Lors de meetups IA Keley, Data Science, Machine Learning et autres concepts sont abordés de manière ludique et vulgarisée par nos experts. Dans cet épisode, focus sur l’utilisation de l’IA dans le domaine automobile, la remise d’un prix à une IA au Festival de Cannes et sur les systèmes de recommandations.
Intelligence Artificielle et jumeau numérique au cœur des courses IndyCar :
L’intérêt du sport pour l’IA est de plus en plus médiatique. Comme énoncé dans les dernières actus IA, de nombreux acteurs du monde sportif ont fait de la donnée leur principale piste de réflexion pour réussir. Après avoir souligné l’optimisation des tactiques de jeu de l’équipe de France de rugby, aujourd’hui nous allons découvrir comment la donnée permet de proposer une expérience de visionnage inédite aux plus passionnés des courses sur circuit.
De nos jours, les voitures de course sont de plus en plus équipées de capteurs qui permettent de capitaliser un certain nombre de données. Historiquement, la donnée était utilisée surtout par les ingénieurs des écuries pour affiner leur stratégie de course à communiquer au pilote. Mais cette donnée est aujourd’hui rendue accessible à toutes les parties prenantes. En mai dernier, ce sont 32 voitures munies de plus de 140 capteurs qui ont participé à la célèbre course des 500 miles d’Indianapolis, ce qui a permis aux fans d’avoir une analyse prédictive de la course, renforçant et améliorant ainsi leur expérience, notamment grâce au jumeau numérique. Un Jumeau Numérique, permet de représenter virtuellement un objet d’étude afin de créer des simulations, optimiser le produit ou encore ici de recréer la course ainsi que le comportement des pilotes. Grâce à cette technologie, les données récupérées permettront aux fans de mieux s’engager dans la course et ceux même en dehors de la piste.
Cette nouvelle utilisation de l’IA dans le secteur de la course automobile pourrait largement aider à rassembler des nouveaux fans, avec un profil plus technophile, même si ces derniers n’avaient pas à l’origine une appétence particulière pour les courses automobile.
Expérimentation : Duplex A86, un tunnel pour tester les véhicules autonomes et connectés :
Si vous êtes un automobiliste parisien, vous connaissez forcément le duplex A86, ce tunnel à tendance claustrophobique. Le Duplex A86 est un tunnel autoroutier de dix kilomètres de long permettant de relier stratégiquement les départements des Hauts-De-Seine et des Yvelines. Récemment, il est devenu la piste d’essai des voitures autonomes et connectées. Le but est de multiplier le nombre d’expériences de conduite afin d’affiner et d’encadrer les performances de la conduite autonome.
Le tunnel lui-même, via son infrastructure (caméras, radars…), devient un capteur géant retransmettant en instantané les données du trafic afin d’optimiser les trajectoires et les comportements à adopter pour chaque voiture. Cette initiative de Vinci Autoroute, à travers un jumeau numérique une nouvelle fois, permettrait de prédire très précisément les multiples scénarios possibles et imaginables.
Entre autres, cela est très optimiste pour l’avenir, car cela traduit réellement le désir des acteurs routiers français de rendre la conduite autonome accessible en France. Par ailleurs, cela pourrait réellement faire avancer le débat sur l’utilisation des voitures autonomes en Europe, notamment en ce qui concerne la législation. Peut-être un changement futur dans la législation française ? Européenne ? Cependant, nos amis britanniques sont déjà en train d’emboîter le pas…
Cinéma et IA :
Qui n’a jamais rêvé de monter au moins une fois dans sa vie les marches du Festival de Cannes. Cette année, et pour la première fois, c’est une IA qui l’a fait ! En effet, lors de la dernière saison, le court-métrage The Crow a retourné la scène des cinéphiles en remportant le prix du meilleur court-métrage. Il a été réalisé par Glenn Marshall, un artiste très connu dans le milieu pour ces œuvres disruptives et innovantes.
Pour ce faire, Glenn Marshal a utilisé l’outil de génération d’images en continu d’OpenAi nommé Clip. Clip est en quelque sorte l’ancêtre et la brique élémentaire de Dall.E 1 et 2 que nous avons présentés dernièrement. Clip fonctionne de la même façon que Dall.E, en utilisant un prompt et des images-clés pour générer des nouvelles images qui seront mises bout à bout pour créer automatiquement une vidéo. Pour The Crow, Glenn Marshal a utilisé Painted, un court-métrage de danse réalisé par Dorotea Saykaly en 2012, comme « concept de base ». Ensuite, sur la base de critères et paramètres qu’il s’est lui-même fixés, il a cherché différentes images libres de droit se constituant ainsi une base de données pour créer son montage final. Grâce à l’IA et à son paramétrage, il a réussi à appliquer son style graphique de façon quasi-instantanée.
