Accès direct au contenu | Accès direct au menu

Mot de passe oublié ?

Créer un compte

+
VISITER LE SITE GRAND PUBLIC
SITE ORIENTATION
AUVERGNE-RHÔNE-ALPES

Le site des professionnels
orientation, formation, emploi

+

Le site des professionnels
orientation, formation, emploi


Vous êtes ici : Site Professionnel > Documentation > Centre de veille et de ressources > Suivre l'actualité d'un thème

Numérique : quels impacts sur les métiers et les compétences ?

A la Une...

Recevoir l'alerte mail S'abonner aux nouveautés
 
  • Réalité augmentée et formation
    6 juillet 2020
    Beaucoup d'entre vous connaissent le fonctionnement de la réalité augmentée (RA) grâce à des applications de médias sociaux comme Snapchat et des jeux mobiles comme Pokémon Go. Mais la magie de la RA est également utilisée dans d'autres domaines, y compris l'éducation et la formation professionnelle.   Qu'est-ce que la réalité augmentée et comment-elle fonctionne ?   La réalité augmentée est la superposition d'éléments virtuels (son, images et animations) au monde réel par un système informatique en temps réel. Cette superposition permet d'améliorer notre perception du monde en facilitant les interactions avec celui-ci par le biais d'appareils physiques (tablette, smartphone ou lunettes), et en apportant des informations complémentaires. La réalité augmentée fonctionne grâce à un terminal qui filme le monde réel. Puis des objets virtuels sont incrustés directement sur ce film. Ces incrustations virtuelles sont visionnées par l'utilisateur grâce à un dispositif qui le place au coeur d'un environnement virtuel en 3D avec lequel il peut interagir. La synchronisation du monde réel et des informations virtuelles se fait grâce à la géolocalisation qui permet de situer et d'adapter l'affichage aux mouvements de l'utilisateur.   Un apprentissage stimulant et sans danger   Un célèbre proverbe chinois dit : « Tu me dis, j'oublie. Tu m'enseignes, je me souviens. Tu m'impliques, j'apprends ». L'utilisation de la réalité augmentée permet de transformer une classe ordinaire en une expérience engageante et stimulante en fournissant des exemples virtuels d'une manière ludique. Ainsi, au lieu de simplement lire des livres ou d'écouter des conférences, les étudiants peuvent mettre en pratique toute la théorie des manuels. Un des avantages de la réalité augmentée est que son utilisation n'est pas limitée à un sujet ou à un niveau d'éducation particuliers. La RA peut être aussi bien appliquée dans l'enseignement que dans la formation en entreprise. Cette technologie est actuellement utilisée dans la chimie, les industries médicales et la fabrication de produits, entre autres, car elle permet un apprentissage plus rapide et efficace. Aujourd'hui par exemple, les chirurgiens n'ont plus besoin d'étudier des livres qui ne sont pas d'actualité : ils peuvent apprendre le processus d'une intervention chirurgicale dans un scénario comme dans la vraie vie et avoir un feedback immédiat. Un autre avantage de la réalité augmentée est qu'elle garantit une formation sûre pour les métiers à risque. La RA peut être utilisée pour simuler des situations potentiellement dangereuses comme la réparation d'un équipement à haute tension, et permettre aux travailleurs d'identifier et de gérer des urgences potentielles en pratiquant leurs actions en toute sécurité. En résumé, la réalité augmentée favorise un apprentissage plus rapide, interactif et efficace permettant de se concentrer davantage sur la pratique que sur la théorie. Dans la formation professionnelle, la RA permet également de se préparer à des situations critiques sans mettre en danger quiconque en simulant ces situations.  
  • L'IA au service de la logistique et de la chaîne d'approvisionnement
    30 juin 2020
    Aujourd'hui, nous nous trouvons dans une nouvelle ère de transformation digitale de la chaîne logistique (SCM) qui est plus que jamais un des principaux piliers de toute activité industrielle ou commerciale ou logistique. Une supplyc chain performante et agile représente pour les entreprises un avantage concurrentiel majeur.  Les entreprises sont en quête d'outils efficaces et abordables leur permettant de disposer de prévisions précises et d'outils l'aide à la décision de façon à améliorer l'efficacité opérationnelle, la satisfaction client, la réduction de l'empreinte carbone ainsi que l'optimisation de la consommation d'énergie. Une chaîne logistique efficace peut s'avérer critique pour le succès ou l'échec d'une organisation et devient ainsi un facteur de différentiation et un moteur de création de valeur important pour les organisations. En même temps, l'intelligence artificielle (IA) est sortie des laboratoires de recherche pour devenir omniprésente dans nos vies privées, et a pris de plus en plus de place au sein de l'entreprise. Tout comme les révolutions agricoles et industrielles qui l'ont précédée, la révolution IA redéfinit de nombreux aspects de la vie moderne à travers le monde. Pour la SCM, Le Gartner prédit qu'en 2020, 95% des fournisseurs d'outils de planification s'appuieraient sur l'apprentissage automatique dans leurs solutions. Le Gartner prévoit également d'ici 2023, que les techniques d'IA seraient intégrées dans 25% de toutes les solutions technologiques de la chaîne d'approvisionnement. L'intelligence artificielle, c'est quoi L'IA se réfère à la notion de système entraînable, pouvant être vu comme une boite noire avec en entrée des données réelles, par exemple des images, une série temporelle, ou du texte, et en sortie la représentation de la catégorie de l'objet dans l'image, la valeur à