Catégorie : Marketing & Intelligence Artificielle

Marketing & Intelligence Artificielle
Cette rubrique comprend toutes mes réflexions et découvertes liées au marketing et sur l’Intelligence Artificielle.

Je me passionne pour les intelligences artificielles et le marketing digital. D’ailleurs doit-on vraiment préciser « digital » ? Nous sommes bientôt en 2020, le digital (le « numérique » en bon français) est/doit être intégré dans le marketing. D’ailleurs les progrès y sont fulgurants. Tu verras quelques termes compliqués mais j’essaie de « vulgariser » les technologies qui sont de plus en plus utilisées mais peu comprises de tous.
Une newsletter ? Surtout pas !
Je n’utilise pas de newsletters donc tu ne verras jamais de pop-up à chaque connexion. Je déteste ça. Si tu veux voir mes publications suis moi simplement sur les réseaux sociaux. D’ailleurs j’y suis très actif donc tu peux me poser n’importe quelle question. Regarde en bas à gauche de la page, c’est mon Messenger en accès direct !

En effet, la technologie numérique ne doit pas être comprise par uniquement les élites mais aussi par tout le monde. Car c’est bien dans ce nouveau monde que nous vivons ! C‘est la mission que je me suis confié. 

Je suis contributeur en marque blanche pour plusieurs sociétés (demande un devis). Je suis également contributeur sur le site Siècle Digital et Gladiacteur.

Le défi auquel nous sommes confrontés aujourd'hui n'est pas un « monde sans travail », mais un monde qui change rapidement de travail

Le défi auquel nous sommes confrontés aujourd'hui n'est pas un « monde sans travail », mais un monde qui change rapidement de travail

Cet article fait référence à ce précédent billet.

Le rythme des progrès dans l'intelligence artificielle et l'automatisation s'accélère rapidement

Dans l'unique mois de février, ce ne sont pas moins de cinq informations importantes que j'ai vu:

  • Google DeepMind Ltd à Londres, a développé un système pour numériser 1 million d' images à partir de scanner de l' oeil. L'IA sera suffisamment compétente pour repérer des maladies de l'oeil beaucoup plus tôt qu'un humain le pourrait.
  • Rethink Robotics Inc. de Boston, Massachusetts, fondée par l'ancien directeur du MIT AI Lab. Rodney Brooks, a fait des améliorations incroyables à ses robots Sawyer. Ce sont des robots que l'on peut entrainer très rapidement pour des tâches routinières. Mais il est aussi capable de procéder à des vérifications techniques dignes d'un expert.
  • H & R Block ont commencé à utiliser le système informatique Watson d'IBM pour maximiser les déductions des clients. Watson "connaît" des milliers de pages de code sur l'impôt fédéral et mettra à jour les changements à mesure de son apprentissage.
  • NuTonomy Inc., une startup développant les voitures auto-conduites basées sur la technologie du MIT. Ils ont lancé une petite flotte de taxis autonomes à Boston.
  • Forward , San Francisco, une startup fondée par l'ancien directeur des projets spéciaux de Google. Ils tentent de déplacer les soins de santé traditionnels aux soins proactifs grâce à l'utilisation de l'IA en raccourcissant le temps des diagnostics.

Le Deep Learning et les réseaux neuronaux ont considérablement amélioré leur propre efficacité. Cela conduit à des performances de niveau humain dans de nombreux domaines; tels que la vision, de la parole (conversationnelle) et la résolution de problème. En conséquence, les industries sont au milieu d'une transformation majeure de grande envergure.

Mais il y a aussi un changement sociétal

Le revenu médian en Amérique est plus faible aujourd'hui que dans les 15 dernières années. Comme on le voit dans les récentes élections américaines, il y a insatisfaction quant à la répartition inégale des avantages du progrès technologique. Recherche IDE soutient les gouffres que beaucoup ressentent.

Les rumeurs au sujet des robots qui remplacent de plus en plus le travail humain sont d'actualité; avec des préoccupations légitimes. Bien sûr, ce n'est pas la première fois que l'automatisation a transformé les usines. Cependant avec des technologies IA de plus en plus fiable d'aujourd'hui, l'automatisation commence à se glisser dans les domaines qui semblaient à l'abri de ce changement, comme le droit, l'éducation, et journalisme.

