Le CTO peut-il ignorer l'Intelligence artificielle ?

0:05 Bonjour, Didier Girard, je suis VP Engineering de Sphère, j'interviens au Tech.Rocks Summit avec François Soulier, conseiller scientifique du Hubia. A tout de suite! Ils sont venus à deux et ça tombe plutôt bien pour répondre à la question qu'ils vont se poser. Merci Françoise Soulie d'être avec nous. Vous êtes conseillère scientifique chez Hub FranceIA. Et Didier Gérard, vous êtes co-CIO chez Sphère. Et la brûlante question, c'est le CTO peut-il ignorer l'intelligence artificielle? Bon courage! Merci. Bon François, ça me fait vraiment plaisir de te recevoir dans cet événement. Merci.

1:05 Alors, je vais peut-être te faire rougir. C'est une personne que j'admire, qui a vraiment eu un énorme impact sur la communauté IA et machine learning. Pour ma recette de la tarte tatin, c'est pour ça que tu m'admires, évidemment. Non, non, ce n'est pas pour ça. C'est que tu as eu un immense impact dans le monde de l'IA et du machine learning en France et dans le monde. Tu as formé des centaines d'étudiants, accompagné énormément d'entreprises, créé des conférences. Et donc, puis aussi, à titre personnel, tu m'as aussi eu en tant que thésard et tu m'as appris beaucoup de choses. Et entre autres, il y a un de tes mantras, c'est... Derrière chaque impossible, il y a une opportunité. Et c'est vrai que souvent, quand tu passes à des difficultés, je repense à ton mantra et ça m'aide beaucoup à toujours chercher à aller plus loin. Donc voilà, aujourd'hui, on va essayer de répondre à une question, une grave question. Est-ce qu'un CTO peut se passer de l'IA quand il construit son produit ou quand il construit sa plateforme? Yes.

2:07 Alors, est-ce que déjà tu pourrais nous faire peut-être une brève histoire d'ODIA? Voilà, c'est ce que j'allais dire avant de commencer dans notre sujet. La première question, c'est finalement, qu'est-ce que c'est que l'IA? Alors l'IA, il y a plein de définitions, on ne va pas se lancer là-dedans, sinon on y est encore après-demain. Mais on va dire qu'il y a deux grands courants qui, depuis les années 50, ce cours l'une après l'autre, l'IA symbolique et l'IA numérique. L'IA numérique, c'est ce dont on parle aujourd'hui, c'est-à-dire les systèmes d'apprentissage, les systèmes qui vont permettre de faire ce qu'on appelle aujourd'hui le deep learning. Tu sais, comme moi, qu'autrefois, ça avait un autre nom. Donc, aujourd'hui, l'IA, on la voit, en fait, partout, beaucoup sous la forme d'apprentissage. numérique, donc à partir de données. Je crois que c'est de ça qu'on va parler. Exactement. Voilà. Historiquement, on sait que dans ces domaines-là, il y a eu des moments chauds, des moments froids, on appelle ça l'hiver. Il y a eu plusieurs hivers dans ces domaines-là. Est-ce que tu penses que justement l'IA numérique, tout ce qui est système apprenant, peut retomber dans un hiver?

3:11 Alors je dirais que la grosse différence par rapport à ces périodes où il y a eu des étés et des hivers, alors pour la petite histoire, quand c'était l'été pour l'IA symbolique, c'était l'hiver pour l'autre et vice versa. Donc probablement sur des parties différentes de la planète. En tous les cas, la chose qui a vraiment changé depuis ces périodes-là, c'est que l'IA numérique en particulier, donc l'IA avec apprentissage, s'est rentrée dans les entreprises, s'est utilisée de façon de plus en plus importante dans des applications assez critiques. Et donc aujourd'hui, on voit mal comment on pourrait se passer d'IA d'apprenante ou d'apprentissant. Capable d'apprentissage, on va le dire comme ça. Donc un hiver, sûrement pas. Par ailleurs, il y a... Il y a un autre aspect assez important, c'est qu'avec le nouveau succès de l'IA, et on va dire l'effet de mode, c'est évident qu'on voit une grosse mode, il y a des centaines de milliers de chercheurs sur la planète qui se sont mis sur ce sujet-là.

