Commencer est la partie la plus importante de toute quête et de loin la plus courageuse. - Platon

Le 28 juillet 2022, nous avons organisé un défi d'équipe d'une journée pour explorer et développer une preuve de concept (POC). Chaque équipe de data scientists et stagiaires pouvait choisir une technologie de pointe spécifique sur laquelle travailler pendant neuf heures (par exemple, GPT3, extraction Web à grande échelle, vision par ordinateur, IoT, apprentissage automatique, IA explicable, etc.).

Quelle était la mission ? Développer un POC en technologie de pointe qui pourrait profiter à Agilytic et à nos clients.

« La planification de la première Agilytic Quest est née d’un désir enthousiaste de collègues de tenter un nouveau défi. C'était le point de départ. De plus, notre accélérateur de projet, le Lab Agilytic, est une initiative en pleine croissance. C'était donc une excellente occasion de lancer le Lab, de relever de nouveaux défis et d'explorer des technologies de pointe », a noté Alex Schouleur, l'organisateur de la Quest.

Alors, pourquoi en seulement 9 heures ?

« Nous voulions trouver le juste compromis. L'idée est de donner suffisamment de temps aux personnes pour développer un POC, mais en même temps, nous voulions créer un sprint intensif. C'est une partie essentielle pour rendre le défi intéressant », a déclaré Alex.

La matinée a commencé par un lancement et un brainstorming pour choisir un sujet en utilisant une des solutions de pointe. À la fin du défi, chaque équipe devait présenter sa solution. Les membres d'Agilytic étaient encouragés à explorer quelques concepts par eux-mêmes pour maximiser leur impact. Voici ce que chaque équipe a développé et expérimenté ensemble !

Équipe 1 - Correction et suggestions de code automatisées avec Alex Schouleur et Guillaume Carton

En vos propres mots, qu'avez-vous développé en équipe et pourquoi avez-vous décidé de travailler sur cela ?

Alex: Nous avons décidé de développer deux cas d'usage de GPT3, un algorithme de traitement du langage naturel développé par l'entreprise OpenAI, un laboratoire de recherche en intelligence artificielle. Ils ont construit GPT3 à partir de données Web, de tout ce qui est sur Wikipedia, les sites Internet, Reddit, les réseaux sociaux, etc., en regroupant le tout dans un énorme ensemble de données et en entraînant des algorithmes sur cela. Tout d'abord, nous avons construit un outil qui peut aider les programmeurs à documenter leur code. Cette tâche peut être un grand souci, fastidieuse, ennuyeuse et la documentation n'est souvent pas suffisamment complète ou de qualité. Avec GPT3, nous avons réalisé quelques tests, et les résultats étaient impressionnants. En un clic, nous pouvions générer une excellente documentation de code. Le deuxième cas était pour la correction automatique des bugs. Où nous pouvions copier-coller du code Python dans notre outil, et en un clic, l'outil renvoie le code sans bugs. Ensuite, nous avons effectué une exploration plus large de GPT3 - et avons identifié beaucoup de potentiel.

Quel élément de la Quest avez-vous aimé le plus ?

Alex: C'était intéressant de voir tout le monde travailler en équipe, construire quelque chose ensemble et partager connaissances et expertise. C'était agréable d'entendre les idées des autres équipes. Tous nos projets étaient divers et très intéressants. Nous ne voulions pas que cela devienne trop compétitif, car le but était de construire quelque chose de génial pour Agilytic. Cela en a fait plus un exercice de team building qu'une pure compétition.

Guillaume: Cela m'a permis de travailler sur une nouvelle technologie que je n'avais jamais utilisée auparavant. Les technologies évoluent si rapidement de nos jours qu'il est intéressant et important de pouvoir se consacrer de temps en temps à des technologies de pointe. Et pouvoir partager ce moment avec d'autres collègues l'a rendu encore plus amusant.

Quel a été le plus grand défi ou obstacle que vous avez rencontré ?

