L’informatique ubiquitaire constitue la 3e vague de l’informatique et est à l’origine de nombreuses innovations. Curieusement, en Europe, on parle d’intelligence ambiante pour désigner l’omniprésence du numérique. Elle succède à l’ère des mainframes auxquels nous nous connections à plusieurs et à celle des dispositifs personnels et connectés (portables, tablettes et mobiles) que nous utilisons en situation de mobilité.
Pourquoi cela ? Parce que les technologies qui envahissent notre quotidien se font de plus en plus invisibles. Ainsi, Mark D. Weiser, le père de l’informatique ubiquitaire, disait : « Les technologies les plus profondes sont celles qui disparaissent. Elles se fondent dans la trame de la vie quotidienne jusqu’à en devenir indiscernables ». Il en va de même pour l’intelligence ambiante.
Les 4 composantes de l’intelligence ambiante
Sans l’une de ces 4 composantes, il n’y aurait pas d’intelligence ambiante. Il s’agit de :
L’ubiquité
Elle offre la capacité d’interagir n’importe où avec un réseau dense d’appareils interconnectés, de capteurs, d’activateurs et plus globalement de systèmes enfouis
La contextualisation
Elle permet aux systèmes de sentir les objets, les appareils et les personnes avec lesquels le système doit interagir. Pour ce faire, elle s’appuie sur les 5 sens pour apporter un contexte d’usage
L’interaction naturelle
Nous interagissons avec le monde qui nous entoure de la même façon que l’on interagirait avec d’autres humains
L’intelligence (ou Machine Learning)
Elle permet d’analyser en permanence le contexte et de s’adapter dynamiquement aux situations et au comportement des utilisateurs. Cela nécessite de stocker les informations recueillies et de les modéliser (Big Data) et aussi de doter le système d’intelligence machine pour les interpréter.
Machine Learning, de quoi s’agit-il ?
Parmi ces 4 composantes, le Machine Learning est vraiment remarquable. C’est un champ de l’intelligence artificielle qui se focalise sur le développement de méthodes automatisables. Ainsi, elles vont permettre à une machine d’évoluer grâce à un processus d’apprentissage statistique résultant d’une ingestion permanente de données. C’est pourquoi on peut dire que les machines vont apprendre grâce aux données et s’améliorer avec l’expérience. D’ailleurs, nous les humains le faisons tous les jours sans même nous en rendre compte…
D’ores et déjà, de multiples cas d’usages existent : recommandations d’achat pour le commerce en ligne, recueil d’avis des consommateurs sans recourir à un panel. On peut citer également la maintenance préventive et même prédictive pour changer une pièce avant sa panne ou la prévision d’un désabonnement client…
Pour autant, il est probable que de nombreux autres scénarios innovants verront le jour. De ce fait, ils transformeront les approches commerciales et marketing actuelles des entreprises et chambouleront les modèles d’affaires existants.
Quelques exemples concrets d’intelligence ambiante
Connaissez-vous Cortana ?
Il s’agit d’une application disponible sur Windows Phone qui agit comme un assistant personnel pour la gestion de votre quotidien. Elle apprend progressivement de vous, des différentes personnes qui l’utilisent et de votre environnement. Elle est capable de gérer :
- La reconnaissance automatique de la parole
- Un traitement naturel et sémantique du langage
- La modélisation du dialogue homme/machine
- Et la génération de langage spontané.
Les voitures connectées
En se connectant sur le bus scan des véhicules, le constructeur peut remonter des données techniques anonymisées. Ensuite, elles vont être agrégées sur une plate-forme distante et analysées. On en tirera une meilleure compréhension de l’usage qui est fait de ces véhicules pour en améliorer les performances.
En confrontant ces données à d’autres sources d’information (météo, trafic, style de conduite ou niveau de stress du conducteur), le constructeur sera en capacité de produire un métamodèle. Il servira, par exemple, à prédire la consommation d’essence annuelle. De même, il permettra de comparer un style de conduite à celui d’une communauté d’utilisateurs. Au final, l’objectif visé est de l’améliorer grâce à un écogaming dans le but de diminuer le coût du carburant.
Nouvelles propositions de valeur
Ainsi, cette nouvelle approche augmente la proposition de valeur faite au consommateur. Désormais, ce n’est plus l’acquisition d’un produit qui est importante. Ce sont les nouvelles capacités et avantages qu’il tire de la transformation des données produites par le produit qu’il utilise grâce au Machine Learning et à ses algorithmes sophistiqués.
Les industriels tirent des résultats issus du numérique. Il s’agit d’une amélioration conséquente des performances de leurs produits et la génération de revenus supplémentaires. Pourtant, au-delà du business, le potentiel sociétal est énorme. Il permet de relever certains défis auxquels nous sommes confrontés. On peut citer : l’optimisation de la consommation énergétique, une meilleure qualité de vie en ville. Il peut s’agir également du maintien à domicile des personnes âgées, de la surveillance de patients critiques en temps réel, de l’agriculture connectée pour répondre au changement climatique…
Intelligence ambiante et protection de la vie privée
En dépit de ces annonces idylliques, il convient de citer la récente étude du Conseil d’Etat intitulée « Le numérique et les droits fondamentaux ». Elle s’interroge sur les prédictions résultant des algorithmes utilisés par le Machine Learning.
En effet, ces algorithmes utilisent l’analyse en composantes principales inventée en 1901 par Karl Pearson. Celle-ci permet de réduire le nombre très important des variables d’une matrice à une centaine seulement. Ainsi, on est à même de construire un modèle qui permette de faire des prédictions avec un taux de réussite très significatif.
Or, les utilisateurs ne sont pas conscients de la capacité du Machine Learning à déduire leurs caractéristiques personnelles à partir de leurs traces numériques. Alors, comment seront-ils en mesure de protéger leur vie privée ? Ces craintes sont légitimes, d’autant que les organisations détentrices de ces informations les utilisent à des fins commerciales et qu’elles ne se les font parfois pirater.
Une question d’éthique sur l’utilisation des données doit impérativement être introduite. En effet, ces organisations sont responsables des données qu’elles recueillent. De ce fait, elles doivent faire l’objet d’une régulation. Cela ne signifie pas l’interdiction de pratiquer le Machine Learning avec ces données. Cependant, cela introduit la nécessité de donner la capacité aux utilisateurs de contrôler en toute transparence l’usage qui en est fait.
Le numérique connaît un succès extraordinaire. De fait, il est omniprésent dans nos vies, à la fois de plus en plus proche de nous et de plus en plus invisible. L’intelligence ambiante est en cours de construction. Le Cloud, le Machine Learning, le Big Data en constituent quelques-unes des briques en train de se mettre en place. Il est donc essentiel de ne pas se lancer tête baissée dans la technologie sans en mesurer les impacts négatifs sur notre vie privée. Ainsi, il importe qu’un véritable débat citoyen autour de l’éthique sur l’utilisation des données s’instaure. Sachons donc tirer parti de ce formidable potentiel qui nous est offert dans le respect et la protection de nos données personnelles.