AI s des véhicules : engouement, réalité et perspectives d'avenir

Aujourd’hui, dans « The Garage », notre invité est Neel Mitra, responsable mondial de l’architecture des solutions pour les données et l’ AI chez AWS.

Dans la master class d'aujourd'hui consacrée à l'intelligence artificielle, nous commencerons par les origines de l'AI. Qu'était l'AI classique ? Qu'est-ce qu'un grand modèle linguistique ? Qu'est-ce que l'AI agentique ?

Et ensuite, nous parlerons de l'automobile.

Quel rôle joue aujourd’hui l’ AI e dans le secteur automobile ? Et quelles sont les opportunités qui s’offrent à nous pour réaliser des projets novateurs et incroyables en associant l’ AI e et l’automobile à l’avenir ? Vous allez vraiment apprécier la conversation d’aujourd’hui.

Allons-y.

Bienvenue sur The Garage. Je m’appelle John Heinlein, directeur marketing chez Sonatus. Nous recevons aujourd’hui Neel Mitra, d’AWS. Neel, bienvenue sur the garage.

Merci.

Neel, cela fait plusieurs années que nous travaillons ensemble. C'est vraiment passionnant, et nous avons enfin réussi à te convaincre de venir nous rendre visite et d'enregistrer un épisode avec nous. Commence par nous parler de toi et de ton parcours.

Oui. Merci de m'accueillir. C'est un plaisir. Nous avons travaillé sur tant d'initiatives différentes, et enfin, le jour J est arrivé. J'ai donc grandi en Inde et j'ai travaillé dans ce secteur pendant vingt et un ans. Avant cela, j'ai obtenu mon diplôme d'ingénieur et mon master en Inde, j'y ai travaillé quelques années dans le conseil, puis je suis venu aux États-Unis.

Et puis, vous savez, depuis lors, j'ai travaillé avec de nombreux clients figurant au classement Fortune 500 dans les secteurs de la fintech et de la santé, et

Je ne savais pas que j'allais travailler dans le secteur automobile avant 2016, lorsque j'ai rejoint Amazon Web Services.

À l'époque, tu sais, le cloud, c'était encore tout nouveau. Je me souviens que j'allais voir des clients, et ils me disaient : « Hé, vous, vous vendez des livres, non ? Qu'est-ce que vous faites ici ? »

Je vais donc leur expliquer, en gros, ce que nous faisons dans le domaine des entreprises, puis je leur présenterai nos activités dans le domaine des infrastructures. À l'époque, nous étions très présents dans le secteur des infrastructures.

Et comme vous le savez, AWS a été le pionnier du cloud computing, et nous sommes restés, disons, à la pointe en matière d’infrastructure, même aujourd’hui encore, je crois. Donc, oui, ça fait neuf ans depuis. Le temps passe à toute vitesse. Et chez AWS, on aime dire que chaque jour est un nouveau départ. Encore une fois, merci de m'avoir invité. Et ça a été formidable d'apprendre tant de choses de vous tous, ainsi que de notre parcours dans le secteur automobile, que nous allons approfondir.

Merci beaucoup. Nous aimons toujours commencer par une anecdote amusante sur nos invités. Vous devez donc nous raconter une anecdote amusante à votre sujet.

C'est une situation délicate. D'accord.

Du coup, tu sais, beaucoup de choses dans ma vie se sont passées un peu par hasard, je crois. Par exemple, le fait de rejoindre AWS et de travailler dans le secteur automobile : je ne sais pas vraiment pourquoi ça s'est fait, mais ça s'est avéré vraiment sympa.

C'est comme ça que le yoga est entré dans ma vie. Et je ne sais pas pourquoi ni comment, parce que je n'avais jamais entendu parler du yoga en Inde, alors que j'ai grandi là-bas, n'est-ce pas ? Mais, tu sais, à un moment donné, je voyageais beaucoup, j'étais débordée, et j'ai eu l'impression qu'il devait y avoir quelque chose qui prenne soin de moi de manière globale, pas seulement sur le plan physique, mais aussi mental, énergétique, et tout le reste. J’ai essayé ce cours de yoga et ça m’a plu, puis j’ai pratiqué de façon irrégulière.

Je faisais ça depuis probablement huit ou neuf ans. Mais l’année dernière, là encore, tout à coup – je ne sais pas si c’était un hasard –, je me suis dit que je voulais devenir prof de yoga, juste comme passe-temps. Et j’ai commencé à suivre une formation certifiante. OEM.

C'est effrayant. Ma femme me dit aussi : « Pourquoi tu as fait ça ? » Mais bon, c'est une anecdote amusante. Au cours de l'année dernière, j'ai obtenu ma certification de professeur de yoga, après deux cents heures de formation.

Je prépare actuellement un master, ce qui représente trois cents heures supplémentaires.

Ce serait sympa, d'ailleurs ça ferait sans doute un bon projet pour ma retraite : devenir professeur de yoga.

Génial. Et quel type de yoga ?

Vinyasa.

Génial.

Mon anecdote : j'essaie toujours de trouver une anecdote amusante à raconter à notre invité. La mienne remonte à plusieurs années, peut-être une dizaine d'années environ : pendant quelques années, j'ai été une fervente adepte du yoga Bikram.

Ah, sympa.

Pour ceux de nos auditeurs qui ne connaissent pas, c’est quand on est dans une salle à cent cinq degrés. Oui. Du yoga chaud. Et il y a ce qu’on appelle le « high yoga » : on entre dans la salle et on fait du yoga pendant quatre-vingt-dix minutes. C’est une séquence très précise de quatre-vingt-dix minutes. Et à la fin, tout le monde est trempé.

J'en ai fait un à New York. J'ai essayé plein de salles de yoga et j'ai fini par en choisir une ou deux, mais oui, c'était sympa.

Et le yoga, c'est génial.

Bien sûr, la force, bien sûr, la souplesse, mais aussi la pleine conscience et cette sorte de calme… Ouais. C’est ce que ça t’apporte après 90 minutes dans une salle chauffée, mais d’une manière générale, tu en ressors avec un sentiment de paix, et je pense que ça te donne de super idées. C’est peut-être vers la 45e minute que j’ai eu certaines de mes meilleures idées.

