussir dans ce domaine.

Vermorel explique que la plupart des entreprises considèrent la science des données comme une modélisation statistique glorifiée, appliquant des modèles statistiques existants aux données. Cependant, les entreprises qui prennent réellement la science des données au sérieux, telles que Google, Microsoft et Amazon, repensent la nature des méthodes statistiques et en inventent de nouvelles, plutôt que de simplement appliquer des modèles existants.

Il soutient que la façon dont la science des données est actuellement envisagée dans la plupart des entreprises est trop simpliste et la compare à l’introduction de l’électromagnétisme au XIXe siècle. À cette époque, les gens ne le considéraient que comme un outil utile pour des tâches spécifiques, comme l’assurance qualité. Cependant, une fois que l’électricité a été maîtrisée, elle a transformé des industries entières. De la même manière, Vermorel estime que la science des données a le potentiel de révolutionner les entreprises, mais seulement si les entreprises l’abordent différemment.

Il critique l’approche courante de la science des données, qui consiste à collecter et à nettoyer les données, à appliquer des modèles statistiques et à fournir des résultats. Il soutient que cette méthode, souvent représentée par la communauté Kaggle, est trop simpliste et se concentre trop sur la recherche du meilleur modèle pour un ensemble de données et un problème donnés, plutôt que de véritablement comprendre les données sous-jacentes et leurs applications potentielles.

Au lieu de cela, Vermorel suggère que les entreprises devraient considérer la science des données comme un moyen de réinventer leurs processus, de la même manière que l’électricité a révolutionné l’industrie. Cela nécessite un changement de mentalité, passant de l’application simple de modèles existants aux données au développement réel de nouvelles méthodes statistiques et d’approches qui peuvent libérer tout le potentiel de la science des données.

Joannes Vermorel soutient que la plupart des entreprises n’exploitent pas pleinement le potentiel de la science des données, car elles se concentrent sur l’application de modèles statistiques existants plutôt que sur le développement de nouveaux modèles. Pour bénéficier réellement de la science des données, les entreprises doivent repenser leur approche et se concentrer sur la réinvention de leurs processus et le développement de méthodes statistiques innovantes.

Vermorel affirme que l’adoption de nouvelles technologies n’est pas un processus linéaire où les entreprises apprennent simplement des universités et mettent en œuvre des innovations. Au contraire, les entreprises doivent engager une discussion continue avec les nouvelles technologies, en tirant des enseignements et en projetant leurs besoins futurs en fonction des capacités offertes par ces technologies.

Vermorel utilise l’exemple du développement du commerce électronique par Amazon, soulignant comment l’entreprise a dû repenser l’avenir du commerce, établir des exigences et trouver des solutions innovantes. Il souligne que la clé de l’innovation réussie est de comprendre clairement le problème et de poser les bonnes questions.

Lorsqu’on lui demande pourquoi de nombreux services de science des données suivent encore des approches académiques, Vermorel cite la paresse comme facteur principal. Les entreprises optent souvent pour une approche “à la mode”, investissant dans les dernières tendances sans tenir compte de la manière dont ces technologies pourraient changer fondamentalement leurs modèles commerciaux. Vermorel suggère que les entreprises devraient se concentrer sur la compréhension des changements profonds que les nouvelles technologies peuvent apporter à leurs organisations, plutôt que de chercher des améliorations cosmétiques.

Chandler se demande si le risque d’adopter de nouvelles technologies et de changer de modèles commerciaux pourrait être la raison de la résistance au changement. Vermorel reconnaît le risque inhérent, mais souligne également le risque d’obsolescence pour les entreprises qui ne parviennent pas à innover. Il partage ses expériences d’il y a une décennie, mettant en garde les détaillants contre le potentiel perturbateur d’Amazon. Malgré avoir initialement négligé Amazon comme étant insignifiant, bon nombre de ces détaillants se retrouvent maintenant en difficulté pour rivaliser avec le géant du commerce électronique.

Selon Vermorel, la croissance continue d’Amazon et d’Alibaba malgré les déséconomies d’échelle auxquelles ils sont confrontés indique qu’ils sont en avance sur leur concurrence de plusieurs années. Alors que les dirigeants pourraient être tentés de maintenir le statu quo pour minimiser les risques, Vermorel met en garde contre le fait de le faire en continu, car cela peut conduire à la chute d’une entreprise. Au lieu de cela, les entreprises devraient s’engager activement avec les nouvelles technologies et adapter leurs modèles pour rester compétitives face à la disruption.

