Dans un monde futur où la plupart des tâches répétitives seront forcément automatisées, il est utile de comprendre quelles compétences de base seront importantes. La pensée computationnelle en fait partie.

Il y a plus généralement un débat intense aujourd’hui autour de la détermination des compétences nécessaires pour les futurs travailleurs, en réponse au besoin de s’adapter au rythme croissant de l’évolution technologique. J’ai évoqué dans un précédent blog les différents catalyseurs des changements sociétaux, ici je me concentre sur l’une des mesures pour y faire face.

Parce que toute la trajectoire de l’avenir de l’humanité est prophétisée pour conduire à quelques scénarios oscillant entre utopies – l’automatisation conduit à l’abondance et nous nous prélassons dans les loisirs offerts par le temps libre – et les dystopies – les humains se battent pour rester pertinent dans un monde dirigé par des robots sur-intelligents , déterminer les bonnes compétences augmente probablement nos chances pour un futur plus probable et positif entre ces deux extrêmes. Par exemple, un qui nous permet de bâtir sur l’automatisation et d’ajouter de la valeur avec ce qui nous rend distinctement humains.

Photo de Rock’n Roll Monkey sur Unsplash

Dans une société future, une série de compétences à valeur ajoutée a notamment été identifiée à la fois par le Forum économique mondial et l‘Institut pour l’avenir dans apparemment deux efforts distincts. Une compétence identifiée dans les deux cas est la pensée computationnelle, qui est définie par l’Institute for the Future comme la capacité de traduire de grandes quantités de données en concepts abstraits et de comprendre le raisonnement basé sur des données.

Fait intéressant, cette définition diffère considérablement des autres que vous pouvez trouver en ligne et dans la littérature. Par exemple, sur Wikipédia, elle se présente comme suit:

un ensemble de méthodes de résolution de problèmes qui impliquent d’exprimer les problèmes et leurs solutions d’une manière qu’un ordinateur pourrait également exécuter.

Matti Tedre et Peter J.Denning couvrent le sujet sur plus de 240 pages dans leur livre de 2019 Computational Thinking. Leur approche est plus approfondie et contraste avec un article de Jeannette Wing de 2006, très cité, qui peut facilement être interprété comme un engagement à transformer tout le monde en informaticien.

Dans l’ensemble, tout au long du livre Tedre et Denning convergent vers une définition de la pensée computationnelle qui peut être résumée à mon avis comme

l’ensemble des compétences nécessaires pour comprendre la nature d’un problème afin qu’il puisse être traité en utilisant une approche computationnelle.

Je comprends qu’une telle définition peut paraître abstraite au premier abord, mais elle a l’avantage d’être suffisamment simple pour que le concept de pensée computationnelle puisse être introduit tôt dans l’éducation, en particulier parce qu’il ne concerne pas immédiatement les machines ou nécessite une éducation en informatique préalable.

Ainsi je l’explique d’abord dans un contexte dépourvu des machines familières qui nous entourent chaque jour.

Démarrez sans ordinateur

Il est important à mon avis de ne pas confondre immédiatement «approche computationnelle» et l’utilisation de calculateurs automatiques, c’est-à-dire tous les ordinateurs portables, tablettes et smartphones qui nous entourent. En effet, l’approche doit être ouverte par rapport à la réalisation du «calcul» au premier sens du mot: un acte ou le processus de calcul de quelque chose. C’est probablement le but du mot «également» dans la définition de Wikipédia ci-dessus.

De nombreuses définitions suggèrent rapidement l’utilisation d’un ordinateur (Wikipedia, BBC Bitesize). Cela a conduit les partisans de ce sujet central à être pris comme des chauvins de l’informatique. Dans leur livre, Tedre et Denning expliquent que les approches  computationnelles datent bien avant que les ordinateurs de silicium n’existent. Prenez par exemple les méthodes proposées par Euclide pour trouver le plus grand diviseur commun ou les cribles d’Eratosthène pour identifier les nombres premiers.

Photo par Alessandro De Bellis sur Unsplash

L’exécution de ces méthodes conduit finalement au concept d’algorithmes qui sont utilisés comme modèle fonctionnel pour les ordinateurs. Commencer sans ordinateur nous permet d’introduire des concepts d’algorithmes sans avoir à introduire un langage informatique (le dialecte pour exprimer un algorithme) ou à des modèles d’expressions telles que le pseudo-code. Cela rend le concept de calcul (et d’automatisation) plus digeste pour les jeunes enfants.

Un autre risque lors de l’introduction de la pensée computationnelle est de fournir une description qui «englobe autour des ordinateurs» et oblige à penser comme un informaticien. C’est le sentiment que j’éprouve en lisant l’essai de Jeannette Wing sur le sujet que j’ai évoqué plus tôt. Cet essai a été (à juste titre) publié dans le magazine de la société des informaticiens. Ce sentiment est partagé par d’autres scientifiques. Voir par exemple le blog rédigé par Lorena Barba lors de sa visite au Berkeley Institute for Data Science.