Et puis, d’un point de vue plus pratique, je sais qu’on parlera beaucoup de l’ AI plus tard dans la journée, mais concrètement, je constate que les machines font déjà une grande partie du travail à notre place aujourd’hui. N’est-ce pas ? Oui. Si nous ne faisons pas attention et si nous ne fonctionnons pas à un niveau de fréquence plus élevé en tant qu’êtres humains, ça va être difficile.

Du genre, qu’est-ce que tu vas faire ? Tu écris du code, ce sont les machines qui s’en chargent. Pas vrai ? C’est là que j’ai l’impression que le yoga pourrait aussi m’être utile, du point de vue de la pleine conscience.

On verra bien comment ça se passe.

Très bien. Parlez-nous donc de votre rôle chez AWS. Sur quoi travaillez-vous en ce moment ?

Ouais. Bon, tu vois, c’est un peu dans tous les sens. Je me suis beaucoup concentré sur l’automobile, comme vous le savez, ces dernières années. J’ai donc travaillé sur la mobilité connectée, puis je suis passé aux véhicules définis par logiciel, en collaborant avec de nombreux clients et partenaires internationaux, à commencer par des entreprises comme Bosch et Denso. Et il y a beaucoup de clients que je ne peux pas citer, mais il y a aussi BMW et d’autres, qui m’ont donné beaucoup de travail.

Mais au cours de la dernière année, j’ai réorienté mon approche vers une perspective plus horizontale. Cela signifie que je travaille avec de nombreux clients issus de la construction automobile et du secteur des entreprises sur une grande variété de cas d’utilisation. Il ne s’agit pas de segments automobiles ultra-spécialisés, comme ceux sur lesquels j’ai travaillé ces dernières années dans le cadre de mes fonctions d’architecture et d’ingénierie. Mais cela a été passionnant car, vous savez, il y a tellement de changements qui se produisent dans le domaine de l’apprentissage automatique, avec l’ AI , les agents et tout le reste.

Les opportunités sont infinies, et cela ne se limite pas à un seul secteur d’activité. J’essaie donc d’en apprendre davantage. Et c’est ce que j’apprécie le plus chez AWS. J’ai l’impression d’être payé pour apprendre énormément de choses. C’est un peu comme si j’étais à l’université, mais sans avoir à payer. Je suis rémunéré et j’ai la chance de travailler avec tant de personnes talentueuses à travers le monde, tout en contribuant à rendre ce monde meilleur.

Bon, voilà. C'est donc le parcours que j'ai suivi au cours de l'année écoulée, en travaillant beaucoup dans le domaine de l'AI , en collaboration avec des équipementiers, des groupes de conseil (RAG) et des IA d'agentique, pour différents cas d'utilisation, notamment dans les secteurs de l'industrie manufacturière et de l'automobile.

Super.

Ouais.

Vous avez donc évoqué l’ AI , et bien souvent, nous parlons des véhicules et de leurs logiciels, mais nous y reviendrons un peu plus tard. Dans cet épisode, en revanche, nous allons aborder l’ AI beaucoup plus en détail que d’habitude. Très bien. Commençons donc par en parler dans les grandes lignes, car je pense que nos auditeurs ont probablement des niveaux de connaissance variés concernant ce type de technologies.

Ouais. Et je pense que quand la plupart des gens entendent parler d’« AI » aujourd’hui, ils pensent sans doute à ChatGPT ou, tu sais, aux moteurs de recherche et ce genre de choses. Ouais. Mais ça ne représente qu’une infime partie

du potentiel d'AI.

Je me demandais donc si vous pourriez d’abord nous donner une vue d’ensemble. Oui. Quel est l’éventail des algorithmes d’ AI s et des technologies d’ AI s que nous pourrions envisager ?

Ouais. Tu sais, une petite anecdote sympa avant d’entrer dans le vif du sujet : j’ai regardé le film « Terminator » il y a environ quinze ans, probablement pour la première fois. Pas vrai ? Et j’avais vraiment peur, tu vois, de ce que « AI » peut te faire subir, du fait de devoir lutter contre l’ AI , et tout ça.

Mais ensuite, quand je me suis vraiment mis à travailler dessus, je me suis dit : « Bon, d’accord, ça ne se produira probablement que dans quelques centaines d’années. Si tant est que ça arrive. Je ne sais pas. C’est de la science-fiction, en quelque sorte. »

N'est-ce pas ? Bon, on va trouver une solution. Mais tu as tout à fait raison. Il se passe vraiment beaucoup de choses dans ce domaine.

En fait, l'« AI » n'est pas une nouveauté. N'est-ce pas ? Ces articles de recherche datent des années 1930, 1940 et 1950.

Et puis, tu sais, à l'époque, on a commencé à parler de « modèle supervisé ». Ça veut dire qu'on fournit des données étiquetées. On essaie de rendre la machine plus intelligente pour qu'elle puisse effectuer certaines tâches habituellement réservées aux humains.

Et puis, au fur et à mesure que cela a évolué, encore et encore, on a assisté à l’apparition des modèles non supervisés. Il ne s’agit donc plus uniquement de données étiquetées. Il peut s’agir de données non étiquetées. Il peut s’agir de données multimodales. Cela ne se limite pas nécessairement au texte. N’est-ce pas ? Il peut s’agir d’images, de vidéos, de fichiers audio et de bien d’autres choses encore.

Et croyez-le ou non, tout comme dans les années 90, quand AI n'était pas considéré comme très « cool », Amazon utilisait à l'époque AI .

Donc, si vous êtes allés sur le tout premier site d’Amazon — moi je n’y suis pas allé, je ne sais pas si vous l’avez fait —, il proposait une option qui disait : « Tiens, si vous aimez un genre particulier… » — Un système de recommandation — Oui, un système de recommandation. Exactement. Et c’était AI. C’était au début des années 90. Puis Google s’en est emparé, avec son moteur de recherche sur le Web et tout ça.

Netflix faisait ça à ses débuts, quand Netflix vous envoyait des DVD et ce genre de choses.

Exactement. L'AI e n'est donc pas une nouveauté, et ce type de modèle supervisé, associé à une petite part de modèle non supervisé, existe depuis déjà assez longtemps.

Et même si je me souviens de mes débuts dans, disons, le secteur de la fintech, on passait beaucoup de temps à détecter les fraudes et les anomalies. Tout ça relève en quelque sorte de l'AI. N'est-ce pas ?