Au milieu de toutes ces merveilles, il est important de se rappeler qu'il n'y a pas de pénurie de travail qui peut être fait que par les humains. Comme dans ce précédent billet, j'explique qu'il y aura toujours du travail mais pas forcément avec des emplois. Et cela restera vrai pour de nombreuses années. Le défi auquel nous sommes confrontés aujourd'hui n'est pas un « monde sans travail », mais un monde qui change rapidement de travail. La réponse est donc non pas simplement de remplacer le revenu pour les travailleurs étant déplacés par la technologie, mais de les préparer à faire de nouveaux emplois. Ces emplois qui font cruellement défaut dans l'éducation, les soins de santé, les infrastructures, le nettoyage de l'environnement, l'esprit d'entreprise, l'innovation, la découverte scientifique, et beaucoup d'autres domaines.

Le travail oui, mais différemment

Comment ? Trop de dirigeants patronaux et syndicaux ainsi que des hommes politiques, sont devenus complaisants. Ils craignent un avenir qui va perturber (disrupter) les modèles et les économies actuelles. Mais la solution à la disruption n'est pas de protéger le passé du futur ni de geler les anciennes façons de faire. C'est garantir l'échec. La meilleure voie à suivre est d'adopter des outils et des modèles émergents qui non seulement créent des biens et des services, mais la prospérité générale.

Le développement de produits et des services IA d'une manière compétitive, ne doit pas entrer en conflit avec le déploiement - et le redéploiement - de la main-d'œuvre.

Au lieu de penser l'IA comme un jeu à somme nulle, ou un moyen d'automatiser des emplois et des services existants. Les dirigeants avant-gardistes reconnaissent que la technologie apporte une valeur ajoutée. En développant des emplois et stimulant la productivité.

Quand la technologie vient compléter les travailleurs humains, qui les rend plus productifs, et réduit également les coûts (La nouvelle société du coût marginal zéro ? prédit Jeremy Rifkin), les entreprises et les employés sont mieux lotis.

 

Source

Futur du Deep Learning ? Le Reinforcement Learning !

Futur du Deep Learning ? Le Reinforcement Learning !

Le sujet est complexe, si tu veux du pragmatique, je te conseille de lire le dernier paragraphe. Bonne lecture 🙂

Le cerveau humain vs Reinforcement Learning

Les humains sont excellents dans la résolution d'une grande variété de problèmes, en plus leur cerveau consomme peu d'énergie. L'objectif chez DeepMind est de créer des agents artificiels qui peuvent atteindre un niveau de performance similaire.

Comme un être humain, leurs agents apprennent eux-mêmes pour parvenir à des stratégies efficaces qui mènent aux plus grandes récompenses à long terme. Ce paradigme de l'apprentissage par essais et d'erreurs, est connu comme l'apprentissage par renforcement (Reinforcement Learning).

En outre, comme un être humain, ces agents construisent et apprennent de leurs connaissances directement à partir de matières brutes. Telles que la vision et sans fonctionnalités d'ingénierie codée préalablement à la main ou du domaine heuristique. Cet objectif est atteint par l'apprentissage en profondeur (Deep Learning j'en parle ici) des réseaux de neurones.

Au DeepMind, ils ont mis au point la combinaison de ces approches - le deep reinforcement learning (DRL) - pour créer les premiers agents artificiels à atteindre une performance de niveau humain dans de nombreux domaines jugés difficiles.

L'IA doit faire des erreurs pour apprendre

Les agents doivent continuellement faire des jugements de valeur de manière à sélectionner les bonnes actions des plus mauvaises. Cette connaissance est représentée par un Q-réseau qui estime la récompense totale qu'un agent peut espérer recevoir après avoir pris une action particulière.

Il y a deux ans, ils ont crée avec succès l'algorithme sur l'apprentissage par renforcement profond (Deep Reinforcement Learning). L'idée principale était d'utiliser des réseaux de neurones profonds pour représenter le Q-réseau, et de former ce Q-réseau pour prédire la récompense totale. Les précédentes tentatives pour combiner RL avec les réseaux neuronaux ont largement échoué en raison de l'apprentissage instable.

Pour répondre à ces instabilités, les Q-réseaux profonds (DQN) stocke toutes les expériences de l'agent. Puis au hasard, il pioche des échantillons et rejoue ses expériences pour fournir des données de formation diverses et décorrélés. Ils ont appliqué le DQN dans l'apprentissage des jeux sur la console Atari 2600.