Dans l’ensemble, certaines descriptions peuvent brouiller les frontières de la pensée computationnelle et rendre difficile pour la plupart d’entre nous de «mettre le doigt sur le sujet». En effet, cela a conduit les critiques à qualifier le sujet de vague, ce qui a probablement ralenti son apparition dans les programmes scolaires jusqu’à présent. De plus, des questions clés telles que: “comment mesurer les capacités de calcul des élèves?” et “la pensée computationnelle est-elle bonne pour tout le monde?” sont liées à ce problème et leur débat a aussi été probablement retardé.

Photo by Markus Spiske on Unsplash

Par conséquent, la discussion sur une définition plus concise de la pensée computationnelle semble toujours faire rage. Cependant, à mon avis, il faut une approche holistique telle que celle adoptée par Tedre et Denning pour que cette matière soit correctement incluse dans un programme qui couvre les niveaux d’éducation.

La raison principale pour enseigner la pensée computationnelle

Une question légitime est de savoir pourquoi devons-nous élever la pensée computationnelle en tant que nouvelle matière centrale? La raison principale est que l’utilisation des machines est désormais au cœur du développement et du soutien de la société. L’informatique a imprégné toutes les disciplines académiques et les machines apportent un mécanisme essentiel à leur évolution. Cela est dû à la quantité croissante de données disponibles grâce à la numérisation et à la volonté humaine d’en comprendre le sens.

Par exemple, dans le livre Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are de Seth Stephens-Davidowitz, les textes historiques sont analysés à l’aide d’approches computationnelles pour déterminer quand le concept des “États-Unis” en tant que la nation a commencé à apparaître dans la conscience des gens.

Plus récemment, une approche computationnelle de l’économie comportementale a exploité les informations publiées sur les plateformes des réseaux sociaux pour déchiffrer les décisions d’achat personnelles, les choix politiques et d’autres mécanismes critiques pour qu’une société fonctionne. Le comportement humain est à son tour exploité pour canaliser la désinformation qui est probablement la cause de nombreux problèmes tels que la polarisation de la société et l’érosion de la confiance.

Photo de George Fitzmaurice sur Unsplash

En général, les ordinateurs ont pris une place importante dans la plupart de nos vies professionnelles et personnelles. Dans Homo Deus, l’historien Yuval Harari explique que la race humaine est en passe de mélanger sa biologie avec des parties non organiques qui la rapprochera plus que jamais des machines.

En conséquence, nous avons besoin d’un sujet central qui nous permette de penser dans ce nouveau contexte de sorte que nous puissions toujours être les marionnettistes dans un monde où la puissance de calcul et les données à notre disposition augmentent à un rythme exponentiel.

De nombreux auteurs discutent du rôle des humains dans la prise de décision dans l’avenir de la société. Les analyses décrites dans le livre Machine, Platform, Crowd: Harnessing Our Digital Future des économistes des économistes du MIT Andrew McAfee et Erik Brynjolfsson montrent que la performance de l’intuition humaine, par ex. basé sur l’expérience et l’expertise du domaine, est dépassée dans la plupart des cas de figure par des algorithmes d’IA basés sur des données historiques (lire le chapitre 2: The Hardest Thing to Accept About Ourselves, i.e. La chose la plus difficile à accepter sur nous-mêmes en français).

Cela signifie que notre système de réflexion rapide (tel que défini par Kahneman et appelé système 1), qui repose principalement sur les connaissances acquises au fil des années d’expérience, ne jouera probablement pas un rôle important lors de la prise de décisions commerciales importantes à l’avenir. En d’autres termes, la réalité est que le jugement des gens n’est pas fiable! C’est la conclusion contre-intuitive et impopulaire comme l’expliquent McAfee et Brynjolfsson dans le chapitre 2 du livre ci-dessous.

En revanche, notre système de pensée lente (système 2 selon Kahneman) basé sur la réflexion analytique, par ex. les compétences acquises à l’école, bien que beaucoup moins performantes que nos homologues silicium, peuvent jouer un rôle important car elles apportent un aspect qui manque encore aux machines: le bon sens. En effet, nous pouvons donner un sens au contexte et juger si une décision, éventuellement basée sur l’analyse de grandes quantités de données, a du sens dans une situation donnée.

Un exemple souvent cité est celui des algorithmes d’Uber qui ont provoqué une flambée des prix lors de la crise de 2015 à Paris déclenchée par l’attentat terroriste (qui a été rapidement contrecarrée par les opérateurs humains de l’entreprise). D’autres entreprises ont rencontré des problèmes avec les décisions automatisées. De telle sorte que les entreprises utilisant cette technologie ont mis en place un mécanisme permettant aux humains de les ignorer dans certaines circonstances.

Photo par Usman Yousaf sur Unsplash

Par conséquent, la raison clé pour enseigner la pensée computationnelle est de préparer notre système 2 pour les prochaines décennies d’amélioration exponentielle des performances de la machine. En d’autres termes, il nous apporte les outils pour maintenir la pertinence humaine dans le futur de la prise de décision.