Mais ensuite, quand je me suis lancé dans l'automobile, les premiers cas d'utilisation de l'AI e que j'ai observés concernaient notamment le régulateur de vitesse : en gros, on recueille toutes ces données multimodales, on les analyse, et on s'assure que la voiture reste dans sa voie.

Il y a des cas d'utilisation liés à la détection de sortie de voie, n'est-ce pas ? Comme le maintien de la trajectoire et ce genre de choses. Ce sont donc tous des modèles traditionnels d’apprentissage automatique. Pour revenir à votre question, oui, il existe des modèles supervisés et non supervisés, et l’apprentissage profond est entré en jeu pour nous permettre de réfléchir comme des humains, grâce aux réseaux neuronaux et à toutes ces fonctions cognitives que nous avons commencé à intégrer progressivement dans nos véhicules. Le véhicule a alors commencé à utiliser le régulateur de vitesse. Et aujourd’hui, nous parlons de différents niveaux d’autonomie.

Et il y a tellement de cas d'utilisation, mais à mesure que nous évoluons, je pense que c'est « l'attention » dont vous avez tous besoin. Je crois que c'est le titre de l'article. J'ai oublié le titre exact, mais il a été publié par Google vers 2018-2019, je crois. N'est-ce pas ? C'est « l'attention » dont vous avez besoin.

Cela nous amène donc au mécanisme d'attention à soi.

Et si vous pensez aux anciennes AI, c'est-à-dire les réseaux neuronaux CNN (réseaux convolutifs) et les RNN (réseaux récurrents), vous verrez que le problème était que vous aviez tous ces mots, n'est-ce pas ? Mais l'AI ne pouvait pas déterminer quel mot ou quel token allait suivre. C'est très limité. Par exemple, si je dis : « Hé, John a acheté une Rivian » ou « Neel a acheté une Tesla » ou quoi que ce soit d'autre, n'est-ce pas ?

L'AI e n'arrivait pas à comprendre une phrase longue. Il ne peut probablement en comprendre que quelques mots.

Mais avec le mécanisme d’attention auto-dirigée, grâce à l’architecture « Transformer » inventée vers 2018, cela a changé. Désormais, on peut traiter des milliers, des centaines de milliers, voire des milliards de tokens de ce type. Et grâce au mécanisme d’auto-attention, AI associé à l’architecture encodeur-décodeur, il est possible de déterminer où pourrait se trouver le mot suivant. Cette prise de conscience contextuelle et la capacité à traiter simultanément des quantités colossales de tokens ont donc tout changé. C’est ainsi qu’ont vu le jour les grands modèles linguistiques (LLM) : comme vous l’avez mentionné, il s’agit notamment de ChatGPT, dont tout le monde parlait, mais tous ces éléments ont constitué les étapes fondamentales qui ont conduit aux LLM, et d’autres innovations sont encore à venir.

Ouais.

Maintenant que vous venez d'en parler, je me demande quelle est la prochaine étape et quelle est cette innovation clé de ces modèles de transformateurs ; d'ailleurs, le « T » de GPT fait référence à un modèle de transformateur.

Parlez-nous de la manière dont ce modèle Transformer, et peut-être les grands modèles de langage (LLM) de manière plus générale, changent la donne. Quelles sont les possibilités offertes désormais par les modèles Transformer ?

Oui. Je pense que la plus grande innovation à laquelle nous avons assisté concerne la création de contenu. N'est-ce pas ? Tu travailles toi-même dans le marketing, donc je suis sûr que tu as constaté une énorme amélioration de la productivité, n'est-ce pas ? On peut créer un PowerPoint, mais aussi toutes sortes de récits, de vidéos et de fichiers audio.

Par exemple, on peut créer un podcast… Je crois que Google en a un, non ? Où on dirait que deux personnes discutent. Celui-ci n'est pas généré par l AI !

Celui-ci n'est absolument pas généré p AI , ce sont vraiment de vraies personnes qui parlent. Mais la génération de contenu, je pense que c'est l'une des choses les plus innovantes qui soit ressortie de toute cette histoire autour de ChatGPT.

Puis, on a commencé à entendre parler de 70 milliards de tokens utilisés pour entraîner tel modèle, ou de 100 milliards de tokens pour en entraîner un autre. Mais vous soulevez là un point tout à fait pertinent : en quoi cela profite-t-il au secteur dans son ensemble ? C’est là qu’on voit apparaître de nombreuses suites d’outils destinées à améliorer la productivité des développeurs.

Ainsi, chez Amazon par exemple, nous avons « Q Developer », ou nous avons récemment lancé un outil appelé « Kiro », qui est un IDE « agentique » exploitant la puissance des grands modèles linguistiques pour prendre toutes ces décisions. Il ne s’agit donc pas uniquement de générer du contenu à des fins marketing ou narratives. Il peut s’agir de générer du contenu tel que le code que vous écrivez, et cela peut concerner n’importe quoi. Cela peut être du code Java ou Python, ou encore du code écrit pour un mainframe vieux de cinquante ans.

Et beaucoup de nos clients, croyez-le ou non, notamment dans les secteurs de la fintech et de la santé, entre autres, ont une forte présence de mainframes et ne peuvent pas s’en passer, n’est-ce pas ? Or, si AI est capable de comprendre tout ce code, de le refactoriser, de le migrer vers le cloud et de le moderniser, cela représente un retour sur investissement considérable pour les clients.

Oui. Et je pense que ce qui est intéressant avec les LLM en général, c’est qu’aujourd’hui, au lieu de penser à un LLM à usage général, on parle plutôt d’une sorte d’IA générale (AGI), ce à quoi on n’en est pas encore. En réalité, ce qui se passe, c’est que ces LLM sont entraînés pour des fonctions spécifiques : la création d’images, la manipulation audio ou autre. Du coup, ils peuvent devenir une sorte d’expert dans ce domaine.

Avec le temps, ces modèles finiront par converger. On aura alors davantage affaire à une sorte d’expert « consolidé ». Oui. Mais aujourd’hui, on voit apparaître ces modèles spécialisés qui sont capables de réaliser ces prouesses incroyables dont vous parliez.

Tout à fait. Tu as tout à fait raison. Et c'est là que, selon moi, ce secteur va connaître une évolution considérable.