Ils discutent du rôle des techniques statistiques avancées, de l’avenir de la gestion de la supply chain et de la manière dont les entreprises peuvent instaurer une culture axée sur les données au sein de leurs équipes.

Vermorel aborde d’abord la mentalité des entreprises qui négligent l’importance des techniques statistiques avancées. Il soutient que les entreprises ne devraient pas négliger les risques de ne pas investir dans de nouvelles technologies, en utilisant l’exemple des entreprises qui ne se sont pas adaptées à Internet au début des années 90. Il souligne que les entreprises doivent prendre le risque d’adopter de nouvelles technologies ou risquer de devenir obsolètes.

Lorsqu’on lui demande la pertinence future de l’IA et de l’apprentissage profond, Vermorel fait référence aux réalisations impressionnantes de sociétés telles que Google, Amazon et Microsoft dans des domaines tels que les échecs et les véhicules autonomes. Il estime que ces technologies continueront à progresser et joueront un rôle essentiel dans la gestion de la supply chain. Il établit un parallèle entre l’optimisation de la supply chain et le trading quantitatif en finance, où ce dernier est déjà en place depuis des décennies.

Pour instaurer une culture d’innovation et de prise de risques au sein des équipes de data science, Vermorel suggère un test décisif : si une entreprise devait licencier tous ses data scientists du jour au lendemain, l’entreprise serait-elle en danger mortel ou risquerait-elle la faillite dans l’année ? Si la réponse est non, alors l’entreprise ne prend probablement pas suffisamment de risques avec son équipe de data science. Il compare cela aux premiers jours d’Internet, où les entreprises ont pris d’importants risques avec les développeurs web, malgré la technologie qui semblait inférieure aux méthodes traditionnelles à l’époque. Cette prise de risque a permis à ces entreprises de s’adapter et de prospérer à l’ère numérique.

Ils ont discuté de l’importance pour les entreprises d’adopter des capacités techniques et d’avoir une stratégie qui intègre ces aspects au niveau de la direction. Il met l’accent sur le concept de “sympathie mécanique”, où les dirigeants ont une compréhension approfondie des éléments techniques, ce qui leur permet de prendre des décisions éclairées en collaboration avec les ingénieurs.

Vermorel soutient que l’embauche de jeunes ingénieurs brillants ne suffit pas à révolutionner une entreprise. Il est crucial que les dirigeants aient une sympathie mécanique pour exploiter véritablement le potentiel des nouvelles technologies. Il souligne le fait que le schéma courant pour les entrepreneurs à succès est soit d’être très jeunes, soit d’avoir une expérience et une sagesse significatives, souvent acquises en créant de nouvelles entreprises. Vermorel conclut que compter sur de jeunes diplômés pour transformer une entreprise relève de l’utopie et de la paresse intellectuelle.

Transcription complète

Kieran Chandler : Aujourd’hui sur LokadTV, nous allons dépasser la modélisation statistique classique et discuter de la raison pour laquelle les départements de data science doivent faire plus que simplement collecter des données, les manipuler et fournir des résultats. Alors Joannes, la plupart d’entre nous commencent tout juste à comprendre la modélisation statistique classique. Quelle est l’idée clé aujourd’hui ?

Joannes Vermorel : Il y a plusieurs idées. Tout d’abord, j’utilise le terme “modélisation statistique” comme je l’ai suggéré pour cet épisode, car lorsque vous regardez les pratiques de data science telles qu’elles sont envisagées dans la plupart des entreprises, il s’agit simplement d’une modélisation statistique glorifiée. Pour le grand public, au cas où vous vous poseriez la question, en ce qui concerne l’extraction de motifs ou la reproduction d’un aspect de l’intelligence humaine, tout ce que nous avons pour le moment, ce sont des statistiques. Ces méthodes statistiques peuvent avoir des noms sophistiqués comme l’apprentissage profond, et certaines personnes les désigneront comme de l’IA, mais littéralement, ce que nous avons, ce sont des modèles statistiques.

