Big Data & AI Paris 2024

• Une ouverture politique : la secrétaire d'État chargée de l'IA et du Numérique ouvre le salon (communiqué RX).
• Le risque de fracture : le numérique a laissé des personnes de côté, l'IA ira plus vite encore ; elle invite chaque entreprise à se demander « comment est-ce que l'on peut mettre ces technologies à disposition de toutes et tous » (extrait diffusé par La Machine Pensante).
• Le retard d'adoption : elle cite le rapport Draghi et des rapports « unanimes » sur le retard français en matière d'adoption, et donne rendez-vous au sommet IA des 10 et 11 février 2025.
• Message de compétitivité retenu par l'organisateur : « Nous sommes premiers en Europe lorsqu'il s'agit d'investissements dans le secteur de l'IA ».
• La Machine Pensante relie ce discours aux initiatives publiques (Albert, Kyutai, clusters IA) pour illustrer la volonté de « rattraper le retard ».

• Keynote Leaders Talks juste après l'ouverture, par le CEO du laboratoire de recherche ouvert Kyutai (programme).
• Aucun retour détaillé trouvé ; La Machine Pensante cite seulement Kyutai, « laboratoire open source dédié à la recherche », parmi les signes que la France cherche à rattraper son retard.

• Le descriptif annonce quatre questions : « intelligence artificielle ou bêtise réelle ? », comment gérer l'effet rebond de l'IA, le kWh le moins impactant est-il celui qu'on ne consomme pas, et le « techno-discernement » (programme).
• Le Groupe Bouygues figure dans la liste « IA responsable » du bilan officiel ; aucun retour de participant n'a été trouvé sur le contenu.

• Ni centralisation ni décentralisation : la centralisation répondait à une logique technique (un lieu unique, sécurisé) ; pour être data driven, « il faut redonner à la main du métier le ownership de la donnée, de sa qualité et même de son exposition » (speaker).
• La décentralisation gouvernée : autonomie des métiers dans un cadre fixé par le Data Office, qui accompagne, acculture et fournit frameworks et outillage.
• Un responsable par domaine : AXA France a nommé à la tête de chaque domaine data un N-1 du Comex, chargé d'acculturer, de veiller à la qualité et à la documentation.
• Le programme ajoute les briques : catalogue de données, architecture en produits de données, marketplace d'accès.
• Session citée dans le volet « Data gouvernance » du bilan officiel.

• Retour d'expérience au format interview : la Région déploie des IA génératives sur l'infrastructure d'Orange Business avec le LLM Alfred de LightOn, en mettant confiance et souveraineté au cœur du dispositif (programme).
• Cas d'usage, méthodologie, technologie et architecture annoncés ; aucun retour de participant trouvé sur le contenu.

• Chatbot génératif développé en interne, disponible 24/7, pour l'autonomie des clients et la décharge du service client (programme).
• Le descriptif met l'accent sur le processus de gestion de la base de connaissance et l'évaluation continue, puis sur les défis de mise en production.
• Session duo data science et service client ; citée au volet « IA générative » du bilan officiel, sans retour détaillé trouvé.

• Retour d'expérience du Chief Data Officer de Club Med sur un chatbot interne à base de LLM (programme).
• Cité au volet « IA générative » du bilan officiel ; aucun contenu détaillé trouvé.

• Keynote d'ouverture du second jour (programme).
• Pas de retour direct trouvé ; l'idée que la qualité des données conditionne la performance des modèles est l'un des neuf thèmes retenus par La Machine Pensante et revient chez plusieurs speakers (Bouygues Telecom, Starburst), sans attribution explicite à cette keynote.

• La fiabilité avant tout : l'IA générative traite la masse documentaire juridique, mais « il faut pas qu'on se demande s'il y a des problèmes au niveau de la fiabilité » (interview).
• Un RAG spécialisé droit : combinaison de recherche lexicale, booléenne et sémantique (fragments vectorisés), croisée avec les référentiels maison.
• Une vingtaine de sondes mesurent la pertinence en continu, leurs indicateurs étant revus par des humains.
• Contenu issu d'une interview sur le plateau d'IT for Business, pas de la keynote elle-même.