prédire, ou le sujet dont parle le texte. L'apprentissage machine (machine learning) a montré une grande capacité de généralisation puisqu'une fois entraîné, il est capable par exemple de classifier correctement des images de produits qu'il n'a jamais vu durant la phase l'apprentissage. Les techniques en vogues de nos jours, telles que le deep learning, permettent de traiter le langage, de classer des images ou de la vidéo (vision par ordinateur), de reconnaître des formes, de résoudre des problèmes de régression et de prévisions ou de réaliser des opérations de regroupement (clustering). L'une des principales caractéristiques de l'IA est que ses algorithmes peuvent déterminer automatiquement des patterns dans les masses de données traitées et d'améliorer ses propres performance (auto-réglage) au fur et à mesure de l'apprentissage. Il n'est pas obligatoire que les données soient annotées (nous parlons d'apprentissage supervisé), l'apprentissage non supervisé est efficace et applicable pour certaines classes de problèmes. De plus, l'apprentissage par transfert (Transfer Learning, en anglais) a permis d'accélérer l'adoption de l'IA. Il consiste à partir des modèles et connaissances obtenus en effectuant une tâche afin de résoudre un problème différent, mais qui présente des similitudes. En partant de modèles pré-entrainés, la phase d'apprentissage se trouve ainsi fortement accélérée et moins "gourmande" en puissance de calcul. L'abondance, en open source, de frameworks performants implémentant les algorithmes IA et la disponibilité de modèles pré-entrainés ne doit pas occulter la principale exigence d'un projet IA ou data-science, qui reste la disponibilité des données de qualité. Les processus SCM gérèrent énormément de données Cela comprend les données sur les clients, les ventes, le marché et les concurrents, les fournisseurs, les prix, les promotions, la fidélité des consommateurs, les stocks, l'utilisation des capacités, la planification des processus, les ressources humaines et l'inventaire des compétences, les flux financiers, les calendriers, le nombre de magasins et le mode de distribution... A cela s'ajoute des données externes telles que la météo, les données de géolocalisation, les mesures issues des objets connectés, les tendances de la mode, ou bien celles obtenues via les points de contact clients, concernant leur niveau d'intérêt pour les campagnes de vente. Aujourd'hui, grâce aux technologies de web scraping et de natural language processing (NLP), même les discussions en temps réel sur les forums et les réseaux sociaux sont analysées pour obtenir des données sur le client. Ces types de données conduisent à un grand nombre de variables de décision à explorer pour améliorer la précision des prévisions. Applications de l'IA dans la SCM Les applications de l'IA à la SCM sont aujourd'hui nombreuses et variées. Nous présentons ci-dessous quelques exemples d'utilisation. Du contrôle de la qualité à l'analyse de comportement Le traitement d'image est le domaine de prédilection de l'IA. C'est le domaine qui a bénéficié le plus des avancés du deep learning, du transfert learning et de la disponibilité en libre-service de modèles pré-entraînés basés sur des frameworks IA open source tels que Pytorch (Fracebook) ou de Tensorflow (Google). Les systèmes de vision par ordinateur peuvent automatiser le processus de lecture des codes-barres et, par conséquent, l'accélérer et le simplifier. Couplé à des algorithmes IA, ils peuvent également surveiller le périmètre de l'entrepôt et suivre les déplacements des produits et des employés, analyser les données et prévenir les vols ou les violations des règles de sécurité. Dans les secteurs industriels comme dans la logistique, les dommages et l'usure des actifs opérationnels au fil du temps sont tout simplement inévitables. L'inspection visuelle optimisée par l'IA représente dans ce contexte une technologie à fort potentiel dans l'environnement opérationnel logistique. À l'aide de caméras de surveillance de surveiller les flux de marchandises, l'IA est en mesure d'identifier avec succès les dommages, de les classer par type et de déterminer les mesures correctives appropriées pour réparer ces actifs. L'IA permet de créer des outils de suivi comportemental via l'analyse vidéo : Les algorithmes de vision par ordinateur peuvent reconnaître les visages et les caractéristiques des personnes telles que le sexe ou la tranche d'âge. Ils peuvent suivre le parcours des clients dans les magasins, détecter les sens de la marche et la direction du regard des clients pour comprendre comment ils interagissent avec lui. Cela permet de répondre à la question "Où placer les différents articles ?" qui est une question cruciale pour les détaillants physiques, qui recherchent toujours des moyens efficaces pour comprendre le parcours d'achat du client. Les détaillants peuvent utiliser ces informations pour restructurer l'agencement des magasins ou pour mesurer l'intérêt pour leurs produits. Ils peuvent également découvrir des endroits qui reçoivent beaucoup de trafic et d'attention visuelle. Une autre application consiste à exploiter des images pour analyser l'utilisation de l'espace de rangement et identifier les configurations optimales ou bien effectuer des inventaires en continu. La prévention du vol est un problème courant dans le commerce de détail avec un fort retour sur investissement. Un système de vision est également en mesure d'identifier qui entre et sort du territoire de l'entrepôt ou du magasin. Un système basé sur l'apprentissage automatique peut alerter en temps réel le personnel ou les