Éléments constitutifs du programme scolaire pour enfants

L’enseignement de la pensée computationnelle dès le plus jeune âge devrait s’adapter à la compréhension du monde par l’enfant. De nombreux curriculums ont été proposés par des auteurs tels que Seymour Papert, Alan Perlis, Marvin Minsky, Jeannette Wing et d’autres.

Ce qui découle de nombreuses propositions de programme est l’accent mis sur les éléments de base des compétences telles que les capacités d’abstraction, de identification des modèles, de décomposition de problèmes et d’expression algorithmique.

L’abstraction est nécessaire pour se concentrer sur les aspects clés d’un problème de telle sorte qu’il puisse être clairement identifié. C’est peut-être l’une des choses les plus difficiles à enseigner aux enfants qui, par nature, ont une expérience limitée. Ce manque peut être pallié en mettant l’accent sur l’enseignement sur une approche d’apprentissage par exemple (beaucoup!) au lieu de suggérer une méthodologie (plus à ce sujet ci-dessous).

Photo de Jr Korpa sur Unsplash

L’identification des modèles est nécessaire pour identifier comment un problème peut être résolu en utilisant une approche ou un modèle connu. Par exemple, savoir comment trouver des nombres premiers permet de trouver facilement le plus grand diviseur commun ou le plus petit multiple commun de deux nombres.

La décomposition des problèmes est nécessaire pour identifier comment un arsenal de méthodes de calcul peut être utilisé pour résoudre un problème en résolvant des sous-problèmes. Dans la méthode des cribles d’Ératosthène, de grands ensembles de nombres peuvent être éliminés car ils partagent les mêmes caractéristiques (nombres pairs, multiples, etc.). Il s’agit d’une forme simple de décomposition du problème.

L’expression algorithmique, c’est-à-dire la recette pour résoudre le problème, est peut-être la plus délicate, car elle ne devrait pas nécessairement être confondue avec des algorithmes informatiques comme je l’ai suggéré plus tôt. Dans la méthode des cribles à nouveau, une approche consiste à utiliser une table pour trier les données (les nombres). Il s’agit d’une représentation intuitive pour les enfants car il ne nécessite pas l’approche informatique d’utiliser des expressions formelles pour ordonner et répéter les étapes de calcul.

Photo de Marc Babin sur Unsplash

En plus des quatre concepts ci-dessus qui concernent principalement la mise en place d’un processus, il est essentiel d’ajouter également la notion de données et en particulier comment les données existent dans la nature et comment nous les capturons sous forme numérique.

Cet enseignement est utile pour faire prendre conscience aux enfants que les actions, en particulier celles en ligne, équivalent souvent à la création de données. De plus, attachés à la notion de données sont des concepts de données libre (Open Data) et privées (Closed Data).

Les données personnellement identifiables sont l’unité qui mesure l’identité numérique. Il est donc essentiel que les paramètres de génération et de capture des données, c’est-à-dire libres et privées, soient expliqués pour mettre en lumière la notion de confidentialité des données à un âge précoce.

L’importance des données dans la société étant assez récente, ainsi ce sujet n’est pas suffisamment exploré dans le cadre de la pensée computationnelle à mon avis.

Apprendre sans règles

Dans certaines des définitions de la pensée computationnelle que j’ai lues, il est parfois mentionné (ou pourrait être mal compris) que la compétence d’expression algorithmique (introduite ci-dessus) est un moyen de trouver des règles pour résoudre un problème. 

Cependant, trouver des règles n’est pas nécessairement le moyen de s’attaquer au problème car souvent les connaissances ne peuvent pas être facilement expliquées ou capturées à l’aide de règles. C’est ce que l’on appelle le paradoxe de Polanyi, en l’honneur du philosophe anglo-hongrois Michael Polanyi.

Le paradoxe est que nous ne pouvons pas expliquer tout ce que nous savons: il n’est pas possible d’exprimer des règles claires pour tout. L’approche algorithmique du Machine Learning imite en fait la façon dont les enfants apprennent principalement, c’est-à-dire sur la base du raisonnement (par exemple, par corrélation) sur un grand ensemble d’exemples sans l’ajout explicite de règles. En d’autres termes, les règles de décision sont déduites à partir des exemples fournis.

Photo par Andy Kelly sur Unsplash

Maintenant, le fait qu’il soit souvent difficile d’interpréter les résultats des algorithmes d’apprentissage machine est assez ironique (ce problème est appelé interprétabilité ML). Si nous le pouvions, nous résoudrions probablement le paradoxe de Polanyi. En bref, tenter de comprendre pleinement le fonctionnement de la mécanique de l’apprentissage automatique revient en quelque sorte à pénétrer notre propre conscience.

Nous devons donc veiller à ce que la pensée computationnelle inclut également l’utilisation de méthodes basées sur l’apprentissage en plus des approches classiques basées sur des règles. C’est pourquoi les données, en partie comme mécanisme de déduction des règles, sont un élément essentiel de l’enseignement du sujet. En effet, les données ne sont pas seulement consommées et transformées par le processus, mais également utilisées pour façonner son fonctionnement.

