#6 - Les coulisses de la data et de l’IA dans les médias
Bonjour à tous bienvenue dans ce nouvel épisode du podcast y a pas que la data toujours animé par Pierre Vanier CEO de flint et moi-même Thomas Maymoun machine enginea. Dans les précédents épisodes, nous avons beaucoup échangé sur l'intelligence artificielle et la générative et aujourd'hui on repose dans les fondements même de l'intelligence artificielle avec la data science. Et pour cela, on a le plaisir d'accueillir Mohamed Bedia, Head of data and analytics du groupe M 7, entreprise du secteur de l'audiovisuel et filiale de Canal+. Mohamed partage régulièrement sur ses réseaux sociaux et tente de vulgariser des phénomènes rencontrés tels que le paradoxe de Bergson, mais aussi des axes de réflexion organisationnel comme la maturité analytique des organisations. Mohamed.
Thomas:Bonjour Thomas. Et bienvenue dans ce sixième épisode du podcast, il n'y a pas que la data.
Pierre:Salut, merci Thomas pour l'intro, content d'être avec vous. Salut Mohamed, salut Thomas. Je trouve ça intéressant parce que moi j'ai dû moi-même faire mes recherches pour le paradoxe de Bergson. Quand j'ai vu que Chat GPT me sortait des pages et des pages et des pages, j'ai dit ouh là ok d'accord on va rentrer dans la philosophie et caetera le temps machin. Bon on on en reparlera peut-être mais parce que sinon on va passer dix heures dessus mais bienvenue Mohamed et qu'est-ce que qu'est-ce que déjà m sept vis-à-vis du du groupe du groupe Canal Plus et aussi quel est ton ton rôle finalement ton ton titre ton rôle ton périmètre au sein de M sept.
Mohamed:Donc M Sept ou M Seven comme on l'appelle en interne, c'est on va dire la filiale, la branche de canal plus international qui couvre l'Europe. Aujourd'hui le groupe canal plus est divisé entre canal plus France et canal plus international. Donc m 7 c'est couvre l'ensemble de du territoire quelques pays européens. Donc c'est la branche européenne de Canal+. En ce qui concerne mon rôle, je suis Head of Data Analytics, c'est-à-dire que je lead les équipes data Engineering management, les équipes B I reporting classique et les équipes data science.
Pierre:Ça fait du monde tout ça, tu as une taille de d'équipe, d'équipe avec un s, ça représente combien de personnes tout ça à peu près
Mohamed:Alors en en interne, ça fait treize, après au niveau consultant, on doit être sur à peu près une dizaine, donc à peu près vingt-trois personnes.
Pierre:Ok, cool, cool. Alors du coup, lors de notre premier échange, quand on préparait ce podcast, tu nous parlais d'ailleurs sur ton LinkedIn tu tu tu es assez assez verbeux et et tu publies pas mal de posts très très intéressants Tu me parlais de l'augmentation de de projets d e data engineering, un peu au détriment des projets data science et et pour toi ça ça ça ça peut avoir une une explication ce ce cette baisse de en tout cas cette augmentation des des projets d e ou alors à l'époque il y avait beaucoup de projets data science et caetera.
Mohamed:Alors ça s'explique principalement par le fait que la la les projets data science comportent une dimension incertitude qui fait que quand on lance dans, on se lance dans un projet data science, des fois on ne les deadlines ne sont pas respectées ou des fois on finit par abandonner le projet parce qu'on s'est rendu compte que la data que nous avons n'est peut-être pas la plus adéquate pour répondre à la problématique data science. Et donc ce qui a créé au niveau des CEO et au niveau du plus de confiance on va dire pour les projets data science parce que les projets data engine pardon parce que généralement la timeline est respectée les outcoms on les connaît d'avance et aussi le fait que beaucoup d'entreprises ont compris que pour faire de la data science correctement, il faut avoir une fondation solide en data engineering, ce qui fait que c'est que les projets data engineering ont augmenté plus que pour les projets data science.
Pierre:Donc finalement si je comprends bien c'est une sorte de retour à la normale alors qu'il y avait une espèce de période où c'était tout feu tout flamme sur la data science, il en faut partout dans mon entreprise et vite vite il faut en mettre, il faut en mettre, il faut embaucher un deux trois dix data scientist et puis au bout d'un moment on se dit ok maintenant on les a, qu'est-ce qu'ils font en fait concrètement Ah il faut qu'ils travaillent sur de la data où est la data appelez-moi la data ah bah ouais mais la data est pas prête dans mon entreprise. Ah ok donc on s'est trompé de on s'est trompé d'ordre donc tu veux dire qu'en fait maintenant il y a peut-être une une réalisation des entreprises et une maturité dans leur vision de tout ça que pour ces projets data science, il faut avant tout avoir des fondations comme tu l'as dit et des fondations ça implique d'avoir un côté data ingénierie qui est qui est bien avancé en fait.
Mohamed:Absolument sinon on tombe dans le paradoxe des ou bien la malédiction d'époque infinie parce que historiquement les data scientists ont faisait que produire d'époque très rarement concepts se transformaient en produits en production. Et donc voilà maintenant il y a avec cette maturité, il y a un retour à la base.
Thomas:C'est vraiment, c'est vraiment génial. Je trouve ça permet aussi de se rendre compte que les métiers de la data commencent à devenir beaucoup plus clairs. On sait pourquoi on veut un data scientist, pourquoi on veut un data engineer, software engineer. Donc c'est, c'est tout à fait intéressant. J'avais beaucoup aimé cette explication.