responsables de la sécurité et leur envoyer des extraits vidéo afin qu'ils puissent prendre les bonnes décisions. De nouvelles façons de faire de la prédiction Pour améliorer l'efficacité de la chaîne d'approvisionnement, il est primordial de pouvoir améliorer la prévision de la demande. Ce qui a un impact sur la production, la planification des stocks, l'équilibrage de la demande et de l'offre, l'optimisation des processus de livraison et la réduction de ses délais, la prédiction des heures de pointe dans les centres logistiques et la planification des ressources humaines. Les méthodes traditionnelles de prévision, y compris les techniques de séries chronologiques et de régression, ont été largement utilisées dans la prévision de la demande. Naïve, moyenne mobile, tendance, régression linéaire multiple, Holt-Winters, lissage exponentiel, ARIMA et ses variantes, font partie de ces techniques traditionnelles. Les approches basées d'apprentissage automatique telles que la SVM (Support vector machine) ou LSTM (Long Short-Term Memory) et les réseaux de neurones en général, font office de challengers dans le domaine de la prévision de la demande. Elles ont montré leur supériorité lorsque le nombre de variables prédictives est très grand, et quand les sources de données sont multiples. C'est le cas en environnement très variable, par exemple pour les produits sensibles aux intempéries ou les produits saisonniers, ou lorsque des dizaines de facteurs motivant les comportements d'achat ou de nombreux types de données sont impliqués, rendant la planification de la demande trop complexe pour être effectuée avec succès avec des outils classiques. Le machine learning, en se basant sur les données historiques, est maintenant utilisé pour déterminer quel sera le meilleur itinéraire d'expédition d'un colis, optimiser la tournée d'un livreur, ou affecter les marchandises à tel ou tel entrepôt intermédiaire dans leurs trajets vers les clients. Une autre situation où l'IA s'avère utile, est l'Introduction de nouveaux produits. Dans ce cas n'avons aucun historique de vente. Or Les prévisions traditionnelles nécessitent plusieurs années de données de vente pour garantir un niveau de précision acceptable. Nous pouvons alors utiliser l'IA pour identifier des clusters de prédécesseurs ayant des propriétés et des courbes de cycle de vie de produit similaires. Les algorithmes de clustering automatiques peuvent extraire des modèles spécifiques d'énormes volumes de données non structurées, trouver des similitudes et développer des prédictions, en tenant compte d'autres sources d'informations pertinentes telles que l'analyse Web et les médias sociaux. Cela offre un degré de précision plus élevé et réduit le temps nécessaire pour créer des prévisions de plusieurs jours à plusieurs heures. Maintenance prédictive Tirer parti de l'apprentissage automatique pour anticiper les pannes et prévoir la maintenance préventive des machines de fret et de logistique améliore l'utilisation des actifs, augmente la disponibilité et réduit les coûts d'exploitation. Les modèles peuvent être entraînés en combinant les données des capteurs avancés de l'IoT (Internet des objet), les journaux de maintenance, les données de performances historiques, ainsi que des sources externes. Une augmentation de la productivité des actifs pouvant atteindre 20% est possible et les coûts de maintenance globaux peuvent être réduits jusqu'à 10%. Classification et clustering des clients : analyser le comportement Classifier les clients et prédire les besoins des consommateurs est une tâche difficile où les algorithmes d'apprentissage automatique sont d'une grande aide. Ils sont déjà couramment utilisés pour prédire le comportement des clients dans le commerce électronique. L'apprentissage automatique offre la capacité de découvrir rapidement, sans intervention humaine et sans besoin de labelliser les données, des patterns et les tendances qui ne sont pas facilement identifiables avec les méthodes analytiques ou statistiques traditionnelles. L'objectif d'un système de prédiction du comportement des clients est d'estimer le comportement futur des acheteurs à partir de données de comportements antérieurs. Ces systèmes permettent aux détaillants de segmenter leurs clients et d'effectuer des actions marketing personnalisées plus efficaces que les approches générales. Une application typique consiste à prévoir les achats. Par exemple, pour savoir quels clients sont susceptibles d'effectuer un achat dans les 7 prochains jours. Prendre des mesures en fonction des besoins prédits des clients augmente la fidélité et la rétention. Opérations back-office et RPA cognitive  Les fonctions internes des entreprises telles que la comptabilité, les finances, les ressources humaines, le juridique et les technologies de l'information sont en proie à de grandes quantités de tâches répétitives et axées sur le détail. Beaucoup de ces processus sont déjà automatisés grâce à la RPA (automatisation des processus). L'IA fait passer la RPA à un niveau supérieur d'efficacité en permettant l'automatisation cognitive qui fait référence à l'automatisation intelligente des processus métier. Ici, l'IA présente une opportunité importante de gagner du temps, de réduire les coûts et d'augmenter la productivité et la précision grâce à l'automatisation cognitive. Détection d'anomalies financières L'IA est de plus en plus utilisée pour réduire la fraude et les créances non recouvrables. Amazon l'applique depuis plus d'une décennie et revendique une augmentation considérable de la fiabilité de sa chaîne logistique, une réduction massive