Technologies émergentes : intelligence artificielle, blockchain, objets connectés et analyse de données

05La blockchain

La blockchain (chaîne de blocs) est un registre partagé entre plusieurs participants. Les enregistrements y sont horodatés et regroupés en blocs liés entre eux, de sorte que modifier un enregistrement passé est détecté par tous. Aucun participant ne contrôle seul le registre : on parle de registre distribué.

Exemples d'usage : suivre l'origine et le parcours d'un produit dans une chaîne d'approvisionnement, certifier un diplôme, partager des informations entre plusieurs organisations sans base centrale. Le programme ne demande pas de détailler le fonctionnement technique.

06L'internet des objets

L'internet des objets (IoT, de l'anglais « Internet of Things ») désigne des objets équipés de capteurs et connectés à un réseau : ils mesurent un phénomène (température, position, consommation) et transmettent les données à un système d'information.

Conséquences pour l'organisation.

• Nouvelles données, en continu et en grand volume, à stocker et exploiter (paragraphe suivant).
• Automatisation : l'alerte ou la décision se déclenche sans intervention humaine.
• Risques : objets mal protégés qui deviennent des portes d'entrée pour une attaque (cours 10), données personnelles (localisation d'un salarié, cours 08), dépendance au réseau.
• Coûts et impact environnemental : multiplication des objets et du stockage (cours 12).

07La data analyse et la data science

Les organisations disposent de volumes croissants de données : celles de leurs bases (cours 13), de leurs objets connectés, de leurs clients. Deux approches complémentaires en tirent de la valeur.

La chaîne de valeur de la donnée : collecter, préparer (nettoyer, contrôler la qualité), analyser, visualiser, décider. La préparation est l'étape la plus longue et la plus décisive : un tableau de bord n'est pas meilleur que les données qui l'alimentent.

Apports : pilotage fondé sur des faits, détection d'anomalies, personnalisation, prévision. Limites : qualité des données ; confusion entre corrélation (deux phénomènes évoluent ensemble) et causalité (l'un provoque l'autre) ; biais ; respect des données personnelles.

Exemples corrigés

Cas 1 : choisir le type d'IA adapté à cinq besoins

Énoncé. Une société de services étudie cinq usages de l'IA.

1. Pour chaque besoin, proposer le type d'IA et justifier.
2. Identifier les risques.
3. Conclure à l'attention de la direction.

Corrigé.

1. Choix.

1. Risques : A, rigidité si les règles ne sont pas mises à jour ; B, biais de l'historique et profilage des clients (données personnelles) ; C, texte inexact ou ton inadapté, données d'un client saisies dans un outil externe ; D, fausses alertes ; E, réponse fausse donnée avec assurance.

2. Conclusion.

À retenir

À la direction. Deux besoins recourent à l'apprentissage automatique : le B, à titre principal, et le D, en complément des règles ; les trois autres sont mieux servis par des règles ou par une IA générative encadrée. Le principe commun est que l'humain reste responsable : la facture rejetée, le brouillon, l'alerte et la réponse automatique sont vérifiés. Je recommande de commencer par les besoins A et E, qui se règlent sans données d'apprentissage et sont explicables, et de n'engager le projet B qu'après avoir contrôlé la qualité de l'historique clients et l'information des personnes concernées.

Cas 2 : une détection de fraude par règles, puis son évaluation

Énoncé. La comptabilité fournisseurs veut contrôler dix paiements de mars avant leur exécution. Les règles de détection retenues sont : R1 deux paiements de même montant au même fournisseur ; R2 un paiement supérieur à trois fois la moyenne des autres paiements du même fournisseur ; R3 un fournisseur payé sur plus d'un compte bancaire.

1. Écrire et exécuter les trois règles.
2. Après enquête, un seul paiement est frauduleux : le n° 8, dont le compte de destination a été falsifié. Évaluer les règles.
3. Un système d'apprentissage automatique est testé sur 1 000 paiements dont 10 frauduleux : il signale 40 paiements, dont 8 sont frauduleux. L'examen d'une alerte prend 15 minutes. Comparer et conclure.

Corrigé.

1. Règles.

R1 : même fournisseur et même montant, sans compter deux fois la même paire.

SELECT A.NumPaiement AS Paiement1, B.NumPaiement AS Paiement2, A.Fournisseur, A.Montant
FROM PAIEMENT A INNER JOIN PAIEMENT B
     ON A.Fournisseur = B.Fournisseur AND A.Montant = B.Montant
        AND A.NumPaiement < B.NumPaiement
ORDER BY A.NumPaiement;

R2 : sous-requête corrélée (cours 18) calculant la moyenne des autres paiements du fournisseur.