4:12 Et des centaines de milliers de chercheurs, ça veut dire peut-être quand même quelques résultats vraiment intéressants qui vont faire que l'IA va continuer à évoluer. Donc non, pas d'hiver. C'est l'été là maintenant. C'est l'été et du coup tout le monde peut investir. Justement, c'est une des questions qui nous préoccupe. Il y a effectivement beaucoup d'entreprises qui se lancent dans des projets IA. Mais je ne suis pas sûr que ce soit une majorité. Je pense qu'il y a encore plein d'entreprises qui imaginent leurs produits ou leurs plateformes sans se préoccuper des problèmes de machine learning. Donc, à ton avis, est-ce qu'ils ont raison? Chacun peut vivre dangereusement. C'est clair qu'un CTO aujourd'hui qui ignore l'IA, il vit dangereusement parce que ses petits collègues, eux, ils y vont. Il y a tout un tas d'études qui ont montré que sur quelques années, disons une dizaine d'années, ça veut dire 15 points de croissance en moins. Vous pouvez prendre ce risque si vous voulez, mais enfin quand même, c'est peut-être un peu dangereux. Donc on voit très clairement que l'IA, c'est un facteur de croissance.

5:14 C'est un facteur de croissance pour vos concurrents si vous n'y êtes pas mis vous-même. Donc la question, ce n'est pas vraiment... Si il faut faire de l'IA, c'est plutôt comment il faut le faire. C'est ça la vraie question qui est importante aujourd'hui. Donc pour toi, pas de doute, quel que soit le secteur, il faut se poser des questions, bien sûr en amont, c'est-à-dire quand on commence à réfléchir au produit dès le départ. Tout à fait. Quel que soit le secteur, alors peut-être une toute petite anecdote, mais je travaille au Hub France IA pour un projet de la région qui s'appelle Paquia, dans lequel on accompagne des PME. Donc j'ai interviewé, je ne sais pas, des dizaines et des dizaines de PME dans tous les secteurs possibles. Jusqu'ici, je n'ai encore trouvé aucune. PME dans lequel il n'y ait pas un projet d'IA potentiel et qui puisse rapporter gros partout. En gros, tout le monde doit y aller. C'est un peu ton résumé. Est-ce que faire un projet IA, c'est finalement faire un projet informatique assez standard ou est-ce qu'il y a des choses un petit peu particulières à prévoir? Non, c'est peut-être ça la chose la plus...

6:14 Alors tout le monde pense que l'IA, oh là là, c'est magique, oh là là, l'IA, c'est la révolution, oh là là, l'IA, c'est très compliqué. Rien de tout ça. Tout ça, c'est faux. Ce n'est pas la révolution, ce n'est pas très compliqué. Par contre, c'est un peu différent de l'informatique dont on a l'habitude. Dans l'informatique dont on a l'habitude, On fait des spécifications, on écrit un algorithme, on code et banzai, ça y est, c'est bon. Il y a beaucoup d'algorithmes différents. Alors par contre, en IA, ce n'est pas comme ça que ça marche. Si on parle d'IA d'apprentissage, les algorithmes d'apprentissage, il n'y en a pas énormément. Si on en a une demi-douzaine, une douzaine, soyons fous, c'est à peu près tout. Ce qui va vraiment changer, c'est que ces systèmes-là vont apprendre, et un système qui apprend, il va avoir besoin de quoi? De données de façon absolument fondamentale. Donc quand on va mettre en place un projet d'IA, les questions à se poser, elles tournent beaucoup autour des données, même si on peut commencer à faire des projets d'IA sans beaucoup de données, pour tout un tas de raisons dont on pourra parler ensuite si vous voulez, mais la façon dont le projet va se mettre en œuvre, il va être très différent d'un projet d'informatique habituel.

7:19 C'est-à-dire qu'on va commencer, comme d'habitude, à se poser la question quel est le besoin, Comme d'habitude, comment je fais aujourd'hui? Et puis, comme d'habitude, quelles sont les données qui vont me permettre de trouver une solution qui me dira comment je vais faire demain? C'est ça qui change énormément dans la pratique de l'IA, en fait. En IA, on dit pas de data? Pas de chocolat. Voilà, on est d'accord. Super. Tout à fait. Et donc sur la data, il y a des choses particulières à prévoir sur la qualité, la traçabilité? Oui, alors évidemment, sur les données, il y a beaucoup de choses. Enfin, tous les CTO savent bien que les données, c'est assez complexe. Il y a tous les problèmes de collecte de données. Nous, on voit beaucoup de projets dans lesquels... Le premier projet IA va montrer que le processus de collecte lui-même ne fonctionne pas bien. Et donc on va se rendre compte, vous savez tous que quand quelqu'un va saisir des informations, quand on lui pose une question qui l'embête, il écrit 1, 1, 1, 1, go et ça va. Et donc cette donnée-là pourrie, elle va rentrer dans votre système d'IA et elle va vraiment vous poser des questions.