A chaque pas, l'agent observe les pixels bruts sur l'écran, un signal de récompense correspondant au score de jeu, et sélectionne une direction du joystick. Dans l'article de Nature, ils ont formé des agents DQN différents pour 50 jeux différents Atari, sans aucune connaissance préalable des règles du jeu.

Comparison of the DQN agent with the best reinforcement learning methods in the literature. Comparaison of the DQN agent with the best reinforcement learning methods in the literature.

Étonnamment, DQN atteint des performances de niveau humain dans près de la moitié des 50 matchs auxquels il a été appliqué; bien au-delà de toute méthode précédente. Le code source DQN et émulateur Atari 2600 sont librement accessibles à tous ceux qui souhaitent expérimenter eux-mêmes.

Toujours plus performant

Ils ont par la suite amélioré l'algorithme DQN à bien des égards ; stabiliser davantage les apprentissage dynamique ; hiérarchiser les  expériences relus ; normalisation, agrégation et remise à l' échelle des sorties. La combinaison de plusieurs de ces améliorations conduit à une progression de 300% du score moyen pour les jeux Atari; des performances de niveau humain ont été réalisé dans presque tous les jeux Atari.

Les ingénieurs peuvent même former un réseau neuronal unique pour en apprendre davantage sur plusieurs jeux Atari. Deep Mind a également construit un système en open source, connu sous le nom Gorila, qui utilise la plate-forme Google Cloud pour accélérer le temps de formation ; ce système a été appliqué dans la recommandation dans les systèmes de Google.

Le Reinforcement Learning asynchrone

Cependant, Q-réseaux profonds ne sont qu'un moyen de résoudre le problème de RL profonde. Ils ont récemment introduit une méthode encore plus pratique et efficace basée sur un RL asynchrone. Cette approche exploite les capacités de multit-reading de CPU standard.

L'idée est d'exécuter de nombreux exemples à leur agent en parallèle, mais en utilisant un modèle partagé. Cela fournit une alternative viable à l'expérience de rediffusion.

Leur algorithme acteur-critique asynchrone, A3C , combine un DQN avec un réseau pour la sélection des actions. Il obtient des résultats state-of-the-art, en utilisant une fraction du temps de formation des DQN et une fraction de la consommation des ressources de Gorila.

En construisant de nouvelles approches de la motivation intrinsèque et la planification dans le temps abstrait , ils ont également obtenu des résultats exceptionnels dans les jeux les plus notoirement sur les jeux difficiles Atari, tels que la vengeance de Montezuma.

Asynchronous RL effectue également bien dans ces domaines et, lorsqu'il est complété par une stratégie de contrôle hiérarchique, peut résoudre des problèmes difficiles sans aucune connaissance préalable.

Alors que les jeux Atari démontrent un large degré de diversité, ils sont limités à la 2D. Google a récemment introduit Labyrinth : une navigation 3D plus difficile avec des environnements de résolution d'énigmes. Encore une fois, l'agent observe des entrées à base de pixels dans son champ de vision, et doit comprendre la carte pour découvrir et exploiter des récompenses.

Étonnamment, l'algorithme de A3C réalise des performances au niveau humain, sur de nombreuses tâches de labyrinthe. Une autre approche basée sur la mémoire épisodique a également fait ses preuves. Labyrinth sera également publié en open source dans les prochains mois.

Des applications de tous les jours ?

Ils ont également développé un certain nombre de méthodes de RL profond pour les problèmes de contrôle en continu telles que la manipulation robotique et la locomotion (automobile). Leur algorithme Deterministic Policy Gradient Algorithmss (DPG) fournit un analogue aux DQN. Et surtout chez Google et Facebook, le RL es utilisé pour créer des nouvelles IA !

Concrètement, une voiture autonome apprend à conduire sans que nous l'avons programmé pour cela. Le réseau de neurone créer alors des "expériences" qu'il conserve et transmet aux autres voitures. Ainsi chaque voiture dans le monde possède les mêmes expériences simultanément. D'ailleurs Intel a fait conduire ses voitures autonomes sur le jeu GTA V.

