Rechercher un rapport, une publication, un expert...
L'Institut Montaigne propose une plateforme d'Expressions consacrée au débat et à l’actualité. Il offre un espace de décryptages et de dialogues pour valoriser le débat contradictoire et l'émergence de voix nouvelles.
31/01/2018

Renforcer l’économie française par l’innovation digitale

Renforcer l’économie française par l’innovation digitale
 Eric Chaney
Auteur
Expert Associé - Économie

L’innovation digitale dépend largement des développements de l’intelligence artificielle. Il est donc essentiel que la recherche, l’éducation et les entreprises en France s’adaptent à cette réalité pour renforcer l’économie du pays et lui permettre de tenir tête aux géants américains. Eric Chaney, conseiller économique à l’Institut Montaigne, a identifié à l’occasion de son intervention aux “Rendez-vous de Bercy” les leviers à enclencher pour faire de la France un leader en intelligence artificielle, et donc en innovation. 

1. L’innovation a beaucoup de faces ; l’intelligence artificielle est au cœur de la plupart

Le flot actuel d’innovations technologiques et scientifiques recouvre un spectre très large : science des matériaux à haut débit, génomique unicellulaire, stimulée par des techniques d’édition d’ADN à bon marché, détection des maladies, nouveaux médicaments, science informatique, économie et finance comportementale, marketing, stratégie des entreprises… Pourtant, l’intelligence artificielle (IA) pénètre de plus en plus de domaines, et plus précisément le Deep Machine Learning (DML), comme levier d’accélération de la recherche et du développement, et, pour les entreprises, pour gagner des parts de marché tout en réduisant les coûts. Ainsi, il paraît judicieux de concentrer nos efforts sur l’intelligence artificielle afin de traiter l’ensemble des innovations numériques actuelles.

2. Dompter les géants américains : une ambition louable mais qui ne modifiera pas le paysage concurrentiel

Les grandes entreprises technologiques comme Google, Facebook ou Amazon ont déjà investi de vastes ressources humaines et financières dans les développements du DML, comme le souligne l’acquisition de DeepMind par Google en 2014. Elles poursuivront dans cette voie dans le futur prévisible. L’Europe doit-elle faire émerger ses propres grandes entreprises de technologie, et donc bousculer le marché de ces grandes firmes américaines devenues des quasi-monopoles dans certains secteurs ? 

Les autorités de concurrence de l’Union européenne avancent dans cette direction en luttant pour que ces entreprises respectent leurs obligations fiscales ou en leur imposant des règles plus strictes concernant la protection des données privées. Or, si l’application effective des lois et règles fiscales nationales et européennes, tout comme les règles de concurrence est nécessaire - bien que les géants de la technologie soient bien rodés dans l’art de l’optimisation fiscale - il est peu probable que cela change significativement le paysage concurrentiel. En effet, le carburant qui alimente la plupart des algorithmes de DML est constitué de données, dont les géants technologiques regorgent et qu’ils accumulent plus rapidement que tous leurs concurrents grâce à leur part de marché.

Barrer l’accès aux consommateurs et entreprises européens, comme le fait déjà la Chine pour les siens, permettant ainsi à ses entreprises à la pointe de l’intelligence artificielle (Baidu, Tencent) de s’épanouir, tout en les rendant moins aptes à pénétrer les marchés occidentaux, n’est évidemment pas une option pour une Union européenne ouverte et qui doit le rester. Heureusement, le futur n’est pas verrouillé : comme l’Histoire l’a montré à de nombreuses reprises, la porte est grande ouverte à de futures innovations disruptives. De plus, les barrières à l’entrée sur les marchés sont probablement plus faibles qu’on ne le pense, comme des chercheurs de l’OCDE l’ont documenté dans une étude récente : “des produits qui ne sont que marginalement supérieurs aux autres peuvent s’emparer de tout le marché, rendant ainsi les parts de marché instables”. Les Européens doivent donc s’interroger : que faire pour favoriser une innovation numérique indigène fondée sur un usage intensif de l’intelligence artificielle ?