8:21 Donc la partie de collecte qui est installée habituellement dans les processus, si on utilise les données collectées directement dans l'IA, on va se rendre compte qu'en fait, ce processus-là doit être modifié, adapté. Une fois qu'on les a collectées, il faut les nettoyer. Le principe de base, c'est que toutes les données sont pourries, jusqu'à ce que, preuve du contraire, les données sont... Toujours pourri, toujours de mauvaise qualité. Donc la qualité, c'est un effort constant, en fait, et le CITIO doit être très agile là-dessus. C'est un effort constant de garantir cette qualité, en particulier sur les données qui arrivent en stream de façon courante et volumétrique. Le troisième problème, c'est justement ces questions de volume. C'est-à-dire que quand on va faire de l'IA, on dit très souvent des systèmes d'apprentissage, plus il y a de la donnée et mieux ça marche. Didier, tu as 10 000 données, j'en ai 100 000. Dommage, c'est moi qui gagne. Voilà le résumé de la chose. Donc la volumétrie, on sait tous, la volumétrie ça a un coût, il faut le collecter, il faut le stocker, il faut le maintenir, etc.

9:26 Donc toutes ces questions-là, c'est des questions... On va devoir se poser avec, en plus, une fois qu'on a commencé à utiliser les données dans des projets, le fait qu'il faut qu'on soit capable de tracer tout du long la façon dont la donnée a été collectée, qu'il l'a accédée, qu'il l'a modifiée, qu'il l'a utilisée, de façon à ce qu'ensuite... On en parlera plus tard. Ensuite, on puisse auditer tous ces systèmes-là. Donc la donnée, c'est le cœur du moteur. Quand on dit... Données et métadonnées. Voilà, bien sûr, et toutes les métadonnées qui vont autour, effectivement, il faut qu'on soit pour tracer, il faut qu'on soit capable d'avoir... Toutes ces informations-là. Du coup, on voit que c'est fondamental. Et souvent, quand j'entends parler de projet, j'entendais, on va dire, des gens qui démarraient une équipe, ils disaient tout de suite, il me faut un data scientist et uniquement un data scientist. Est-ce que tu es d'accord avec cette manière de monter une équipe? C'est vrai que c'est comme ça que beaucoup de gens fonctionnent. Au début, on a dit, voilà, data scientist, c'est le job le plus sexy de la planète, c'est fabuleux, je vais avoir plein de data scientists.

10:28 Et on commence à se rendre compte que, en fait, non, que l'IA, c'est aussi comme un projet informatique, un projet dans lequel j'ai besoin d'avoir des experts métiers qui savent pourquoi diable je suis en train de faire ce truc. Sinon, ce n'est pas la peine de le faire. Sinon, il vaut mieux s'arrêter. Donc, l'analyse du besoin, c'est quelque chose qui est absolument critique dès le début. Un data scientist, disons-le, il n'est pas forcément très expert sur ce genre de choses. Ensuite, il y a ce qu'on appelle aujourd'hui un data engineer qui va pouvoir, en causant avec ce business analyst dont je parlais juste avant, ce data engineer, il va pouvoir aller creuser dans les données existantes, dans les données qu'il pourrait se procurer par ailleurs pour pouvoir faire le projet. Et quand tout ça s'est fait... Allez, disons 80% du travail est fait. Après, 10% pour le data scientist. Donc le data scientist, il arrive entre guillemets quand le gros du travail a été fait et lui, il va fabriquer le modèle. Pour résumer, c'est 90% de la charge est liée à la charge.