Le jeu de Go est le plus difficile des jeux classiques. Malgré des décennies d'efforts, les méthodes antérieures avaient seulement atteint des performances de niveau amateur. Deep Mind a développé un algorithme de RL profond qui apprend à la fois un réseau de valeur (qui prédit le gagnant) et un réseau de politique (qui sélectionne les actions) à travers des jeux. AlphaGo, programme ses réseaux neuronaux profonds avec une recherche "state-of-the-art".

Finalement en Octobre 2015, AlphaGo est devenu le premier programme à vaincre un joueur humain professionnel . En Mars 2016, AlphaGo défait Lee Sedol (le joueur le plus fort de la dernière décennie avec 18 titres mondiaux) par 4 jeux à 1, dans un match qui a été regardé par environ 200 millions de téléspectateurs.

Par ailleurs, ils ont également développé un jeu theorique par approches RL profonde , aboutissant à un joueur super-humain de poker en heads-up au No Limit Texas Hold'em.

De Atari à Labyrinthe, de l'automobile par la manipulation au poker et même le jeu de Go, les agents d'apprentissage de renforcement profond ont démontré des progrès remarquables sur une grande variété de tâches difficiles. Leur objectif est de continuer à améliorer les capacités de ces agents, et de les utiliser pour avoir un impact positif sur la société, dans des applications importantes telles que les soins et la santé.

Comment fonctionne le Deep Learning ?

Comment fonctionne le Deep Learning ?

Avant de lire cet article je te conseille de lire la première partie ici

Comment fonctionne le Deep Learning ?

Compte tenu de son importance, il est utile de comprendre les bases de fonctionnement du Deep Learning (DL). Le DL consiste à utiliser un «réseau neuronal artificiel » - une collection de «neurones» (calculatrices logicielles) reliés entre eux.

Tout d'abord, un neurone artificiel comporte une ou plusieurs entrées. Il effectue un calcul mathématique et le délivre, on appelle cela : une sortie. La sortie dépendra à la fois du « poids » de chaque entrée et de la configuration de la «fonction d'entrée-sortie» dans le neurone (Figure 5, ci - dessous). Nous représentons un neurone par une bulle grise avec la lettre "f". La fonction d'entrée-sortie peut varier. Donc un neurone peut être :

  • une unité linéaire, la sortie est proportionnelle à l'entrée pondérée totale;
  • une unité de seuil, la sortie est fixée à l'un des deux niveaux, si la puissance totale est supérieure à une valeur déterminée; ou
  • une unité sigmoïde, la sortie varie de façon continue, mais pas de façon linéaire comme les changements d'entrée.

Un réseau de neurones est crée lorsqu'ils sont connectés les uns aux autres; la sortie d'un neurone devient une entrée pour un autre (figure 6).


Pour comprendre, les réseaux de neurones sont organisés en plusieurs couches de neurones (d'où le terme d'apprentissage «profond»). La «couche d'entrée» reçoit des informations du réseau et traitera - par exemple, une série d'images. La «couche de sortie» fournit les résultats. Entre les couches d'entrée et de sortie sont des «couches cachées» où la plupart des activités se produisent.

En règle générale, les sorties de chaque neurone à un niveau plus bas du réseau de neurones sert comme l'une des entrées pour chacun des neurones de la couche suivante (figure 7).

Prenons l'exemple d'un algorithme de reconnaissance d'image. Le but est de reconnaître des visages humains en images. Lorsque les données sont introduites dans le réseau de neurones, les premières couches identifient les modèles de contraste local. C'est-à-dire les caractéristiques «bas niveau» tels que les bords.

Comme l'image traverse le réseau, progressivement les caractéristiques «de niveau supérieur» sont extraites - des bords à nez, de nez aux visages (figure 8).

Ainsi, lors de sa couche de sortie, en fonction de sa formation le réseau neuronal fournira une probabilité que l'image est du type spécifié (tasse : 97%; tasse à café 88%; drink 54%). On peut le voir sur le screenshot que j'ai pris avec mon mobile (clique sur l'image tu verras et regarde en bas).

deep learning_screenshot

Apprentissage du deep learning

En règle générale, les réseaux de neurones sont formés en les exposant à un grand nombre d'exemples. Les erreurs sont détectées et les poids des connexions entre les neurones sont accordés en temps réel par l'algorithme dans le but d'améliorer les résultats. En effet, le processus d'optimisation est largement répété, après quoi le système est déployé et les images non étiquetées sont évaluées.