Cela nous ramène à la définition de la pensée computationnelle que j’ai proposée plus tôt, c’est-à-dire “l’ensemble des compétences nécessaires pour comprendre la nature d’un problème afin qu’il puisse être traité à l’aide d’une approche computationnelle”. Dans cet énoncé, évaluer «la nature d’un problème», c’est comprendre comment les données attachées au problème jouent un rôle dans la recherche de sa solution. À cet égard, cette définition devient désormais beaucoup plus proche de celle fournie par l’Institut pour l’avenir, c’est-à-dire “la capacité de traduire de grandes quantités de données en concepts abstraits et de comprendre le raisonnement basé sur les données.”

Photo de Filip Mroz sur Unsplash

La bonne chose dans tout cela est que, parce que l’apprentissage par l’exemple est le modus operandi des enfants, saisir l’expression algorithmique en tant que composante de la pensée computationnelle devrait être seconde nature pour eux quand elle se rapporte à l’apprentissage automatique. Mais plus généralement, cet aspect de l’approche d’apprentissage des enfants doit être mis à profit lors de l’enseignement des autres composants de base, c’est-à-dire les concepts d’abstraction, d’identification des modèles et de décomposition de problèmes que j’ai brièvement présentés précédemment.

Trouver un bon ensemble de données d’apprentissage pour que la pensée computationnelle alimente les jeunes cerveaux désireux de déduire leurs propres règles est susceptible d’être un défi pour chaque institution désireuse d’inclure ce sujet essentiel dans son programme. Mais c’est une approche qui vaut la peine d’être expérimentée.

Merci pour votre lecture! Vous pouvez trouver de nombreux autres articles sur la cybersécurité, l’innovation et d’autres sujets en anglais sur mon blog Medium:  https://laurentbalmelli.medium.com/ Suivez-moi sur Medium et laissez moi un message dans les commentaire de ce blog pour recevoir un lien gratuit sur mes articles.

Note: La version originale de cet article en anglais est disponible sur mon blog Medium.com (enrengistrement gratuit): https://laurentbalmelli.medium.com/

Entrez dans l’ère des accélérations
L’accélération de l’innovation technologique est l’une des trois accélérations identifiées par les scientifiques au cours des deux dernières décennies, les deux autres étant la mondialisation et le changement climatique. Comme ces trois phénomènes sont étroitement liés, dans son livre “Thank You for Being Late“, le chroniqueur du New York Times Thomas Friedman parle de notre époque comme de l’ère des accélérations.

Photo de Nicolas Hoizey sur Unsplash

Un impact marquant de l’entrée dans l’ère des accélérations est la nécessité pour les entreprises (ainsi que pour les individus) de s’adapter à un nouveau concept de travail.

L’auteur et stratège commerciale Heather McGowan explique qu’une des conséquences est la dissociation du travail – ou plus précisément, des tâches complexes – qui sont complètement ou partiellement numérisés en composants discrets pouvant être exécutés n’importe où dans le monde. Elle note que des entreprises telles que UpWork, TaskRabbit, Hourly Nerd “ont permis la production de taches atomisés”. (Voir The Adaptation Advantage par Heather E. McGowan, Chris Shipley)

En outre, une étude réalisée en 2016 par l’économiste Lawrence Katz de l’université de Harvard et Alan Krueger de l’université de Princeton a révélé que 60 % de la croissance nette de l’emploi au cours de la dernière décennie est due à l’augmentation du nombre d’entrepreneurs indépendants, de travailleurs indépendants et de travailleurs sous contrat avec des entreprises. C’est ce qu’on appelle souvent “l’économie du gig”.

Un nouveau concept pour le travail
Les trois phénomènes évoqués jusqu’à présent, à savoir l’accélération technologique, la mondialisation et la dissociation du travail, obligent les entreprises à modifier leur mode de fonctionnement, notamment en favorisant l’innovation à partir d’une main-d’œuvre composée d’employés de plus en plus mobiles, mais aussi d’employés temporaires, de free-lances et de personnel externalisé.

Photo de Nine Köpfer sur Unsplash

Dans son livre, Friedman explique que l’humanité a connu deux étapes de changements technologiques : le premier changement a eu lieu vers 2000 avec l’essor de la connectivité omniprésente et le second vers 2007 avec l’accès aux données qui est devenu possible à tout moment et en tout lieu grâce à la technologie du Cloud.

Le résultat est la disponibilité de flux d’informations numériques que les entreprises et les particuliers peuvent exploiter pratiquement sans frais pour améliorer leurs opérations.

Dans “Digital Globalization : The New Era of Global Flows“, le McKinsey Global Institute définit la transformation comme suit : “Les flux commerciaux et financiers internationaux qui ont caractérisé le XXe siècle se sont stabilisés ou ont diminué depuis 2008. Pourtant, la mondialisation n’est pas en train de s’inverser. Au contraire, les flux numériques s’envolent – transmettant des informations, des idées et des innovations dans le monde entier et élargissant la participation à l’économie mondiale”.