11:30 préparation MOA plus un data engineer et après il y a 10% qui est plutôt de la science. Alors j'ai envie de dire 80 puis 10 pour le data scientist puis un niveau 10 pour mettre en prod et monitorer le truc. Donc en fait on voit que dans un projet de data science ou d'IA comme on dit, la partie IA pure, la partie data scientist pure, elle est vraiment réduite avec tout un ensemble de choses à remettre en place pour que l'informatique puisse fabriquer tout ça. C'est-à-dire est-ce qu'on peut fabriquer, industrialiser, automatiser le processus de collecte, nettoyage des données? Et puis ensuite, comment je fais pour, ayant un modèle qui a été produit par un data scientist, le mettre en production, le contrôler, le monitorer, le mettre à jour, et ainsi de suite. Et le data scientist, tu conseilles de plutôt le recruter, d'essayer de voir s'il n'y a pas quelqu'un en interne qu'on est capable de former? Oui, alors... Ça, c'est une très grosse question pour les gens qui veulent se lancer en IA. Comment je vais constituer mon équipe? Alors d'abord, évidemment, l'équipe, c'est un analyse métier, un minima, un analyse métier, un data engineer, comme on dit, donc un informaticien spécialiste.

12:37 On aurait dit autrefois... On aurait dit ça autrefois, mais aujourd'hui on l'appelle data engineer. Bon, un data scientist, donc il faut au minimum ça, plus probablement un informaticien pour tout ce processus-là. La bonne façon de faire, c'est toujours de se dire, pour le business analyst, il n'y a pas question. Il connaît le métier. Il ne peut être qu'une personne interne. Pour le data engineer, probablement parce qu'il connaît les données aussi. Pour le data scientist, la tentation est très forte parce qu'en général, on n'a pas ces compétences en interne d'aller les chercher dehors. Si on les cherche dehors, on amène donc dans la société quelqu'un qui est un data scientist et rien d'autre, qui va être incapable de parler du métier, incapable de comprendre les données et qui donc va avoir beaucoup de mal finalement à fabriquer un bon projet. L'équipe, elle travaille ensemble. Donc moi, j'ai envie de dire que la solution idéale, c'est de faire monter en interne quelqu'un qui a déjà ce travers-là, ou ce biais bizarroïde d'aimer ce genre de choses, de le former, de l'aider à monter, et peut-être de recruter en extérieur un data scientist pour qu'il puisse travailler à deux et monter ensemble.

13:47 Dans tout ça, j'ai laissé de côté un truc qui est critique, c'est le chef de projet. Un chef de projet d'un projet IA, ce n'est pas tout à fait comme un chef de projet informatique. Et donc, il va falloir aussi prendre des chefs de projet internes et les faire monter sur des compétences chef de projet IA. Donc, tout ça, c'est un espèce de mix. On parle souvent du build and buy. Qu'est-ce que je vais acheter en extérieur? Peut-être qu'au début, j'ai intérêt à acheter à l'extérieur. Des profils data scientists et faire monter en compétence, build, mon équipe interne, pour réussir à avoir un mix qui fonctionne bien. L'erreur fatale, c'est je recrute 10 data scientists, je les mets dans le bocal et j'attends que ça sorte. Ça, c'est la banane assurée, comme on dit. On est d'accord. Et donc, du coup... Quand tu me parles de tout ça, collecter de la data, une grosse équipe, j'ai vraiment l'impression que ces projets, ils sont chers. Est-ce que tu peux nous donner un petit peu la recette de j'ai envie de me lancer là-dedans un peu, c'est quoi les différentes étapes que je dois suivre pour mener mon projet à bien? Oui, alors c'est cher, oui et non.

14:49 C'est cher, mais ça peut rapporter gros. Et donc tout le jeu, il est là. Le jeu, il est de dire c'est cher si... Je lance un projet DataLeg de 5 ans avec un budget de 1,5 million d'euros. budget de X millions d'euros sur la table et j'attends que ça sorte pour pouvoir commencer. C'est cher si je dis je vais recruter une équipe de 20 data scientists externes, je vais les amener là-dedans et ça va marcher. Ça c'est la recette pour l'échec. La bonne stratégie c'est toujours se dire ça a un coût, D'abord le comprendre, quel est ce coût, où est-ce que je vais devoir faire des investissements, et puis aussi comprendre que tout projet que je mène, il n'a qu'un seul objectif, c'est que j'y gagne. Si j'y gagne rien, j'arrête tout de suite. Donc la bonne stratégie probablement, c'est de fonctionner par étapes. La première étape, on va l'appeler l'étape zéro, c'est ce qu'on appelle le POC, le fameux Proof of Concept. On lance un premier projet. Et on regarde comment ça marche, comment ça se met en place, comment ça se produit et qu'est-ce que ça rapporte.