Et nous disposons également d’une place de marché dédiée aux modèles LLM chez AWS. N’est-ce pas ? Ainsi, pour bon nombre de fonctions spécifiques à un domaine, pensez par exemple à la maintenance prédictive, qui a longtemps constitué un problème majeur dans l’industrie automobile. Ou encore, vous savez, à de nombreux modèles de prévision de séries chronologiques, qui répondaient à un besoin pour de nombreux cas d’utilisation différents.

Si l’on pense à ces grands modèles linguistiques qui pourraient être entraînés spécifiquement pour ce genre de problèmes spécifiques à un domaine, cela change complètement la donne. Oui. Et c’est dans cette optique que nous avons lancé l’année dernière une technique appelée « distillation ». Il ne s’agit donc pas, vous voyez, de viser toujours plus, plus, plus, plus, plus, mais de privilégier la qualité des données qui compte vraiment pour votre secteur d’activité.

Et ça pourrait concerner l'automobile. Ça pourrait concerner la santé. Ça pourrait concerner la fintech. Mais tu as tout à fait raison.

Je pense que c'est dans cette direction que se dirige le secteur, et nous verrons apparaître une multitude de modèles. Le client pourra alors choisir le modèle le mieux adapté à chaque tâche.

Oui. Un exemple que beaucoup de gens connaissent, mais qui me semble particulièrement convaincant, c'est celui du diagnostic médical.

Ouais.

Les radiographies, en particulier. Si vous avez déjà passé une radiographie, vous savez : on vous fait passer une radiographie, puis le technicien la regarde en direct, mais il n’a pas le droit de vous dire quoi que ce soit. Pourtant, ils voient des centaines et des centaines de radiographies. Ensuite, le résultat est transmis à un médecin qui en voit des dizaines de milliers, et c’est lui qui dit : « Oh, vous avez un os cassé », ou « vous n’avez pas d’os cassé », ou encore « vous avez ceci » ou « vous avez cela ».

C'est vrai. Mais ils ont entraîné des modèles sur des dizaines, des centaines, des milliers, voire des millions de radiographies, et ces modèles sont capables d'obtenir des résultats aussi bons, voire, dans certains cas, meilleurs que ceux d'un médecin, en raison du volume considérable d'images qu'ils ont analysées ; ils peuvent ainsi détecter des éléments que les médecins ne voient pas. Je ne dis pas pour autant qu'ils vont remplacer les médecins, mais ils pourraient potentiellement servir à effectuer un tri. En d'autres termes, ils indiquent quels sont les 5 % de radiographies qu'il faut examiner.

Les autres, c'est très clair, par exemple. Oui. Que ce soit pour réduire les coûts, améliorer les résultats pour les patients, raccourcir les délais d'exécution ou autre chose.

Le fait est que ce sont de nouveaux outils. Oui.

Et on peut les utiliser d'une nouvelle manière. Oui.

Vous avez évoqué tout à l'heure un autre terme, à savoir « agentique ». Et je parie que la plupart des gens ne saisissent pas encore pleinement ce que signifie ce terme.

C'est une tendance émergente très importante, mais elle n'en est encore qu'à ses débuts. Pouvez-vous nous expliquer ce que signifie le terme « agentic » ? Oui. Quelles sont les opportunités que peut offrir l'AI e « agentic », mais aussi quels sont les défis et les limites actuels ?

Oui, tout à fait. Je crois qu’on disait que l’année dernière, voire ces dernières années, étaient « l’année des OEM », car on voyait des modèles de langage à grande échelle (LLM) lancés par toutes sortes de fournisseurs presque chaque semaine. Puis est arrivée la technologie RAG (Retrieval Augmented Generation), marquant le début de l’ère des chatbots. Tout le monde développe désormais des chatbots à l’aide de ces modèles de langage à grande échelle.

Mais cette année serait apparemment celle des agents. Pourquoi les agents, alors ? Parce qu'il faut passer à l'action. Par exemple,

Même en tant qu'êtres humains, n'est-ce pas ? Si on se contente de réfléchir sans jamais passer à l'action, on n'ira nulle part.

De la même manière, avec tous ces équipementiers et ces chatbots, vous pouvez interroger toutes ces données, ce qui pourrait constituer un bon point de départ. Mais pour exploiter ces données, vous avez besoin de certaines fonctionnalités. Comment procédons-nous généralement dans ce cas ? Nous utilisons des microservices.

On utilise, genre, vraiment, des architectures SOA, des API REST, et tout ça. Pas vrai ? Mais dans le monde de l'AI , on parle d'agents, car ce sont eux qui ont le pouvoir de décision, et ils peuvent être autonomes. Mais quel niveau d'autonomie ?

Cela dépend du cas d'utilisation, et c'est un domaine en pleine croissance où nous allons encore beaucoup apprendre. Par exemple, dans le secteur automobile, cela fait très longtemps que l'on parle de véhicules entièrement autonomes, mais en raison de diverses complexités, ce n'est pas encore possible. Il en ira de même pour bon nombre de ces charges de travail gérées par des agents. Nous pouvons continuer à parler d’agents entièrement autonomes capables de tout faire, mais cela pourrait impliquer de nombreux compromis au moment où ils prennent des décisions.

On voit déjà des exemples de cela, pour des choses aussi banales que, disons, la gestion d’un agenda ou la recherche d’un vol d’ici à là-bas dans un délai donné et à un bon prix. Et donc, évidemment, au fil du temps, je pense que nous, en tant que société, et bien sûr chaque individu – même si chacun se trouve peut-être dans une situation différente –, serons peut-être plus disposés à accorder davantage d’autorité, davantage d’« agency » (jeu de mots intentionnel) à l’ AI , pour qu’elle agisse à notre place. Ou bien d’autres pourraient laisser l’ faire le travail, puis vérifier : « Est-ce que ça te convient ? » avant qu’elle n’exécute la tâche. Et je pense que nous verrons toutes ces situations se produire. Mais je pense que le point essentiel réside dans le fait qu’en créant une boucle qui ne se limite pas à l’analyse des données pour obtenir une réponse, mais qui implique également de prendre des mesures, voire de tendre vers la fermeture de cette boucle, on commence à disposer d’un cycle de rétroaction capable d’améliorer les capacités, le débit et le potentiel de l’ AI .

