Depuis sa création, QWAM investit très significativement dans la Recherche, conscient que son avantage compétitif tient aussi à sa capacité à maintenir son avance technologique. Ainsi, la société a noué des partenariats avec des laboratoires universitaires dans le cadre de programmes de recherche communs.
Depuis plusieurs années, les équipes de QWAM collaborent avec le Laboratoire d’informatique de Paris 6, Unité Mixte de Recherche de l’Université Pierre & Marie Curie et du Centre National de la Recherche Scientifique. Laboratoire historique s’il en est, le LIP6 poursuit les travaux menés par Le LAboratoire FORmes et Intelligence Artificielle (LAFORIA) créé en janvier 1987 qui s’appelait auparavant Laboratoire Claude-François Picard, et était l’héritier du Groupe de Recherches GR 22. Crée en 1975 !
QWAM collabore au sein du LIP6 avec l’équipe MLIA – Machine Learning & Information Access dirigée par Patrick Gallinari et au sein duquel travaille Vincent Guigue qui nous précise l’intérêt de cette collaboration :
« Nous avons commencé depuis très longtemps à nous intéresser aux réseaux de neurones et Patrick Gallinari est l’un des pionniers du domaine au niveau mondial. Il s’agit de l’outil le mieux adapté à la gestion des données complexes et structurées. La vraie difficulté du Deep-Learning ? Réussir à combiner des formulations mathématiques innovantes, des capacités d’ingénierie pour implémenter ces méthodes et de grandes masses de données pour entrainer ces architectures. Réunir ces compétences et ces ressources est le défi du moment ».
Ce constat conduit naturellement le chercheur à se rapprocher de l’ingénieur : la mise en œuvre d’algorithmes de Machine Learning nécessite effectivement de très nombreux tests, qui pour être réussis demandent une connaissance précise du domaine modélisé, des données et des technologies sous-jacentes. Ainsi, il est difficilement envisageable de mettre au point un algorithme «au laboratoire» puis de le donner «comme une boîte» à des ingénieurs en leur garantissant le résultat.
D’autant plus, que les ressources informatiques nécessaires pour faire fonctionner les modules de Machine Learning sur des données réelles. Chercheurs, ingénieurs et experts métiers doivent collaborer au cœur du projet pour faire fonctionner ces architectures complexes.
Sur un plan opérationnel, ces nombreux échanges entre chercheurs et ingénieurs, les nombreux tests qui vont être menés seront nécessaires pour obtenir un résultat satisfaisant. Ivan Monnier qui est le Directeur technique de QWAM confirme : « ce qui est nouveau avec le Machine Learning c’est que contrairement à une algorithmique traditionnelle, la construction du résultat n’est pas toujours simple à maitriser : on combine divers traitements, on effectue certains paramétrages et on évalue le résultat obtenu. Et c’est à l’issue d’itérations successives qu’on a une chance d’obtenir ce que l’on recherche ; un tel mode de travail nécessite de nombreux essais et implique donc une connaissance très pointue des données traitées et du domaine dont elles sont issues. C’est là qu’est le véritable challenge. Il n’y a pas de « boites magiques » où on presse un bouton ! ».
En résumé, le succès d’un projet innovant et réellement opérationnel reposant sur du Machine Learning implique une triple compétence : expertise sur les données, expertise sur les algorithmes et expertise sur les architectures.
De ce point de vue, la collaboration menée avec le LIP6 est exemplaire en mettant en évidence les liens indispensables entre une entreprise innovante et la recherche universitaire.
Mais quand on pose la question à Vincent Guigue sur les principaux problèmes qu’il rencontre, l’un des plus importants est « …depuis 7 ans, pas un de nos doctorants n’est resté dans la sphère publique. Ils sont tous partis travailler dans le privé en France ou souvent à l’étranger. »
Récemment, lors d’une conférence publique, Joëlle Durieux, Directrice générale de Finance Innovation, le Pôle de compétitivité de la finance, confirmait que « près de 30% des chercheurs en IA au MIT sont … français ». Nous n’avons pu vérifier le pourcentage mais il est bien évident que si le succès des technologies de Machine Learning repose sur une collaboration étroite entre l’ingénieur et le chercheur, encore faut-il que ce dernier ne soit pas parti ! Voilà un nouveau problème à résoudre.
oudre.