Thomas:Bien sûr, alors comment on fait pour élaborer un projet, une roadmap claire avec le moins d'aléas quand on sait que la data science implique par nature de l'incertitude Parce que toi, tu as un peu cette secret de sauce.
Mohamed:Alors on va dire qu'il n'y a pas vraiment une botte secrète. Tout dépend du contexte. Généralement, tout dépend vraiment comment on a frémé la question en entrée avec le business. Donc beaucoup d'échanges avec le business pour savoir qu'est-ce qu'on veut faire, à quoi on s'attend. Et donc une fois qu'on a une compréhension très claire de de ce que faire parce que la plupart des cas, on pense qu'on va aller vers du m l ou du deep learning mais au final on se rend compte qu'il n'avait qu'une régression simple c'est fini on n'en parle plus.
Mohamed:Et donc voilà cette dimension business ça qui va freiner. Ensuite on va regarder entre est-ce que la donnée est disponible, est-ce que la donnée elle est accurate, est-ce que la gouvernance de données nous permet de s'assurer que le process a été compliant et est-ce qu'elle est accessible et ainsi de suite. Donc vraiment si la data, on va dire le le côté data engineering, le côté data gouvernance est très présent dans l'entreprise, ça on va dire ça met la sécurité dans les projets data science. Et ensuite, ça suit le cheminement d'un projet data science classique.
Thomas:Ok, c'est super. Déjà, ça me permet de d'attaquer la prochaine question et je considère que des régressions in r, c'est du machine learning. Maintenant, ça, c'est c'est acquis et c'est c'est vraiment bien. Mais effectivement, par rapport à notre premier épisode avec Charlotte Ledoux, je m'en rends compte qu'on en parle à tous les épisodes maintenant sur la gouvernance. Est-ce que tu es tu es C'est
Pierre:un running gag Charlotte Ledoux.
Pierre:y a des gens comme ça qui reviennent en permanence. Charlotte Le Toutoux revient. Michel Loux revient, c'est bizarre, c'est des trucs comme ça, ça revient, c'est des boucles en fait.
Thomas:tu te rends compte que la gouvernance des données, elle est partout quand on n'en parle pas spécialement dans le métier, par exemple la data science. Est-ce que tu es capable de voir si la gouvernance de la donnée est un bon contrôle de la qualité des données et permet de réduire drastiquement le risque.
Pierre:Tu y as plus
Thomas:ou moins répondu, mais surtout, est-ce que c'est réellement quantifiable cet impact
Mohamed:Alors oui, il est quantifiable. Mais en fait, ce qui est intéressant, c'est que quand on vient du monde de la data science, on a tendance à négliger ça. Moi par exemple je suis data scientist de formation et donc historiquement on va dire que je ne prêtais pas trop attention à cette dimension gouvernance, stratégie, data engineering, parce que ce n'était pas le coeur de mon métier, je considérais les données comme acquis et je travaillais sur les projets. Et donc au fil des années, j'ai échangé un peu, je suis allé un peu vers la dimension strate pour toucher les les deux bouts du du on va dire de de la data et ça cela m'a permis de de connecter la dimension engineering à à la data science et on va dire que il y a pas mal de métriques qu'on peut utiliser pour quantifier cette dimension. Par exemple, quand, si je prends l'exemple de canal de canal plus, quand on se lance dans un projet où c'est un projet de de prédiction et il faut que j'y ajoute une couche de machine learning ou en général pour expliquer au business par exemple les décisions du modèle qui font que tel client va tourner ou pas.
Mohamed:En fait il faut que je m'assure en entrée que telle telle donnée a une accuracy ou complète noise de x pour cent pour que je sois confiant dans dans ce que de ce que je veux dire. Si le projet data sérien, c'est un projet d'analyse globale où je cherche des tendances où on va dire que je serai moins regardant sur le, comment dire en français
Thomas:le seuil
Mohamed:le seuil exactement pardon le seuil que je vais considérer comme les données qui passent dépassent ce seuil comme étant de bonne qualité.
Pierre:Heureusement qu'on a un dictionnaire franco-anglais, anglo-français avec Thomas depuis Montréal. Du coup du coup super intéressant en fait ça veut dire que en fonction des projets des ensembles de KPI et d'indicateurs un petit peu différents en fonction de la nature des projets si je comprends bien s'ils sont plutôt orientés fonction de leur criticité, est-ce qu'ils sont d e, est-ce qu'ils sont d s, est-ce qu'il y a du m l, est-ce qu'il y a de l'IA, est-ce qu'il y a besoin d'expliquabilité, et caetera, et caetera. Toi j'imagine que tu gères plusieurs projets, comment après tu as des comment tu est-ce que tu crées des des indicateurs ou des KPI un petit peu hybrides ou mixtes, Est-ce que tu les agrages entre projets ou est-ce que tu as des tableaux de bord par projet, par typologie de projet, par risque aussi potentiellement, par gouvernance parce que tu as les gouvernances data, mais tu vas avoir de plus en plus aujourd'hui, tu fais tout ce qui va être gouvernance et en fait aussi. Finalement je pense qu'on pourra en parler aussi c'est un gros sujet donc comment comment tu arrives à t'en sortir avec tous tes tes KPI et tes classes de KPI finalement.