Oui. Ce qui fait vraiment la différence, c'est la façon dont on développe les logiciels aujourd'hui. N'est-ce pas ? Ça repose surtout sur des règles.

En gros, vous dites donc : « Tiens, un microservice ou une API doit faire x, y et z. » Et pour cela, il va recevoir des données d’entrée et renvoyer des données de sortie. Et vous devez codifier cette logique.

Mais avec les agents, comme ils bénéficient de la puissance des grands modèles linguistiques, ils sont capables de prendre un nombre incalculable de décisions. On n'a donc pas forcément besoin d'être explicite tout le temps, mais le revers de la médaille, c'est la capacité de réflexion. C'est pareil pour nous, les humains, n'est-ce pas ? Si on réfléchit trop, on finit par s'épuiser.

On va dépenser beaucoup d'énergie. Il faut boire davantage. Il faut manger davantage. C'est pareil pour les agents.

S'il s'agit d'un processus de réflexion en continu, de nature quelque peu non déterministe, cela a un coût, car l'agent fonctionne pendant longtemps et consomme beaucoup de mémoire, de ressources CPU, etc. Bref, je pense que vous le savez, l'agent est l'avenir, bien sûr, mais s'il s'agit de charges de travail basées sur la logique, avec des structures simples de type « if-then-else », on opte quand même pour les microservices. On continue à développer ces microservices.

Quels que soient leurs besoins en matière de prise de décision, par exemple dans le cadre de cas d'utilisation liés à la chaîne d'approvisionnement, ce qui représente un défi de taille aujourd'hui, n'est-ce pas ? Surtout avec tous ces droits de douane et tout ça. Il y a tellement d'incertitudes.

Et si vous voulez que cet agent gère les stocks, vous devez déterminer, par exemple, quel est le statut du fournisseur, vous devez gérer la logistique et le transport. Ce sont là d’excellents cas d’utilisation où il est impossible de codifier une grande partie de la logique. Les agents, ou l’orchestration multi-agents, doivent s’interfacer avec différents systèmes pour prendre en charge différentes actions. Ce sont donc là d’excellents cas d’utilisation pour les agents, et, oui, c’est bien l’avenir.

Mais n'essayez pas de tout miser sur une seule carte et de recourir à des agents pour tout si, vous savez, cela peut s'inscrire dans une logique basée sur des règles.

D'accord.

À mon avis, ces deux approches – l'une plus déterministe, l'autre plus non déterministe – continueront donc de coexister, et il faudra utiliser l'outil le plus adapté à chaque situation.

Donc, si je prends un peu de recul et que je résume tout ce que vous venez de dire, ce que je retiens, c’est que l’ AI e est en pleine expansion. Elle gagne en capacités. Oui. Mais il ne faut pas la considérer comme un tout monolithique ; il existe tout un spectre allant des modèles les plus simples aux modèles les plus complexes, en passant par des modèles potentiellement plus indépendants, et bien sûr autonomes. Je ne veux pas semer la confusion sur la signification de ce terme, mais il s’agit de modèles davantage « agentiques », orientés vers l’action.

Et toutes ces compétences continueront d'être précieuses à l'avenir.

Ouais.

Et cette composition évoluera sans doute avec le temps.

Est-ce une façon d'envisager les choses ?

Tout à fait. Et c'est exactement la même chose si l'on pense à nos ordinateurs, à nos systèmes de stockage et à nos bases de données : tout s'est passé comme ça. On est partis, disons, de tous ces fabricants de mainframes monolithiques. N'est-ce pas ?

Puis nous sommes passés aux systèmes décentralisés. Nous avons commencé à parler de VMware et de tout ce qui s’y rapporte, puis des conteneurs. Aujourd’hui, nous parlons de fonctions « serverless », mais toutes ces grosses machines physiques existent toujours. En même temps, il y a la fonction « serverless », qui n’est qu’un simple bout de code s’exécutant sur 0,5 Go de mémoire.

Donc, toute cette multitude de fonctionnalités dans la liste des ressources informatiques est toujours présente. Les bases de données. Il y a toutes ces énormes bases de données monolithiques, n'est-ce pas ? Mais il y a aussi des bases de données plus petites, comme les bases de données de séries chronologiques.

Il existe d'autres types de données : les bases de données NoSQL.

Il en ira donc de même dans le domaine de l’ AI , où l’on trouve une multitude de modèles de langage de grande échelle (LLM). Et c’est là que nous en sommes. Vous voyez ? C’est ce que je dis pour plaisanter. En tant qu’architectes de solutions, c’est en quelque sorte notre métier : partir du client final pour remonter en amont et déterminer quel outil

est adapté à votre cas d'utilisation, car il ne faut pas essayer de tout mettre dans le même panier. À chaque tâche son outil.

Super.

Il faut donc que nous parlions de l’automobile. Sonatus, et notre podcast porte clairement sur la technologie automobile et les logiciels embarqués. Vous avez évoqué plusieurs points, mais parlons des différentes façons dont l’ AI e est utilisée aujourd’hui dans les véhicules, puis nous pourrons aborder ses perspectives d’avenir.

Oui. Donc, tu sais, au cours des dix dernières années environ, alors que je travaillais dans le secteur automobile, j’ai vu énormément de cas d’utilisation. En effet, j’avais une formation dans le domaine du big data et de l’IoT. Et en plus de l’automobile, je travaillais également sur de nombreux produits liés à la maison connectée.

N'est-ce pas ? Et c'est pour ça que la mobilité connectée et tout ce qui touche à la maison connectée présentaient des similitudes. On récupérait beaucoup de données télémétriques. Dans le secteur automobile, ces données proviennent principalement du module télématique.

Et ils s'occupaient de toute la gestion de la flotte et de ce genre de choses.

Puis je me suis orienté vers le domaine des mises à jour OTA, car nous avons commencé à nous dire : « Tiens, le secteur automobile devrait lui aussi pouvoir bénéficier de mises à jour, et pas seulement les systèmes de télémédecine ou d’infodivertissement ; comment pouvons-nous rendre l’ensemble du secteur automobile plus évolutif ? » Et ces mises à jour doivent pouvoir être effectuées au fil du temps, sans que leur coût ne diminue.

C'est là que le concept de « véhicule défini par logiciel » a commencé à voir le jour. Et il ne s'agissait pas seulement de mises à jour à distance.