Pour comprendre, les schémas précédents représentent un réseau neuronal simple mais leur structure peut varier et la plupart sont beaucoup plus complexes. En fait, les variations incluent les connexions entre les neurones sur la même couche; nombres différents de neurones par couche; et la connexion du neurone émet dans les niveaux précédents du réseau (réseaux neuronaux 'récursives').

Dès lors, la conception et l'amélioration d'un réseau de neurones nécessite beaucoup d'habileté. Ainsi, les étapes comprennent la structuration du réseau pour une application particulière. Aussi, ils fournissent un ensemble d'entrainement adéquate avec des données. Enfin, le réseau de neurone ajuste la structure du réseau en fonction des progrès, et en combinant des approches multiples.

Pourquoi est-IA importante ?

Premièrement, l'IA est importante car elle aborde des problèmes profondément difficiles. Toutefois les solutions à ces problèmes peut être appliquées à des secteurs importants pour le bien-être humain. Tels que la santé, l'éducation, le commerce, le transport, les services publics et le divertissement. Depuis les années 1950, la recherche en IA a mis l'accent sur cinq domaines de recherche :

  1. Raisonnement : la capacité de résoudre les problèmes par déduction logique
  2. Connaissance : la capacité de représenter la connaissance du monde (la compréhension qu'il y a certaines entités, des événements et des situations dans le monde; ces éléments ont des propriétés, et ces éléments peuvent être classés.)
  3. Planification : la capacité à définir et à atteindre l'objectif (il y a un état spécifique à venir du monde qui est souhaitable, et des séquences d'actions peut être entreprises)
  4. Communication : la capacité de comprendre le langage écrit et parlé.
  5. Perception : la capacité de déduire des choses sur le monde à partir d'images visuelles, sons et autres entrées sensorielles.

Elle est précieuse, car dans de nombreux contextes, les progrès en question offrent des capacités révolutionnaires, plutôt que de l'évolution.
Dans les prochaines années, les capacités des Machines Learning (ML) seront utilisées dans presque tous les secteurs dans une grande variété de processus. Considérant une fonction unique d'entreprise par exemple, les ressources humaines. Cela illustre la gamme de procédés pour lesquels la ML sera appliquée :

  • le recrutement peut être amélioré avec un ciblage amélioré, correspondance intelligente de l'emploi et de l'évaluation partiellement automatisé;
  • la gestion de la main-d'œuvre peut être améliorée par une planification prédictive des besoins en personnel et les absences probables;
  • l'apprentissage de la main-d'œuvre peut être plus efficace que le contenu mieux adapté à l'employé est recommandé; et
  • le taux de désabonnement des employés peut être réduit en prévoyant que les employés de valeur peuvent être à risque de quitter.

La machine et deep learning deviendront normalisés

Au fil du temps , nous attendons l'adoption de la ML à devenir normalisée. La ML deviendra une partie de boîte à outils standard de développeur, améliorant d'abord les processus existants, puis de les réinventer.

Les conséquences de second ordre de la Machine Learning dépassera son impact immédiat. Le Deep Learning a amélioré la vision par ordinateur, par exemple, au point que les véhicules autonomes (voitures et camions) sont viables. Mais quel sera leur impact ? Aujourd'hui, 90% des personnes et 80% du fret sont transportés par la route au Royaume-Uni. Si on prend uniquement le domaine des véhicules autonomes voici l'impact (chiffres du Royaume-Uni) :

  • la sécurité (90% des accidents sont causés par l'inattention du conducteur)
  • l'emploi (2,2 millions de britanniques travaillent dans le secteur du transport et de la logistique, recevant environ 57 milliards de livres sterling en salaires annuels)
  • assurance (une chute de 63% des primes d'assurance automobile au fil du temps)
  • l'économie du secteur (les consommateurs sont susceptibles d'utiliser des services de transport à la demande à la place de la propriété de la voiture);
  • le débit des véhicules; aménagement urbain; réglementation et plus.

Article suivant : Pourquoi l'IA arrive à son âge d'or
Source

Révolution technologique en 2020

Révolution technologique en 2020

En 2020 il y aura une révolution technologique, j'en parle depuis l'ouverture du blog ça ne fait pas de doute. Mais qu'elle sera la technologie en question, serait-ce l'Intelligence Artificielle* ou un procédé ? J'ai ma petite idée.