• Protéger la donnée dès l'entraînement : le modèle « c'est une représentation de la data » ; on peut obfusquer des parties des données pendant l'entraînement sans dégrader les prédictions (Mardas, speaker).
• L'open source comme garantie démocratique : savoir ce que le code fait de nos données, pouvoir le modifier et l'héberger où l'on veut ; Mardas plaide pour que les États continuent de le subventionner.
• Désinformation et deepfakes : plus de 4 milliards d'électeurs en 2024 ; l'exemple d'une élection en Slovaquie influencée par un faux enregistrement audio (Taboy, speaker). La Machine Pensante reprend le même exemple et fait de la désinformation son sujet « primordial ».
• Le triptyque de Taboy : acculturation (comprendre le moteur), formation continue liée au métier, et réseaux d'entraide entre pairs, pilier selon lui souvent oublié. Citation de Dominique Cardon : « s'il est important d'apprendre à coder, il est essentiel de savoir décoder ».
• Les propos de Gabriela Ramos et Christiane Féral-Schuhl ne sont documentés nulle part dans le corpus.

• Une centaine d'agents par grande entreprise d'ici cinq ans : premier message de la keynote, résumé par le speaker juste après (Parlez-moi d'IA).
• Le risque du chacun pour soi : si chaque division fabrique ses agents dans son coin, cela devient vite un problème de gestion du risque et d'efficacité, un nouveau « parc informatique » à gérer.
• Les briques à centraliser : catalogues d'agents et d'outils, sécurité des entrées et sorties, suivi des coûts LLM, mesure de la pertinence et des erreurs, pour les applications internes comme externes.
• Multi-modèles par principe : Dataiku ne fabrique pas de modèle ; l'enjeu client est de passer vite à la dernière version, car « le passé à notre époque c'était il y a 3 semaines ».
• Le descriptif officiel parle d'une refonte de l'approche informatique : modèles, bases de connaissances et catalogues d'outils remplacent bases de données et API, la qualité doit intégrer la nature probabiliste des systèmes (programme).

• Les deux faces annoncées par le speaker : l'extrême montée en charge de la consommation de l'IA, au point que le gouvernement fédéral américain envisage de légiférer, et les pistes méconnues de décarbonation, restauration des écosystèmes et biodiversité permises par l'IA (Parlez-moi d'IA).
• Appui sur son livre Green IA, fruit de deux ans de repérage surtout aux États-Unis, en Israël et en Chine ; il juge l'écosystème français bien placé grâce à une sensibilité au carbone plus forte qu'aux États-Unis.
• La Machine Pensante fait de « l'IA et l'environnement » son premier thème de l'édition (coût de l'inférence, optimisation des data centers, exemples de Google, Amazon, Microsoft, IBM), sans préciser quelles sessions l'ont nourri.
• Seule intervention citée nommément au volet « transition écologique » du bilan officiel.

• Démarche du programme Data & AI d'Heineken France : avancer sur les fondamentaux (gouvernance, rôles, qualité, connaissance de la donnée, acculturation) tout en livrant vite des résultats visibles pour embarquer les métiers (programme).
• Outillage cité : gouvernance, lineage, qualité, data marketplace. Session citée au volet « Data gouvernance » du bilan ; aucun retour détaillé.

• Contre l'effet « cerise sur le gâteau » : ajouter la data science à la fin d'un produit logiciel mène à développer et explorer en même temps, deux approches « peu compatibles » (interview).
• Trois risques évités : valeur business absente, infaisabilité de la solution, donnée indisponible.
• La « databilité » couvre la gestion d'équipe, la qualité de la donnée, les bonnes pratiques et une nouvelle façon de mener la data science, de l'exploration à l'industrialisation (programme et interview).

• Experts Session du Chief Data Officer de Docaposte sur la construction d'un modèle génératif souverain à coût maîtrisé (programme).
• Citée au volet « IA générative » du bilan officiel ; aucun contenu détaillé trouvé.

• Trois niveaux d'usage de l'IA générative décrits en interview :
  • individuel : Copilot en self-service au poste de travail, dans un espace sécurisé où les données ne sortent pas de l'univers Covéa ;
  • collectif : des RAG sur des bases documentaires d'équipe ;
  • dans le SI : des briques d'IA dans les processus et parcours pour automatiser des processus d'assurance.
• Le contenu spécifique aux retours clients n'est documenté que par le titre du programme.