Comme vous le savez, vous êtes en quelque sorte une PME et un expert dans ce domaine. Il s’agit également de transformer l’architecture au sein du véhicule, car avec des centaines d’ECU, c’est vraiment très compliqué. Comment donc parvenir à cette consolidation des ECU et mettre en place une architecture davantage basée sur des zones ou des domaines, afin de pouvoir déployer toutes ces mises à jour logicielles ou collecter un grand nombre de données provenant des véhicules pour offrir une expérience de nouvelle génération ?

Je pense donc que, pour AI, cela a toujours existé, comme nous l’avons mentionné. N’est-ce pas ? Différentes formes d’apprentissage automatique ont toujours existé. Il y a quelques années, lorsque je travaillais avec l’un de nos partenaires, BlackBerry, nous parlions également de capteurs synthétiques : nous déployions alors de nombreux capteurs, qui reposaient soit sur l’apprentissage automatique, soit sur la logique.

Et vous collectez toutes ces données, vous traitez celles qui sont bruitées directement sur le véhicule avant d’effectuer des opérations dans le cloud, car l’échange de données entre le véhicule et le cloud représente souvent un coût prohibitif. Je m’excuse donc pour cette réponse un peu longue, mais je pense qu’avec l’ AI e générative et les agents, l’ensemble de la chaîne d’approvisionnement pourra être interconnectée, pour une mobilité connectée

ou la collecte des données, et la quantité de données de haute qualité que vous pouvez réellement envoyer vers le cloud. La quantité de travail que vous pouvez effectuer – des tâches de nature non déterministe sur le véhicule lui-même, grâce à l’architecture EE et au véhicule défini par logiciel – sera déterminante.

Et c'est là qu'intervient ce que vous disiez tout à l'heure : il faut disposer du bon modèle pour accomplir la bonne tâche.

Pas besoin d'un modèle à 100 milliards de tokens dans la voiture. Vous pouvez probablement vous contenter, disons, de 10 millions de tokens, ce qui est largement suffisant pour ce que vous essayez de faire. Et c'est là que tous ces excellents logiciels que vous développez, axés sur les systèmes embarqués, seraient, je pense, d'une valeur inestimable.

Oui. Merci beaucoup. J'apprécie. Bon, abordons le sujet. Je veux dire, je pense que, comme nous l'avons mentionné au début, les gens ont tendance à croire – et il existe cette idée reçue – que l'AI e dans les véhicules se limite à la conduite autonome, au freinage automatique ou au maintien adaptatif de la voie.

Et celles-ci sont vraiment exceptionnelles. Je suis un grand fan de toutes ces technologies, et je les adore. Oui. Mais ce que nous essayons de faire sur Sonatus — et je pense qu’il y a là une opportunité manquée que nous essayons de faire connaître —, c’est que je pense qu’il y a encore bien plus de possibilités.

Je vais donc vous donner quelques exemples. Cela fait maintenant plusieurs années que nous collaborons avec AWS. Nous apprécions énormément ce partenariat.

L'année dernière, au Consumer Electronics Show, c'est-à-dire le 25 janvier. Oui.

Nous avons présenté un nouveau produit appelé « AI Technician », qui fonctionnait sur la plateforme AWS et utilisait des modèles linguistiques de grande envergure. Nous avons ainsi démontré qu’il était possible de recourir à ces modèles et à l’analyse de données pour mieux comprendre les problèmes rencontrés sur les véhicules.

Et ensuite, tirer parti d’éléments tels que les logiciels et l’infrastructure de données fournis par Sonatus pour obtenir des données de meilleure qualité et plus détaillées. Oui.

Pour pouvoir déterminer : « Tiens, est-ce que c'est un problème ? N'est-ce pas un problème ? Est-ce un problème urgent ? »

S'agit-il d'un problème non urgent ? S'agit-il d'un problème touchant l'ensemble de la flotte ? Oui. S'agit-il d'un problème concernant un seul véhicule ?

Cette idée de « technicien d’ AI » a donc suscité un énorme intérêt. Et nous nous appuyons également sur cette approche « agentique » dont nous avons parlé, selon laquelle il ne s’agit pas d’une source de données unique. Il ne s’agit pas simplement d’examiner les codes d’anomalie, les codes DTC (codes de diagnostic d’anomalie). Nous ne nous contentons pas d’analyser les codes DTC pour les intégrer dans un RAG ou dans LM.

Oui. Mais plutôt — et c’est ce que tu as souligné tout à l’heure —, nous rassemblons des données provenant de nombreuses sources. Et en combinant ces données, nous obtenons une réponse plus précise que celle que pourrait fournir n’importe quelle source prise isolément. Et je pense que c’est là que réside la force de l’ AI .

Ça va être extrêmement puissant. Je suis d’accord avec toi. On appelle ça un « centre de données sur roues », et c’est vraiment le cas, car comme tu le disais, il existe une multitude de topologies réseau, n’est-ce pas ? Il y a le CAN, l’Ethernet, et tant d’autres encore.

Et ce pour quoi nous avons dû nous battre pendant très, très longtemps, c’est de trouver comment désérialiser tous ces différents types de signaux pour en faire un format standard. C’est pourquoi nous avons commencé à travailler sur les spécifications VSS de COVESA, mais tous les équipementiers n’utilisent pas le VSS, n’est-ce pas ? Chacun a son propre système. Alors, comment normaliser toutes ces données provenant de toutes ces topologies de réseau et de différents types d’ECU, n’est-ce pas, puis leur donner un sens en temps quasi réel pour offrir cette expérience personnalisée, voire une maintenance prédictive qui permet de détecter l’usure de vos plaquettes de frein et la nécessité de les remplacer, avant d’envoyer l’information au concessionnaire ?

Et ensuite, tu vas chez le concessionnaire. Le concessionnaire te dit : « Non, ce n'est pas un problème. On va régler ça. » Pas vrai ?

Tout cela fait donc partie d'une chaîne de valeur globale. Je pense que AI peut apporter une solution. Pas seulement, comme vous l'avez dit, sous la forme d'un système d'infodivertissement sophistiqué. Bien sûr.