Il y a quelques jours, j'ai co-animé une conférence sur "Internet" à des seniors. J'ai apporté mon aide pour répondre à certaines questions. Ils m'ont asséné de questions et j'en retiendrai une, venant d'une dame de 74 ans "si je comprends bien, on demande tout à Google, mais peut-on tout lui demander ?".

Au delà de cette question à demi philosophique, il est vrai, dans les années 2000 la règle d'or était d'avoir un pseudo, ne jamais communiquer sa vraie adresse ou tout autre information personnelle. Maintenant nous affichons notre vie de chaque instant sans transparence. Cette question reflète une inquiétude, celle de l'intégrité personnelle ; pouvons-nous tout demander à Google même des choses inavouables ?

L'intelligence artificielle is everywhere

En effet, Internet nous aide quotidiennement. Chacune de nos demandes nous les soumettons à Google. Nous le faisons de manière instinctive. Google enregistre tout ce que nous faisons. Pourquoi lorsque je cherche une image d'un oiseau bleu il me sort des oiseaux bleus ? Parce que son algorithme repère ce que nous mettons en légende et compare le nombre de clique sur l'image. Plus il y a de clique sur une image par rapport à telle recherche, plus l'algorithme pense que le résultat est pertinent. Je n'entrerai pas dans les détails pour le référencement des sites Internet qui est beaucoup plus technique. Tout comme Facebook est capable de détecter et reconnaître des personnes (même de dos!), ou un visage pixélisé ! Ces algorithmes apprennent chaque jour grâce à nos propres informations.

Aujourd'hui il a été possible à un ordinateur de dessiner par lui-même un chat (sans programmation). En lui donnant des images de chat, l'ordinateur est capable d'en comprendre la composition, une tête, des moustaches, une queue...

Jusqu'à aujourd'hui les algorithmes étaient programmés. Maintenant les algorithmes sont auto-apprenants. Le deep learning, permet aux ordinateurs d'apprendre par eux-mêmes. Et ces ordinateurs fonctionnent de mieux en mieux car nous sommes de plus en plus à les faire travailler. Pour reprendre l'exemple des images, les caméras sont capables de voir nos micro-expressions, colère, joie, mais aussi permettront-ils de détecter les menteurs ?

La médecine réussira à guérir toutes les maladies ?

Marc Zukerberg a dit l'année dernière "d'ici 15 ans nous serons capable de supprimer toutes les maladies sur Terre".

Et maintenant est-ce que les ordinateurs sont plus efficaces que l'homme ? Notamment en imagerie médicale, l'analyse des mammographie par l'Intelligence Artificielle révèlent quatre fois plus de cas dépistés que par des médecins.

En faisant lire 20 millions d'articles en médecine à Watson (IA de IBM) en 2 semaines il découvre 6 molécules liées au cancer et réussi à diagnostiquer un cancer très rare chez une femme au Japon alors que les médecins piétinaient.

Les avocats, banquiers, directeur de communication dans une agence de communication, l'intelligence artificielle est partout est son potentiel est supérieure à celle de l'homme.

L'intelligence artificielle est présente dans les voitures, mais également dans les avions de chasse. Souvent lorsque je parle des voitures autonomes, on comprend un ordinateur avec un programme conçu par un humain qui piloterait la voiture. Mais en fait la voiture apprend par elle-même ! En fonction de ses expériences elles gèrent et contrôlent de mieux en mieux la voiture en fonction des nouvelles situations. Ainsi ce n'est pas UNE voiture avec ses multiples expériences qui fait la valeur de l'intelligence, c'est les multiples expériences par des millions de voitures le tout centralisé qui créer un énorme réseau d'expériences et donc d'intelligence. Si toutes les voitures sont connectées, ce qu'une voiture apprend à Lille, elle transférera son savoir immédiatement à une voiture située à Tokyo.

Une seule interface, la disparition des interfaces

Comme nous demandons tout à Google et qu'il retient ce que nous lui demandons, pourrait-il devenir un jour notre assistant ? Un assistant personnel qui sera la seule interface. Aujourd'hui nous devons lancer une application en fonction du service que nous voulons.