SELECT P.NumPaiement, P.Fournisseur, P.Montant
FROM PAIEMENT P
WHERE P.Montant > 3 * (SELECT AVG(P2.Montant)
                       FROM PAIEMENT P2
                       WHERE P2.Fournisseur = P.Fournisseur
                         AND P2.NumPaiement <> P.NumPaiement)
ORDER BY P.NumPaiement;

R3 : regroupement par fournisseur (cours 17).

SELECT Fournisseur, COUNT(DISTINCT Compte) AS NbComptes
FROM PAIEMENT
GROUP BY Fournisseur
HAVING COUNT(DISTINCT Compte) > 1
ORDER BY Fournisseur;

1. Évaluation. Les trois règles signalent les paiements 5 et 6 (R1, Marchais), 7 et 8 (R1, Fontaine ; R3, Fontaine) et 4 (R2, Vasseur), soit cinq paiements sur dix. Un seul, le 8, est frauduleux : il est détecté (la fraude n'est pas manquée), mais quatre alertes sur cinq sont de fausses alertes. Les paiements 5 et 6 sont deux règlements normaux et identiques ; le paiement 4 est un achat exceptionnel légitime. Le taux d'alertes pertinentes est de 20 %. L'avantage des règles est leur explicabilité : on sait pourquoi chaque paiement est signalé.

2. Système d'apprentissage automatique : sur 40 alertes, 8 sont des fraudes, donc 32 fausses alertes ; sur 10 fraudes, 8 sont détectées (80 %) et 2 sont manquées ; le taux d'alertes pertinentes est de 20 %. Le temps d'examen est de 10 heures (40 alertes de 15 minutes).

Conclusion.

À retenir

Note au directeur financier. Les règles repèrent la fraude du cas étudié mais signalent aussi quatre paiements normaux : elles sont adaptées aux schémas connus (compte modifié, doublon) et se justifient facilement devant un auditeur. Le système d'apprentissage détecte 80 % des fraudes mais en manque deux sur dix et produit 32 fausses alertes pour 8 vraies, soit 10 heures d'examen par lot. Je recommande de combiner les deux : les règles pour les schémas connus, le score pour les cas inhabituels, avec réglage des seuils et revue humaine de chaque alerte. Il faut mesurer chaque mois la part d'alertes pertinentes : si elle reste faible, l'équipe cessera de les examiner sérieusement.

Cas 3 : suivre la chaîne du froid avec des objets connectés

Énoncé. Une coopérative de produits frais équipe ses camions de capteurs de température qui transmettent un relevé toutes les deux heures. Le cahier des charges fixe une température de conservation maximale de 4 °C (donnée de l'énoncé). La direction envisage aussi de consigner les relevés dans un registre partagé avec ses producteurs et ses distributeurs.

1. Écrire une requête qui résume les relevés par camion et repère ceux qui ont dépassé la limite.
2. Quel est l'apport de l'IoT ? Et celui d'un registre de type blockchain ?
3. Conclure par une recommandation argumentée.

Corrigé.

1. On regroupe par camion (cours 17) ; le HAVING ne conserve que les camions dont le maximum dépasse la limite.

SELECT Camion, COUNT(*) AS NbReleves, MIN(Temperature) AS Mini,
       MAX(Temperature) AS Maxi, AVG(Temperature) AS Moyenne
FROM RELEVE
GROUP BY Camion
HAVING MAX(Temperature) > 4
ORDER BY Camion;

Seul le camion C2 a dépassé 4 °C, avec un maximum de 6 °C ; sa moyenne de 4,5 °C est elle-même au-dessus de la limite, ce qui indique une dérive durable et non un accident ponctuel. Les camions C1 et C3 sont restés dans la limite.

1. Apports.

   • IoT : relevés automatiques et continus à la place de relevés manuels ; alerte possible en temps réel (on peut intervenir avant que la marchandise soit perdue) ; preuve de la température en cas de litige. Limites : capteur défaillant ou mal étalonné, coût des capteurs, protection des données (position des camions).
   • Registre de type blockchain : les producteurs, la coopérative et les distributeurs partagent les mêmes relevés, qu'aucun d'eux ne peut modifier discrètement. Elle apporte une confiance partagée entre partenaires qui n'ont pas de base commune. Limites : elle prouve que le relevé n'a pas été modifié, pas qu'il est exact (un capteur défaillant enregistre une valeur fausse que personne ne peut effacer), et elle a un coût et une complexité de mise en œuvre.