Par exemple, j’ai travaillé sur le SDK Alexa dès son lancement pour les appareils embarqués. Et je m’en souviens encore : on a repensé le concept avec NXP et on a montré aux clients comment l’intégrer, n’est-ce pas ? Alexa, tout ça. Donc, tout ce qu’on faisait depuis si longtemps dans le domaine de l’infodivertissement, et le machine learning existait depuis si longtemps, mais il y a tellement plus à faire avec l’ AI e de notre époque, comme vous le dites, parce que c’est la prochaine étape de l’évolution, et c’est partout.

C'est pour ça que je suis tellement contente que tu aies dit ça.

Et ce dernier point nous amène tout naturellement à la dernière remarque que nous souhaitons faire aujourd’hui : nous sommes ravis que Sonatus vienne de lancer notre tout nouveau produit AI , baptisé « Sonatus AI Director ». Et je pense que, dans la continuité de ce dont nous parlions il y a un instant à propos du « AI technician », nous constatons qu’aujourd’hui, l’ AI a tendance à se concentrer, de manière générale, sur les systèmes ADAS ou, bien sûr, dans certains cas, sur les chatbots intégrés au système IVI pour répondre à des questions telles que « Où se trouve le Starbucks le plus proche ? » ou « Vais-je rencontrer des embouteillages sur le chemin du retour ? ». Oui. Mais en réalité, cela ne représente qu’une infime partie de l’infrastructure du véhicule. Ce n’est qu’une infime partie des sous-systèmes du véhicule.

Nous avons donc pris conscience qu'il existait un énorme potentiel inexploité dans l'utilisation de l'AI ion au sein d'un plus grand nombre de sous-systèmes automobiles, pour toute une série d'applications : amélioration des diagnostics, optimisation de la maintenance préventive, optimisation, gains d'efficacité, réglages au fil du temps, etc. C’est donc ce qu’a fait le directeur d’ AI – et, à ce propos, AWS est l’un de nos partenaires de lancement, et nous sommes donc ravis de vous compter parmi nous pour nous aider à lancer cette initiative – : montrer comment nous pouvons fournir une infrastructure permettant d’accélérer le déploiement d’ AI s dans le véhicule, et non dans le cloud. Le cloud est important. Le cloud le restera toujours.

Oui. Mais il existe certaines applications qui doivent être exécutées localement, que ce soit pour des raisons de latence, parce que le volume de données à envoyer vers le cloud est trop important, ou encore pour des raisons de confidentialité ou de protection de la propriété intellectuelle. Comment pouvons-nous, lorsque cela s’avère pertinent, rapprocher ces modèles du véhicule, afin qu’ils fonctionnent au sein de son infrastructure et permettent de résoudre des problèmes, de réduire les coûts et d’améliorer l’efficacité ?

Nous étions donc ravis de lancer ce projet récemment et très heureux de vous compter parmi nous. Cela fait déjà un certain temps que vous vous penchez sur ce genre de problème. Pensez-vous qu’il s’agisse d’un réel besoin dans le secteur ?

Oui, tout à fait, car, tu sais, les données restent le facteur qui fait la différence.

Parce qu’on n’arrête pas de parler d’ AI, mais, excusez mon langage, si les données ne sont pas de bonne qualité, on obtiendra forcément des résultats médiocres. Et c’est ce que je crois sincèrement. Vous voyez ce que je veux dire ? On doit continuer à se concentrer sans relâche sur la qualité des données, la gouvernance des données, comme vous l’avez mentionné, ainsi que sur toutes ces différentes optimisations.

Et ensuite, votre AI — qu’il s’agisse d’une solution basée sur un LLM AI ou d’une solution basée sur des agents AI — vous permettra de générer ce retour sur investissement. Si vous pensez simplement qu’il vous suffit d’adopter ce LLM, qui a été entraîné sur des données issues d’Internet, pour qu’il fasse des miracles pour votre entreprise, ce ne sera pas le cas. Je veux dire, c’est la réalité.

Et c'est justement là que résident bon nombre des solutions que, vous savez, vous êtes en train de mettre au point en tant que pionniers ; je pense que cela serait, vous savez, extrêmement utile pour les clients.

Oui. Je vous en remercie. Et l’une des choses qui nous est venue à l’esprit, que nous avons vérifiée et qui reste d’actualité, c’est qu’il existe une multitude d’expertises sectorielles. Il y a énormément de connaissances et de savoir-faire dans les domaines des batteries, de la propulsion, de la sécurité, des pneus, etc.

Ce type d’expertise existe bel et bien. Mais le défi aujourd’hui réside dans le fait que les équipementiers doivent intégrer chacun de ces modèles individuellement, ce qui engendre des coûts d’intégration élevés. Comment pourrions-nous mettre en place une infrastructure commune leur permettant de tirer parti de l’innovation de ces experts du secteur, d’une manière qui leur offre une grande évolutivité ? C’est précisément ce que nous nous efforçons de faire. Et jusqu’à présent, cette initiative a reçu un accueil très, très positif.

Oui, et c'est incroyable, parce que même si l'on pense à ces équipementiers multimodaux, n'est-ce pas ? En réalité, ils apportent beaucoup de connaissances, même s'il s'agit encore de données internes. Mais de plus en plus, ces données sont utilisées par différents secteurs d'activité. Et c'est un peu comme il y a dix ans, quand j'avais constaté que de nombreux clients contribuaient à ce qu'on appelle l'échange de données.

Cela signifie qu’ils disposent de données de haute qualité – issues par exemple du secteur financier, de la santé ou de l’automobile – et qu’ils les partagent soit sous licence open source, soit dans le cadre d’un modèle commercial, quelle que soit la formule choisie. Ces données peuvent ensuite être exploitées par divers autres secteurs d’activité. Je pense que la même chose se produira probablement dans ce domaine également. Et lorsque cela se produira, les grands modèles de langage (LLM) seront extrêmement puissants.

Vous vous servez de cela comme d'un outil de réflexion et vous mettez en œuvre toutes ces bonnes pratiques. Comme vous l'avez dit, l'angoisse liée à l'autonomie des véhicules électriques reste un problème majeur, même aujourd'hui.

D'accord.

J'ai discuté avec de nombreuses personnes, y compris des équipementiers, et ils évoquent tous le même problème. Il y a notamment l'angoisse liée à l'autonomie des véhicules électriques : que pouvons-nous faire ? Or, cela ne pourra pas être optimisé tant qu'on ne disposera pas de ce véritable « volant d'inertie » de données, qui consiste à collecter les données provenant des pneus et des différents calculateurs, puis à les consolider pour mettre en place une maintenance prédictive ou préventive, voire optimiser l'autonomie.