Je veux consulter mes comptes je lance mon application de la banque. Je veux connaitre les prix d'un billet d'avion je vais ouvrir EasyJet ou Air France etc. Et si à l'avenir nous avions uniquement une interface, il suffirait d'ouvrir cette interface et de faire notre demande. De plus en plus de bots (robots gérés par intelligence artificielle) sont capables de comprendre le langage parlé/écris et même de créer des conversations. C'est l'étape supérieure de Siri, Cortana ou Google Now. Comme cet assistant centralisera toutes nos données, il pourra même anticiper nos demandes.

Une interface avec toutes nos données au même endroit

Si une telle interface existe alors,

Les intelligences artificielles sont capables de lire nos émotions, ils peuvent parler et écrire sans que nous pouvons en faire la distinction avec un humain. Pourrait-il devenir mon meilleur ami, capable de me comprendre, de savoir qui je suis et connaître mes attentes ? Ou pourrait-il être moi, dématérialisé ?

Dans ce cas il pourrait réserver une soirée avec Paul mon meilleur ami, l’assistant regardera nos agendas respectifs, réservera le resto en commandant les plats que nous préférerons et paiera sans que nous nous en occupions. Peut être même un jour il nous dira d'aller à l’hôpital. En effet, si nous donnons nos données médicales il pourra savoir que nous sommes malades sans même que nous nous en rendions compte.

La fin des ressources humaines ?

Sa capacité à détecter mon humeur, l’intelligence artificielle saura que mon métier ne me correspond plus et peut être pourrait-elle envoyer mon CV dans des entreprises ? "Tu n'es pas heureux dans ton travail alors il est tant que tu prennes un autre virage dans ta vie professionnelle" dira mon assistant. Et elle me mettra un rendez-vous dans mon agenda car elle aura envoyé mon CV à plusieurs assistants d'entreprises. Mon CV sera lu par l'assistant d'une entreprise et mon profil correspondrait à ce qu'il recherche et voilà un "match".

Fin des sites de rencontres ?

J'utilise le terme "match" comme sur Tinder. Cet assistant pourrait aussi nous proposer des rencontres. En lisant notre carnet d'adresse ou des gens que nous avons croisés. Il saura pour nous qui est la personne qu'il nous faut.

La fin du marketing ?

Le marketing a pour première mission d'influencer les masses pour qu'elles achètent les produits et services de l’entreprise. Mais si nous avons tous un assistant, alors ça sera notre assistant qui sera en contact avec l'entreprise et non nous directement. Comme vu plus haut, l'entreprise aura son propre assistant. Il existe déjà un robot au conseil d'administration d'une entreprise depuis 2014 ! Alors l'idée folle que je propose ici n'est pas si tordue après tout.

Du coup, si on fait un pas de recul, le rôle des entreprises sera totalement différent de celui d'aujourd'hui. Les entreprises devront être totalement ouvertes et honnêtes car chaque critère sera important et ne sera pas oublié par notre assistant. Par exemple, Bertrand veut travailler dans une entreprise "green" (zéro papier, trie les déchets, limite la consommation d'énergie etc.) son assistant regardera uniquement les entreprises dont les valeurs sont green. Si l'entreprise a menti, on peut comprendre que le salarié peut se retourner contre l'entreprise sous forme de notation et de commentaire. L'application Glassdoor le permet déjà aujourd'hui.

Nouveau paradigme

C'est indéniable, le monde digital apportera l'affranchissement du travail. Nous pourrons faire ce que nous voulons, déployer notre créativité, j'en parle dans cet article. Le revenu de base sera très certainement mis en place.

Il y aura également l'avènement des ordinateurs quantiques. Les plus optimistes disent qu'ils seront sur le marché professionnel pour 2019. Pour avoir un ordre d'idée, un ordinateur quantique aura une capacité de calcul entre 1 à 10 millions de fois plus puissants que nos supers calculateurs actuels. L'actuel est capable de faire 93 millions de milliards de calcul par seconde.

Je songe de plus en plus à ces familles "digitale nomade" qui font l'école pour leur enfant, qui voyagent où ils veulent quand ils veulent. La communication et la technologie tend à supprimer les frontières pour un ouvert plus ouvert.

En prenant conscience de ce changement de paradigme il est nécessaire de faire attention à qui nous voterons. Je croise les doigts pour les Américains dont les résultats arriveront demain (8 novembre). Et aussi en France, les présidentielles seront en mai 2017, et le chef de l'Etat jouera un rôle des plus important du XXIème siècle.

Pour approfondir le sujet en une infographie.