15:51 Pour ça, il y a des exigences. Première exigence, je fais un POC uniquement et exclusivement sur un sujet où potentiellement je peux gagner quelque chose. Je ne fais pas un POC pour voir, je ne fais pas un POC pour m'amuser, je fais un POC pour... Comprendre que ce projet-là peut me rapporter quelque chose. Ce qui a métier, par exemple, il y a du business derrière. Tout à fait. Où est le business? Dans quel processus il va s'intégrer? Et ça, ça veut dire que dès le démarrage, je vais me dire, ce POC, il va falloir que je le mette en prod derrière. Un POC que tu développes et que tu ne mets pas en prod, c'est des coûts et ce n'est pas de bénéfices. Donc, tu n'as rien gagné. Tu as gagné peut-être un petit quelque chose parce que tu comprends un peu. mieux la chose, mais tu n'as rien gagné parce qu'il faut... Il faut avoir la prod en ligne de mire. La prod, il faut obligatoirement qu'un POC aille en prod. Ou bien, je fais un POC parce que ça m'intéresserait d'avoir ça comme solution en prod, mais très vite... Je me rends compte que ça ne marche pas. Fail fast. C'est-à-dire qu'il faut que je lance le POC, ça ne marche pas, j'arrête, je coupe et je coupe sans aucun état d'âme.

16:57 Donc vraiment, avoir en tête toujours que si j'investis, il faut que ça me rapporte, que je dois comprendre rapidement. Où je vais pour pouvoir couper s'il faut le faire. Alors les gens souvent disent, on s'est lancé, on a fait des dizaines de POC, on ouvre le tiroir, on met le POC, on ferme le tiroir. Jamais ça. La fameuse usine à POC, c'est un désastre total. Du coup, ce que tu dis souvent, c'est la mise en prod. C'est un petit peu de tech, beaucoup d'humains. Alors oui, ça c'est encore un autre sujet. Quand on met un... Là, on a parlé du premier époque qu'on va mettre en production. Forcément, quand on va mettre en production un projet d'IA, très souvent, ce sont des projets soit qui automatisent une partie d'un processus existant, soit qui vont créer des nouveaux processus carrément. Donc, le fait est qu'un projet IA, ça va avoir... Un impact très fort sur la façon dont on travaille.

18:00 Souvent, on va fabriquer par exemple un processus qui automatise une tâche, et dans l'entreprise, les gens qui faisaient cette tâche vont dire « Ah, ils vont me piquer mon job ». D'accord? Et ça, c'est quelque chose qu'il faut comprendre dès le début, c'est que le but n'est pas de piquer le job des gens, le but est de... Débarrasser les gens qui font une partie du job qui est vraiment répétitive, ennuyeuse, désagréable, l'automatiser pour qu'ils puissent faire mieux le reste. Et ça, ça veut dire quoi? Ça veut dire que je vais devoir repenser les processus de travail des collaborateurs et je dois leur expliquer ça. Et ça, ça veut dire quoi? Ça veut dire que les gens vont devoir comprendre et changer. Et s'il y a un truc que les gens n'aiment pas, c'est changer. On est tous d'accord. Et c'est souvent oublié. Et donc ça, ça prend beaucoup de temps. C'est absolument vital de lancer ces réflexions-là. Souvent, effectivement, on ne pense pas à ces choses-là.

19:02 Et là, on est sûr de l'échec. Donc vraiment, l'étape POC, mise en production, travail sur les processus. Et puis petit à petit, je parlais tout à l'heure des PME avec qui je discute. Quand je discute avec elles, j'ai quatre ou cinq projets possibles. Je vais chercher à prioriser ces projets avec deux critères. Premier critère, combien ça me rapporte, à la PME plutôt, et en combien de temps je peux le faire. Je veux des projets rapides qui peuvent me rapporter gros, parce que je comprends. Je mets en prod, j'y gagne et je continue. Donc petit à petit, je vais enclencher cette mécanique, non pas d'usine à poc, mais de projets successifs qui vont être mis en production et qui vont me rapporter. Donc est-ce que ça coûte cher? Oui. Mais ça peut me rapporter. Et il faut absolument que j'enclenche cette mécanique de rapporter. Alors, les coûts... Oui, vas-y. Non, juste, je sais que tous ces projets-là, il y a plein d'erreurs qu'on peut faire. Il y a plein de pots de bananes. Comme tu le dis très bien, il y a le sujet, par exemple, éthique.