Alex: Le plus grand défi était de garder l'objectif commercial à l'esprit. Bien que GPT3 soit impressionnant, amusant à utiliser et déclenche un effet « wow », tout cela n'est que du vent si nous ne l'utilisons pas pour les bons objectifs et finalités commerciales. Donc, la traduction d'une bonne technologie en projets concrets. C'était la partie la plus difficile.

Qu'avez-vous appris que vous ne saviez pas auparavant ?

Alex: Je ne savais pas à quel point GPT3 était puissant. J'avais certaines attentes selon lesquelles il serait correct ou moyen, peut-être pas de la meilleure qualité, mais il est assez facile de confondre les réponses avec celles d'un humain.

Guillaume : Bien que je n'aie entendu parler de GPT3 que vaguement, la Quest m'a permis d'apprendre beaucoup plus sur le sujet et de voir quels pourraient être les cas d'utilisation potentiels de cette technologie.

Y a-t-il eu un moment drôle ou surprenant que vous avez partagé en équipe ?

Alex: Oui! On peut poser n'importe quelle question à GPT3. Nous avons été amusés par les réponses à des questions techniques que nous posons habituellement aux personnes postulant chez Agilytic, et GPT3 les a réussies avec brio!

Quels seraient certains cas d'utilisation de cette solution si elle était mise en production ?

Alex: Il y a beaucoup d'applications différentes. Déjà, de nombreuses entreprises l'utilisent comme principal algorithme. Par exemple, Duolingo l'utilise, et d'autres entreprises l'utilisent pour des outils de correction orthographique et grammaticale, des chatbots, et tout ce qui concerne la classification, le résumé de documents et même la génération de code.

Guillaume: Une chose intéressante est que nous pouvons déjà utiliser le premier cas d'usage en interne pour réduire le temps passé sur la documentation tout en assurant la qualité de la documentation générée.

Équipe 2 - Analyse des données de performance sportive avec Adrien Debray, Javier Tarrio et Nico Grassetto

En vos propres mots, qu'avez-vous développé en équipe et pourquoi avez-vous décidé de travailler sur cela ?

Javier: Nous voulions explorer le potentiel d'utiliser les informations disponibles publiquement de Strava sur la performance des athlètes professionnels. Nous avons choisi de nous concentrer sur le Tour de France récemment terminé. Ce sujet est apparu naturellement puisque la course s'était terminée quatre jours avant, et l'un de nous était passionné de cyclisme.  

‍Nico: Nous voulions voir jusqu'où nous pourrions aller avec les données disponibles publiquement et faire de notre mieux pour produire une analyse ou une prédiction.

‍Adrien : En tant que fan de cyclisme et utilisateur de Strava, je savais qu'il y avait certaines données disponibles publiquement sur les cyclistes et d'autres sportifs sur la plateforme. J'étais curieux de voir si ces données pouvaient nous donner une compréhension plus profonde des profils des coureurs, des tactiques qui pourraient être fructueuses et de nombreux autres aspects.

Quel élément de la Quest avez-vous aimé le plus ?

Javier: J'ai aimé l'ouverture du choix des sujets, ce qui nous a permis de voir en fin de journée trois approches sur des idées complètement différentes.

‍Nico: J'ai aimé l'idée que nous pouvions utiliser ça pour les clients, et l'ouverture de la Quest vers des sujets potentiels.

Quel a été le plus grand défi ou obstacle que vous avez rencontré ?

Javier: Nous avons surestimé la facilité de collecter des données de la source. Nous avons essayé différentes possibilités pour faire le travail, mais finalement, cela nous a pris beaucoup de notre ressource la plus limitée : le temps. Sur le plan organisationnel, nous aurions pu mieux faire avec le processus de partage de code.

‍Nico: Nous avons surestimé le défi d'obtenir des données sur le Tour de France (ou simplement des données d'ailleurs).

Qu'avez-vous appris que vous ne saviez pas auparavant ?

Javier: L'ampleur des cyclistes professionnels qui partagent publiquement leurs données de performance. Ce n'est là qu'un aspect de la vaste quantité de données que l'internet des objets (dans ce cas, un dispositif portable) génère, et les données sont des informations, et les informations sont du pouvoir.

