Smart data :La prochaine frontière de l'IoT

Il n'a jamais été aussi facile de collecter des données qu'aujourd'hui. Quelques clics et vous êtes opérationnel, armé de toutes les meilleures technologies de données que le cloud a à offrir, prêt à accumuler toutes les données que vous pouvez. Il peut être difficile de croire qu'il y a à peine dix ans, les choses étaient radicalement différentes. La collecte de données à grande échelle n'était, en fait, qu'une option pour les plus grandes entreprises, des organisations qui pouvaient se permettre à la fois les serveurs coûteux qui étaient la seule option viable pour stocker toutes les données et les quelques ingénieurs sélectionnés qui étaient capables de tirer le meilleur parti de celui-ci, à l'époque où la science des données n'était qu'un domaine naissant.

De nos jours, heureusement, la génération de données n'est plus seulement un sport d'entreprise. En effet, grâce à l'Internet des Objets (IoT), nous sommes désormais tous devenus, pour le meilleur ou pour le pire, de petites usines Big Data. D'ici 2020, un seul humain sera responsable de la génération de 1,7 Mo de données par seconde. Même maintenant, un seul véhicule autonome génère 11 To de données par jour. Et cette tendance ne montre aucun signe de ralentissement. Au contraire :ça va juste grandir.

C'est évidemment une excellente nouvelle pour tous les amateurs de données. Il n'y a pas si longtemps, la collecte d'ensembles de données de haute qualité était une tâche ardue et laborieuse. Pourtant, nous en voulons toujours plus. S'il semble que votre tout nouveau modèle d'apprentissage en profondeur n'atteigne « seulement » une précision de 92 %, l'excuse la plus simple et la plus simple consiste à blâmer les données. « Mon jeu de données n'est pas assez grand », disons-nous nonchalamment à nos patrons. « Mais si nous attendons encore quelques semaines, ce modèle sera le meilleur que vous ayez jamais vu ! »

Cela semble poser une question importante :quelle quantité de données est réellement suffisante ? Mais cela pose en fait un problème encore plus important :combien de données sont trop ?

Fait intéressant, nous n'entendons pas fréquemment cette question dans les cercles d'apprentissage automatique, même si nous devrions vraiment le faire. Alors que le Big Data est une énorme opportunité, c'est aussi un énorme passif de 40 zettaoctets. Si la data est bien le nouveau pétrole, il faut pousser l'analogie à ses limites :la data est une ressource extrêmement lucrative, mais aussi tout comme le pétrole, elle a besoin d'être affinée. Le fait de ne pas nous restreindre d'une utilisation incontrôlée nous met en danger. En bref, la façon dont nous utilisons et considérons les données aujourd'hui est profondément insoutenable et ce fait atteint encore à peine la conscience collective.

Peut-être, juste peut-être, c'est la mauvaise conversation à avoir. Peut-être que le Big Data n'est pas vraiment la réponse à l'IA après tout.

Prenons un instant un peu de recul et réfléchissons à ce que nous collectons réellement. Au tout début de la numérisation, la collecte de données était en effet plus coûteuse, nous avons donc choisi nos spots. Nous étions plus responsables et un peu plus consciencieux. À mesure que la génération et la collecte de données sont devenues de plus en plus faciles, moins d'attention a été accordée à la qualité, tandis que la quantité est devenue un sous-produit naturel des nouvelles technologies telles que le stockage en nuage, le calcul en nuage, les machines GPU, les systèmes de gestion et de transfert de données à grande échelle. Rapidement, les données sont devenues une marchandise, mais avec l'escalade continue des données et du stockage de données, personne ne s'est posé la question simple :pourquoi collectons-nous cela ? Cela a-t-il même un sens ?

Avec la banalisation de la construction de modèles, les douves de données peuvent certainement sembler la réponse évidente à la différenciation en IA, mais avons-nous tous raté la vue d'ensemble ? Les données vieillissent. Il devient rassis. Et finalement, même si nous avons été amenés à croire que les données et les informations sont deux choses profondément différentes, toutes les données ne le sont pas créés égaux. Après tout, une adolescente prenant 20 selfies d'elle-même avant de publier sur Instagram est certainement différente d'un catalogue consultable de littérature médicale.

Rien de tout cela ne semble être un problème tant que nous nous accrochons à la conviction que les progrès du matériel nous protégeront de l'apocalypse des données. Le stockage de données devient de moins en moins cher de jour en jour, et cette puissance de calcul est de plus en plus accessible. Cela ne reste vrai que si la génération de données est compensée par la capacité des ingénieurs à suivre la loi de Moore. Même s'ils peuvent le faire indéfiniment, considérez ceci :si toutes les données ne sont pas également informatives, alors quel est l'intérêt de traiter des données inférieures ou redondantes ?