Il y a quelques décennies, des tentatives ont été faites pour faire de l’IA avec des approches non statistiques, comme l’approche symbolique, qui n’a donné presque aucun résultat pratique. Cette branche a disparu, laissant l’approche statistique comme la seule qui existe encore dans une certaine mesure à l’heure actuelle. Donc tout ce que nous avons pour faire des choses sophistiquées avec des données, ce sont des méthodes statistiques.

Ce qui est intéressant, c’est ce que font ces équipes dans la plupart des entreprises qui font réellement de la data science. Eh bien, elles jouent avec des modèles statistiques. Je m’oppose à cela à ce que font, disons, des personnes qui prennent cela vraiment au sérieux, comme Google, Microsoft et Amazon. Ils ne se contentent pas de faire de la modélisation statistique ; ils repensent la nature fondamentale de la prochaine méthode statistique, comme inventer l’apprentissage profond par rapport à jouer avec l’apprentissage profond. Il s’agit d’inventer la prochaine étape des arbres de décision renforcés par gradient plutôt que de prendre des arbres de décision renforcés par gradient, un modèle statistique, et de l’appliquer simplement à un autre ensemble de données.

Kieran Chandler : Donc, la compréhension commune est que ces équipes collectent des données, les nettoient, appliquent leurs modèles statistiques et fournissent des résultats. Qu’est-ce que Google et Amazon font de tellement mieux que cela ?

Joannes Vermorel : Je pense que pour répondre à cette question, nous devons remonter un peu dans le temps et repenser un peu, disons, au XIXe siècle, lorsque l’électromagnétisme était quelque chose de tout nouveau.

Kieran Chandler : Si vous lisez un peu d’histoire, comment les gens abordaient cela, vous diriez : “Oh, il y a l’électromagnétisme. C’est tellement incroyablement intéressant.” Imaginez que vous êtes une entreprise industrielle de l’époque, une entreprise pré-industrielle. Vous avez un fabricant semi-manuel, puis vous avez cette chose qu’est l’électromagnétisme qui commence à susciter de l’intérêt, et vous dites : “Oh, je pense que ça vaut vraiment la peine d’avoir une petite équipe qui fait des choses sophistiquées avec ça.” Et peut-être, pour l’assurance qualité, nous aurons quelques choses où nous pourrons tester la conductivité, et c’est très prometteur. Et nous ferons quelques choses qui sont intéressantes parce que, oui, tester la conductivité est un excellent moyen de faire de l’assurance qualité sur quelques choses que nous produisons.

Joannes Vermorel : Si vous y réfléchissez un siècle plus tard, vous penseriez que c’est absurde. Je veux dire, avec l’électricité, vous pouvez avoir des moteurs, de l’éclairage électrique, du chauffage, de la climatisation, et même faire fondre du métal. Elle remplacera tous les besoins d’avoir une flamme ouverte dans votre usine. Donc, une fois que vous avez de l’électricité à grande échelle, vous pouvez littéralement réinventer à peu près tout dans la façon dont vous le faites. Le problème, c’est que la façon dont la data science est envisagée, c’est quelque chose qui est un gadget sophistiqué, et les gens se conforment au cadre de la façon dont le problème se présente.

Kieran Chandler : Donc, la façon dont cela se fait dans le milieu universitaire est de présenter le problème comme si vous aviez un ensemble de données bien défini, une série de modèles et des métriques de précision de quelque sorte, car vous voulez faire une prédiction de quelque sorte. Et nous allons explorer les différents modèles et chercher le modèle qui donne les meilleurs résultats. Et cela est littéralement incarné dans les compétitions Kaggle dont nous avons discuté précédemment.

Joannes Vermorel : Les gens disent : “Eh bien, tout a été encadré ; il y a un ensemble de données donné, un problème avec une métrique donnée, et ensuite il y a une collection infinie de modèles.” La plupart d’entre eux peuvent même être composés de plusieurs façons, et vous pouvez potentiellement réingénier les caractéristiques que vous avez pour rendre l’ensemble de données plus adapté au modèle que vous avez. C’est ça, la data science.

Kieran Chandler : Qu’est-ce qui ne va pas avec ce genre de mentalité Kaggle ? Est-ce simplement trop simpliste, et cela vous dit simplement que vous allez avoir un seul résultat qui sera précis, ou pourquoi est-ce si faux ?