*intelligence artificielle : dans mon article j'ai alterné le il/elle car j'aurai préféré le neutre.

Communication de HTC Vive

Communication de HTC Vive

Aujourd'hui je me suis intéressé à la campagne de communication de HTC et plus particulièrement du produit HTC Vive. Le produit en question est un casque de réalité virtuelle.

Ont-ils crée une campagne d'affichage surprenante ? Ont-ils crée un stunt des plus surprenants ? Rien de tout ça et ils comptabilisent plus de 32 millions d'impressions au bas mot sur un mois (mai 2016).

Youtube est un vecteur de communication de plus en plus important grâce notamment aux Youtubeurs. Comme dans le sport ou le cinéma, ceux-ci possèdent également ses « stars » dont leurs audiences peuvent dépasser celles de certaines chaînes de télévision.

Une simple recherche sur Youtube nous indique plus de 85 000 vidéos avec le nom "HTC Vive". L'axe principal entrepris par la firme Taïwanaise est donc la communication via les leaders d'influences sur la plateforme de vidéos. En France, Squeezie a fait deux vidéos du HTC Vive totalisant plus de 7 millions de vues à lui seul (belle performance cela représente 20% des 32 millions de vues).

Un axe de communication où les entreprises commencent à prendre le pas.

L'été dernier SFR a fait la promotion de sa fibre en utilisant sa chaine Youtube. Ils ont créé un jeu concours avec des Youtubeurs.
Sur les 8 vidéos du 28 août au 16 octobre ont généré environ 690 000 vues.

Pourquoi les entreprises sont séduites par ce concept ?

Read More Read More

Withings racheté par Nokia

Withings racheté par Nokia

Il y a quelques mois je faisais le test des montres connectées Withings. J'ai appris il y a 2 semaines son rachat par le géant Nokia à hauteur de 170 millions de dollars.

Des rachats les uns après les autres, et Withings

Après Captain Train racheté par les Anglais pour 200 millions d'Euros, c’est au tour d’un emblème de la technologie française Withings. Adieu le made in France ? Forcément Blalacar ne résisterait pas à une proposition de Facebook si ce dernier décidait d’introduire le covoiturage. L’aventure de ce que l’on appelle les pépites à la française n’a malheureusement qu’une seule issue : un gros chèque !

Une raison pour Nokia : la e-santé séduit les professionnels

Read More Read More

2016 l'année du live-streaming, pour toi aussi ?

2016 l'année du live-streaming, pour toi aussi ?

Que font les jeunes pendant leur temps libre ? Visiblement, ils visionnent des vidéos en ligne. Beaucoup de vidéos, et longtemps, et en live-streaming aussi.

2016 sera l’année Snapchat et du live-streaming. Forte de 6 milliards de vidéos vues et de 100 millions d’utilisateurs actifs au quotidien, l’application préférée des ados entre dans la cour des grands. Un argument de taille : avoir réussi à captiver la cible mouvante des 13-25 ans. Alors que les marques, les médias, le Parlement européen, la Maison Blanche, ou encore l’Elysée plus récemment, l’ont intégré dans leur stratégie éditoriale. Les collectivités locales présentes s’y comptent encore sur les doigts de la main.

Read More Read More

Nous sommes en train de vivre une révolution industrielle

Nous sommes en train de vivre une révolution industrielle

Nous vivons une révolution industrielle

Pour certains économistes et philosophes, nous sommes en train de vivre la troisième révolution industrielle. Une révolution industrielle se manifeste lorsque deux nouveaux paramètres se mettent en place : une nouvelle énergie et un nouveau moyen de communication. Et cela créer un bouleversement sociétal, économique et politique.

Read More Read More

Tracking sur internet - mange du cookies

Tracking sur internet - mange du cookies

Guide de survie en milieu cookies

«En poursuivant votre navigation sur ce site, vous acceptez l’utilisation de cookies pour vous proposer des contenus et services adaptés à vos centres d’intérêts.»
Tu n'en peux plus de ce message qui s’affiche sans cesse sur Internet ces derniers mois ? Le plus simple alors est de cliquer sur “OK” et d’en finir.
Mais si jamais l’idée te venait de vouloir répondre “Non”, un seul clic n’y suffira pas. Il te faut un tuto entier ! Alors je te donne quelques pistes.

Read More Read More