Mohamed:Alors fait on va ségréquer nos projets par thématique très high level, c'est-à-dire data engineering, data analytics, bi slash bi et data science. Donc quand on est dans la dimension data engineering au final finalement c'est des on va dire c'est des KPI plus ou moins, voilà je vais revenir plus tôt en arrière pour la pour l'ensemble de ces trois groupes, il y a des KPI qui sont générales qui vont dire la typologie de la donnée, son accessibilité, et caetera, il y a des KPI de Project management classique. Et ensuite quand on va faire un deep drive dans chacun de ces de ces de ces projets, de ces groupes, il y a des KPI qui vont apparaître qui spécifiques à un projet. Quand je fais de la modélisation du, comprendre le et quand je fais un projet de moteur de recommandation par exemple, les KPI vont complètement diverger et ensuite et ça aussi dépend de vraiment comment on a freiné le business le la question business en entrée donc je dirais que chaque projet à son set de de képi spécifique et il y a un set de KPI assez généraliste.
Pierre:Du coup ça me semble, est-ce que c'est c'est KPI parce que ça ça m'intéresse au au-delà de ça puisque tu ne dois pas être le seul dans le groupe à utiliser ce type de KPI est-ce qu'ils ont aussi un ancrage dans ce qui va être gouvernance en fait finalement de de la data derrière pour les projets, est-ce qu'ils sont pris en compte, est-ce que c'est un c'est entrelacé aussi ou ou pas forcément Est-ce qu'il y a un un point d'accroche en fait
Mohamed:Alors ça va dépendre aussi de la maturité de l'organisation du secteur. Moi j'étais principalement en banque et donc en en banque il y a il y a il y a il y a vraiment cette dimension gouvernance qui qui qui y est cet cet ancrage. Donc les KPI sont, on va dire naturellement sont déduits de de ça. Là aujourd'hui chez M 7, je suis arrivé en fait pour construire cet écosystème, mettre en place cette gouvernance de données et définir ces standards. Aujourd'hui, on en est en on en est encore dans la phase où on construit les la fondation et essayer d'avancer un tout petit peu sur sur les questions.
Mohamed:Donc sur cet espace sur cet aspect exactement, on n'est pas vraiment mature comme le secteur bancaire par exemple.
Pierre:Très clair. Très clair, très clair, intéressant. Moi je pensais à à passer à une autre section qui va pas mal nous intéresser. Enfin moi après si tu me laisses on en parle pendant deux jours mais je pense c'est pas l'idée mais le le ça va être la section c'est un peu le le rôle des IA, alors pas de l'IA parce que mais plutôt des IA d'ailleurs, bon un gros troll, mais IA, qu'est-ce qu'on met dedans Qu'est-ce qu'on ne met pas dedans C'est quoi l'IA Enfin bref, tout ce qu'on sait. Le rôle des IA dans les projets data science, donc donc au final, le software engineering dans tous ces dans tous ces projets, il va y avoir des assistants, il y a de plus en plus d I, il y a des outils comme Copilote, tu ressors, j'en passe et des meilleurs.
Pierre:Est-ce que tu penses que, est-ce que déjà vous les utilisez aussi en en interne ou pas avec des garde-fous, pas de garde-fous Et puis ensuite est-ce que tu penses que côté data, il va y avoir un peu à un moment donné aussi un accompagnement ou de l'assistance ou des assistants et aillent autour de la data pour aider, augmenter, optimiser, dérisquer peut-être aussi d'ailleurs de la part des IA ou rerisqués s'ils hallucinent enfin bref voilà l'IA finalement dans les projets data science par le prisme du software engineering finalement. D'accord
Mohamed:alors en fait tout dépend de quelle catégorie d'IA on va parler. Généralement on scinde les projets en deux catégories les projets et analytics et donc ça c'est un peu la dimension traditionnelle machine learning deep learning et caetera et la dimension gen donc quand on est dans la dimension et analytique voilà c'est c'est l'écosystème on va dire il est assez il est assez robuste, les méthodes sont là par exemple on utilise qu'on utilise Copilote nous de notre côté pour vraiment l'accélération au niveau de la dimension POC, on n'utilise pas de, on n'utilise pas en prod, mais on utilise vraiment dans la dimension brainstorming et caetera. Quand, mais maintenant quand ce qu'il s'agit de de gen AI, c'est tout dépend de on va dire quel youskey son aborde. Aujourd'hui, chez M 7 par exemple, je pense que pour comme la plupart des entreprises, l'ensemble des youskey tournent autour des rack, autour des, autour des rack. Or, nous on va utiliser la GNI pour booster les projets analytics.
Mohamed:Je vous donne un exemple concret, on a on a par exemple des user qui utilisent notre application My Canal, l'équivalent de My Canal, nous on a notre nom comme Netflix par exemple. Et donc quand vous arrivez, vous pouvez créer des utilisateurs. Moi je peux m'appeler Zoro, je peux je peux choisir n'importe quel quel niqname et de ce fait, je perds le le l'identité, le genre de la personne qui est qui est ce que c'est voilà un individu masculin féminin et donc en utilisant de ces ces modèles GNI on arrive à booster la dimension analytique là où on allait créer un modèle machine learning qui allait classifier si c'est un homme une femme et caetera bon là on va faire à faire à faire avec du GNI Donc pour revenir à ta question là, c'était juste pour différencier les deux chez nous. Donc la dimension software ingénierie, elle va rentrer à fond surtout dans dans la mise en production. Aujourd'hui, les outils qu'on utilise sont des outils basés sur le cloud, AWS, et caetera.