Joannes Vermorel : Si vous regardez l’histoire, et encore une fois, c’est quelque chose que vous ne voyez qu’une fois dans le passé, cela devient évident. Mais à l’époque actuelle, lorsque vous êtes à la périphérie, c’est difficile à voir. Une fois que cela est devenu la norme, c’est tellement évident. Donc maintenant, si je reviens à la data science, je vois les entreprises prendre invariablement des projets personnels, une application personnelle, une sorte de gadget numérique sophistiqué où vous avez intégré un peu d’IA. Probablement la chose la plus absurde et inutile sont les chatbots. Mais je sais qu’il y a beaucoup de gens qui ont levé beaucoup d’argent pour développer de grandes entreprises qui peuvent apprendre dynamiquement comment discuter sur Twitter et devenir des nazis en 48 heures simplement parce que les gens ont donné les bonnes entrées. Et c’est juste absurde.

Kieran Chandler : Revenons à cela, je veux dire, le problème est que lorsque vous voulez réfléchir à ce que implique une nouvelle technologie, ce n’est pas un processus à sens unique. Les gens pensent que les universités découvrent des choses, les enseignent aux étudiants, et les étudiants qui sont maintenant diplômés avec des diplômes en ingénierie, en informatique, etc., vont dans les entreprises et déploient l’innovation. Mais c’est absolument pas comme ça que fonctionne le monde réel.

Joannes Vermorel : Le monde réel, par exemple, Amazon a pratiquement inventé ce qui allait devenir le e-commerce, avec quelques autres comme eBay et d’autres pionniers. Ils l’ont défini grâce à leur innovation. Ce n’était pas Jeff Bezos qui est allé quelque part au début des années 90 en disant : “Je vais simplement embaucher des webmasters et construire un site web.” Ils ont dû réfléchir à ce que serait l’avenir du commerce à distance, et c’était quelque chose de profondément différent de ce qui avait été fait jusqu’à présent.

Donc, la data science, vous voyez, le problème c’est que vous pensez que c’est une question d’avoir un cadre où vous pouvez avoir des ingénieurs intelligents qui déploient la solution. Eh bien, en réalité, le processus est beaucoup plus une discussion continue où l’entreprise acquiert une compréhension de certaines nouvelles capacités techniques, puis se projette dans ce que devrait être son activité future. Ils établissent ensuite les exigences de ce qui manque du point de vue technologique pour mettre cela en œuvre, et généralement, vous réalisez que la plupart de l’innovation vient des exigences. Une fois que vous avez une vision claire de ce dont vous avez besoin, la solution n’est pas si difficile à trouver une fois que vous savez quelle question poser.

Kieran Chandler: Et pourquoi diriez-vous que la majorité des départements de data science sont encore coincés dans ces méthodes académiques ? Je veux dire, pourquoi ne sont-ils pas plus nombreux à être comme les Amazons du monde ?

Joannes Vermorel: Tout d’abord, parce que si vous êtes une entreprise d’une certaine taille et que vous voyez ces mots à la mode, la façon facile d’y arriver est d’ajouter une ligne dans leur budget où ils vont dépenser quelques millions par an pour l’approche à la mode du jour. Si c’est une équipe de data science, oui, faisons ça. Si la blockchain est une chose, oui, créons également une équipe de blockchain. Ils vont régulièrement introduire quelque chose qui est le mot à la mode du jour et éliminer quelque chose qui est sorti de l’engouement. C’est juste le business habituel.

Mon message est que si vous voulez faire quelque chose qui ait une quelconque substance, vous devez vraiment vous demander quel serait le changement profond dans votre entreprise dû à ces méthodes numériques sophistiquées. Si le seul changement est quelque chose de cosmétique, comme le calcul automatique des classes ABC de manière plus efficace, cela ne changera rien pour votre entreprise. Mais certainement, changer le modèle économique entier d’une entreprise pour s’adapter à une nouvelle technologie est une autre histoire.

Kieran Chandler: Est-ce intrinsèquement risqué, et ne diriez-vous pas que c’est la raison pour laquelle il y a tant de résistance à ce genre de changement ? Est-ce que fondamentalement, si les gens ne le comprennent pas, il y a beaucoup de risques associés parce que c’est une nouvelle technologie ? Donc il est beaucoup plus sûr de le laisser tel quel et d’investir peut-être un peu dans la recherche et le développement ?