La place de la sécurité de l’information dans les flux numériques
La récente prise de conscience accrue de la cybersécurité en général résulte de l’intérêt des entreprises à tirer profit des flux d’informations. Hélas, ces flux s’accompagnent d’une mise en garde : il n’y a aucune garantie inhérente de sécurité. Il est clair qu’il n’y a aucune promesse quant à la véracité des informations véhiculées par ces flux.

Pensez à tous les flux d’informations fausses ou déformées utilisés comme des chambres d’écho renforçant les biais de confirmation.

Photo par Erico Marcelino sur Unsplash

Même lorsque la source d’un flux est vérifiée et en fonction de son utilisation, il peut également être nécessaire de garantir ses propriétés de sécurité telles que la confidentialité, l’intégrité et la disponibilité, de sorte que le flux puisse être intégré en toute sécurité dans un processus commercial dont les tâches ont été dégroupées par les forces d’accélération.

Pour les entreprises, l’externalisation des activités est le moyen le plus courant aujourd’hui d’intégrer les flux d’informations numériques dans leurs opérations. Un cas d’utilisation particulier et intéressant est la pratique de l’externalisation du développement de codes comme moyen de tirer profit de la mondialisation et de l’accélération de l’innovation technologique.

Pour tirer clairement parti des flux, un défi important pour les entreprises modernes sera de déterminer un mécanisme permettant d’équilibrer les avantages de l’intégration avec le risque d’exposer des secrets commerciaux, des informations confidentielles et la perte potentielle de propriété intellectuelle.

Commentaires, réactions : Laurent Balmelli (Twitter Laurent Balmelli)

Cet article porte sur les méthodes de gestion de l’innovation dans les entreprises, c’est-à-dire le processus qui consiste à rendre ou à maintenir une entreprise de toute taille créative et donc compétitive. Il fait partie d’une série d’articles que je publie sur Medium (en anglais) comme support pour ma classe de troisième cycle à l’université que j’enseigne pendant mon temps libre.

Mes articles sont basés sur la littérature actuelle dans le domaine ainsi que sur ma propre expérience en entrepreneuriat et de conseils aux entreprises (profile LinkedIn). La version originale de cette article (en anglais) est disponible ici (ainsi que les liens sur les autres articles de cette serie).

L’énigme de la collaboration

La plupart des innovations importantes qui nous entourent, sinon toutes, résultent de l’interaction entre des entités, parfois avec des objectifs différents voire concurrents. En d’autres termes, elles se produisent rarement dans le vide. Pourtant, la collaboration est souvent considérée comme une énigme : elle fonctionne mieux en théorie qu’en pratique.

Photo by Perry Grone on Unsplash

Lorsque ces interactions sont le résultat d’un ensemble de collaborations axées sur des objectifs mais peu coordonnées, on parle de collaboration ouverte. Vous trouverez plusieurs définitions de la collaboration ouverte sur Wikipédia et d’autres ressources en ligne. Les exemples typiques sont les logiciels open source, les forums et les communautés en ligne. Comprendre le modèle de collaboration ouverte peut être une clé pour résoudre l’énigme.

Dans cet article, j’examine dans quelles conditions une collaboration ouverte se déroule idéalement et comment recréer ces conditions afin qu’elles puissent être utilisées comme un mécanisme efficace pour stimuler la créativité, par exemple dans un contexte entrepreneurial ou universitaire. En outre, lorsque la collaboration ouverte cède le pas au cas plus étroit de l’innovation collaborative (aussi appelé innovation ouverte, ou Open Innovation en anglais), j’examine les ingrédients supplémentaires et nécessaires pour favoriser un résultat bénéfique entre les participants, en particulier du point de vue de la propriété intellectuelle.

Qu’est-ce qu’une collaboration ouverte ?

Comme je l’ai mentionné dans l’introduction, une collaboration ouverte est définie comme la mise en place d’une série d’interactions peu coordonnées entre les participants, cependant avec un objectif commun.

Photo par Salmen Bejaoui sur Unsplash

Ainsi, en vertu de ce principe, une collaboration ouverte n’est pas nécessairement déclenchée de manière explicite, mais plutôt un processus émergent qui a lieu dans certaines circonstances, par exemple un besoin survenant dans un cadre communal ou un problème qui doit être résolu par consensus. Pensez à un groupe de petites et moyennes entreprises désireuses de partager leurs savoir-faire ou leurs ressources.

Le résultat de la collaboration offre un large éventail de possibilités : il peut s’agir simplement d’un accord, d’un consensus sur le savoir-faire ou d’une politique, mais aussi d’un nouveau produit ou service. Le fait que l’un de ces résultats soit mutuellement bénéfique pour les participants ou qu’il soit déséquilibré dépend d’un facteur important : la transparence.