Mohamed:Et moi je vois beaucoup des providers, je vois beaucoup de providers, je fais souvent d'école avec eux pour voir ce qui se passe et je vois beaucoup maintenant cette dimension où l'IA rentre dans le processus de bout en bout de création d'un projet data science là où ça ne l'était pas avant. Donc je pense que c'est quelque chose qui aura de l'avenir.
Thomas:Ok, c'est hyper intéressant encore une fois et c'est un peu ma prochaine question, mais tu es, tu as répondu si aujourd'hui vous avez des cas d'usage autour de l'IA et de la GNI, chose que vous différenciez. Et si oui, quels sont aujourd'hui vos KPI pour valider une idée Quand tu me parles de l'exemple de Zoro, en l'occurrence, tu utilises la Gnayaï pour faire des persona et supposer que Zoro est un est un type d'individu et qui va avoir une certaine consommation de ton contenu, c'est ça? C'est ça. Et comment on confirme ce POC pour une mise en production Ça reprend aussi un peu l'exemple du KPI. C'est quoi le KPI que vous allez utiliser pour affirmer et confirmer que ce choix il est cohérent.
Mohamed:D'accord alors quand on utilise du GNI dans des projets on va dire à dimension analytique ou historique analytique par exemple faire de la classification est-ce que A0B. Là on va utiliser à la fin des métriques classiques qu'on ne connaît en machine learning par exemple si je prends cette l'exemple que j'ai donné tout à l'heure à la fin c'est voilà la curatie, la précision qui vont qui vont primer et c'est quelque chose qui est quantifiable. Par contre quand on est des sujets sur des sujets purement GNI ou on génère du texte ou c'est subjectif et on doit mesurer, ça dépend du ce qu'ils ont. Des fois on va s'appuyer sur des métriques de littérature notamment le le blues score ou bien le météore qui va mesurer en fait la précision et la et la pertinence du texte généré par le modèle. Et des fois on est sur du sur des contenus résumés et là on on utilise l'humain à l'intérieur pour valider.
Mohamed:Je donne un exemple très concret, on a notre call center qui reçoit des appels de personnes pour par exemple pour des pannes techniques. L'opérateur, il doit, il y a, il existe beaucoup beaucoup de procédures et il doit trouver la bonne procédure pour répondre à la problématique en question. Donc ici le p o qu'on met en production, l'utilisateur en tapant la question, il a l'ensemble des documents et donc lors de la phase de création de ce POC, on essaie d'imaginer tous les use cases possibles avec les questions et donc on fait de la validation humaine. On ne se base pas par exemple sur des métriques de pertinence de texte, on va ajouter une couche humaine pour s'assurer que de la robustesse du modèle avant d'aller en production.
Thomas:Ok, c'est hyper pertinent. C'est vrai que ça, c'est beaucoup mieux que les arts de décision comme on pouvait le faire avant dans l'école Center. Dans ma mère, merci beaucoup pour l'explication et ça me permet aussi, comme on est dans la GNI, de rebondir sur la question de Annabelle Girard, donc deux épisodes auparavant. Qu'est ce que tu penses aujourd'hui des LLM de LLM
Mohamed:Alors LLM de LLM qui fait à mon sens référence à mixture of experts Modèle qui en fait juste pour le grand public, c'est on va dire un LLM qui va combiner plusieurs LLM. Je peux illustrer ça comme un exemple d'une classe où par exemple on a un prof, on a plusieurs professeurs. Donc chaque professeur représente un LLM qui est expert dans dans son domaine, mode physique et caetera. Et donc l'avantage de ces LLM comparé à de ces mixture of modèle comparé à un LLM classique c'est que quand les étudiants vont poser une question si on utilise un LLM généraliste, ils vont tous se rediriger vers un professeur qui peut-être la connaissance, mais cela va engendrer beaucoup de coût pour l'entreprise parce qu'il y a un élément qui doit avoir l'ensemble des connaissances de tous les autres professeurs. Or, si on prend des LLM spécialisés ici en maths en physique et caetera, en l'occurrence les professeurs dans mon exemple, ça va, il y aura un LLM au milieu qui quand tu vas recevoir la question, va la rediriger vers le vers le LLM expert.
Mohamed:Et je pense qu'on va beaucoup beaucoup se diriger vers ce ce genre d'approche. Nous actuellement on est en train de de de construire ce genre d'architecture pour la dimension recommandation. Quand par exemple vous avez un client qui vous pose la question je veux un film dans laquelle il y a une chanson de Céline Dion. Par exemple si on utilise un un si on utilise des moteurs de de recommandations classiques, ça ça va ça va pas le faire. Donc ce qu'on fait c'est qu'on on prend un LLM qui est spécial.
Mohamed:Donc on a un LLM qui va être spécialisé dans le synopsis, qui est capable de répondre dans le synopsis, un autre qui maîtrise les acteurs qui ont interagi les personnes de la production et ainsi de suite. Ce qui fait que quand j'ai des questions de type je veux un film avec Brad Pitt, Tom Cruise, et caetera, et caetera, automatiquement on se redirige vers le l'expert de la question ça nous réduit le temps de calcul et le nombre de tokens le coût le coût associé au tokens.