des erreurs d'expédition, et une diminution des fraudes et des créances non recouvrables liées à l'approvisionnement et aux commandes. Et donc, au final, une amélioration de son efficacité opérationnelle. Les technologies d'IA comme le traitement du langage naturel peuvent extraire des informations critiques telles que les montants de facturation, les informations de compte, les dates, les adresses et les données incluses dans les factures reçus par l'entreprise. Une fois ces données classées par l'IA, un robot RPA peut les prendre et les valider vis-à-vis des contrats fournisseurs pour vérifier les prix et les remises, les injecter dans un logiciel de comptabilité existant pour générer une commande, exécuter le paiement et envoyer au client un e-mail de confirmation, le tout sans intervention humaine. Nettoyage des données en langue étrangère Dans certains cas, les barrières linguistiques peuvent être très difficile à gérer. En conséquence, un malentendu peut entraîner de graves problèmes et des décisions commerciales inefficaces. Le traitement du langage naturel, ou NLP, est une excellente solution lorsqu'il faut déchiffrer des masses de données en langues étrangères. Cela permet d'éviter les problèmes potentiels et rationaliser les actions de conformité et d'audit qui n'étaient pas disponibles auparavant en raison de problèmes de langue. Des nouvelles approches inédites Les logiciels de planification des itinéraires de livraison, en se basant sur les données historiques soumises par les clients, les conducteurs et les véhicules, exploitent des algorithmes IA pour créer les itinéraires optimisés les plus à jour en fonction des conditions routières et d'autres facteurs. Des robots utilisant la technologie LIDAR et des algorithmes IA de reconnaissance d'obstacles et de prise de décision sont maintenant utilisés pour livrer des articles dans des environnements urbains surpeuplés. Ajoutons à cela, les solutions du dernier kilomètre avec des drones qui sont actuellement explorées en raison de leur capacité à se déplacer rapidement et à contourner presque tous les obstacles au niveau du sol. Au-delà des données, Approchez un projet IA avec méthode Bien que les données constituent un élément important dans un projet IA, il ne faut jamais oublier la nécessité d'une approche méthodologique structurée. © WEVIOO La principale étape reste la définition des objectifs métiers inhérents car elle conditionne la sélection des types de données à utiliser. La récupération, l'exploration et la préparation des données, sont les étapes la plus fastidieuse, on parle de 70 à 80% de l'effort alloué au projet. Risque et limite L'IA est à la base d'une nouvelle génération de technologies pouvant contribuer à résoudre des problèmes complexes de la logistique et de chaîne d'approvisionnement. Les domaines d'application sont très nombreux et très variés et ne demandent qu'à être explorés. Ce type de technologies se présentant sous forme d'une boite noire difficilement explicables, a besoin d'une approche agile d'expérimentation et de test afin de révéler son potentiel et valider ses résultats.
  • Comment Capgemini dope les compétences de ses salariés
    24 juin 2020
    Depuis le rachat du groupe Altran, Capgemini compte plus de 270.000 collaborateurs. Autant de talents qui doivent sans cesse progresser, de manière à ce que le géant du numérique conserve sa place de « leader de l'accompagnement des leaders ». Pour cela, une nouvelle plateforme numérique de formation continue a été mise à leur disposition.
  • Comment l'intelligence artificielle peut-elle changer la face de la cosmétique ?
    22 juin 2020
    Journal du CM L'intelligence artificielle dans le secteur des cosmétiques progresse. De nombreuses marques s'y mettent et proposent ainsi des produits ultra-ciblés. The post Comment l'intelligence artificielle peut-elle changer la face de la cosmétique ? appeared first on Le JCM | Journal du Community Manager.
  • L'IA libère le travail et révèle tous les potentiels de l'entreprise.
    15 juin 2020
    Contrairement à certaines idées reçues, l'IA n'est pas capable de définir de manière autonome la stratégie d'une organisation. C'est un outil d'automatisation et d'optimisation de la prise de décision opérationnelle. Elle s'appuie sur un objectif stratégique en intégrant toutes les données historiques utiles à des modèles mathématiques pour prendre les meilleures décisions. Toutes les activités du quotidien d'une entreprise génèrent des données qui permettent de la comprendre, de l'automatiser partiellement et de l'optimiser. Chaque décision est évaluée pour participer à l'optimisation d'indicateurs définis à l'avance : rentabilité d'un dossier financier, évaluée traditionnellement par un analyste, difficulté d'exécution d'un projet par un chef de produit, disponibilité de ressources par un responsable RH, repérage d'un défaut par un expert en qualité textile, etc. L'annotation, une étape clef de la construction d'un modèle. Dans le cadre d'un modèle de contrôle qualité dans l'industrie textile, le rejet d'un textile est suscité par la détection d'un ou plusieurs défauts. Un opérateur peut éduquer l'IA en identifiant simplement les textiles à rejeter, mais cette information est difficile à exploiter car les clients ont différents niveaux d'exigence. Elle peut impacter la détection d'un défaut "en général" ou la spécificité d'une commande. L'annotation la plus utile consiste à identifier tous les défauts sur une image, et sélectionner ensuite les défauts qui susciteront un rejet. Si le modèle est performant pour détecter les défauts, seul