Ça a l’air plus simple, mais ce n’est pas le cas, car on intègre également énormément de fonctionnalités dans la voiture. Par exemple, mon enfant veut regarder Netflix pendant un long trajet. N’est-ce pas ? Et si vous prélevez autant d’énergie de la batterie tout en espérant conserver une autonomie de cinq cents miles, ça ne marchera pas. Alors, comment optimiser tout ça ? La réponse, ce sont les données, mais aussi l’ AI , et le fait d’apprendre en continu, d’affiner son modèle, qu’il s’agisse d’un modèle traditionnel ou d’un grand modèle linguistique. N’est-ce pas ?

Et voilà, c'est ça le MLOps que, vous savez, vous pouvez mettre en œuvre.

Exactement. Et vous avez évoqué l'angoisse liée à l'autonomie. L'une des causes de ce phénomène réside également dans la batterie. La technologie des batteries automobiles évolue très rapidement.

L'un de nos partenaires de lancement est Qnovo, une entreprise leader dans le domaine des systèmes de gestion de batteries et de l'état de santé des batteries. Mhmm. Et nous avons été ravis de les compter parmi nos partenaires pour ce lancement.

Ce qu’ils recherchent, c’est une innovation incroyable pour détecter les défaillances des batteries, trouver des moyens de les recharger plus rapidement, etc., mais il faut disposer des données nécessaires. Il faut disposer du modèle. L’une des choses que nous faisons avec eux consiste donc à les aider à utiliser cette même infrastructure pour mettre en place ce modèle. C’est un sous-système auquel on n’aurait pas pensé, mais qui peut tirer parti de la même infrastructure.

Exactement.

Et puis, l’autre point que vous avez soulevé, et qui me semble vraiment important, c’est qu’en tant que secteur et en tant que technologues, notre mission consiste toujours à anticiper l’avenir. Et parfois, anticiper l’avenir, c’est savoir qu’il y aura à l’avenir des choses que l’on ne connaît pas encore.

Ouais.

Alors, comment mettre en place le cadre nécessaire pour pouvoir tirer parti de la prochaine innovation lorsqu'elle verra le jour ?

Vous pouvez en tirer parti. Car trop souvent, avec de nombreuses technologies, mais certainement avec les véhicules depuis toujours, on les conçoit en se disant : « C’est une voiture, elle roule, et c’est tout ce dont j’ai besoin. » Mais ensuite, un événement imprévu survient, et votre véhicule devient obsolète, perd de sa compétitivité sur le marché ou voit sa valeur de revente baisser. Comment mettre en place la capacité de faire évoluer les véhicules au fil du temps pour optimiser leur autonomie, proposer de nouveaux services ou intégrer de nouvelles technologies de sécurité après leur mise sur le marché ? C’est l’un des avantages de l’évolutivité que nous essayons d’apporter, et nous pensons qu’il existe un besoin énorme dans le secteur.

Ouais, ouais, tout à fait. Et c’est là que, tu sais, je continue de croire que, tu sais, la puissance du cloud va jouer un rôle essentiel. Pas vrai ?

Je n'ai pas travaillé directement sur certaines de ces initiatives, mais mes collègues l'ont fait, comme pour l'ECU virtuel sur le cloud. N'est-ce pas ? Vous y avez intégré tout ce matériel NVIDIA que vous utilisiez sans doute déjà sur la voiture. Comment faites-vous pour les faire fonctionner sur le cloud et réaliser toutes ces simulations ?

Et surtout si vous optez pour cette architecture EE où les calculateurs sont regroupés, la voiture est connectée au cloud. Vous effectuez alors des simulations de bout en bout sur l’ensemble de ce système. Et au final, vous vous demandez : « Qu’est-ce qui est pertinent à ce stade ? » Parce qu’une voiture, c’est une tout autre histoire.

Ce n'est pas comme un casque audio, qui est un casque « intelligent ». N'est-ce pas ? Vous voyez, je ne veux pas prêcher à des convertis. C'est un peu comme les systèmes critiques pour la sécurité, où il faut prendre des mesures déterministes.

Les airbags se déploient. Vous devez agir immédiatement. Ce produit ne ressemble à aucun autre produit connecté. C'est le produit le plus complexe qui existe.

Je pense donc, comme vous l’avez dit, qu’il s’agit d’un apprentissage continu. Nous allons accélérer notre transition vers le cloud, puis nouer des partenariats dans le domaine de l’edge computing, mais nous avons besoin de toutes ces données. Et puis, l’apprentissage automatique et les équipementiers ont besoin de toutes ces données. Nous avons besoin de tous ces MLOps. Nous avons besoin de toutes les bonnes pratiques en matière de cycle de vie du développement logiciel (SDLC). Cela ne changera pas. Ce sont simplement les outils qui évoluent.

Et il faut utiliser l'outil adapté à chaque tâche.

« C'est un résumé parfait », as-tu dit, « car même si nous avons parlé tout à l'heure de l'edge computing embarqué, ce qu'il faut retenir, c'est qu'il faut en réalité tous ces éléments. » Exactement. Il faut un cloud performant. Il faut des données fiables.

Il vous faut des services performants. Exactement. Et il vous faut des données à bord du véhicule, et ces deux éléments doivent fonctionner en étroite collaboration. Et c'est vraiment ça, l'essentiel.

Et c'est pour ça que nous travaillons en partenariat avec vous. Oui.

Ouais.

Et c’est pour cela que nous sommes ravis de vous avoir parmi nous. Nous aussi. C’est un vrai plaisir d’aborder ce sujet, et c’est passionnant de parler plus en détail de « AI ». Nous reviendrons sur « AI » dans les prochains épisodes. Mais merci pour cette véritable master class sur toutes ces technologies.

Merci de m'avoir invitée. J'apprécie vraiment, John. J'ai pris beaucoup de plaisir à discuter avec toi.

Si cet épisode vous plaît, n'hésitez pas à le « liker » et à vous abonner pour découvrir d'autres vidéos du même genre. Nous vous remercions de nous avoir suivis et espérons vous retrouver très bientôt dans un prochain épisode.