Thomas:Ok là c'est vraiment intéressant parce que j'avais du mal à LLM ou de la générative high dans le monde des systèmes de recommandations. Donc là merci pour les exemples, c'est très concret. Et j'ai une autre question, je t'en parle de LLM dans tous les sens. Là par exemple, bon on parlera peut-être de saura, on aura d'en parler à la fin du podcast, mais aujourd'hui il y a Gmeneye qui est apparu, Gmeneye pro face à par exemple. Comment on fait pour comparer des solutions qui aujourd'hui sont assez équivalentes pour savoir si on peut les utiliser en interne dans une organisation entre la la la méthodologie gratuite et aussi payante.
Mohamed:D'accord. Alors tout tout tout va dépendre de de de des use case. Généralement ce qui est utilisé c'est une c'est une approche ou en fait on va regarder combien ça va nous coûter d'utiliser ces versus la complexité et la rentabilité du. Typiquement quand on est sur des où on veut juste résumer un texte où on veut juste extraire des mots clés et caetera, on a tendance à peut-être aller vers des modèles très simples ou des éléments moins coûteux. Alors comment comparer ces modèles, ce modèle de gémenée versus versus les autres dans un contexte d'entreprise, je pense qu'on utilisera la même approche.
Mohamed:On va regarder la dimension la complexité du use case versus le coût d'utilisation et donc si on est sur un use case très compliqué mais où les performances de gemini et gemini un point cinq et gpt quatre sont les meilleurs mais gemini point point cinq est moins coûteux que GPT quatre. Bon en fait, on a plus d'arguments à rentrer dans son utilisation. Et c'est là où moi j'aime bien beaucoup les architectures garden comme un peu proposé par GCP, c'est qu'au final on a un bac à sable dans laquelle on a un mixte, un ensemble de LLM et on va choisir le LLM adéquat là où beaucoup d'entreprises ont choisi de s'orienter vers un LLM spécifique, je parle par exemple d'Azure 0PNI ou c'est ou bien du trois point cinq ou bien du quatre, là où on aurait pu prendre du mistral ou autre à à à un coût beaucoup beaucoup moins cher.
Pierre:Ouais très très intéressant très très très intéressant en fait du coup ça m'amène aussi à la à la question qui rejoint la la question de Thomas mais je vais aller un petit peu plus au fond des choses il y a peut-être des choses que tu n'es pas peut-être pas à dire ou quoi mais qu'est-ce que est-ce que vous utilisez est-ce que que vous utilisez plutôt des des LLM ou des solutions genre bail genre donc un wrapper d'OpenAI vite fait vous avez un compte OpenAI, vous mettez la clé de l'API et puis vous faites vos tests à droite à gauche. Est-ce que vous avez des typologies de projets particuliers avec lesquels vous utilisez plutôt des solutions de type bail donc en faisant appel à des LLM externes et des services externes pour faciliter la vie. Est-ce que vous avez plutôt aussi et puis derrière vous passez à des solutions avec des LLM ou des modèles qui vont être hébergés ou sur vos cloud pour des questions de sécurité ou des questions financières ou finox ou parce qu'ils sont plus adaptés. Comment vous faites un peu tous ces choix là Est-ce que est-ce qu'il y a parce que finalement ça peut pas être simplement le côté FinOps et financier qui gère parce qu'en fait il y a aussi une dimension typologie des projets ça peut pas être simplement la data ou les DE qui gèrent parce qu'il y a aussi une dimension data science machine learning NLPLLM qualité finalement cohérence de l'utilisation d'ailleurs tu l'as dit tout à l'heure des fois ça peut être simplement une régression linéaire et finalement on n'appelle pas du tout un LLM je veux dire ça n'a pas de sens donc qui choisit là-dedans qui a le dernier mot comment est-ce que est-ce que finalement on manque pas de gouvernance dans dans ces prises de décision là en fait comment ça se passe concrètement dans les dans les dans les bords d'où tu es dans les ateliers dans les dans les directions où tu es C'est le CTO qui prend la monnaie, la la le CIO, le CEO, le Head Ov I, le Head of.
Pierre:Tu vois, bon point
Mohamed:Ouais, ouais, C'est une très très bonne question parce qu'en fait ça me rappelle le notre cheminement vis-à-vis de l'utilisation de GNI au début on était un peu en mode cow-boy où on utilisait des modes openi chacun avait sa propre clé API qui faisait des projets, ils se refacturaient, des choses comme ça. Voilà, c'était un peu comme ça et ça restait dans une dimension époque, brainstorming, et caetera. Entre temps le groupe canal a nommé un qui a la dimension en groupe et donc il a dit on stoppe tout ça, on commet un cadre légal et technique et financier adéquat. C'est un
Pierre:shérif qui est arrivé dans dans le village du western en fait. C'est bon, c'est le Far West, mais on va se calmer quand même un peu sinon.