l'enregistrement du rejet sera utile ; l'opérateur pourra alors enregistrer la décision prise dans le cadre de son travail habituel en améliorant les résultats du logiciel. Ce processus manuel d'enrichissement des données s'appelle l'annotation : c'est souvent la partie la plus laborieuse d'un projet d'intelligence artificielle, car il est nécessaire de fournir des indications très nombreuses pour augmenter la performance des modèles. Une annotation peut prendre plusieurs formes, de la simple décision finale à la mise en exergue des informations utiles. La qualité des annotations est essentielle. Meilleures sont-elles, meilleur est le résultat et plus rapide est la convergence des calculs vers un modèle performant. L'intelligence artificielle se nourrit de l'expérience de chaque opérateur En s'appuyant sur son expérience, l'opérateur est la seule personne capable de réaliser efficacement les annotations en quantité suffisante. Seul, le statisticien n'est pas capable de prendre des décisions opérationnelles efficaces car il ne connaît pas les subtilités de chacun des métiers de l'entreprise. Par exemple, un data-scientist ne sait pas distinguer les défauts des effets d'un tissu dont il faut contrôler la qualité. D'autant plus qu'il s'appuie sur une image isolée quand un opérateur de contrôle qualité peut surveiller directement la surface du tissu. Il ne sait pas non plus interpréter les actions d'un client, pour évaluer le risque qu'il s'en aille : seule l'expérience permet aux commerciaux de comprendre les signaux discrets d'un nouveau comportement. Au-delà de l'exécution des annotations, les opérateurs ont une connaissance très avancée des opérations qui permet d'accélérer la construction de modèles performants. Si l'on prend le cas de l'amélioration de l'aspect visuel de documents, la définition même de la liste de structures à détecter doit s'appuyer sur l'expérience des opérateurs qui améliorent l'aspect d'un document, car ce sont souvent les seuls à détenir la connaissance exhaustive de ces structures. De même, l'évaluation de la valeur d'un bien immobilier nécessite de discerner les informations utiles à l'intérieur des milliers de documents utiles afin de réduire davantage le bruit et converger plus rapidement. Négliger ces connaissances au démarrage d'un projet, c'est dépendre de la multiplication des calculs et des annotations pour répliquer l'expertise au moyen de statistiques colossales. C'est l'une des raisons les plus communes de l'échec d'un projet d'intelligence artificielle. L'annotation est un processus agile Le travail d'annotation ne s'arrête pas lorsque de premiers modèles sont performants. L'intelligence artificielle se nourrit des données qu'on peut lui fournir - données qui sont historiques par essence - et ne peut garantir les même performances sur les cas nouveaux que l'on ne parvient pas à anticiper. L'apparition d'un nouveau motif ou type de textile nécessite de reprendre l'annotation de défauts sur des exemples ciblés. Les opérateurs sont les premiers témoins de ces changements discrets dans les données : les impliquer permet de réagir plus rapidement pour conserver d'excellentes performances dans le temps. Plus le travail d'annotation ressemble aux opérations courantes, moins il diminue la productivité d'un opérateur. Mais il faut parfois des détails supplémentaires pour interpréter rapidement les données fournies à l'IA. L'opérateur sensibilisé et régulièrement informé contribue à la décision du niveau d'information à fournir pour accroître rapidement la performance globale du système. Une collaboration efficace entre opérateurs et data-scientists peut donc diviser par dix le volume d'annotations nécessaires pour obtenir d'excellents modèles, car la valeur de chaque annotation change en fonction de la forme des données et des annotations effectuées par le passé. En responsabilisant les opérateurs, l'IA transforme l'entreprise La génération et la consommation d'indicateurs, de rapports, puis de dashboards en temps réel, sont longtemps restées l'apanage d'une élite au sein de l'entreprise : consultants, dirigeants, statisticiens, analystes et plus récemment data-scientists. Il est très facile de faire des erreurs en interprétant les données collectées et générées par une organisation au fil de son activité, et l'accès à ces ressources est donc très contrôlé. L'intelligence artificielle modifie profondément ce rapport à l'information dans l'entreprise en responsabilisant les opérateurs, qui s'impliquent quotidiennement dans l'annotation sélective des données et des décisions. Les signaux qu'ils interprètent participent à l'amélioration des décisions opérationnelles et de la productivité de tous les services, à condition qu'ils soient traités de manière synchronisée et évolutive. Au terme d'un projet d'IA, on constate que de nombreux opérateurs sont en mesure de mieux comprendre leur rôle au sein de l'entreprise et les enjeux de leurs décisions. Si le nombre d'opérateurs nécessaire pour gérer un volume d'activité constant est plus faible grâce à l'IA, la vocation des data-scientists n'est pas de remplacer les services complets d'une entreprise. L'IA responsabilise tous les participants à l'entreprise, engage la discussion et encourage l'analyse régulière des performances à tous les niveaux. Elle invite chacun à prendre une décision opérationnelle avec le souci d'optimiser la productivité. L'entreprise qui intègre ce nouveau mode de fonctionnement sera la première à croître et nous faisons le pari que les opérateurs seront plus impliqués pour assurer sa croissance.
Toutes les actualités  | RSSS'abonner

