LA VOITURE AUTONOME

Marc — 00:00 :

 Aujourd’hui, je reçois Alex Haag, ingénieur de l’école polytechnique et du MIT Il passe 14 ans en robotique avant de rejoindre Tesla, dont il deviendra programme Manager de l’équipe autopilote. Il a ensuite rejoint arguai, filiale voiture autonome de Ford et Volkswagen, dont il sera CO puis vice-président responsable du programme. Depuis septembre, il a lancé futur rail pour appliquer la technologie voiture autonome au train Bonjour. 

– Alexandre — 00:23 :

 Alex, Bonjour Marc. 

– Marc — 00:24 :

 Alors, Alex, est-ce que tu peux nous parler de voiture autonome et nous dire un peu où on en est la réalité, la fiction? Où on en est aujourd’hui? 

– Alexandre — 00:33 :

 Ouais bonne question ouais donc je pense que la voiture autonome est est vraiment passée à travers le hype cycle comme on dit et qu’on a mis beaucoup, beaucoup d’espoir et on a imaginé que ça allait faire beaucoup de changements que ça va venir très vite et maintenant on est plutôt dans le creux de la vague, peut-être un retour de balancier un peu trop fort de dans l’autre sens. Donc toujours, il reste quelques entreprises qui travaillent là-dessus et qui avancent là, celle la la plus en tête c’est c’est wilmo, la filiale de Google, qui a plusieurs centaines de voitures qui tournent à Phoenix et maintenant aussi à San Francisco avec aucun conducteur dans la voiture et des passagers qui payent pour prendre le robot taxi. Donc c’est une réalité qui existe aujourd’hui, mais qui est encore limitée à quelques centaines de véhicules. Et donc je pense que ça prend encore du temps avant que ça se déploie à à grande échelle dans beaucoup de villes et notamment en Europe. 

– Marc — 01:20 :

 Et c’est quoi le frein pour qu’on en ait des centaines de millions? 

– Alexandre — 01:23 :

 Ouais, bonne question aussi, il y en a plusieurs. Je pense que d’un point de vue technologique, ça reste encore difficile. En fait, c’est une chose de faire une voiture qui roule toute seule dans un environnement. Bien structurer ou c’est clair? Quels sont les règles, comment on fonctionne? C’est beaucoup plus dur à côté de la subtilité qu’il faut enfreindre un petit peu les règles ou contourner un petit peu les règles. Un exemple type, c’est vous êtes derrière un camion poubelles. Il y a une ligne continue, est ce que ce camion poubelle il est bloqué dans le trafic et il faut absolument pas le dépasser ou est-ce que bah non il est en train de charger les poubelles et oui tout le monde va faire le tour même si y blanche va y aller tranquillement, et cetera. Et donc ça c’est pas trivial pour un ordinateur, pour lui expliquer et donc il y a des difficultés dévote technologiques c’est-à-dire qu’on arrive à faire quelque chose qui reste sur, mais qui du coup, est trop conservatif, et donc est pas vraiment utilisable ou qui aurait l’air un peu stupide aussi. C’était un humain et l’autre côté c’est encore le coup du matériel pour faire tourner ses algos, il faut quand même encore des capteurs très chers et des calculateurs notamment aussi très très chers donc j’ai pas les prix exacts pour immo mais à mon avis c’est encore pas loin de 100000€ par voiture donc quand c’est pour remplacer des chauffeurs type Uber qui sont malheureusement pas très bien payés bah le retour sur l’investissement reste quand même difficile à justifier. Donc je pense que c’est les 2 gros freins, les algorithmes et le coût du matériel, alors le coût du matériel va continuer à baisser. Comme toujours dans l’électronique, avec l’effet volume et l’effet loi de Moore. Mais ça va prendre encore, je pense au moins une ou 2 générations de matériel, donc 4 à 8 ans à mon avis avant que ça puisse vraiment se déployer à grande échelle. 

– Marc — 02:57 :

 D’accord et sur l’aspect on va dire data, est-ce qu’on est aussi sur une une limitation? Est-ce que Dataset de Palo Alto sont biaisés par réplicables dans d’autres endroits? Est-ce qu’il y a il y a ce phénomène. 

