Alexandre Timachov Aleksandr est un ingénieur ML avec plus d’une décennie d’expérience en IA et en apprentissage automatique. Il est titulaire d’un diplôme en mathématiques de l’Université d’Indiana et d’un certificat d’études supérieures en intelligence artificielle de l’Université de Stanford. La carrière d’Aleksandr couvre plusieurs secteurs, notamment le commerce électronique, le pétrole et le gaz et la fintech. Dans cette interview, Aleksandr partage ses expériences uniques de direction de projets révolutionnaires en vision par ordinateur et en science des données au sein du groupe énergétique mondial Petronas (Malaisie).
Bonjour Aleksandr. Pouvez-vous nous parler de votre parcours et de la manière dont vous êtes arrivé dans le domaine de la science des données et de l’apprentissage automatique ?
Ma passion pour les mathématiques a commencé très tôt au lycée, lorsque j’ai participé à des olympiades nationales. Cet amour pour les nombres et la résolution de problèmes s’est poursuivi à l’université, où j’ai été attiré par des matières comme l’algèbre linéaire et la théorie des probabilités. La transition vers l’apprentissage automatique m’a semblé naturelle compte tenu de ma formation mathématique. C’est un domaine passionnant qui me permet d’appliquer des concepts abstraits pour résoudre des problèmes du monde réel.
Lorsqu’on m’a proposé un poste dans le domaine du Machine Learning chez Petronas, une grande entreprise malaisienne, j’ai vu cela comme une opportunité incroyable. La taille de l’entreprise et le potentiel d’avoir un impact significatif ont été des facteurs majeurs dans ma décision. Travailler chez Petronas m’a non seulement permis d’améliorer les processus de l’entreprise, mais aussi d’avoir un impact positif sur la vie de millions de Malaisiens. C’est un rôle qui combine mes compétences techniques avec un impact significatif à grande échelle.
Pouvez-vous nous parler de Petronas, de quel type d’entreprise s’agit-il ? Et qu’est-ce qui vous a amené à rejoindre Petronas, quels étaient vos objectifs lorsque vous avez commencé ?
Petronas est une énorme entreprise publique malaisienne, et bien qu’elle opère principalement dans le secteur du pétrole et du gaz, elle fait bien plus que cela. Le groupe de sociétés Petronas comprend un certain nombre d’autres sociétés liées à Kuala Lumpur et à la Malaisie. Supposons, par exemple, que la société immobilière KLCC soit directement liée à Petronas. L’entreprise est responsable de la sécurité et de la gestion des tours jumelles du centre-ville de Kuala Lumpur, les magnifiques tours jumelles de la capitale malaisienne. Et l’influence de l’entreprise ne se limite pas à la Malaisie : elle est présente dans plus de 100 pays à travers le monde.
Petronas est présente dans de nombreux secteurs d’activité, de la pétrochimie à la logistique en passant par les services d’ingénierie. L’entreprise est également connue pour avoir été pionnière dans plusieurs domaines de la technologie numérique, notamment la cybersécurité, l’IoT et, ce qui me concerne plus particulièrement, l’intelligence artificielle.
Mes principaux objectifs en rejoignant Petronas en tant que professionnel de l’apprentissage automatique et de la science des données étaient d’acquérir de l’expérience dans une entreprise offrant d’énormes opportunités d’amélioration et de partager mes connaissances avec autant de jeunes talents que possible.
Et avez-vous atteint ces objectifs ?
C’était certainement un terrain fertile pour mes ambitions ! Lorsque j’ai rejoint l’entreprise, ils venaient de créer un grand département Data Science/Machine Learning – à l’époque, ces technologies n’étaient pas séparées dans l’entreprise. Lorsque je suis arrivé, il y avait déjà plusieurs dizaines de personnes dans le département, mais ils travaillaient encore sur la feuille de route stratégique du département. En même temps, l’énorme avantage de cette situation était de nombreuses possibilités d’amélioration et de nombreuses directions à suivre. J’ai choisi la vision par ordinateur comme l’un de mes domaines de prédilection en matière d’IA. Pour continuer sur cette période, je vais vous donner un exemple : un modèle de vision par ordinateur que l’entreprise utilisait lorsque je suis arrivé pouvait « peser » un gigaoctet. Le tout premier jour, le jour où j’ai commencé à travailler là-bas, j’ai créé à la volée un modèle 20 fois plus petit et beaucoup plus précis.
Le responsable du service qui a travaillé sur ce modèle a été surpris de la rapidité et de la précision avec laquelle mon modèle fonctionnait. Il s’est montré très intéressé et m’a demandé si je pouvais optimiser le travail d’autres modèles. J’ai accepté à condition que si je faisais quelque chose, j’en sois responsable et que les ressources nécessaires me soient fournies. J’ai donc eu carte blanche pour constituer l’équipe de vision par ordinateur, pour en faire une unité efficace qui aiderait Petronas à atteindre ses objectifs. Les personnes que j’ai formées font toujours partie intégrante de l’équipe de vision par ordinateur de Petronas.