Focus sur les métiers du numérique

  • Résultats du sondage « Numérique & Post Covid-19 »
    6 juillet 2020
    Le 19 juin 2020, à l'invitation de Valéria Faure-Muntian, députée de la Loire, et d'Amélia Lakrafi, députée des Français établis hors de France, trois membres du Conseil d'administration de Syntec Numérique, Jonathan Amar, Soumia Malinbaum, et Gilles Mezari, sont intervenus devant les député.e.s sur les besoins en compétences et en formations numériques pour l'emploi.
  • Pallier le manque de compétences en matière de Datacenters
    6 juillet 2020
    Avec un point de crise imminent, le secteur des datacenters se doit par conséquent de réagir dès maintenant afin de maintenir et de renforcer son vivier de talents pour l'avenir.  Une récente étude sur l'avenir des datacenters souligne plusieurs grandes tendances dans la course aux talents. Environ 20% des personnes interrogées ont identifié parmi les principaux problèmes la difficulté à fidéliser le personnel - contre 17% en 2018. En outre, plus de 40% des personnes interrogées ont également fait état de difficultés à trouver des diplômés qualifiés, contre 38% en 2018. Ces chiffres nous amènent à nous demander quelles sont les causes du déficit de compétences en matière des datacenters et les facteurs de son aggravation. La cause du déficit de compétences Un certain nombre de facteurs influent durablement sur le déficit de compétences. Les ingénieurs d'aujourd'hui qui sortent d'école sont en position de force, car ils ont accès à un large éventail de débouchés. Mais cela signifie aussi que les entreprises doivent rivaliser d'ingéniosité pour attirer les meilleurs talents. Selon un récent rapport d'Engineering UK, le Royaume-Uni aurait eu besoin d'environ 80 000 nouveaux diplômés en ingénierie en 2018. A en croire cette prévision, le Royaume-Uni devrait avoir besoin d'environ 90 000 ingénieurs en 2020. La demande de jeunes ingénieurs croît à un rythme accéléré mais il n'y a tout simplement pas assez de personnes pour répondre à la demande. Outre le manque de talents, le manque d'attraction du secteur des datacenters joue également un rôle dans cette crise. Les diplômés d'aujourd'hui ont grandi dans le monde aux côtés de géants technologiques comme Netflix, Uber et AirBnb. Ces entreprises ont acquis la réputation d'être les "cool players" de l'industrie technologique. Pour attirer les meilleurs talents, le secteur des datacenters doit attirer l'attention des diplômés et des étudiants et les aider à comprendre la relation entre le monde numérique dans lequel ils vivent et le fait que ce sont les datacenters qui sont la colonne vertébrale de tout ce monde technologique. Elargir le vivier de talents Un autre moyen de combler le déficit de compétences consiste à envisager de manière plus large la sélection des talents. Plus particulièrement, le manque de mixité porte un préjudice à long terme au secteur. L'année dernière, l'Uptime Institute a publié un rapport sur les datacenters des entreprises privées, révélant que 25% des cadres interrogés ne comptaient aucune femme parmi leur personnel de conception ou d'exploitation et que seulement 5% des personnes interrogées ont déclaré que les femmes représentaient 50% ou plus de leur effectif. Les employeurs doivent s'adapter à une main-d'oeuvre plus diversifiée. Cela va de l'engagement à proposer des conditions de travail flexibles pour aider les femmes à accéder à des postes dans le domaine des STIM à la création d'un programme de mentorat pour soutenir les femmes sur un lieu de travail à prédominance masculine. Pour favoriser la diversité des talents, le plus grand défi n'est pas nécessairement de les recruter, mais de les fidéliser. En plus d'attirer et de fidéliser une équipe plus égalitaire, il est essentiel d'envisager le recrutement de personnes en dehors du secteur des datacenters, qui connaissent bien les industries critiques telles que la pharmaceutique et la pétrochimie. Ces candidats potentiels ont des compétences similaires à celles des professionnels des datacenters en raison de leur expérience de travail dans un environnement critique, mais ils peuvent appliquer leurs connaissances et leur expérience à un tout nouveau secteur issu des datacenters. Les chefs d'entreprise doivent démontrer le soutien qu'ils peuvent apporter à ces candidats et souligner l'immense valeur qu'ils peuvent apporter à l'industrie. Se tourner vers la technologie ? Une autre solution pour remédier au déficit croissant de compétences consiste à utiliser des technologies telles que la robotique et l'intelligence artificielle pour automatiser les tâches manuelles répétitives. De nombreuses entreprises ont déjà recours à l'automatisation, à l'intelligence artificielle et au machine learning pour réduire les déficits de compétences. Google, par exemple, utilise des robots pour remplacer ou mettre hors service des disques durs. Si ces technologies émergentes ont un rôle important à jouer, elles ne constituent pas la solution ultime. À mesure que la transformation numérique s'intensifie, le secteur des datacenters, et même le secteur technologique en général, s'appuiera sur des collaborateurs hautement qualifiés pour stimuler l'innovation et répondre aux dynamiques de marché en évolution rapide. À court terme, les entreprises ont de plus en plus recours à l'externalisation pour obtenir les compétences spécialisées requises. La lutte contre le déficit de compétences est l'un des plus grands défis du secteur des datacenters. Toutefois, si les entreprises se mobilisent pour faire évoluer leurs pratiques et prendre les bonnes décisions, l'avenir du secteur est prometteur. Ce changement commence par une meilleure compréhension du secteur des datacenters, de son importance et de la manière dont il alimente les solutions technologiques qui régissent le quotidien. S'il y a une chose dont on peut être sûr, avec le rythme effréné du changement, nous allons devoir adopter une nouvelle approche pour attirer et retenir à l'avenir une réserve de talents diversifiée.