– Alexandre — 03:11 :

 Ouais ouais, complètement en fait, c’est l’environnement est assez différent d’une ville à l’autre et encore plus d’un pays à l’autre. Alors il y a d’abord les le code de la route qui varie d’un pays à l’autre ou voire d’un État à l’autre aux États-Unis. Bon, ça à la limite, c’est pas le plus difficile. Quand y a des règles et elles sont codées. Assez assez faciles à recoder, mais après donc y a l’environnement statique. Bon Ben les rues sont pas faits de la même façon à Palo Alto, à Paris ou même à Munich ou à Paris ou à à Londres et à Berlin. Donc là il faut adapter le système et après le plus difficile en fait c’est les comportements des gens. Qui sont extrêmement variés aussi. Typiquement voilà conduire à fenix ou conduire à Paris ou Rome. C’est vraiment pas du tout pareil et donc l’importance des données, et après en fait, c’est utile d’avoir justement des données de plusieurs villes. Est différente ou de plusieurs environnements différents parce qu’en fait, il y a peu de choses qu’on verra jamais un endroit donné, mais par contre on les verra avec des probabilités très différentes à l’endroit ou un autre, et donc la diversité. En fait, ça permet de voir des choses rares par exemple type, c’est un tracteur Ben Paloalto c’est extrêmement rare d’avoir un tracteur dans la rue mais c’est pas impossible. Il y a un jour ça arrivera et il faut très bien savoir le reconnaître et le gérer alors que si on va dans d’autres villes plus rurales, Ben on aura plus souvent un tracteur et du coup on aura dans notre dataset et on saura comment gérer un tracteur. 

– Marc — 04:34 :

 Comment ça s’organise? Un Software de conduite autonome quels sont, on va dire, les sous Software, les briques interagissent entre elles. 

– Alexandre — 04:40 :

 Alors dans une architecture voiture donne y a 3 modules principaux, il y a la perception donc voir où sont les choses. Il y a ensuite la prédiction, une fois que j’ai identifié tous ces objets, c’est prédire ce qu’ils vont faire dans le futur. La limite y a 2 niveaux, y a leur intention donc si c’est le piéton qui veut traverser ou pas, si c’est la voiture qu’elle veut changer de voix ou pas. Et après la la prédiction de plus au sens la la trajectoire précise que va suivre cet acteur. Et une fois donc, on a l’état du monde actuel. La prévision du monde dans le futur. La 3ème partie, c’est de trouver un chemin dans cet environnement, donc c’est la génération de trajectoire, donc ça c’est le 3ème gros élément après y en a quelques autres un peu plus petits. Une fois qu’on a la génération de trajectoire, il faut encore un contrôleur pour fermer la boucle pour s’assurer que les actionneurs suivent bien la trajectoire qu’on a commandée et en amont y a toute la partie localisation de savoir exactement où on est sur la carte pour pouvoir du coup utiliser tous les éléments de la carte, de savoir combien de lignes savoir où sont les feux rouges, savoir quelle voie dépend de quel feu rouge. Et toutes sortes d’informations qu’on peut coder sur la carte qui facilite beaucoup le travail. 

– Marc — 05:43 :

 Parmi toutes les boîtes qui font ça aujourd’hui, qui fait la course en tête et qui sont les grands acteurs qui allaient à peu près la, la taille des équipes. Si tu les connais. 

– Alexandre — 05:51 :

 Alors, en tout, je pense qu’y a assez peu de doutes. Ces wilmo. La filiale de Google que je mentionnais avant eux, ils ont, je crois, pas loin de 3000 personnes, donc des grosses grosses équipes qui brûlent plus d’un milliard par an pour continuer à développer le projet. En 2ème, il y a Cruise, la filiale de général Motors. Et après la 3ème place, je sais pas trop y a Aurora qui est encore en course, qui se focalise plus sur les camions pour l’instant. Et puis il y a des boîtes en Chine, baidu qui continuent à faire des choses et à quelques autres boîtes chinoises là qui avancent pas mal aussi, qui ont aussi des voitures qui tournent avec personne dedans. Voilà et donc oui écoute, c’est aussi de l’ordre de 2500 personnes je crois les les boîtes chinois j’ai pas les chiffres en tête mais oui c’est des grosses grosses, grosses équipes, sûrement parmi les choses les plus grosses, alors après on a des le développement en interne, comme méta, avec son métavers qui avait mis 10000 personnes. Mais bon, qui a aussi fait marche arrière, donc au niveau ouais R et d start-up Je pense que c’est parmi les plus grosses start-up du monde, surtout à à cet État où le revenu est encore extrêmement faible, donc c’est encore essentiellement des dépenses de R et D. 

– Marc — 06:59 :

 Alors justement, sur ceux qui ont jeté l’éponge et ce que t’en connais des boîtes qui ont jeté l’éponge et quelles sont les raisons, on va dire d’ouais. 