Alors, comment avez-vous relevé ce défi de créer une équipe de vision par ordinateur puissante à partir de zéro ?
En fait, ce n’était pas un, mais plusieurs défis. Contrairement aux petites entreprises et aux startups, les grandes entreprises dotées de structures et de processus opérationnels bien établis sont souvent réticentes au changement. Lorsque j’ai rejoint Petronas, les processus étaient déjà opérationnels et il n’était pas toujours évident de savoir comment la vision par ordinateur pouvait contribuer à rendre ces processus encore plus efficaces. Nous avons donc dû, d’une part, convaincre les différents services de l’entreprise d’accepter une nouvelle technologie et, d’autre part, faire en sorte que la technologie fonctionne pour eux.
Et cela nous amène au deuxième défi : constituer une équipe capable de mettre en œuvre tous ces changements. Le département fonctionnait déjà lorsque je suis arrivé et je ne pouvais pas commencer par gonfler les effectifs – je devais choisir et former des personnes qui étaient déjà là. Et j’étais ravi de voir à quel point les gens pouvaient être talentueux, même s’ils n’avaient jamais travaillé avec la vision par ordinateur auparavant ! J’ai pu trouver des personnes dans l’entreprise et dans le département qui étaient intéressées par le changement de la façon de faire les choses, des personnes qui ont un esprit critique et une passion pour la résolution de problèmes mathématiques complexes – et ce n’est pas toujours une tâche facile ! Il m’a donc fallu beaucoup de temps et toutes mes compétences en communication, mais j’ai réussi à convaincre les gens de l’entreprise de s’imprégner de la vision par ordinateur.
Pouvez-vous nous parler de votre travail avec Computer Vision chez Petronas ?
J’ai dirigé plusieurs projets qui ont considérablement amélioré les capacités technologiques de l’entreprise :
Analyse vidéo en temps réel pour la sécurité :
Nous avons développé un système avancé intégrant des algorithmes d’apprentissage profond à l’infrastructure CCTV existante. Ce projet a permis de surmonter les défis liés au traitement de grandes quantités de données visuelles en temps réel et à l’adaptation à diverses conditions environnementales. Le système résultant a détecté avec précision les menaces de sécurité, optimisant les opérations de sécurité et positionnant Petronas comme un leader de la sécurité pilotée par l’IA dans le secteur énergétique malaisien.
Inspections automatisées d’installations industrielles :
Nous avons combiné la technologie des drones avec des algorithmes avancés de reconnaissance d’images pour automatiser les inspections des usines. Ce projet sans précédent en Malaisie a nécessité la création de modèles robustes pour identifier les défauts de divers équipements industriels dans des conditions variables. Nous avons développé un pipeline de données personnalisé pour gérer l’immense volume de données visuelles, ce qui a permis de réaliser d’importantes économies de coûts et de réduire l’exposition humaine aux environnements dangereux.
Numérisation de dessins techniques :
Nous avons entrepris de numériser la vaste collection de dessins techniques de Petronas en utilisant une combinaison d’algorithmes de reconnaissance optique de caractères (OCR) et de détection de dessins. L’un des principaux défis consistait à mapper les détections d’inspection par drone sur des cartes du monde réel. Ce projet a considérablement amélioré l’accessibilité et l’utilisation des informations techniques critiques, améliorant ainsi l’efficacité opérationnelle et les processus de prise de décision.
Dans le cadre de ces projets, j’ai encadré de nombreux ingénieurs ML, favorisant ainsi une culture d’innovation au sein de Petronas. Mon travail a démontré une vaste expertise en vision par ordinateur, en apprentissage profond et en IoT industriel, mettant en évidence la capacité d’adapter les technologies de pointe aux besoins spécifiques de l’industrie pétrolière et gazière et de relever des défis sans précédent dans le contexte malaisien.
Vous nous avez dit que vous mettiez en œuvre ces projets en 2020-2022, donc tout a commencé en pleine période de Covid-19. La pandémie et l’isolement ont-ils compliqué votre travail ?
Bien sûr, la pandémie a eu des répercussions sur nos opérations, comme partout ailleurs dans le monde. En fait, les priorités fixées par mon équipe ont changé et nous avons commencé à nous concentrer sur des tâches telles que la gestion des foules, la détection des masques faciaux, etc. Vous voyez, en tant que société d’État géante, Petronas est responsable de nombreux lieux publics, dont le parc KLCC, et c’est vraiment cool que notre travail à l’époque ait contribué à sauver de nombreuses vies pendant la COVID.