  • Avec Linkedin et Github, Microsoft crée des formations gratuites sur les métiers en tension
    2 juillet 2020
    L'impact du Covid-19 sur les destructions d'emploi dans le monde met en évidence la nécessité de former plus vite les personnes en recherche d'emploi. Dans les métiers sollicités, Microsoft s'est appuyé sur les données de Linkedin (560 millions de membres, 15 millions d'offres d'emploi) pour identifier les emplois les plus porteurs au niveau mondial et constituer 10 parcours de formation ciblés et gratuits associés à des compétences digitales. De développeur de logiciels à administrateur d'applications bureautiques en passant par commercial, spécialiste du marketing ou du service au client. Les suppressions d'emploi pourraient conduire un quart de milliard de personnes au chômage en 2020, évalue Microsoft. Cette redoutable perspective conduit l'éditeur de Redmond à engager des efforts particuliers autour du renforcement des compétences numériques, indispensables selon lui pour garantir une reprise économique. « Et l'une des clés, pour une véritable reprise, ce sont des programmes pour faciliter l'accès aux compétences digitales pour les personnes plus plus durement touchées par la perte de leur emploi, ce qui inclut les bas salaires, les femmes et les minorités sous-représentées », expose Brad Smith, président de Microsoft dans un billet publié hier.  D'ici la fin de l'année, l'objectif est de renforcer les capacités de 25 millions de personnes sur ce terrain en s'appuyant sur les ressources de Microsoft et de ses filiales Linkedin et GitHub. Trois voies sont explorées. Premièrement, les données de Linkedin vont servir à identifier les profils d'emploi en tension et les compétences requises pour les pourvoir. A partir des informations de plus de 560 millions de membres, le réseau social professionnel a établi avec Economic Graph une cartographie numérique de l'économie mondiale. Celle-ci s'appuie sur les données associées à 50 000 compétences, 20 millions d'employeurs, 15 millions d'offres d'emploi et 60 000 établissements d'enseignement. En les recoupant, Linkedin a pu dégager diverses tendances, par exemple sur la migration des talents, les taux de recrutement, ou encore sur les compétences les plus demandées par zone géographique. « Ces analyses nous permettent d'orienter les utilisateurs vers de nouvelles opportunités économiques », indique le réseau. Parallèlement, des accès gratuits seront fournis aux contenus de Linkedin Learning, de Microsoft Learn et du GitHub Learning Lab. A cela s'ajoute la possibilité d'accéder à des programmes de certifications peu coûteux de Microsoft, ainsi qu'à des outils de recherche d'emploi qui vont aider les personnes ayant choisi de développer ce type de compétences à trouver des offres emplois correspondantes. Devenir développeur ou administrateur IT certifié A partir de l'Economic Graph, Microsoft a identifié des emplois-clés et les compétences horizontales les plus demandées et créer des parcours d'apprentissage via Linkedin Learning. Dix métiers parmi les plus demandés requièrent des compétences qui peuvent être acquises en ligne. Dans son billet, Microsoft en donne la liste en pointant sur les formations correspondantes : développeur logiciel, commercial, chef de projet, administrateur IT (une formation qui débouche sur une certification Microsoft CompTIA Network+), analyste de données, analyste financier, concepteur graphique, mais aussi profils spécialisés sur le marketing, le service au client ou le support/help desk qui, là aussi, propose une certification Microsoft CompTIA A+. Le fournisseur de Windows et d'Azure va réduire à 15$ le coût de certaines de ses certifications à ceux qui attesteront que leur emploi a été impacté par le Covid-19, assure Brad Smith dans son billet. « Cela représente une remise importante sur le prix d'un examen qui coûte typiquement plus de 100 dollars », fait-il valoir. « Les participants auront la possibilité de planifier un examen entre septembre et la fin de l'année et ils auront jusqu'au 31 mars 2021 pour le terminer ». Une quinzaine de parcours de certifications sont ainsi proposées, sur les fondamentaux d'Azure, d'Azure Data et d'Azure AI, sur la plateforme Power, ou encore autour de Microsoft 365 (fondamentaux, administrateur Teams, administrateur sécurité, développeur)... Quant à GitHub Learning Lab, il s'agit d'un outil d'apprentissage basé sur un bot. Il utilise différents référentiels pour l'apprentissage de la technologie, du codage, de Git (outil de gestion de versions) et de GitHub, à travers des modules de démonstration réels. 20 M$ de subventions et une app de formation dans Teams Le groupe de Satya Nadella va aussi soutenir ces efforts avec des subventions directes, à hauteur de 20 M$ pour les associations à but non lucratif aidant « ceux qui en ont le plus besoin », indique Brad Smith, dont 5 M$ seront, aux Etats-Unis, donnés en subventions directes aux organisations engagées auprès des communautés noires. Microsoft veut aussi intervenir sur la formation continue. « Notre vision, c'est un système d'apprentissage connecté qui permet à chacun de poursuivre son apprentissage tout au long de la vie », exprime le président de la firme. Cela se concrétisera par l'arrivée d'une app dans Teams, actuellement en cours de développement. Elle aidera les employeurs à faire monter leurs collaborateurs en compétences en proposant du contenu de Linkedin Learning et Microsoft Learn, mais aussi des formations de prestataires tiers ou internes à l'entreprise. « Le tout sera accessible pour que les utilisateurs puissent facilement apprendre tout en travaillant », indique M. Smith. Tendances métiers de 30 pays dont ceux de l'UE L'éditeur de Redmond va aussi apporter des données aux administrations, via Linkedin, pour leur permettre de mieux évaluer les besoins des économies locales : quelles sont les entreprises qui recrutent, les emplois les plus en vus et les