– Alexandre — 07:08 :

 Bah malheureusement, argot après que j’ai quitté, j’ai fini en juin et en octobre. Sport de Volkswagen ont décidé de débrancher. Donc bon, j’étais déjà parti donc j’ai pas forcément tous les éléments, mais en gros les industriels se sont dit qu’allait prendre encore beaucoup de temps et qu’ils étaient pas sûrs de vouloir investir autant d’argent pendant aussi longtemps qu’ils ont besoin des fonds pour développer la voiture électrique aussi qu’ils ont d’autres initiatives en interne, sur des sujets similaires et qu’en fait finalement ils ils croient moins aux robots taxis. Un petit peu pour les raisons que j’ai mentionnées avant. Et il croit plus à l’approche incrémentale de dire, on fait de l’aide à la conduite où y a encore un conducteur dans la voiture, mais on l’aide à détecter les obstacles. Qui l’aurait pas vu? Donc ça, c’est ce qu’on appelle le niveau 2 et en passant au niveau 3 là qui commence à venir ou dans des contextes bien définis et très simplifiés, le conducteur peut enlever les mains du volant, peut faire autre chose. Donc actuellement ce qui existe c’est typiquement sur autoroute en à basse vitesse donc dans les embouteillages. Donc là Daimler AA sorti un système l’année dernière. Il y en a quelques autres qui arrivent ou en général, typiquement jusqu’à 60 km heure sur autoroute, le conducteur peut prendre son téléphone et faire autre chose et et relâcher le relâcher le volant. Et puis dans des les conditions météo aussi, voilà. Et donc ça fait un point de départ et après l’idée c’est d’augmenter progressivement la vitesse, les conditions météo, toutes les genres de situation que la voiture c’est gérée d’accord pour un nouvel acteur c’est quoi la barrière à l’entrée de la voiture autonome? 

– Alexandre — 08:36 :

 Pour un nouvel acteur et. Aujourd’hui, ça dépend ce qu’on vise. Je pense qu’un des travers de cette industrie, c’est leur a voulu viser tout de suite. Comment dire, le marché le plus gros avec les robots taxis, mais aussi le marché le plus difficile techniquement et donc je pense qu’aujourd’hui quelqu’un se lançait pour faire des robots taxis. Les barrières, ce sont énormes. Enfin, je dirais qu’il faut je sais pas, 5 milliards au minimum un mètre cinq milliards sur la table pour pour rassembler l’équipe et tout démarrer en fait une des difficultés c’est que bah c’est une industrie tellement nouvelle qu’elle est pas du tout mature et donc y a tout l’outillage. Tous les tout ce qui a besoin pour développer en fait ça, ça existe très peu, donc il faut tout développer soi-même. On peut pas assembler 80 % des briques, se concentrer sur un un élément clé, donc pour des robots taxis. Je pense que la barrière est énorme. Par contre on commence à avoir des boîtes et c’est un petit peu aussi mon idée avec futur ailes, c’est de démarrer sur des problèmes beaucoup plus simples donc je suis aussi conseiller d’une boite qui s’appelle fair bride qui eux commencent avec la conduite à distance pour des des tracteurs de camions mais sur les dépôts quoi dans les juste pour bouger les remorques sur des sites privés à à basse vitesse, donc là on est sur des sites privés, on est à basse vitesse, ça simplifie énormément le problème. Donc voilà, il y a d’autres start-up qui visent des marchés effectivement beaucoup plus niches et ça j’y crois beaucoup plus. Et là par contre les barrières sont beaucoup plus basses parce que là bon Ben maintenant les les capteurs ont quand même bien évolué, les calculateurs ont bien évolué et donc ça ça s’achète, on trouve plus d’ingénieurs qui savent faire ça. Les algorithmes ont bien évolué, donc faire une une rapide démo ça c’est pas trop difficile. Et du coup, si, après le scope de ce qu’on vise et est plus limité, passer de la démo au produit, là c’est plus envisageable et à limite enfin, dans notre contexte, les datas. C’est vrai que ça reste une partie importante. Tous ces projets en fait, font il faut avoir pas mal de véhicules à faire tourner pour collecter beaucoup de données pour bien comprendre quels sont tous les cas d’usage. Tous les cas limite toutes les choses surprenantes qu’on peut voir et avoir des données pour entraîner les algorithmes et pour les tester. 

– Marc — 10:44 :

 Alors justement, en termes d’entraînement des algorithmes, de l’extérieur, on a un peu l’impression que c’est l’intelligence artificielle pure et quand on décortique, on se rend compte, y a beaucoup de choses qui sont codées par les humains. Est-ce que tu peux un peu nous expliquer quelle partie on va dire fait appel à du machine learning? 