Serait-il devenu si simple de réaliser un film ? En pratique non. Réaliser un (bon) film ne signifie pas sélectionner des scènes mises bout à bout sans cohérence. Toute la compétence technique et artistique du réalisateur est toujours requise. De nombreux paramètres complexes sont à prendre en compte comme le choix des mots à entrer en prompt, un solide brief créatif établi en amont (ici la conception du book des images-clés), mais surtout un montage minutieux de tous les éléments générés pour obtenir un ensemble cohérent et créer une vraie histoire au court-métrage.
Par ailleurs, Glenn Marshall n’était pas à son premier essai. L’année dernière, il s’est donné l’objectif de faire un remake de Voyager, un clip du célèbre duo de robots français, les Daft Punk. Pour cela, il a utilisé une IA générative d’images en continu appelée Story2Hallucination. Cette IA fonctionne comme Dall.E et MidJourney, via un prompt une vidéo est générée automatiquement. Pour ce faire, il a utilisé les termes « Robot Red Gear », « Robot Heads » ou encore « Robot disco ». Un résultat dont chacun se fera sa propre idée, mais il restera un témoin important de l’avenir des IA dans la vidéo.
L’IA, le cœur des systèmes de recommandations dans le e-commerce :
Les mentions « Achetez-le avec » ou « vous avez peut-être oublié ceci », présentes sur la plupart des sites e-commerce, sont familières à tous. Ces systèmes de recommandations sont un ensemble de filtrage de l’information qui propose des suggestions pour les éléments les plus pertinents d’un utilisateur particulier. En général, les suggestions permettent de fluidifier le processus de prise de décision.
Pour cadrer les systèmes de suggestions, il existe 2 grands paradigmes, l’un qui est dit User based et l’autre qui est dit Content/Item based. Pour l’approche User based, le but est de faire un focus sur le comportement de l’utilisateur. Avec ce paradigme, le système va calculer les similarités entre les différents utilisateurs pour faire une suggestion. Le système va essayer de comprendre et de dégager un comportement commun, notamment pour le proposer à un nouvel utilisateur qui pourrait hypothétiquement être satisfait de ce qui lui est proposé. Cependant, le système nécessite un certain temps d’utilisation lors de la première connexion pour que le système s’affine et puisse proposer un niveau de satisfaction suffisant. En effet, ce qui fait défaut dans cette approche est le Cold Start – aussi appelé démarrage à froid. Il est difficile de faire une suggestion pertinente lorsque l’utilisateur se connecte pour la première fois sur la plateforme.
Pour l’approche Content Based, le focus est fait au niveau du produit. Le système va essayer d’associer des produits ensemble selon différents features, comme la fonction de l’objet/service, la marque, ou encore le positionnement proposé. On cherche donc à calculer des similarités au niveau des produits en eux-mêmes et non pas de la façon dont ces produits vont être consommés. L’algorithme Amazon est l’exemple ultime, connectant idéalement les produits afin d’en proposer des nouveaux, complémentaires du produit souhaité initialement. Ici, le démarrage à froid ne pose pas de problème, car les contenus sont déjà classés en groupe de similarités.
L’IA devient ainsi incontournable pour l’approche User Based, nécessitant la création d’une représentation fidèle des utilisateurs. L’algorithme des KNN, aussi appelé l’algorithme du plus proche voisin est souvent utilisé dans cette approche, car il permet déterminer de façon précise le plus proche voisin de notre K (ici l’utilisateur testé). On projette les données utilisateurs dans un espace latent et on cherche à quel point les points sont proches entre eux. Plus la distance est courte, plus la suggestion parait pertinente et plus elle sera proposée.
Cet algorithme peut également être utilisé dans le sens inverse, du produit pour en déduire l’impact auprès des utilisateurs. Récemment, au travers d’un communiqué, Netflix a confié concevoir ses nouvelles séries en projetant les caractéristiques de leurs nouveaux scénarios dans la matrice des KNN pour pouvoir identifier plus facilement leur cible et avoir une hypothèse de satisfaction des futurs spectateurs de la série.
Plus que jamais, la data science nourrit le marketing et participe ainsi à l’évolution de nos modes de consommation, ouvrant un terrain de jeu presque infini dans la recherche de la satisfaction de l’utilisateur.