compétences associées à ces postes. On peut accéder à ces données à travers un outil interactif, linkedin.com/workforce. Ces données sont disponibles pour plus de 150 villes et 30 pays dont ceux de l'Union européenne. En se rendant sur graph.linkedin.com, on constate notamment que 12,3% des talents en intelligence artificielle de l'UE se trouvent en France, le pays se situant ainsi à la 3ème place dans ce domaine derrière l'Allemagne (14,1%) et le Royaume-Uni, bien plus avancé en la matière puisqu'il en détient 23,9%. Un graphique interactif présente la répartition des talents en intelligence artificielle dans l'UE. (Crédit : Linkedin) Entre Linkedin Learning et Microsoft Learn, l'éditeur dispose d'un catalogue combiné très fourni, avec des contenus en français, en anglais, en allemand et en espagnol. Plus de 16 000 cours et 60 de plus chaque semaine sur Linkedin et plus d'un millier de modules répartis en 225 parcours d'apprentissage du côté de Microsoft Learn. En France, un MooC centré sur la relance des PME En France, la filiale de l'éditeur s'est mobilisée autour de la relance économique des PME avec une initiative baptisée Ma PME Numérique qui vise à former un million de personnes sur 5 ans à l'aide d'un MooC gratuit centré sur les enjeux des PME, disponible en juillet. Au programme : financer sa PME, être visible sur Internet, travailler différemment, vendre en ligne, trouver de nouveaux clients, recruter et développer des talents, protéger son entreprise, automatiser sa gestion, renforcer ses processus, créer de nouveaux services et produits. Outre Linkedin, l'éditeur s'est associé dans sa démarche avec différents partenaires : Solocal (ex-pages jaunes), Mandarine Academy (qui a réalisé le MooC), In Extenso, Qwant, Prestashop. Microsoft prévoit aussi de développer d'ici deux ans un référentiel de 50 solutions cloud pour les PME. Pour l'instant, il propose des offres d'essai sur plusieurs logiciels : les Power Apps, Dynamics 365 Remote Assist pour vendre et délivrer des services à distance, ou encore une version gratuite de Teams pendant 6 mois pour les nouveaux clients.
  • « Pôle emploi contribue à réduire les tensions dans le secteur du numérique »
    30 juin 2020
    Le numérique est un secteur très dynamique, à l'image des 13 domaines d'excellence de la région. Cependant, les entreprises connaissent des difficultés à recruter. Le Plan d'investissement dans les compétences doit permettre de répondre à cette problématique. Philippe Zymek, chef de projet DOMEX Métiers du numérique à Pôle emploi, explique les actions menées.
  • La Wild Code School ouvre un 1er campus virtuel
    30 juin 2020
    L'école numérique Wild Code School décline en ligne 100% de ses modules habituellement dispensés en présentiel. A partir de la rentrée prochaine, les étudiants pourront ainsi se former aux métiers du code, à l'analyse des données ou à la cybersécurité quelle que soit leur localisation. Crise sanitaire oblige, les écoles d'informatique ont dû assurer la continuité de leurs formations en basculant leurs cours en téléprésentiel. L'expérience de l'enseignement à distance s'étant avérée positive, certains établissements ont décidé de basculer 100% de leurs cours en ligne. C'est le cas de la Wild Code School qui annonce l'ouverture d'un campus virtuel axé sur les métiers du code, l'analyse des données et la sécurité opérationnel a partir du 11 septembre 2020. But de la manoeuvre ? Former aux technologies un plus grand nombre d'étudiants éloignés géographiquement de l'école ou qui ont besoin de davantage de flexibilité. Les sessions en remote suivent la même logique que les formations présentielles, dispensées en groupe, à raison d'une semaine de travail rythmée entre différentes activités pédagogiques (cours, projets clients, interventions de professionnels ...). Les conditions d'encadrement sont similaires à la formation présentielle :  classes virtuelles en direct avec connexion synchrone des élèves et du formateur, travaux en équipe, visioconférence et tchat. Toutefois, pour réduire le risque d'isolement, les élèves ont la possibilité de participer à des événements sur les campus, comme les hackathons ou job datings.  Si la Wild Code School a ouvert une version complémentaire de ses campus en ligne, c'est en grande partie en raison de l'enthousiasme de ses étudiants pour cette formule. En effet, une cinquantaine de demandes d'inscriptions seraient envoyées chaque semaine à l'établissement pour rejoindre son campus virtuel. Selon l'établissement, les candidats pensent qu'avoir réalisé avec succès une formation en ligne peut constituer un atout pour développer leur autonomie, leur rigueur et leur capacité à s'organiser. Savoir télétravailler, un plus pour les employeurs  « Encore très récemment, il était courant d'associer la formation en ligne à un manque de sérieux ou à une qualité moindre, alors qu'aujourd'hui, la moitié des développeurs travaillent à distance », assure Anna Stépanoff, fondatrice de la Wild Code School dans un communiqué. Pour elle, le fait de savoir télétravailler est en train de devenir une compétence recherchée par les employeurs conduisant les élèves à s'y préparer. » Après 7 ans d'existence, la Wild Code School compte plus de 20 campus en France (Paris, Lyon, Marseille, Lille, Strasbourg, Nantes, Orléans, Toulouse, Tours, Reims, Biarritz, Bordeaux, La Loupe) et dans le reste de l'Europe, à Bruxelles, Madrid, Lisbonne, Berlin, Amsterdam, Barcelone, et Milan.  Le réseau a contribué à former près de 3 000 développeurs, data analysts et experts en cybersécurité. Ses diplômes sont reconnus par l'Etat français et labellisés Grande Ecole du Numérique.  
Toutes les actualités  | RSSS'abonner

le dossier

Consultez le dossier thématique consacré aux métiers du numérique
Vous souhaitez soumettre une actualité ou une action de découverte métiers, emprunter des ressources ou gérer vos newsletters ? Connectez-vous :
Mon compte
SITE ORIENTATION
AUVERGNE-RHÔNE-ALPES

VISITER LE SITE GRAND PUBLIC