7.5 Discussion et Perspectives
Dans cette section de conclusion, nous pointons sur les éléments de l’approche et son implémentation qui pourraient être améliorés, et dégageons des pistes de réflexion et de développement.
Les travaux connexes trouvés dans la littérature portent essentiellement sur la repro- ductibilité des analyses et modèles produits par les Data Scientists. Des plateformes sont souvent proposées pour faciliter le partage de code et la portabilité des travaux. Sur le sujet précis du déploiement d’algorithmes de Data Science, l’approche claire que nous proposons et le fait que nous fournissions des moyens d’utiliser et d’automatiser cette dernière dans un langage tel que R largement utilisé par les Data Scientists, pourraient avoir une incidence positive sur la manière dont les algorithmes de Data Science se déve- loppent, se déploient et interagissent.
Néanmoins, nous notons déjà quelques pistes d’amélioration qui constitueront la pour- suite de ce travail. D’abord, l’étape de test de l’approche n’est pas implémentée à l’heure actuelle dans le logiciel Rapp. Aujourd’hui, l’utilisateur doit respecter au mieux les re- commandations et les bonnes pratiques, et s’assurer du bon fonctionnement de son al- gorithme avant de le soumettre pour un déploiement. Dans une version ultérieure, une batterie de tests tout au long du processus pourra être prévue. Cela permettra d’informer l’utilisateur des éventuels dysfonctionnements à corriger. Par ailleurs, l’implémentation que nous proposons qui est adaptée aux algorithmes et applications R codées avec plum- ber [ALLEN,2017] et shiny [CHANGet collab.,2017], peut être généralisée à d’autres types d’application voire d’autres langages de programmation.
Une autre piste de réflexion est constituée par la possibilité de définir précisément et de standardiser les différentes tâches qui composent les activités de Data Science. L’idée est d’arriver à fournir par exemple un « apprentissage supervisé en tant que service » ou un « clustering en tant que service » quels que soient les modèles utilisés, avec des APIs uni- fiées et standards. Ce sera dans un but d’apporter plus d’interopérabilité entre les outils et les langages utilisés dans ce domaine. La démarche qui a donné naissance auPredictive Model Markup Language (PMML)[THEDATAMININGGROUP,2008] est une bonne entrée en matière sur ce sujet, pour le cas des modèles d’apprentissage supervisé.
Conclusion
Sommaire
8.1 Bilan . . . 113
8.2 Perspective : vers une QoS prévisible pour les automobiles connectés . . 114
Dans ce chapitre de conclusion, nous établissons un bilan de nos travaux de thèse et leurs retombées et donnons une vision des perspectives à travers la présentation suc- cincte d’un nouveau travail entamé élargissant un des sujets de la thèse.
8.1 Bilan
Cette thèse a constitué un passionnant travail qui avait pour objectif d’évaluer la per- tinence de l’utilisation des techniques issues du monde de la science des données dans la gestion des réseaux d’opérateur. Grâce à deux cas d’utilisation, à savoir la prédiction de débit instantanée sur le réseau mobile et l’analyse automatique des résultats de test d’in- frastructure de réseau virtualisé, nous avons pu concevoir et utiliser des algorithmes et approches innovants pouvant apporter une plus-value dans la gestion des réseaux d’opé- rateur. Une volonté de partage et de vulgarisation de nos méthodologies et approches nous ont poussés à développer également des outils, qui ont été utiles à nos cas d’utili- sation, et qui pourront à l’avenir être utiles à d’autres travaux. C’est le cas de Linkpotter, Rapp & RappServer, ainsi que TOM.
Nos travaux présentés dans le chapitre4, portant sur la prédiction de débit ont fait émerger plusieurs idées qui sont indirectement liées à celle-ci et qui ont donné lieu à un brevet que nous avons déposé portant sur la mise à jour des modèles prédictifs em- barqués par les terminaux mobiles [DOOZE et collab., 2016] et une demande de brevet,
aujourd’hui en cours, sur le choix d’interface de réseau mobile respectueux de l’efficacité énergétique et de la qualité de service, en collaboration avec des collègues spécialistes sur les aspects énergétiques des réseaux. Les résultats de nos travaux sur la prédiction de dé- bit ont aussi été utilisés pour réaliser une application mobile nommée Calireso [ORANGE SERVICESSRL,2018] qui est aujourd’hui mise à disposition des clients de l’opérateur mo- bile Orange en France, afin qu’ils puissent avoir une estimation de leur qualité de ser- vice accessible en temps réel, selon leur situation géographique. L’application exploite les données radio collectées du terminal du client. Par ailleurs, le code source du modèle pré-
dictif final a été publié dans le cadre du projet européen CogNet [MOSCHITTIet collab., 2017;TYMOSHENKOet collab.,2016].