– Alexandre — 11:00 :

 Alors là aussi, il y a il y a plusieurs écoles donc je dirais les 2 extrêmes, c’est wilmo et Tesla. Enfin donc Tesla c’est clairement un extrême où eux ils visent finalement ils sont partis de ce qu’on appelle du end to end, de la machine learning. Donc c’est ils ont une énorme flotte de véhicules sur laquelle ils peuvent collecter des données. Donc en gros c’est j’enregistre mes images et je regarde ce qu’a fait le conducteur et j’utilise ça pour à partir de mon flux d’images générer 2 commandes, le volant et les pédales et donc là avec très peu d’ingénieurs d’ingénierie directement au milieu et l’autre extrême c’est de décomposer plus que comme je l’ai expliqué avant de faire la perception, la prédiction et cetera donc et alors si dans l’approche décomposées bah le machine learning? Enfin, où le les, les réseaux de neurones gagnent quand même beaucoup de terrain. Alors la règle générale, je dirais c’est que quand on peut l’expliquer facilement avec des mots, quoi faire ça, ça se programme bien quand c’est un truc on finalement on peut pas bien expliquer pourquoi on a fait comme ça. Tout le monde sait faire par exemple à plein de situations justement où on se pose même pas la question quand on conduit, mais si on demande au conducteur pourquoi vous avez fait ça, là, il aura peut-être du mal un peu à l’expliquer quoi, dans toutes les situations comme ça. Bah le machine learning ça y a pas photo ça ça marche mieux, donc un typiquement tout ce qui est prédiction. Là y a y a pas vraiment d’autres solutions que faire du machine learning dans tout ce qui est perception? Ça marche enfin là. Y a d’autres solutions. Mais le machine learning, ça marche mieux quand même ça. 

– Marc — 12:28 :

 Marche commodities quoi c’est on en est au, c’est comme commodities veux dire l’algorithme de Computer Vision c’est quelque chose que je trouve sur l’étagère. 

– Alexandre — 12:35 :

 Quoi, plus ou moins ouais et donc clairement sur les images. Là y a pas photo que le machine learning est nettement meilleure que tout ce qu’on peut faire en classe economy vision sur le lidar c’est encore un petit peu différent. Mais le le machine learning aussi à rattrape tout ce qu’il y a, je dirais le seul avantage pour des des solutions plus classiques, c’est sûr. Toutes les preuves de sûreté ou en machine learning. On sait pas encore garantir que ça va marcher. En gros, on teste pas mal et on dit Bah Regardez, ça marche pas mal mais quand on veut faire une preuve de sûreté pas mal ça ça suffit pas quoi. Il faut que ce soit vraiment du 99,9999 et là du coup des approches un peu plus classiques on dit Bon Ben j’ai un nuage de points avec un lidar, je peux identifier en fonction de la réflexivité des matériaux ce que je vais détecter, pas détecter et après j’ai un filtre. Assez simple, il faut que je vois au moins 3 fois de suite ou au moins un certain nombre de points et du coup on peut mieux expliquer ce qui va se passer et plus facilement garantir que bah tant que j’ai un objet qui a telle réflexivité, je suis garanti que je verrai toujours et que du coup je ferai pas dedans quoi donc c’est le principal avantage? Et après sur la partie motion planning, là il existe pas mal de techniques donc été développées en robotique dans les années 80, 90 peut-être un peu début des années 2000 donc là on ça marche pas mal en en classique mais même là on commence à voir aussi de plus en plus de machine learning. Notamment parce que parfois, enfin, par exemple, pour calculer la trajectoire exacte, mais plus pour savoir, pour décider, bon ce que je dépasse, ce que je dépasse pas, pour choisir la manœuvre à effectuer, même là aussi c’est un peu plus flou et donc la machine learning peut aider. Et puis après il y a aussi tout le côté test et validation donc notamment en simulation et là aussi en fait, le machine learning apporte de plus en plus pour générer les scénarios automatiquement pour générer notamment enfin tout ce qui est générateur I pour générer des scènes. Euh en gros pour des scènes qu’on n’a jamais vues qui pourraient arriver en gros en combinant plein de choses que l’intelligence artificielle a vu et le combinant, des choses qu’on n’a pas vues mais qui sont plausibles et du coup tester le système avec ça. 

– Marc — 14:38 :

 Et du côté machine learning end to end on en est où ça fonctionne? 