• Un centre créé de toutes pièces : le Centre national de commandement stratégique, voulu par le ministère de l'Intérieur pour piloter les JOP, avec une plateforme d'hypervision conçue avec Suadeo et la DTNum (interview).
• Quatre applicatifs : main courante, points de situation en temps réel, saisie de formulaires « dites-le nous une fois », espaces de travail collaboratifs cartographiques.
• L'expérience utilisateur d'abord : plus de 1 500 agents formés, fort turnover, armement 24/7 de mai à mi-septembre ; une première version testée pendant la Coupe du monde de rugby 2023.
• La « guerre du temps réputationnel » : faire remonter au ministre un signal 10 à 15 minutes avant qu'il n'apparaisse dans les médias (Deshayes).
• Côté technique : data mesh, Kubernetes homologué Diffusion Restreinte, itérations agiles de 12 semaines avec sponsors de haut niveau (Bonamigo).
• Premier défi selon le colonel : faire utiliser les mêmes outils à tous les ministères, une première, qui a changé leur manière de collaborer.

• Trois générations d'IA générative : rédaction (e-mails, copywriting), puis RAG sur des bases documentaires, puis agents qui orchestrent des workflows complexes à plus forte valeur (Poli, speaker).
• Un copilote pour tous les employés, pas seulement pour les développeurs, via la plateforme Paradigm de LightOn.
• Le contexte de l'utilisateur oriente l'agent : le workflow généré diffère selon qu'on est au marketing ou au développement.
• Exemples donnés en interview : comparer le scan d'une carte d'identité à la base clients, analyser un cours boursier ; interface réduite à une boîte de dialogue, l'agent choisissant ses outils.

• La data comme relais de croissance : le modèle traditionnel des centres commerciaux, très porteur pendant des décennies, ne suffit plus face à l'e-commerce et après le Covid ; le top management « cherche la croissance via la data » (interview).
• La culture data se diffuse alors « de manière très naturelle », parce qu'elle devient source de revenus.
• Le volet computer vision et prédiction n'est documenté que par les étiquettes du programme (computer vision, privacy, analyse de données).

• Le descriptif relie l'essor des modèles légers à la réglementation européenne (Data Act, AI Act) et aux limites d'accès à certaines données : « le gigantisme et la force brute ne sont plus toujours la meilleure solution » (programme).
• La Machine Pensante retient le thème « petits modèles contre gros modèles généralistes » (coût, énergie, facilité de fine-tuning) comme l'un des neuf sujets de l'édition, sans l'attribuer à une session précise.

• Le récap IT for Business présente l'IA comme un danger pour le SI mais aussi comme une défense, utilisée à toutes les étapes du cycle de cybersécurité : identification des menaces par traitement du langage, protection par labellisation des données, détection d'anomalies par machine learning, remédiation par apprentissage continu.
• Le lien entre ce segment et la session de Thales est une déduction (thème et format identiques), pas une attribution explicite de la vidéo.

• Interroger les bases en langage naturel sans connaître SQL : « c'est un peu comme on parle à ChatGPT, sauf qu'au lieu de répondre en français il répond avec des calculs et des chiffres » (Lautré, speaker).
• Premier message : la qualité de la donnée, « on l'a dit dans beaucoup de conférences et on va le redire ».
• Ne pas faire un outil multifonction : découper les étapes pour être certain du résultat de chacune.
• Beaucoup de tests et d'échecs avant d'aboutir, construit en interne par les data scientists ; les modèles évoluent si vite que ce qui marchait mal avec GPT-3.5 marche bien mieux avec GPT-4.

Ce qui est dit dans la vidéo (session republiée par l'exposant, sans public audible) :

• 50 cas d'usage classés selon 10 critères (type, consommateur, multimodalité, données personnelles, équivalent ML possible, open source envisageable, type de gain, automatisation, fine-tuning, contrainte de format), en France et en Europe, tous secteurs.
• 70 % de RAG et de génération, pour un consommateur humain dans 70 % des cas ; quasiment tout est texte vers texte ; 90 % sans données personnelles.
• Plus de 80 % des cas n'auraient pas été raisonnablement faisables en machine learning classique : une différence « qualitative », pas seulement quantitative.
• Plus de 70 % sur des modèles fermés, donc optimisables en coût (prompts plus courts, modèles plus petits) ; peu de fine-tuning nécessaire.
• 45 % exigent une sortie formatée (JSON, CSV) d'un système qui ne garantit pas son format.
• Pronostic prudent : bascule vers l'extraction et l'enrichissement consommés par d'autres composants, dont le gisement est bien plus grand que celui des chatbots.