Mohamed:Exactement, c'est ce qui s'est passé. Donc voilà cette personne elle a regroupé le business, l'IT, la data donc on a tous ces parties qui font partie d'une communauté donc cette communauté qui a été faite et donc le premier travaux était de mettre en place une roadmap et des guidelines vis-à-vis de l'outil. Donc par exemple on a mis en place une qu'on va utiliser sur un cloud provider, je ne pourrais pas citer lequel, mais sur lequel on va utiliser en fait avoir pas mal de de LLM et tout projet qui embarque une dimension GNI doit passer par ce comité qui contient des personnes du business et caetera et donc en amont du projet, on doit quantifier la dimension ressource autant au sens technique qu'au sens financier les impacts les risques et caetera risque d'image toute petite typologie de risque et ça passe au niveau de ce comité qui est statué, je pense, au niveau tous les tous les mois et doit statuer sur les projets et ce n'est qu'une fois qu'on a appréhendé tout cela qu'on qu'on voit une de la phase d'implémentation.
Thomas:Ok, c'est un sujet qui est vraiment d'actualité puisque là actuellement il y a une compagnie aérienne qui a été sommée de payer un client puisque le a répondu un peu n'importe quoi.
Pierre:C'est au Canada d'ailleurs je crois. Oui. On ne va pas le dire.
Thomas:pas le dire. Non non, voilà donc ce que tu dis ça a vraiment beaucoup de sens et ça fait écho à ce qui se passe actuellement que il faut vraiment réussir à quantifier mais je pense que c'est tout le problème de la générative a essayé de quantifier savoir le nombre de tokens qui vont être utilisés dans le cadre de textes de GNI sur le texte. J'aimerais passer à une autre à une autre phase de de cet épisode qui est sur la culture du test and learn. C'est toujours un gros sujet ça. Comment est-ce qu'on crée une culture du changement et on donne envie d'essayer de nouveaux outils.
Thomas:Aujourd'hui quand la GEN AI était complètement nouveau, c'était très excitant d'essayer. Je reprends toujours cet exemple, c'est vraiment le plus facile, mais aujourd'hui on a chat JPT qui fait ça, il y a Mistral qui permet de faire un peu l'équivalent, il y a Jimena qui permet de faire la même chose. Comment on continue à aller chercher des nouvelles choses quand il y a de l'existant qui fonctionne déjà très bien
Mohamed:Très bonne question, moi je pourrais prendre comme exemple mon département à mon arrivée, j'ai hérité d'un département, J'ai commencé à avoir juste la dimension B A et ensuite à mon arrivée, j'ai créé la section data science et j'ai récupéré le la la data engineering en cours de route. Et c'est des personnes qui ont des habitudes très différentes, la la la moyenne d'âge aussi elle est voilà elle est très élevée, il y a du tout, il y a des jeunes, il y a des moins jeunes et caetera et ça a été très très difficile de de de freiner un socle data, d'IA dans laquelle on va utiliser. Un exemple que j'avais utilisé pour un peu mettre choqué les gens et qu'on puisse collectivement réfléchir, c'était quand Snowflake a mis en place l'acquisition de StreamLit, à acquérir Streamlitz et avec Cortest parce que là où les gens ne voient pas l'impact en entreprise, c'est qu'ils vont regarder au PNIGPT c'est joli, c'est très bien, mais je vois pas comment ça va s'intégrer en entreprise. Et donc là, l'idée c'était de montrer l'impact en entreprise sur le métier de data scientist et analyste. Donc snowflake connecte connecte à un LLM ici de mémoire, c'est c'est la main à à au data model qui est utilisé.
Mohamed:Donc on peut toutes les entreprises utilisent nos flics peuvent utiliser ça en temps réel et donc on lance la question je veux la liste de tous les clients qui ont telle description et caetera Et donc on le voit en live et en train de générer la requête SQL et générer le tableau et l'analyse. Et ça, ça scotchait sur tout ce qui était un peu réluctant sur sur cet aspect. Et donc, comment on met la culture du changement Une fois qu'on a, qu'on a vu ça, qu'on qu'on apprenne, ça dépend des personnalités. Il y a ceux qui vont vouloir de toute façon apprendre, évoluer, ceux qui vont être, on va dire, qui vont être, ils vont considérer ça comme un challenge, et caetera. Et donc c'est là où l'entreprise doit accompagner.
Mohamed:Moi je vois beaucoup d'efforts qui ont été qui a été fait au niveau du du groupe canal où il y a eu des formations qui ont été faites sur du comment on fait, c'est quoi le la GNI vis-à-vis des autres et caetera. Et donc si je prends l'exemple de mon équipe, on a essayé d'évaluer les niveaux de tout le monde vis-à-vis de ces outils on les a classés en quatre en quatre groupes des personnages différents et on a mis en place des training qui sont qui sont spécifiques à ça et collectivement on essaie de céder les uns et les autres pour pour accompagner le changement.
Thomas:Parce que
Thomas:se rend compte que tu as une organisation, en l'occurrence Canal Plus et et ces organisations affiliées, ils ont pris le sujet à bout de bras et ils se sont dit il faut qu'on sensibilise vraiment tout le monde sur la générative v I et l'intelligence artificielle puisqu'en fait finalement on ne peut pas louper le coche. Est-ce que, et là je ne sais pas si c'est un sujet sensible, est-ce que ça a été choisi puisque finalement canal plus au sens très large fait de la création de contenu et donc la générative AI, c'est un sujet où ils sont très très très connectés finalement non
Mohamed:Oui mais je pense qu'au-delà même de Canal plus parce qu'on fait partie du groupe Vivendi et le groupe Vivendi a été l'un des premiers à foncer la dimension stratégie de l'IA, comment on met en place une roadmap stratégique et donc ça englobe toutes les entités telles que Havas et Canal+. Bien évidemment, comme on est dans le secteur du média, ça ça fait qu'on accorde beaucoup d'importance. Moi j'ai été, j'étais, je viens de la banque, j'étais en cabinet de conseil juste avant et j'avais vu le phénomène chat GPT avant de d'arriver chez le groupe canal et ce qui m'a impressionné c'est comment les équipes RH au niveau du groupe canal ont adopté le sujet de de de l'IA générative et ont commencé à faire des training en collaboration avec les équipes data science.