Le développement de logiciels open source en est un parfait exemple et représente souvent l’exemple même de la collaboration de masse donnant lieu à des logiciels parfois d’une complexité impressionnante. Le but du projet GNU est de fournir un cadre pour de telles collaborations dans le but de “donner aux utilisateurs d’ordinateurs la liberté et le contrôle de l’utilisation de leurs ordinateurs et de leurs appareils informatiques en développant et en publiant en collaboration des logiciels qui donnent à chacun le droit d’exécuter librement le logiciel, de le copier et de le distribuer, de l’étudier et de le modifier“. (Wikipédia)

Le cadre informel d’une collaboration ouverte constitue souvent un processus hautement distribué qui peut être utilisé comme un système d’innovation, c’est-à-dire un ensemble de méthodes de création, pouvant être exploité par les entreprises ainsi que par les institutions universitaires et de recherche.

En règle générale, la collaboration ouverte entre entreprises ou dans un cadre universitaire va du partage d’informations au développement conjoint d’un nouveau produit par les participants, qui peuvent intégrer des contributions provenant d’efforts de collaboration de masse tels que l’open source, les “creative commons” ou les efforts de crowdsourcing.

Photo par Rob Curran sur Unsplash

C’est ainsi que la collaboration ouverte se rapporte à l’innovation collaborative (Open Collaboration), un sujet que j’aborde en détail dans un article précédent. Une innovation de produit ou de service est l’un des résultats possibles (et peut-être le plus marquant) d’une collaboration ouverte.

Cependant, la mise en œuvre d’une stratégie d’innovation collaborative réussie requiert un peu plus d’attention que la mise en place d’une collaboration ouverte. Alors, commençons par collaborer !

La confiance est la clé

Pour que la collaboration ouverte se produise en tant que processus émergent, c’est-à-dire en dehors d’un mécanisme de contrôle clair, un catalyseur important pour une collaboration ouverte réussie est la confiance.

Qu’elle soit déplacée ou non, il est peu probable qu’une collaboration ait lieu sans que les participants aient confiance en leur capacité à obtenir un résultat mutuellement bénéfique. Un mécanisme de vérification peut atténuer la probabilité d’un résultat défavorable pour l’une ou l’autre des participants. Ronald Reagan aimait citer un vieux proverbe russe “faire confiance mais vérifier” (trust but verify) lors des négociations du désarmement nucléaire avec les Soviétiques à l’époque de la guerre froide.

Le domaine de la cybersécurité et les mécanismes conçus par ses praticiens sont devenus une partie essentielle d’un appareil de vérification dans un monde où les collaborations se font principalement par le biais de dispositifs informatiques.

Photo par Nick Fewings sur Unsplash

Dans un cadre entrepreneurial, par exemple lorsque des entreprises décident de collaborer à un projet technique, un environnement de collaboration (cyber)sécurisé permet aux participants de s’assurer que, en s’ouvrant aux apports extérieurs et en fournissant des résultats, elles peuvent le faire de manière inoffensive. Il existe toute une série de préjudices possibles, mais les plus courants sont : la perte de la propriété intellectuelle, des actifs de l’entreprise ou même de la compétitivité. De plus, dans un environnement de conformité de plus en plus difficile, la fuite de données telles que les informations personnelles identifiables (IPI) peut être financièrement graves pour l’entreprise qui la subit, car de lourdes amendes sont infligées pour violation du règlement général sur la protection des données ou GDPR.

Il est évident que tous les préjudices susmentionnés peuvent être causés sans qu’il y ait collaboration (c’est-à-dire uniquement par des acteurs internes), mais le fait de faire entrer des personnes extérieures dans le “périmètre” de l’entreprise entraîne sans aucun doute de nouveaux défis et menace généralement la sécurité de l’entreprise.

Dans un cadre universitaire, la confiance est également un facteur déterminant. Toute institution universitaire disposant d’un financement important aspire à un classement décent parmi ses pairs. Par conséquent, sa réputation sera influencée par sa capacité à collaborer avec l’industrie. Ainsi fournir un environnement sécurisé (par exemple pour les données, les codes et d’autres actifs) ne peut qu’améliorer sa capacité à inciter ses partenaires industriels à partager des données du monde réel, ce qui permet à l’institution de collaborer sur des problèmes eux-aussi, du monde réel.
Il convient de mentionner que le mouvement Open Data joue un rôle d’équilibriste nécessaire qui atténue certaines des préoccupations relatives à la protection des données privée que j’ai évoquées plus haut. En particulier pour assurer le respect des règles lors du traitement des informations nominatives, le processus d’anonymisation des données joue également un rôle important de passerelle.

Il est ironique de constater que le processus d’ouverture de la collaboration entre les entreprises exige en fait que nous mettions en place de nombreux garde-fous supplémentaires !

Le lien avec la cybersécurité

Voyons maintenant comment la notion de confiance se traduit dans le monde de la cybersécurité. Mon but ici est seulement de donner un aperçu des ingrédients les plus importants et les plus nécessaires pour permettre une collaboration ouverte et sûre, et en aucun cas d’être exhaustif.