‍Nico: L'importance d'une bonne planification avant de commencer un projet ainsi que l'importance de Github dans de tels moments. Au début, nous avons décidé d'écrire nos codes respectifs dans des carnets, mais finalement, cela s'est avéré être un obstacle majeur en termes de temps.

Y a-t-il eu un moment drôle ou surprenant que vous avez partagé en équipe ?

Adrien: Je me souviens de Javier rédigeant une liste de choses à faire pour tout ce que nous devions encore réaliser dans un temps très limité. Nous avons réalisé qu'il serait difficile d'arriver à une solution finale dans la journée. Mais au moins, nous étions tous d'accord sur le dernier élément des choses à faire : « 18:30 : Prendre une bière ».

Quels seraient certains cas d'utilisation de cette solution si elle était mise en production ?

Javier: Pour les athlètes individuels : identifier les segments de leur activité dans lesquels ils devraient s'améliorer en se comparant à d'autres athlètes qui les surpassent dans ces segments ; pour les équipes sportives : trouver des jeunes athlètes prometteurs ; pour les maisons/applications de paris : aider à calculer le rendement d'un pari ; pour les parieurs : aider à identifier les bons paris.

Équipe 3 - Analyse de la mise en page de documents avec Guillaume Lamine et Arnaud Briol

En vos propres mots, qu'avez-vous développé en équipe et pourquoi avez-vous décidé de travailler sur cela ?

Arnaud: Nous avons décidé de travailler sur l'analyse de la mise en page des documents. C'est un mélange de traitement du langage naturel et de vision par ordinateur. C'est un sujet sur lequel nous avons tous deux travaillé dans nos projets précédents. Comme il évolue constamment, nous voulions évaluer certains des derniers développements. L'objectif était d'identifier s'il valait la peine d'investir plus dans ces nouveaux modèles et s'ils pouvaient être utiles dans certains projets.

Quel élément de la Quest avez-vous aimé le plus ?

Arnaud: Tester de nouvelles technologies qui viennent juste de sortir. C'est excitant !

Quel a été le plus grand défi ou obstacle que vous avez rencontré ?

Arnaud: L'entraînement de ces types de modèles est difficile car ils nécessitent beaucoup de données et de GPU. De plus, nous avons perdu du temps à configurer un environnement pour faire fonctionner ces modèles.

Qu'avez-vous appris que vous ne saviez pas auparavant ?

Arnaud: J'ai d'abord découvert quelques-uns de ces modèles d'analyse de mise en page de documents qui sont open-source et parfois pré-entraînés. J'ai également appris à connaître un outil open-source intéressant appelé LabelImg recommandé par un collègue. Il permet de labelliser des images pour constituer un ensemble de données.

Y a-t-il eu un moment drôle ou surprenant que vous avez partagé en équipe?

Arnaud: Durant les trois premières heures de la Quest, nous avons eu quelques réunions d'équipe amusantes pour décider si nous allions changer de sujet ou si nous allions vraiment nous attaquer à ce mastodonte en une journée.

Quels seraient certains cas d'utilisation de cette solution si elle était mise en production ?

Arnaud: Elle pourrait aider sur tous les projets avec des documents numérisés pour extraire automatiquement des informations telles que des prix, des noms, des signatures, des logos, des tableaux de données et même des équations!

Et après ? Au Lab !

Ces solutions de POC développées lors de la journée Quest lanceront notre Agilytic Lab, un incubateur pour partager et internaliser la connaissance dans l'équipe, nous faisant grandir à travers l'expérience collective et la pratique individuelle.

Le Lab agit comme un accélérateur de projet pour faciliter et livrer des projets, offrant un centre centralisé stable pour la connaissance, rendant possible l'exploration de nouvelles idées et augmentant l’étendue des services précieux que nous offrons.

—

Prêt pour votre prochain défi en data? Nous recherchons des Data Scientists, des Data Engineers et des Chefs de Projet pour rejoindre notre équipe.

Jetez un œil à nos offres d'emploi !