Nos travaux portant sur l’analyse automatisée des résultats de tests de réseau virtuali- sée, présentés dans le chapitre5, ont donné naissance à l’outil d’analyse TOM. Ce dernier s’est décliné sous plusieurs formes à savoir, à ce jour, un package R, une API [SAMBA, 2018b] déployée et une application shiny [SAMBA, 2018c] déployée également. Ces tra- vaux ont aussi fait en partie l’objet d’une présentation invitée DEBEAU et SAMBA[2017] effectuée par Eric Debeau à l’ONAP Mini Summit1, en juin 2017. Les travaux se pour- suivent sur ce sujet pour étendre la logique d’analyse à la prise en compte simultanée de plusieurs métriques de test.
L’outil Linkspotter issu de nos travaux présentés dans le chapitre6a été publié sous forme de package R [SAMBA,2017a] et a fait l’objet d’une présentation aux Sixièmes Ren- contres R2en juillet 2017.
L’approche Package & Containerize que nous avons proposée dans le chapitre7s’est révélée être précurseure d’une vision qui a donné naissance au projet open source Acu- mos [LINUXFOUNDATION,2018] lancé en 2018, auquel nous participons pour le compte d’Orange. Ce projet vise à accroître les moyens techniques à disposition des industriels pour déployer des algorithmes d’intelligence artificielle dans des Clouds. L’approche et les outils issues de notre thèse sur ce domaine sont en droite ligne avec les ambitions du projet. Notre participation à ce dernier permet d’y intégrer nos propositions afin de les partager avec toute la communauté intéressée. Dans un autre régistre, une partie de nos propositions sur ce sujet ont fait l’objet de notre présentation [SAMBA, 2018a] aux Sep- tièmes Rencontres R en juillet 2018, dans la session « R extensions ».
Par ailleurs, de nouveaux travaux pouvant être considérés comme une continuité de la thèse ont démarré au sein d’Orange Labs que j’ai par la suite intégré en tant qu’ingénieur de recherche, affecté à l’équipe qui m’a accueilli enConvention Industrielle de Formation par la REcherche (CIFRE)au cours de la thèse. Ces nouveaux sujets dans lesquels je me suis engagé sont en partie alimentés par mes résultats de thèse. La présentation succincte de l’un d’entre eux constitue le but de la section de perspective suivante.
8.2 Perspective : vers une QoS prévisible pour les automo-
biles connectés
Nos travaux sur la prédiction de débit sur le réseau mobile ont intéressé des collègues d’Orange qui sont déjà intégrés à la5G Automotive Association (5GAA). Il s’agit d’une or- ganisation internationale et interprofessionnelle regroupant des entreprises des secteurs de l’automobile, de la technologie et des télécommunications, qui travaillent ensemble pour développer des solutions de bout en bout pour les futurs services de mobilité et de transport. Nos travaux ont été présentés aux réunions plénières et nous participons à la rédaction du livrable pourtant sur la « qualité de service prédictible ».
L’intérêt de pouvoir prédire la qualité de service sur le réseau mobile afin d’assurer la connectivité des automobiles s’est manifesté dans les travaux de l’association. Nous envisageons alors d’élargir l’approche qui nous a permis de construire des modèles de prédiction de débit (cf. chapitre 4) à la construction de modèles prédictif de la qualité 1. ONAP Mini Summit 2017 : http ://events17.linuxfoundation.org/events/opnfv-summit/extend-the- experience/onap
2. Rencontres R : conférence portant sur le langage de programmation R (cf.http://angletr2017. com/,https://angletr2017.sciencesconf.org/)