Photo de Kyle Glenn sur Unsplash

La notion de gestion des identités et des accès (souvent désignée par son acronyme IAM) est essentielle à la gestion des accès aux ressources informatiques. L’objectif de l’IAM est de faire en sorte que les utilisateurs, qu’ils soient externes ou internes, aient un accès contrôlé basé sur le principe du moindre privilège, c’est-à-dire qu’ils n’aient accès qu’aux ressources (ordinateurs, biens, documents, etc.) qui sont nécessaires à leur rôle et à leur mission. Dans le cas d’une collaboration ouverte, la nécessité de garder une vue claire de qui a accès à quoi (par exemple, documents de conception, notes de réunion, etc.) semble simple, mais un temps et des capacités techniques limité et parfois la négligence en font une corvée redoutable.

En particulier, l’accès aux systèmes informatiques est aujourd’hui possible grâce à des identifiants qui peuvent prendre plusieurs formes : paires utilisateur/mot de passe, clés cryptographiques, données biométriques, etc. La gestion des identifiants et des clés et, en particulier, la possibilité de révoquer l’accès en désactivant un identifiant est un élément important à la sécurité pour garder la collaboration ouverte sous contrôle.

Photo par Jason Leung sur Unsplash

Récemment, la nécessité d’un processus spécifique pour gérer les menaces d’initiés a pris de l’importance au sein de la communauté de la cybersécurité. Comme son nom l’indique, l’objectif est ici d’atténuer tout effet potentiellement néfaste qu’un initié malveillant pourrait causer. L’initié est ici un employé ou plus généralement toute personne qui pourrait avoir accès aux actifs de l’entreprise, comme dans le cas d’une collaboration ouverte. Les méthodes de gestion des menaces d’initiés et des attaques ciblées sont regroupées sous la discipline de l’analyse du comportement des utilisateurs. Elles consistent généralement à surveiller les activités d’un utilisateur et à déterminer si ses activités s’écartent d’un modèle de comportement “normal”.

Jusqu’à présent, les mécanismes de cybersécurité que j’ai mentionnés sont utiles pour gérer une collaboration ouverte impliquant le partage d’idées, de discussions, de documents de conception et de ressources informatiques.

Les ingrédients supplémentaires ci-dessous sont nécessaires lorsque la collaboration va plus loin et implique la création d’actifs tangibles tels que du codes informatique, un concept de produit ou d’autres artefacts permettant de capturer des connaissances concrètes, c’est-à-dire convergeant vers l’innovation collaborative.

Les pratiques de développement sûres, en particulier pour le code informatique, apportent une couche de confiance pour un champ d’application élargi de la collaboration ouverte. Certaines des disciplines de la cybersécurité qui sont pertinentes pour notre problème sont par exemple l’analyse de la composition des logiciels (j’y reviendrai dans le paragraphe suivant), les outils de gestion de la vulnérabilité des logiciels et les mécanismes de contrôle de la traçabilité des versions de développement des logiciels. Cette dernière fonction est foournie avec l’utilisation de logiciels tels que git et n’est souvent pas immédiatement perçue comme un mécanisme de sécurité. Cependant, elle joue un rôle central dans la sécurisation du développement de logiciels en offrant une protection contre les pertes dues à une mauvaise manipulation. Elle est également à la base de la construction ou de l’intégration de mécanismes de sécurité supplémentaires.

Photo par Eric TERRADE sur Unsplash

En résumé, pour toutes les parties collaboratrices, le niveau de maîtrise des disciplines de la cybersécurité que j’ai mentionnées ci-dessus influencera le niveau de confiance qui sera accordé à la collaboration ouverte qui s’instaure entre elles.

L’un des avantages immédiats qui découlent d’un mécanisme de vérification solide est la traçabilité. En particulier, la capacité à retracer les contributions de données (idées, documents, codes, etc.) tout au long du déroulement de la collaboration est en fait une clé pour transformer une collaboration ouverte en un processus d’innovation collaborative. Dans le dernier exemple de création de code informatique que j’ai mentionné, la pratique consistant à utiliser des outils de contrôle de version distribués permet aux parties collaboratrices de retracer clairement les contributions individuelles au code (lorsque le système gère les identités des contributeurs). Ceci nous amène au prochain sujet de notre discussion.

Comment pratiquer l’innovation collaborative dans le cadre de collaborations ouvertes

J’ai expliqué dans l’introduction que la collaboration ouverte est une voie naturelle vers l’innovation collaborative, c’est-à-dire basée sur l’utilisation des ressources externes. La collaboration prend également des formes multiples : entre entreprises homologues, lors d’une initiative d’outsourcing, entre entreprises de tailles différentes, etc.