20:03 C'est très largement documenté. On ne va pas forcément en parler maintenant. Il y a le sujet qui est en train d'émerger, le sujet éco-responsabilité. C'est aussi un vrai sujet qui est en train d'émerger, qui est naissant aussi. Mais tu m'as parlé de quelque chose qui est, entre guillemets, une menace sur tous ces projets IA qui arrivent. C'est plus le légal qui est en train de se pointer par des textes un petit peu contraignants sur la régulation de ce qu'on va pouvoir faire en IA. Est-ce que tu peux nous en parler? Alors ça, effectivement, c'est ce qu'on appelle le AI Act. C'est une proposition de la Commission européenne. L'idée, c'est que l'IA, ça a des bénéfices, ça peut effectivement rapporter, soit à l'entreprise, soit aux citoyens, tout simplement, mais que ça a aussi des risques. Et donc, l'intention de la Commission européenne, c'est de réguler les applications d'intelligence artificielle qu'ils appellent à haut risque. Donc, si une application IA a un... Un impact sur le citoyen qui présente des dimensions de risque, soit pour sa santé, soit pour sa vie même, alors ces projets-là vont devoir être régulés, alors régulés au sens audité.

21:14 C'est-à-dire que je ne pourrais mettre sur le marché un projet que s'il a été audité par un processus très systématique. Et quand j'aurai mon label Commission européenne, alors le projet pourra fonctionner. Donc ça, je pense que... Tout le monde en Europe est à peu près d'accord pour dire que l'IA sans doute doit être régulée. Comment elle va l'être de façon très précise, ce n'est pas encore décidé. Il y a beaucoup de discussions et d'aller-retour avec la Commission sur ces sujets-là. Il n'empêche que le CTO doit savoir ça. Et il doit savoir en particulier que, quelle que soit la décision finale qui va être mise en jeu, forcément, ça va impliquer un processus d'audit. Et ce processus d'audit, il va demander, comme toujours des processus d'audit, la documentation, comment est-ce que vous avez spécifié, comment vous avez choisi vos données, la traçabilité des données dont on parlait, comment vous avez mis en place tous les processus pour vous assurer que vous maîtrisez les risques. Ce que tu veux dire là, c'est que... En gros, on va entraîner des modèles avec des données.

22:16 Oui. Si on se fait auditer quelque part, il va falloir pouvoir montrer les données qu'on a utilisées. Éventuellement, oui. La CNIL dit des choses là-dessus quand même, RGPD, etc. Tout à fait. Et du coup, ça veut dire quoi? Tu sais, on parle souvent de« il y a un modèle qui existe et je vais le customiser pour un cas particulier». Comment ça va se passer pour ces cas-là où je n'ai pas les données du modèle de départ? Oui, alors ça, tu parles de ce qu'on appelle les modèles pré-entraînés. De plus en plus, en fait, aujourd'hui, comme on a dit tout à l'heure, il n'y a pas énormément d'algorithmes d'apprentissage. Il y a des librairies qu'il suffit de charger en open source. De plus en plus, ce qu'il y a par ailleurs, c'est des librairies. De modèles pré-entraînés. Par exemple, si on veut faire de la reconnaissance d'images, on va utiliser un modèle qui s'appelle YOLO, qui a été en entraîné sur des centaines de milliers d'images qu'on n'a pas soi-même forcément. Donc si je prends un modèle comme ça, je vais prendre par exemple le modèle YOLO en question, prenons cet exemple-là, qui a été entraîné sur des images, avec des volumétries que moi je n'ai pas.

23:16 Par exemple, il a été entraîné sur je ne sais plus combien, dizaines de millions d'images. Moi, j'en ai peut-être seulement 100 000. Je vais prendre le modèle pré-entraîné et puis je vais lui faire faire un petit tour sur mes données à moi. Donc j'ai besoin de moins de données et j'ai besoin surtout de moins de données étiquetées, qui est la partie qui coûte le plus cher. Quand je fais ça, dans l'esprit actuel de la régulation telle qu'elle est proposée par la Commission, je dois être capable de montrer tous ces ensembles de données. Effectivement, comme tu le dis, je ne l'ai pas. Donc ça, c'est l'un des aspects qui fait discussion aujourd'hui avec la Commission. Donc tous ces aspects-là vont devoir être éclairés, bien sûr. Mais il faut, de façon plus générale par rapport à ta question, ça c'est une grosse innovation de l'IA, cette capacité de récupérer des modèles pré-entraînés et en fait de faire ce qu'on appelle du transfer learning, c'est-à-dire de transférer un modèle pré-entraîné sur un sujet dans mon domaine à moi. Cette innovation-là, il ne faut pas que la régulation la tue. Il faut qu'on discute, c'est ce qui est en train de se faire avec la Commission, pour être sûr que la régulation ne tuera pas l'innovation.