– Alexandre — 14:43 :

 Mais ça marche pas trop mal. Enfin c’est je dire comment dire en soi, c’est hyper impressionnant ce que ça arrive à faire. Après Tesla, on entend même encore pas mal d’histoires de choses. Comment dire assez grosses ou temps en temps? Bah ça marche pas ou ça détecte pas quelque chose. Donc c’est un peu la question. Honnêtement, j’ai pas la réponse. Enfin c’est un peu la bataille de l’industrie entre ceux qui pensent to end et les autres. Je dirais qu’il y a quand même de plus en plus de monde qui y croient. Il y A quoi durant 17 ans là quand on est déchets Tesla il y a juste à choc qui y croyaient, personne d’autre n’y croyait. Maintenant y a quand même de plus en plus de monde qui se disent tiens, peut-être que ça peut quand même marcher et cetera. 

– Marc — 15:23 :

 C’est le sens de l’histoire, un peu quand on regarde ouais, faire de l’intelligence artificielle, ça va souvent dans ce sens quoi il se qui essaye de modéliser, finissent par se faire couper l’herbe sous le pied par ceux qui essayent de juste mettre plus de calcul, plus de data et ouais ouais, je suis d’accord, ouais. Après y a quand même eu plusieurs hivers de l’intelligence artificielle de sur les quand par l’intelligence artificielle, les années 60 ou 70 ou ça y est, là ça ça va exploser. Puis non. Finalement ça peut aussi bon puis mais effectivement y a des chances qu’un jour ça y sera, puis enfin là tout ce qu’on voit ces derniers mois c’est quand même assez impressionnant quoi les les JPT et autres? 

– Alexandre — 15:58 :

 C’est, quand même assez bluffant. Donc, donc c’est crédible et après, comme dit reste encore le la preuve de sûreté quoi. Comment démontrer quoi là aussi peut être typiquement en sûreté. Les gens aiment pas trop utiliser des probabilités parce que historiquement c’était pas possible de mesurer quelque chose en sûreté en vise des choses ou c’est une défaillance tous les centaines de millions d’heures, donc jusqu’à récemment c’était physiquement pas possible de vérifier comme ça maintenant avec les outils de simulation avec les les quantités de données qu’on peut manipuler, on commence à s’en approcher, notamment si on peut décomposer en 2 sous-systèmes et de dire que à chacun a un taux de défaillance inférieur aux millions d’heures et Ben quand on les combine, on a de chance d’être à plusieurs centaines de millions d’heures d’entre des défaillances. 

Marc

oui ça est très dur à valider et les problèmes dont on a parlé un peu plus tôt. Humain de savoir interpréter certaines situations. Enfin, je dirais le le fait d’accepter qu’un robot conduise avec toutes les conséquences que ça a. Notamment sur le fait qu’il y a plus de de responsables de la sécurité du véhicule dans le véhicule par exemple, 

– Alexandre — 17:00 :

 Ouais Ouais Ben c’est clair que à partir de ce moment-là, c’est le constructeur qui est responsable de la sécurité, ça c’est clair. Mais c’est vrai que là pour le coup ça fait flipper tous les constructeurs. C’est une sacrée responsabilité que pas beaucoup sont prêts à prendre et et pour le coup à même Tesla joue sur l’ambiguïté là-dessus, on côté marketing en disant Ben on a un full sur le driving mais quand on met le truc en route vous êtes responsable, merci de garder les yeux sur la route. Les mains sur le volant tout le temps, et cetera donc pour l’instant y a que d’aimer qui a dit OK Bah quand le mode est enclenché, c’est nous qui sommes responsables. Mais même là il y avait une interview avec une personne de leur département communication et qui était quand même assez ambiguë. Enfin y avait un peu du mal à assumer la chose, donc c’est une étape pas facile hein? 

– Marc — 17:46 :

 Oui, moi, quand ils mettent des voitures, 

– Alexandre — 17:47 :

 Mais par contre avec le robot taxi ouais clairement là ils assument. 

– Marc — 17:50 :

 Il y a eu des accidents sur lesquels ils ont dû payer. 

– Alexandre — 17:53 :

 Pas que je sache. Donc ils ont un certain nombre d’accidents, mais la plupart des accidents qu’ils ont publié pas mal de d’informations euh la plupart des accidents sont dus à une erreur d’une personne tierce. A pas de la voiture et après bon la plupart sont assez bénins. L’exemple le plus type c’est quelqu’un qui leur rentre dedans par derrière et donc là il y a que des conséquences matérielles en général. Mais voilà enfin que je sache, ils ont pas dû dédommager. Enfin après on est peut être pas tout publie sur moi aussi que ce qui les arrange mais en tout cas y a pas de gros cas connus où ils ont eu un gros contentieux. 