D’ailleurs, ce n’est pas seulement la COVID qui a compliqué notre travail et l’a rendu plus difficile et intéressant. La Malaisie est un pays à prédominance musulmane, ce qui signifie que les gens peuvent se comporter différemment et même s’habiller différemment des gens des pays dans lesquels la majorité des modèles de ML et de vision par ordinateur sont généralement formés. Il y avait un certain biais que nous avons dû surmonter pour faire fonctionner les mêmes modèles dans un environnement sensiblement différent.
Cela semble intéressant ! Pourriez-vous nous en dire plus ?
Par exemple, les modèles pré-entraînés proviennent principalement des pays occidentaux, où il n’y a pas beaucoup de femmes portant un couvre-chef et se couvrant la tête à divers degrés. Il était assez problématique de détecter les femmes portant un couvre-chef ! Nous avons dû réassembler l’ensemble des données, réentraîner les modèles, etc. Ce problème est propre à la Malaisie.
Deuxièmement, comme je l’ai déjà dit, il y a la culture elle-même. Les Malaisiens sont moins enclins à exprimer ouvertement leurs opinions. À cet égard, j’ai dû démontrer à mes coéquipiers – volontairement – que je pouvais aussi me tromper. Et lorsqu’ils me faisaient petit à petit remarquer mes erreurs, cela les encourageait. De cette manière quelque peu détournée, j’ai progressivement construit un environnement plus collaboratif si familier aux entreprises occidentales mais totalement nouveau en Malaisie.
En tant que personne qui a constitué de toutes pièces une équipe travaillant à la pointe de la technologie moderne, quels conseils donneriez-vous aux futurs spécialistes en science des données et en apprentissage automatique qui cherchent à avoir un impact significatif sur leur carrière ?
Pour les futurs spécialistes en science des données et en apprentissage automatique, j’ai trois conseils clés à donner :
Évaluez de manière critique si ce domaine correspond vraiment à vos passions. DS et ML sont des domaines complexes et très compétitifs, exigeant non seulement des compétences mais aussi un véritable enthousiasme pour réussir.
Si vous êtes certain que c’est votre voie, engagez-vous dans un apprentissage intensif et continu. Comme l’a souligné Andrej Karpathy, il faut environ 10 000 heures de travail acharné pour devenir un véritable professionnel dans ce domaine.
Concentrez-vous sur l’intégration dans des entreprises ou des laboratoires de recherche de premier plan où vous pourrez collaborer avec les plus grands esprits du domaine. En vous entourer de collègues brillants, vous accélérerez votre croissance de manière exponentielle. Vous serez exposé à des problèmes de pointe, à des solutions innovantes et à un niveau d’expertise qui vous mettra au défi et vous inspirera au quotidien.
N’oubliez pas que si DS et ML sont vraiment votre passion, ces défis seront passionnants. Cet enthousiasme, associé à une exposition aux meilleurs talents, sera essentiel pour avoir un impact significatif sur votre carrière.
Quelles sont les tendances et avancées actuelles en matière de vision par ordinateur que vous trouvez les plus passionnantes et les plus prometteuses ?
Bien que le traitement du langage naturel ait connu des avancées significatives ces derniers temps, je pense que la vision par ordinateur reste largement sous-estimée et recèle un immense potentiel inexploité. Nous sommes encore loin d’atteindre des capacités de perception et de compréhension visuelles comparables à celles des humains.
L’une des tendances les plus prometteuses en matière de vision par ordinateur est l’apprentissage auto-supervisé. Cette approche, qui peut être comparée à la façon dont les enfants apprennent en observant le monde qui les entoure, a montré un grand potentiel pour réduire le besoin de grands ensembles de données étiquetées. Cependant, je pense qu’il manque encore un élément crucial pour reproduire pleinement l’apprentissage et la compréhension visuels de type humain.
Je suis particulièrement enthousiasmé par l’évolution de l’IA générative dans le domaine de la CV, en particulier les modèles de diffusion et de cohérence. Ces technologies révolutionnent la génération, la manipulation et la compréhension des images. Les modèles de diffusion excellent dans la création d’images diverses et de haute qualité, tandis que les modèles de cohérence améliorent notre capacité à maintenir la cohérence entre différentes perspectives visuelles.
Malgré ces avancées, nous n’en sommes qu’aux prémices de l’exploitation du plein potentiel de la vision artificielle. Le domaine est propice à l’innovation, notamment dans le développement de modèles plus robustes et généralisables, capables d’approcher la compréhension visuelle au niveau humain dans divers contextes. C’est donc une période incroyablement passionnante pour travailler dans le domaine de la vision artificielle, avec de nombreuses opportunités de recherche et d’applications révolutionnaires. »
Cette version concise conserve les points clés sur l’état actuel du CV, votre point de vue sur son potentiel et les développements passionnants dans le domaine tout en étant plus ciblée et pertinente.
Crédit de l’image en vedette: rawpixel.com/Freepik