2. Conclusion.

À retenir

Recommandation à la direction. Le résultat du jour montre l'intérêt de l'IoT : un camion sur trois a dérivé, et sans capteur la perte aurait été découverte à la livraison. Je recommande de généraliser les capteurs avec une alerte au premier dépassement, et de contrôler leur étalonnage. En revanche, le registre partagé ne se justifie que si plusieurs partenaires contestent les relevés et n'ont aucun tiers commun auquel faire confiance : tant que la coopérative est le seul gestionnaire des données, une base sécurisée avec journal (cours 23) suffit, à moindre coût. La décision pourra être revue si un distributeur exige un registre commun.

Vocabulaire essentiel

Points clés à retenir

1. Pour chaque technologie : rôle, impact sur la performance, exemples, conditions, limites.
2. Trois familles d'IA : règles (explicables, rigides), apprentissage (apprend d'exemples, se trompe), générative (produit du contenu, à vérifier).
3. L'IA est fiable dans la mesure où les données le sont ; l'humain garde la responsabilité.
4. L'IA générative impose de vérifier et de protéger les données saisies.
5. Une détection de fraude combine règles et apprentissage ; le défi est de limiter les fausses alertes.
6. L'IA transforme les métiers : moins de saisie, plus d'analyse, de contrôle et de conseil.
7. Le no-code accélère les projets mais exige un contrôle (sécurité, maintenance).
8. La blockchain garantit l'intégrité, pas l'exactitude ; l'IoT crée des données en continu et de nouveaux risques.
9. La data analyse décrit, la data science prévoit ; la qualité des données conditionne les deux.

Pièges fréquents

1. Détailler le fonctionnement technique (réseaux de neurones, consensus) : le programme demande le rôle, l'impact et des exemples.
2. Présenter l'IA comme infaillible : elle se trompe et peut produire des contenus faux mais plausibles.
3. Confondre intégrité et exactitude : la blockchain n'empêche pas d'enregistrer une donnée fausse.
4. Oublier les fausses alertes dans une détection de fraude.
5. Confondre corrélation et causalité dans une analyse de données.
6. Oublier la protection des données personnelles (profilage, localisation, saisie dans un outil externe).
7. Négliger la qualité des données : un modèle ou un tableau de bord n'est pas meilleur que ses données.
8. Citer un produit ou un éditeur : le sujet n'en nomme pas, la réponse non plus.

Q&R pour le tuteur IA

Q : Quelles sont les principales familles d'intelligence artificielle ? R : L'IA à base de règles (règles « si... alors... » écrites par des humains), l'apprentissage automatique (le système apprend à partir d'exemples) et l'IA générative (le système produit un contenu nouveau à partir d'une consigne).

Q : Pourquoi faut-il vérifier le résultat d'une IA générative ? R : Parce qu'elle peut produire un contenu inexact mais plausible. L'humain reste responsable du résultat utilisé. Il faut aussi éviter de saisir des données confidentielles ou personnelles dans un outil externe.

Q : Qu'est-ce qu'une fausse alerte et pourquoi est-ce important ? R : C'est une opération normale signalée à tort par un système de détection. Trop de fausses alertes épuisent les contrôleurs, qui finissent par ne plus examiner sérieusement les alertes.

Q : Que garantit la blockchain ? R : L'intégrité et la traçabilité des enregistrements partagés : une fois inscrits, ils ne peuvent pas être modifiés discrètement. Elle ne garantit pas l'exactitude de ce qui est inscrit.

Q : Quelle différence entre data analyse et data science ? R : La data analyse décrit et explique le passé et le présent (indicateurs, tableaux de bord). La data science construit des modèles pour prévoir et recommander.

Q : Quels sont les risques de l'internet des objets ? R : Des objets mal protégés peuvent devenir des portes d'entrée pour une attaque ; les données collectées peuvent être personnelles ; le volume de données et le nombre d'objets ont un coût et un impact environnemental.

Q : Comment l'IA transforme-t-elle le métier de comptable ? R : Les tâches répétitives de saisie et de rapprochement s'automatisent. Le métier se déplace vers l'analyse, le contrôle, le conseil et la vérification de la qualité des données et des résultats de l'IA.