3. L’intelligence artificielle : utilisateur ou leader ? Tout commence à l’école

A ce stade, seule l’IA au sens étroit du terme (qui recouvre un champ limité de connaissances, aussi immense et complexe soit-il) est accessible ou anticipée - nous sommes encore bien loin, voire même à des années lumières de l’IA générale. Les applications enrichies par l’intelligence artificielle ont commencé à se répandre sur le marché et vont continuer à se propager dans les années à venir. Des milliards d’utilisateurs potentiels les attendent, consciemment ou non. La question essentielle est la suivante : devons-nous, Européens, nous résigner à être seulement utilisateurs, voire suiveurs de cette dynamique (et dupliquer l’innovation en l’adaptant aux caractéristiques locales) ou devrions-nous à l’inverse tenter de rejoindre le peloton de tête ?

Il serait bien imprudent de prédire aujourd’hui ce que nous devons enseigner à nos étudiants pour qu’ils deviennent plus tard chefs de file dans ce domaine. Notre stratégie devrait donc se concentrer sur le renforcement de l’éducation scientifique de base - mathématiques, physique et sciences informatiques - de tous les étudiants, du collège à l’université. Notons qu’une éducation scientifique solide requiert une bonne maîtrise du langage commun, du raisonnement, ainsi que de l’histoire, ce qui montre qu’il y a un pont naturel entre les sciences humaines et les sciences dites exactes. L’enjeu repose sur la formation initiale, mais aussi sur la formation professionnelle. Par exemple, les ingénieurs des générations précédentes, aussi pointus soient-ils, doivent-ils recevoir de nouvelles formations en continu. Selon un point de vue sans doute un peu extrême, seuls ceux qui maîtrisent les savoirs les plus fondamentaux (mathématiques, physique…) auront les capacités requises pour réellement maîtriser les développements de l’IA, leur permettant ainsi de garder la tête hors de l’eau lorsque nos vies et nos marchés seront submergés par ces applications. L'enseignement des sciences, de la technologie et des mathématiques étant, comme le montre le constant déclin des scores français lors des enquêtes PISA, un réel enjeu pour la France, la réponse du pays au défi de l’IA est encore plus urgente, et doit être traité à sa racine (voir le rapport de l’Institut Montaigne pour une stratégie numérique rationalisée dès l’école primaire). Un bon point de départ : comprendre que la science n’est pas faite que de concepts logiques et abstraits et essayer de la voir pour ce qu’elle est vraiment : une aventure belle et enthousiasmante, pour citer le prix Nobel de physique Georges Charpak.

4. Les entreprises au premier rang de la “bataille IA”, car la concurrence les y poussera

Dans le monde des affaires, le développement de l’IA n’est pas uniquement réservé aux happy few, tels que les entreprises high tech ou les meilleurs ingénieurs et dirigeants au sein d’une entreprise. Le développement de l’IA sera un facteur concurrentiel avant tout. Les entreprises assez lucides pour donner à l’ensemble de leur personnel, et dans certains cas, à leurs clients, l’accès à des applications enrichies par l’IA gagneront un avantage compétitif et devanceront leurs concurrentes. Tout au long de l’échelle hiérarchique, du niveau assistant au back office au front office, des départements RH à la direction générale, l’IA fera la différence entre les gagnants et les perdants, car les adopteurs précoces augmenteront leur productivité en faisant croître la valeur créée par chaque employé, contrairement aux retardataires. Les gagnants pourront augmenter leurs prix et donc recruter davantage ou augmenter les rémunérations de leurs employés, attirant ainsi des candidats de haut niveau, tandis que les retardataires n’auront d’autre choix que de réduire leurs coûts en licenciant, et finiront exclus du marché.

Vue sous cet angle, la bataille de l’innovation paraît être une histoire essentiellement micro-économique, dans laquelle les Etats n’ont pas leur mot à dire en dehors de la formation. Est-ce vraiment le cas ?