Pierre:C'est super super super intéressant en fait ça ça m'inspire énormément de choses. Ce ce dont je me rends compte c'est que il y a eu il y a eu vraiment comme le disait Thomas une vraie prise de conscience et des vraies actions de la part du groupe pour avancer dans ces technos là, mais finalement ce que je vois beaucoup c'est du et du et de la formation et de la culturation et pas laisser les gens de côté par rapport à ces technos, pas les laisser tester dans leur coin, mais plutôt faire de la collaboration, faire de la coconstruction, des ateliers, ensemble et caetera. Donc un vrai mouvement d'entreprise en fait si je si je comprends bien.
Mohamed:Absolument. Je peux juste ajouter un un dernier point, c'est qu'on a un programme entrepreneurial à l'intérieur qui est organisé par Canal Plus International où on demande à des collaborateurs d'amener des idées GNI. Généralement c'était toutes des idées mais c'est l'édition de cette année c'était GNI et donc on va c'est normal on va faire en sorte qu'on arrive avec un produit jusqu'à ce qu'il va en production. Et ce qui est intéressant, c'est que moi j'ai participé en tant que participant, pas du tout dans le mentorat. Et là aujourd'hui, l'ensemble des équipes qui ont participé, des équipes business, mais il y a un accompagnement des équipes RH sur quel outil, quelle plateforme, les équipes data science animent avec les équipes business qu'elle a pour qu'elle a.
Mohamed:J'étais étonné de voir par exemple une responsable customer care qui me parlait de de Mistral versus Openet, et caetera alors que ce n'est pas du tout son son son domaine.
Pierre:Du coup, ça donne l'impression en tout cas de l'extérieur parce qu'il y a toujours cette question qui est l'attente en fait il y a c'est bien ça va m'augmenter ça va optimiser ça va mais finalement est-ce que ça va pas juste me remplacer aussi et et j'ai quand même l'impression que tu me diras si je me trompe que la décision ou le parti pris qui a été pris de votre côté c'est de dire on s'en empare et on va expliquer aux gens comment s'en servir comment aller plus vite dans leur boulot au niveau des supports des services supports des salariés des collaborateurs etc et puis après on s'en empare de l'autre côté au niveau métier pour faire des applis qui utilisent et qui lèveraient un peu tout ça mais c'est vraiment plus une prise de partie plutôt que de se dire tiens combien de t p on va on va optimiser quoi.
Mohamed:Oui absolument c'est au niveau des des meetings qui est que qui sont mis en place réguliers avec le type transformation officer dont j'ai parlé. On on on tend vers cette, d'ailleurs le premier meeting, le slogan qui a été affiché, c'était l'IA ne va pas vous remplacer, mais quelqu'un qui maîtrise l'IA va vous remplacer. C'est un petit rêve je pense de Harvard Business School et donc C'est
Pierre:un même, c'est un même qui est assez connu quoi.
Mohamed:Exactement. Donc voilà c'était vraiment les personnes et les éduquer sur le potentiel de l'IA. Et la meilleure approche, c'était d'utiliser des approches. Nous actuellement ce qu'on fait, c'est quand on est, on parle avec des équipes business, on va les regarder leur métier et leur montrer quelle optimisation, quel gain ils auraient à utiliser l'IA dans un environnement sécurisé, bien évidemment.
Thomas:Ça me fait tout de suite penser à la question de de Sabrina, de Sabrina Bendi-Mérad. Donc, je la répète, c'était au dernier épisode.
Thomas:notre dernier invité. Et je pense que la question n'était pas dans ce sens là, mais on est en train d'en parler, donc ça a beaucoup de sens. Est-ce que toi, tu es en train de voir l'impact de l'IA dans l'éducation et la formation auprès de tes jeunes collaborateurs Mais en fait, je me rends compte que là, on ne va pas s'arrêter seulement tes jeunes collaborateurs. C'est auprès de Canal plus. C'est comment tu ressens l'impact, non pas là de l'éducation, même si aujourd'hui on va peut-être parler de sensibilisation dans le cadre d'une entreprise mais surtout de la formation au sens très large.
Thomas:Est-ce que c'est bénéfique aussi pour ton équipe, pour les vingt personnes avec qui tu collabore Voilà, comment, c'est quoi l'impact
Mohamed:Ouais, je vous donne un exemple très concret d'impact. J'ai dans mon équipe quelques jeunes personnes qui ont rejoint récemment et donc bien évidemment avec l'engouement open a I ils sont très à fond sur les les les pour comprendre ce qu'on en fait et j'étais stupéfait de comment par exemple on est arrivé rapidement à construire nos wikis best practice en utilisant alors que c'était vraiment une initiative de ces jeunes pour accélérer sur sur ces comment je vais faire un prompt pour faire telle ceci et caetera pour embarquer les autres aussi pour poursuivre le mouvement et donc ce qui m'a vraiment intéressé c'est que ce n'est pas une question d'âge et ce n'est pas une question de métier. J'ai l'exemple de notre VIP finance qui est à fond dans dans ces sujets, alors que ce n'est pas du tout son corps de métier qui vient nous challenger, et caetera. Donc de nature, il y a des personnes qui vont suivre le mouvement, ça, c'est sûr. Il y a les autres qu'il faut accompagner tout en démystifiant l'IA, en montrant les l'accompagnement et que et les risques aussi.