– Marc — 18:29 :

 Et ce qu’ils sont. Parce que je parlais de sécurité du véhicule, même pas des passagers. Je parlais du véhicule lui-même. S’il y a personne dans la voiture, on peut imaginer qu’il y a des gens qui s’amusent un peu avec est-ce que Google? Ouais, oui, moi encore une fois est concerné par ça. Petite échelle à Palo Alto, dans un monde de gens très civilisés. 

– Alexandre — 18:48 :

 Alors je sais qu’il y avait des histoires de gens qui jetaient des cailloux sur les voitures, des choses comme ça. Après j’ai pas je sais pas à quelle échelle, si c’est anecdotique ou si c’est le courant, je pense qu’il y aura toujours des gens qui vont s’amuser à tester le système ou et cetera. Après, comme c’est bourré de capteurs, bah on peut éventuellement identifier, alors on ne reprend un peu plus attention à ce qu’on fait. Mais aux États-Unis, on peut clairement identifier, puis après un moment, si les gens ont dégradé du matériel, c’est comme n’importe quelle propriété quoi de la police et et on on vit dans un pays de droit où il rate pas le matériel sans conséquence quoi donc je pense qu’il y a toujours un problème, mais je pense pas que ce sera un problème de grande envergure. Après je pense pas que ce soit ça qui empêche le déploiement des des voitures autonomes. 

– Marc — 19:32 :

 Quelles sont les différences entre travailler chez Tesla et travailler chez argot? 

– Alexandre — 19:38 :

 Ouais. Je sais pas, je peux les comparer, je peux les décrire un petit peu les 2 donc chez Tesla parce que j’ai bien apprécié. C’est qu’enfin il y a vraiment le sens of urgency comme on dit enfin que tout le monde est motivé pour que ça évite. Il y a la mission qui est quand même réelle d’électrifier les transports, de décarboner les transports et ça tout le monde y croit dans l’entreprise. Et c’est vrai que savoir pourquoi on se lève le matin, c’est hyper important en tout cas pour moi, mais je pense pour quand même pas mal de monde et que quand on sait pourquoi on fait quelque chose, on a l’énergie, on peut bouger des montagnes et le burn out. Ne vient pas si on sait pourquoi on fait quelque chose ça, pas généraliser mais où on peut-on est beaucoup plus résilient si on sait pourquoi on fait quelque chose, donc ça c’est top des gens quand même, hyper compétents aussi à produit à vraiment bluffant aussi. Quand je suis arrivé chez Tesla et que je commençais à avoir un petit peu tout ce qui avait sous le capot, j’étais vraiment impressionné par la qualité de l’engineering. Comme les choses avaient été bien faites, bien pensé. Et Ce que j’aime bien aussi chez Elon, c’est toujours son raisonnement en principe premier first principal de vraiment simplifier le problème aux fondamentaux, quelles sont les limites physiques, quelles sont les ratios les plus simples que je peux calculer dans un problème donné et à partir de là? Bah dire OK bon moi ça effectivement c’est impossible et tout le reste. Y a pas de raison que ce soit impossible et on va trouver une solution pour le faire. Donc un exemple type c’est si on parle de nos capteurs ultrasons bah il y a une limite qui est la vitesse du son dans l’air et ça on est tous d’accord qu’on va pas la changer. Par exemple, je peux calculer facilement le temps minimum que ça va me prendre pour avoir un retour et donc le nombre d’échos que je peux enregistrer par seconde. Voilà ça, on va pas discuter. Et après tout le reste y a pas de raison qu’on trouve pas de solution. Donc voilà, ça, c’est Ce que j’aime bien chez Tesla. Après, les choses sont un peu difficiles, c’est qu’y a pas une culture de bienveillance, pas surtout surtout Ilona. On va dire après les les autres employés, il y a quand même une certaine solidarité mais enfin en gros du coup on a vraiment l’impression d’être un peu traité comme du remplaçable et comme une ressource remplaçable. Donc ça c’est pas très agréable et et du coup le micro management d’Elon aussi qui parfois est assez démotivant et du coup un gros turnover dans l’entreprise qui est un peu dommage quoi. Enfin donc en fait du coup c’est marrant là quand avec les histoires de Twitter là tout le monde a découvert un petit peu le le vrai visage Delon après pour des gens de l’internat Bah c’est pas une surprise quand on peut se passer par la même chose mais bon pour sur on peut pas lui enlever les résultats quoi parce qu’il a réussi à atteindre et et je dire à peut-être même ce que tout le monde veut pas donc Tesla quand même une bonne réussite. Mais surtout face à accélérer l’industrie. Enfin, quand je vais chez Volkswagen et Audi, même encore en 2017 quand je suis arrivé chez Audi, tout le monde me disait, les voitures électriques, mais c’est des conneries, ça marchera jamais. Personne n’en veut, et cetera, et c’était en 2017 alors qu’il y avait déjà quelques centaines de milliers de Tesla qui roulaient et que n’importe qui a été dans une TSA Ça disait, putain, c’est vrai que la voiture électrique, c’est le futur. Enfin c’est tellement mieux à conduire, tellement plus agréable et donc là il a vraiment réussi à faire bouger l’industrie. Je pense que si y avait pas Tesla. L’industrie serait 5 à 10 ans plus tard que là on est aujourd’hui. 