24:22 Ça c'est très important parce que sinon il y a peu de chances qu'un champion européen puisse émerger dans ces domaines s'il y a trop de régulation. Tout à fait, absolument. Je pense que cette régulation, elle a tout un tas de côtés très positifs. Le marché européen, maintenant, on ne pourra plus mettre sur ce marché, même si on est un grand gaffard, on ne pourra plus mettre sur le marché une application sans qu'elle soit« tamponnée» par la Commission. Il y a plein d'avantages, mais il y a aussi des points qui restent encore en suspens et c'est ces points-là qui doivent être éclairés. Ok, donc on aurait encore plein de choses à échanger. Et d'ailleurs, dans la séance de questions réponses, je pense que les gens pourront me poser plein de questions. J'ai quand même une dernière question que j'ai envie de voir avec toi, qui concerne plus particulièrement tes fonctions actuelles. Finalement, comment est-ce qu'on peut se faire aider? Admettons, j'ai une petite PME, je suis en Alsace, PE familiale hyper performante sur son domaine. Et d'un seul coup, je me dis, tiens, moi, j'ai envie de faire de l'IA.

25:24 Je ne sais pas comment m'y prendre. Comment je peux me lancer? Alors, il y a pas mal de réponses là-dessus. D'abord, effectivement, je travaille au Web France IA. Et ce qu'on fait, c'est qu'on a des sociétés qui viennent chez nous pour partager avec les pairs. Donc, les sociétés qui viennent, elles travaillent dans des groupes de travail, elles montent ensemble des projets éventuellement. Et le partage entre pairs, c'est un point fondamental. Dans le cas des PME, j'ai parlé du projet Paquia de la région. C'est la région Île-de-France. Je suis désolée, mais ta PME en Alsace, je ne peux rien faire. On va dire que je suis dans les Yvelines. Ah, c'est dans les Yvelines, ça le va. Donc effectivement, il y a des projets, et ça va nous amener de façon plus large au financement, il y a des projets qui permettent à des entreprises de faire leur premier pas en IA. Et ça, c'est fondamental parce que, vu de l'extérieur, la marche est très haute. Mais une fois qu'on vous a tenu la main et qu'on a fait la première marche, après, toutes les PME m'ont dit, après leur premier projet, maintenant, je mets de l'IA partout.

26:25 Parce que voilà. Donc, la chose importante, c'est de se faire à quoi? accompagner, le Hub fait ça, mais il y a d'autres organismes qui font ça, qui vont vous accompagner, qui vont vous aider. Et puis aussi, il y a tout un tas de sources de financement. Donc, il y a des sources de financement multiples qui peuvent vous accompagner à tout un tas d'étapes du voyage, la première marche, puis ensuite, Il y a une annonce qui est en train de sortir par le gouvernement avec, je crois, un peu plus de 2 milliards qui vont être mis sur l'IA. Donc, c'est des sujets sur lesquels les sources de financement sont très nombreuses. Et la seule chose importante, c'est... Le premier pas, c'est comme on dit, le premier pas qui coûte. Une espèce de bootcamp pour démarrer. Il faut démarrer, il faut démarrer d'une façon ou d'une autre. Mais moi, tous les exemples qu'on a eu jusqu'ici, cette année, on a fait 20 projets, là, on va en faire 60 avec des PME. Toutes les PME ont la même réaction. Sans vous, je n'y serais pas allée. Grâce à vous. Ils ne savaient pas par quel bout prendre la bête. Avec vous, j'ai compris que j'y gagne. Après, j'y vais.

27:26 J'y vais et ça roule tout seul. Donc, la seule réponse à la question, c'est... Il faut qu'ils viennent te voir. Allez-y. Non, mais allez-y. Allez-y. Il y a plein de façons d'y aller, mais il faut y aller. OK. Merci, Françoise, pour l'échange. Et puis, on se retrouve là tout de suite pour les questions. Merci beaucoup des questions.