Thomas:J'ai une autre j'ai une autre question, est-ce qu'il y a il y a des gens qui ont fait des levées de boucliers en fait Si tout le monde est pour la générative V. I, est-ce qu'il y a des gens qui quand même ont peur Ils ont des doutes, ils ont, ils sentent qu'il va y avoir un impact qui peut être négatif pour eux
Mohamed:Oui, alors je ne pourrais pas dire de détails exactement, mais je sais qu'au sein même de mon équipe, j'ai eu des personnes qui qui qui avaient, voilà, levé des boucliers vis-à-vis de l'IA, qui ne voulaient pas vraiment s'engager dans les travaux qu'on faisait par peur que le travail soit automatisé, et caetera. Mais tout est une question de communication pour montrer des choses et pour dire que voilà, ça va libérer du temps pour qu'on aille sur des choses beaucoup plus importants. À part à part ces ces deux trois exemples dans mon équipe, au niveau de l'entreprise, je n'en ai pas vous, mais je suis sûr et certain qu'il y en a beaucoup, mais qu'il n'en parle pas.
Pierre:Ouais, je suis entièrement d'accord aujourd'hui, on entend beaucoup de gens aficionados ou fans ou complètement à fond là-dessus et on entend peut-être un peu moins ceux qui sont dans l'entreprise plus dubitatif. D'ailleurs c'est c'est assez marrant mais j'ai j'ai discuté avec une avec plusieurs CTO qui me disaient, c'est marrant, je trouve que mes développeurs ou mes équipes de dev dans la tech et tout ils sont, je ne sais pas, je trouve qu'il n'y en a pas beaucoup qui testent des trucs autour de l'IA générative, les LLM, ces nouvelles technos, et caetera. Et on discutait de ce sujet-là et j'ai l'impression qu'il y a aussi donc on pourrait se dire les tech d'une manière générale ils sont à fond dedans, ils sont complètement en pour, ils sont à fond, mais en fait pas tant que ça en fait. Il y a aussi des textes qui sont, ils sont ils ont pas envie par philosophie, par par idéologie par crainte par par des fois fainéantise parce que ça demande aussi beaucoup de travail supplémentaire tu vois Tu as tu as remarqué un peu ce genre de truc Ça parle
Mohamed:Absolument. Et l'exemple de data scientiste qui disait, bon de toute façon, c'est de la triche j'ai peut-être trois pour faire une mode. Ou c'est une mode, ouais. C'est la triche
Pierre:ou c'est une mode enfin il y a toujours un truc en fait.
Mohamed:Exactement. Mais je pense que le plus important c'est qu'au niveau du sea level et niveau du top management soit ils aient une vision très claire du sujet et c'est le changement ne peut être impulsé que par le haut. Parce que si un manager de service ou un directeur il y a et caetera, lui-même n'est pas convaincu de de ces sujets, Je vois mal les équipes évoluer Ça
Pierre:n'a pas aussi toute la boîte. Ça a beaucoup grippé toute la boîte.
Pierre:on, merci beaucoup Mohamed, on a on a on a une question, une question dans notre podcast récurrent, c'est à chaque fois qu'on demande à à notre guest, donc en l'occurrence à toi, de de réfléchir et de nous de poser une question qui sera qui sera posée au prochain ou à la prochaine participant ou participantes de notre podcast. Qu'est-ce que tu as, à quoi tu as à quoi tu as réfléchi là depuis qu'on prépare notre podcast et qu'est-ce qui te vient à l'idée. Il y a quoi comme sujet chaud ou qui t'interpelle
Mohamed:Alors je je vais peut-être rebondir sur Jimini un point cinq dont on a parlé tout à l'heure comme c'est le sujet d'actualité. Ma question serait qu'est ce qu'on pense ou bien cette personne qu'est ce qu'elle pense de l'avenir des rake dans un écosystème où les LLM comme Gemini point trois point cinq à un point cinq à une fenêtre de contexte de un million de token par exemple. Je je pense pas que les ragots vont disparaître du jour au lendemain parce que c'est pas la la philosophie elle elle extrêmement intéressante pour les entreprises, mais je pense qu'elle va évoluer, mais j'aimerais bien j'aimerais bien savoir ce ce que cette personne pensera.
Pierre:Très très bonne question, très très bonne question. Thomas, tu as d'autres choses à
Thomas:Non non non on a plein d'autres sujets, on aurait parlé de de Sorare et tout ça. On va passer d'autres faits-là je pense.
Pierre:Après il faut garder un certain concentré, non non ça a été ça a été vraiment top. Merci beaucoup Mohamed pour ton temps et c'est cette analyse très très pertinente, très intéressante et évidemment merci merci à Thomas.
Thomas:Merci Pierre, merci Mohamed.
Mohamed:Merci à vous.
Pierre:Merci à tous pour votre écoute. À bientôt.