5. Comment les Etats peuvent -et doivent- aider : concurrence, protection des données, ouverture des données publiques et commande publique

  • Faire respecter la concurrence

Tout d’abord, l’innovation est souvent étouffée par la structure du marché. En effet, les grandes entreprises qui bénéficient déjà d’une part de marché importante, celles qui dominent les secteurs technologiques par exemple, n’ont aucun intérêt à laisser les innovateurs atteindre le marché. Si elles ne peuvent faire autrement, elles préféreront racheter les nouveaux venus plutôt que de tenter de les surpasser. Ce fait est bien connu dans le domaine des brevets, dont le phénomène des chasseurs de brevets est un exemple extrême et inquiétant. Voilà une bonne occasion pour les pouvoirs publics d'intervenir pour garder le terrain de jeu ouvert aux innovateurs, même si cela se fait au détriment de noms bien établis, qui s’empressent toujours de brandir la menace de suppression d’emplois dès lors que leur pré-carré est menacé d’invasion. Nous avons besoin de politiques de concurrence et de de brevets bien conçues, tant à l’échelle nationale qu’européenne.

  • Equilibrer la protection de données et l’accès aux données pour chercheurs et des entreprises

Deuxièmement, nous avons la chance de n’être encore qu’au tout début de l’ère IA. A ce stade, les algorithmes d’IA doivent être testés sur de vastes bases de données avant de pouvoir surpasser les experts humains (voir (7) pour un exemple médical). Pour ce qui est des applications médicales, l’Europe, avec ses systèmes de santé très avancés et qui abondent de dossiers médicaux et de leurs historiques, est assise sur une mine d’or. Une première question se pose alors : comment rendre les données accessibles tant aux chercheurs qu’aux entreprises privées qui développent des algorithmes de détection des maladies, sans pour autant compromettre le caractère privé de ces données ? Il est essentiel d’y répondre. Etant donné que la protection des données privées est un sujet hautement sensible pour les citoyens européens, peut-être d’ailleurs plus que pour leurs homologues américains, la confiance est une condition nécessaire à l’épanouissement de l’innovation liée à l’intelligence artificielle en Europe. Nous avons donc besoin de régulations nationales et européennes fortes et transparentes. En même temps, une protection trop tatillonne, complexe, ou pire, incohérente entre les pays, risque d’entraver l’innovation en intelligence artificielle, au détriment du bien-être des Européens.

  • Faire bon usage des bases de données publiques

Troisièmement, les Etats eux-mêmes possèdent de larges bases de données, au nom de ceux qu’ils gouvernent, individus et institutions. Les dossiers administratifs, qu’ils viennent d’hôpitaux ou d’administrations nationales, sont la plupart du temps numérisés, ou s’apprêtent à le devenir. Puisque de grandes bases de données de bonne qualité sont critiques pour nourrir les algorithmes d’IA, les Etats devraient ouvrir leur accès aux chercheurs et aux entreprises privées, sous licence ou gratuitement (on pourrait soutenir que le haut rendement social de l’investissement dans l’IA pour la détection des maladies justifie cette dernière option), à condition que la protection des données individuelles soit garantie. Les scientifiques ont l’habitude de travailler avec des données anonymisées pour des procédures expérimentales en double aveugle. Il n’y a pas de raison que nous n'utilisions pas ces techniques d’anonymisation, fiables et sécurisées pour l’innovation liée à l’IA.

  • Utiliser les commandes publiques pour encourager l’innovation liée à l’IA 

Quatrièmement, les gouvernements possèdent un outil important qui leur permet d’encourager et de développer l’innovation liée à l’IA : la commande publique. Voici quelques domaines dans lesquels les appels d’offre pourraient aider de nouvelles industries à démarrer :

  1. Les services publics du quotidien. La plupart des services publics requière davantage de travail que de capital. Une part importante des formalités dont se chargent les employés des services publics pourrait être accomplie par des logiciels d’IA, ou du moins renforcée par de tels algorithmes. Comme mentionné précédemment pour le secteur privé, tous les employés, quels que soient leur formation ou leur statut, devraient pouvoir bénéficier de logiciels innovants qui améliorent la qualité de leur travail et leur permettent de se concentrer sur des tâches dans lesquelles ils excellent.