Joannes Vermorel: Le problème est le risque ambiant de faire faillite simplement parce que vous êtes devenu obsolète. Pour la plupart des entreprises, ce risque est bien réel. Je discute avec de nombreux détaillants depuis plus d’une décennie, et littéralement, il y a dix ans, j’ai eu des discussions surréalistes où je leur disais que cette entreprise, Amazon, arrive et qu’elle va vous prendre votre part de marché. Vous devez faire quelque chose. Et les gens me disaient : “Oh, mais regardez, c’est si petit. Oui, ça grandit, mais ce n’est même pas un pour cent de part de marché. On s’en fiche.” De nos jours, si vous regardez Amazon et Alibaba, ils sont absolument gigantesques et continuent de croître, ce qui est insensé. Si l’on considère la quantité de ces économies d’échelle dont ils souffrent, vous savez que lorsque vous dépassez une certaine taille, vous n’obtenez plus d’économies d’échelle, vous obtenez des déséconomies d’échelle. Amazon est bien au-delà de leur stade de déséconomies d’échelle, donc ils ont d’énormes handicaps pour tout ce qu’ils font parce qu’ils ont de telles déséconomies d’échelle. S’ils veulent même encore avoir un pour cent de croissance, ils doivent surmonter des déséconomies d’échelle absolument massives. Cela signifie qu’ils ne font pas quelque chose qui est marginalement meilleur que la plupart des autres entreprises ; ils sont simplement des années-lumière en avance. Donc, en effet, en tant que dirigeant, ne rien faire ou ne jamais remettre en question le statu quo est la carte la plus sûre que vous puissiez jouer, il n’y a pas de question à ce sujet. Le problème, c’est que si vous jouez cette carte en continu pendant quelques décennies, eh bien, l’entreprise est tout simplement dépassée. Mon message serait pour le PDG : Pouvez-vous tolérer que cette mentalité prédomine dans votre entreprise ? Ne voyez-vous aucun problème se profiler à l’horizon ? Si ce n’est pas le cas, eh bien, je dirais que personne ne versera de larmes sur le fait que vous ayez suivi la voie du dodo.

Kieran Chandler: Donc, ces techniques statistiques avancées sont très à la mode en ce moment, et les gens parlent toujours de mots à la mode comme l’IA et le deep learning. Mais à quel point pouvez-vous être sûr qu’il s’agira toujours d’un sujet important pour ces entreprises dans dix ans ?

Joannes Vermorel: C’est une bonne question. Tout d’abord, les réalisations d’entreprises comme Google, Amazon ou Microsoft avec ces technologies sont tout simplement stupéfiantes. Par exemple, nous sommes passés de programmes qui avaient beaucoup de mal à surpasser un grand maître d’échecs à quelque chose qui bat maintenant le champion d’échecs. Si vous regardez les derniers travaux de Google, vous pouvez passer de zéro à incroyablement bon en quatre heures pour les échecs. Ils peuvent mettre en place un programme qui apprendra à jouer aux échecs et, en quatre heures, atteindre un niveau qui est littéralement inhumain, où il battra tous les humains vivants. La façon dont l’ordinateur joue au jeu est tout simplement incompréhensible car cela n’a même pas le moindre sens. Donc, vous avez des réalisations stupéfiantes, évidemment, pour des problèmes très étroits et bien définis. Mais si vous regardez les véhicules autonomes, c’est absolument stupéfiant aussi ; ça fonctionne.

Kieran Chandler: La question est de savoir si cela peut être industrialisé ? Nous avons encore quelques hésitations, mais la quantité de progrès est littéralement stupéfiante.

Joannes Vermorel: Le fait que vous puissiez faire ce saut de foi et dire, eh bien, il y a ces technologies qui ont prouvé leur efficacité sur une longue série de cas. C’est une croyance très raisonnable de dire que les chances sont assez élevées que ces choses réinventent complètement la façon dont les chaînes d’approvisionnement sont gérées. D’ailleurs, dans le cas de la chaîne d’approvisionnement, ce ne sera même pas très nouveau car si vous regardez Lokad, nous préconisons cette vision de la chaîne d’approvisionnement quantitative. Mais si vous regardez ce qui se fait dans les banques, dans la finance de nos jours, c’est tout le trading quantitatif. Ils ont des quants, et ce n’est même pas le futur, c’est déjà là, ça fait deux décennies ou plus. Donc maintenant, l’idée est que cette approche arrive deux ou trois décennies en retard dans la chaîne d’approvisionnement, mais elle est déjà en place depuis des décennies dans la finance.