Photo par Manja Vitolic sur Unsplash

En fait, pour concevoir une stratégie d’innovation collaborative, une entreprise doit envisager de multiples mises en œuvre, chacune impliquant une forme différente de collaboration. Celles que j’ai mentionnées ci-dessus ne constituent qu’un sous-ensemble des possibilités. Dans mon précédent article “Open Innovation: Qu’est-ce qu’une stratégie d’innovation ouverte?“, je présente un revue approfondie et une classification des différents types d’innovation collaboratives et des types de collaboration qu’elles nécessitent.

L’une des principales considérations lorsqu’on innove collaborativement est de savoir si l’effort conduit à la création de propriété intellectuelle.

Les actifs de propriété intellectuelle (PI) sont un élément clé de la stratégie concurrentielle de la plupart des entreprises. Pour tous les scénarios d’innovation ouverte que j’envisage ici, une préoccupation légitime est de savoir comment la propriété intellectuelle est partagée entre les participants. Pour répondre à cette question, nous devons réfléchir à la participation de chaque participant. Faire de cette réflexion un après-coup est souvent synonyme de désastre et nuit au mécanisme de vérification de la confiance. Aujourd’hui, ce problème est surtout traité par des documents juridiques et des accords préalables. Cependant, ce mécanisme n’est pas à l’abri de litiges car les relations sont parfois durables avec les changements de membres de l’équipe (ce qui entrave généralement la révision des contributions). De plus, l’évolution des positions compétitives des participants sur le marché peut entraîner des changements de stratégie.

Les questions que j’ai évoquées ci-dessus sont valables à la fois dans les milieux industriels et universitaires. De plus, la portée des contestations de licences pourrait ne pas se limiter aux participants impliquées dans la collaboration. Comme je l’ai expliqué précédemment, l’utilisation de composants logiciels open source est devenue routine pour continuer à innover dans un monde numérisé de plus en plus complexe. La discipline de l’analyse de la composition des logiciels que j’ai mentionnée précédemment met en lumière la complexité du traitement des licences des composants de logiciels open source. J’écris sur les questions liées aux logiciels à source ouverte (y compris leurs dangers) dans mon précédent article sur l’innovation collaborative.

Photo par Hitesh Choudhary sur Unsplash

Le traitement des questions liées à la propriété intellectuelle et à l’octroi de licences dans le cadre d’une collaboration ouverte fait appel à de nombreux mécanismes numériques, dont certains sont encore à l’état embryonnaire. On s’attend à ce que la gestion de la propriété intellectuelle soit également numérisée. Cela permet à son tour d’utiliser des techniques d’apprentissage automatique (Machine Learning) pour automatiser le traitement et l’analyse. En particulier, les mécanismes qui offrent certaines garanties d’immuabilité des données, tels que la Block Chain, sont considérés pour permettre d’enregistrer tout type de biens afin de traçer la PI. Cela permet de retracer la création de la PI tout au long du déroulement du projet de collaboration ouverte que j’ai mentionné précédemment. En substance, l’objectif est de suivre les idées et leurs auteurs depuis le début du projet.

Évaluation de la performance de la collaboration

Un dernier point que je voudrais aborder dans cet article est l’évaluation des performances de la collaboration.

En fonction de la relation entre les participants impliquées dans la collaboration ouverte, il pourrait être intéressant de contrôler les performances des différents contributeurs. Cela pourrait être particulièrement intéressant lorsque le cadre est plutôt déséquilibré, comme dans le cas de l’externalisation du développement (outsourcing).

Un cadre de collaboration ouverte que j’ai brièvement mentionné précédemment est celui où une entreprise externalise une partie de son développement à une entreprise externe.

L’externalisation est devenue un élément de la stratégie standard des entreprises. Toute mise en œuvre prudente de la stratégie met en balance un ensemble de risques bien compris et la l’attrait financier potentiel.

Photo par Alexander Redl sur Unsplash

Dans ce cas, il est probable qu’un contrat soit mis en place avec un certain type d’attentes sur la performance de l’entité contractuelle. Dans ce cas, la performance est généralement mesurée à l’aide d’un outil de gestion de projet qui permet à l’entreprise de suivre l’achèvement des tâches externalisées. Il est intéressant d’envisager la mise en place d’un mécanisme similaire dans le cas d’une collaboration ouverte “équilibrée”, par exemple entre pairs. Ce mécanisme peut être mis à profit dans le cadre du défi relatif à la propriété intellectuelle que j’ai mentionné précédemment.

C’est tout pour cet article. Les défis que la collaboration ouverte et un de ces resultats: l’innovation collaborative, apportent aux entreprises ne sont certainement pas limités à ceux que j’ai passés en revue dans cet article. Cependant, il est clair que la confiance est un catalyseur majeur pour permettre la collaboration, qu’elle soit ouverte ou fermée, et qu’elle est le ciment d’une collaboration réussie. La transparence est également un catalyseur qui renforce la notion de confiance dans la plupart des cas. Certains des mécanismes apportés par la cybersécurité sont un moyen de concrétiser cette confiance dans le monde réel.

Commentaires, réactions : Laurent Balmelli (Twitter Laurent Balmelli)