    A cet effet, la bonne question à se poser n’est pas : “Qu’est-ce que les humains peuvent faire que des algorithmes intelligents ne peuvent pas”, puisque la réponse dépendra toujours de l’état d’avancement et du degré de sophistication des algorithmes. Il faudrait plutôt s’interroger : “Qu’est-ce que des algorithmes intelligents peuvent faire que les humains font au quotidien ?

    Pourquoi ne pas demander aux secrétaires / assistants de participer aux jurys de sélection ? Une fois de plus, le renforcement de la productivité ne devrait pas être réservé aux grands experts et aux directeurs. Notons que les administrations feraient ainsi d’une pierre deux coups : réduire in fine les effectifs de la fonction publique et permettre aux fonctionnaires d’être non seulement plus productifs, mais aussi plus fiers de leur travail.
     
  2. Suivi médical de la population. La plupart des pays européens, y compris la France, jouit de réseaux d'hôpitaux publics et privés très performants, ainsi que des médecins et de personnels médicaux, publics ou indépendants, de haut niveau. La détection précoce de certains cancers ou de la dégénérescence maculaire grâce aux algorithmes de l’IA se fait déjà. Par des appels d’offre publics concurrentiels, les états devraient encourager la recherche et l’innovation en rendant l’utilisation de telles applications obligatoires, une fois qu’elles ont été validées par les autorités scientifiques. Cela permettrait en même temps aux futurs contribuables d’économiser beaucoup d’argent grâce à une prévention plus efficace et un traitement précoce de certaines maladies. 
     
  3. Education. Une des tâches les plus importantes et récurrentes des enseignants est la correction des copies de leurs élèves et étudiants. Bien qu’essentielle, elle est aussi consommatrice de temps et plutôt rébarbative, sans compter la correction des évaluations semestrielles ou de fin d’année. Les algorithmes de l’IA pourraient considérablement réduire ce temps dédié à la lecture –au déchiffrage pourrait-on dire-- et ainsi permettre aux enseignants de se concentrer sur ce qui compte vraiment : la valeur de ces copies et ce qu’elles disent de la courbe d’apprentissage de chaque étudiant. Dans certains cas, comme celui des QCMs par exemple, certains logiciels pourraient même superviser la correction des évaluations. 
     
  4. Sécurité publique. Une part croissante des espaces publics est sous vidéosurveillance, qu’elle appartienne aux collectivités locales, aux entreprises de transport public ou à des entreprises privées. Les applications de reconnaissance faciale, un domaine où le DML a produit des résultats remarquables (bien que sujet à erreurs), pourraient être utilisées pour traquer les criminels et les individus dangereux, aidant ainsi les forces de l’ordre à prévenir les crimes et les attaques terroristes.

 

Références

  • ‘The new frontier of genome editing with CRISPR-Cas9’, Jennifer A. Doudna, Science vol. 346, 28 November 2014.
  • ‘Digital Innovation and the Distribution of Income’, Dominique Guellec and Caroline Paunov, NBER Working Paper No. 23987, November 2017
  • ‘What is Consciousness, and could machines have it?’ Stanislas Dehaene, Hakwan Lau, Sid Kouider, Science vol. 358, 27 Octobre 2017
  • ‘Le numérique pour réussir dès l’école primaire’, Rapport de l’Institut Montaigne, mars 2016.
  • ‘Patent Assertion and US Innovation’, Executive Office of the President (President Obama archives)– June 2013
  • ‘Discrimination of Breast Cancer with Microcalcifications on Mammography by Deep Learning’, Jinhua Wang and alii, Nature Scientific Reports, 6, 27327, 7 June 2016.
  • ‘Deep learning approach for diabetic retinopathy screening’, E. Colas, A. Besse, A. Orgogozo, B. Schmauch, N. Meric, E. Besse, Acta Ophtalmologica, Vol.94, Issue S256, October 2016.
Recevez chaque semaine l’actualité de l’Institut Montaigne
Je m'abonne