– Marc — 22:41 :

 Comme toi qui a beaucoup bossé en direct avec leur Musk et qui a aussi vu plein d’autres choses, plein d’alternatives, quelle est ton analyse sur son succès? Qu’est-ce qui explique pour toi qu’il est aussi bien réussi à faire? 

– Alexandre — 22:53 :

 Ça, c’est un commitment jamais comment dire en français, mais enfin un engagement presque infini, quoi. Enfin une une volonté vraiment hyper impressionnante, et je pense ça c’est la première chose. Et puis après bah quand même comme une bonne intuition sur un paquet de sujets, parce que donc il y a quand même plein plein, plein de décisions que lui a prises et bah un certain nombre de décisions ou Bah Ouais bah cet été assez assez bonne décision et puis après être bah celle où c’était pas les meilleures décisions bah de garder le cap et de pousser jusqu’au bout. Je sais pas la petite histoire c’était quand on a lancé le hardware 2 d’autopilote c’était en juin 2016 tout était prêt pour faire le lancement. En octobre 2016 et donc on avait déjà tous les tous les changements étaient partis chez les fournisseurs, donc on avait passé le point de non-retour et là il y a mobileye qui nous dit Non, écoutez, je veux plus vous vendre notre puce, faut que vous débrouilliez et donc 3 mois avant le lancement, il fallait redesigner la carte pour enlever mobileye et les équipes hardware disaient dans 3 mois c’est impossible. Je vais mettre tous mes gens, je vais les faire travailler jour et nuit les week-ends, et cetera, mais il nous faut moins 4 mois pour changer la carte, tester, revalider, tout mettre en production. Et donc à la réponse. d’Elon, c’était 4 mois, OK ça nous amène fin octobre. C’est pas grave parce que début du trimestre, de toute façon on fait des voitures pour la Chine et l’Europe qui partent sur un bateau et qui sont livrés que fin du trimestre donc ce qu’on va faire c’est pendant un mois, on va produire des voitures sans aucune carte dedans et puis avant de les livrer chez le client, on enverra les cartes par avion. Fin du trimestre on les installera dans nos nos centres et on livrera au dernier moment les voitures avec la la bonne carte et donc là il y avait le VP of Engineering donc il disait mais non c’est c’est ça a pas de sens, il faut absolument pas faire ça. Le VIP of Manufacturing. Mais non, on peut pas faire ça et on y a des raisons pour lesquelles on fait les choses en usine et pas sur le terrain. Ça a pas marché ça. Le VIP of sales qui disait Ça va être un désastre auprès des clients, donc y avait tout l’exécutif qui disait ça. Il faut absolument pas faire ça et il, il a tenu le cap et il a dit non, non, c’est ça qu’on va faire à la fin. Je sais pas si c’était la meilleure décision, mais Toujours est-il qu’on l’a fait, que ça a marché, qu’on a livré les voitures, voilà. 

– Marc — 25:05 :

 Le problème catastrophique. 

– Alexandre — 25:07 :

 Pas catastrophique mais y a quand même eu, on a pas réussi à livrer toutes les voitures à la fin du trimestre. Il y a quand même eu un certain nombre de ratés de clients qui étaient pas contents, et cetera. Mais la boîte à tenues et du coup, ça a mis une méga pression sur l’équipe pour livrer à temps et voilà. Donc, c’est le genre de volonté assez impressionnante et et vraiment un niveau au-dessus de tous les autres responsables de l’équipe dirigeante. Quand même oui, il faut aller à l’encontre de tout ce que disent les gens qui te conseillent, ça apparaît, ouais, 

Marc

et peut-être aussi le fait de garder le cap, de ne pas déroger à la règle de 0 retard continue à. Clarifier le fait qu’on dérogera pas à cette règle de tous les autres sujets en fait, ouais. 