Kieran Chandler: Si quelqu’un regarde cela et se demande ce qu’il doit faire pour instaurer ce genre de culture dans ses équipes de data science, quelles sont les étapes à suivre ? Comment devraient-ils pousser leurs équipes à prendre plus de risques et à être un peu plus révolutionnaires et à s’opposer aux options faciles du statu quo ?

Joannes Vermorel: Je pense que vous pouvez avoir un test simple : si l’entreprise devait licencier tous les data scientists du jour au lendemain, l’entreprise serait-elle désespérée ? L’entreprise ferait-elle faillite en un an ? Et si la réponse est non, alors probablement ces personnes sont insignifiantes, et peu importe ce que vous faites avec ces personnes. Vous diriez : “Oh, mais c’est tellement risqué, c’est si brutal.” Mais encore une fois, réfléchissez à la situation d’Amazon au début des années 90 avec le web. Les gens diraient : “Oh, mais nous dépendons tellement de ces ingénieurs web. C’est insensé d’être dépendant de cette technologie qui a l’air super nulle. Vous avez ce modem qui est super lent, ça prend trois minutes pour établir la connexion. C’est un tas de merde sur un tas de merde. Et puis vous avez des images qui ont une résolution tellement mauvaise. Je veux dire, d’abord, vous attendez une minute pour avoir l’image de votre produit, et puis c’est super nul. Ce catalogue papier est tellement mieux. Accès en temps réel à tous les produits, des images haute résolution. Ce truc web n’est qu’un gros tas de bêtises. Pourquoi prendrions-nous le moindre risque en ayant une dépendance forte à l’échelle de l’entreprise sur ces développeurs web ?” Eh bien, la réponse est que si vous ne le faites pas, dans dix ans, vingt ans, vous n’existez plus.

Donc évidemment, je joue avec le recul. Les choses sont beaucoup plus évidentes maintenant. C’est difficile pour moi de transmettre cela, mais en fait, je pense que de nombreuses entreprises ont réalisé cela, et c’est pourquoi elles ont embauché ces data scientists. Mais elles ne réalisent pas que la question est de savoir si vous avez une stratégie où les cadres principaux exploitent vraiment ces capacités techniques au mieux. Et cela nécessite une réflexion stratégique.

Kieran Chandler: Donc, avez-vous de la sympathie mécanique, ce qui vous permettrait d’avoir une discussion intelligente et éclairée avec les ingénieurs qui construisent le moteur de votre entreprise ? Diriez-vous que c’est l’un des principaux obstacles en ce qui concerne la science des données dans les entreprises, le fait que les cadres n’ont probablement pas actuellement ce niveau de sympathie mécanique dont ils ont besoin ?

Joannes Vermorel: Franchement, si vous pouviez réinventer des entreprises en embauchant des jeunes de 24 ans et en les laissant faire de la magie, ce serait fantastique. Mais si vous regardez l’histoire des entreprises, le nombre de fois où les choses se sont passées de cette manière - embaucher un ingénieur brillant qui a complètement révolutionné une entreprise de 50 ans de l’intérieur - est très rare. Le schéma dominant est soit des jeunes très jeunes, soit des personnes de plus de 45 ans, car elles ont généralement un certain capital, de l’expérience et peut-être un certain degré de sagesse. Il faut une nouvelle entreprise pour obtenir cela.

Mon conseil serait le suivant : si vous pensez que l’embauche de personnes fraîchement diplômées va révolutionner votre entreprise, vous vous faites des illusions. Ce n’est pas sérieux et, je dirais même, intellectuellement paresseux au mieux.

Kieran Chandler: D’accord, nous devrons en rester là, mais merci pour votre temps. C’est tout pour cette semaine. Merci beaucoup de nous avoir suivi et nous vous retrouverons dans le prochain épisode. Merci de nous avoir regardés.