– Alexandre — 25:47 :

 Voilà aussi ouais, exactement. 

– Marc — 25:48 :

 Ouais, ouais, et alors argaud? Parce que du coup. 

– Alexandre — 25:51 :

 Les distinguer et ID Justement, la la filiale d’Audi. Là qu’on a monté de 0 où là pour le coup, on avait une culture vraiment très axée bienveillance à un niveau de d’encadrement et de management très léger et vraiment de donner de pouvoir à la puissance, aux, aux équipes et donc bah la leçon c’est que ça prend plus de temps à mettre en place quand on met juste des gens ensemble au début et dire, vous êtes une équipe et vous travaillez ensemble. Ça met un peu du temps à ce que la sauce prenne en plus quand on est une boîte en croissance rapide, c’est quand même assez troublant dans le sens où il y a tout le temps une nouvelle personne qui arrive, qui faut imprégner la culture. Faut l’expliquer. Donc il y a enfin, c’est assez classique, en fait des boîtes en forte croissance ou c’est quand même assez chaotique mais par contre, une fois que la sauce prend là, c’est vraiment hyper valorisant. On a des équipes qui sont super motivées, qui avancent super bien, qui trouvent des solutions au sein des équipes mais aussi pour travailler avec les autres équipes et donc là, notamment sur les derniers 6 mois d’ID On avait une progression hyper forte, c’était vraiment super intéressant. Après, avec Argo, c’est une culture, euh, nouveau un petit peu plus, euh. Tesla s que mais bon quand même avec plus d’attention avec les employés. 

– Marc — 26:57 :

 Et sur la différence on dira USA Europe. 

– Alexandre — 27:00 :

 c’est une bonne question. Comment caractériser ça comment je décrirais ça parce qu’elle elle est réelle? Elle existe la différence entre les 2? Aux États-Unis, il y a quand même un petit peu plus. Les gens sont prêts à travailler un peu plus dur, plus longtemps, un peu plus. Comment dire de focalisation sur l’objectif à atteindre? En Europe, on peut être un peu plus passer les les relations personnelles d’abord, mais Ceci dit, ça peut être bon d’investissement aussi ou dans par rapport à ce que j’expliquais avant, c’est qu’une fois qu’on a créé ces relations entre les personnes, euh, on peut créer des choses vraiment fortes. On peut créer des équipes vraiment soudées, qui se soutiennent vraiment, où les gens du coup aussi se sentent vraiment bien au travail, ont vraiment envie d’aller au travail et du coup se donnent vraiment à fond aussi et parfois c’est pas que non plus le, le nombre d’heures ou ou quand même un certain équilibre vie privée vie professionnelle. Peut aussi apporter quelque chose au au Bureau quoi. C’est vrai que le le le côté par contre, il m’a toujours surpris. Aux États-Unis, c’est le peu de vacances qui prennent et alors enfin je le vois pour moi, je gère souvent après 2-3 mois sans vacances, je sens que j’ai plus d’énergie, je pars une ou 2 semaines en vacances et je reviens et j’ai une super pêche et je fais en 2 semaines des trucs qui m’auraient pris 2 mois avec l’énergie que j’avais avant les vacances. Donc je pense, c’est important aussi de de bien se connaître et et se gérer et se fait qu’en Europe c’est peut-être un peu plus facile de ce côté-là et après l’autre que j’aimerais rajouter aussi, c’est que de vue compétence pour le coup, je pense qu’on a vraiment des bons ingénieurs en France, enfin en Europe et après bon les autres métiers. Je connais un petit peu moins bien, mais je veux dire on a au niveau compétences, on a vraiment des gens bien en France, en Europe et là on a vraiment pas à rougir. Je dirais, peut être même mieux parfois. Enfin en tout cas aux aux États-Unis Finalement, les choses sont sont tirées, bah pas mal par des immigrants, enfin des immigrants ou des ou des étrangers dans la Silicon Valley a quand même y a pas beaucoup de gens qui sont nés dans la Silicon Valley. 

– Marc — 28:55 :

 Ils dépendent vachement de l’extérieur. Ouais. 

– Alexandre — 28:57 :

 Ouais ouais, voilà ouais, c’est après y a une sauce locale qui vise par ailleurs mais les compétences par contre enfin on on a vraiment des gens bien formés en France et en Europe aussi et donc quand ils sont motivés et quand ils croient en ce qu’ils font ils bougent des montagnes aussi. 

– Marc — 29:11 :

 Le coût du turnover chez Tesla? Tu la senti dans les avancées techniques, ce que c’est quelque chose qui est vraiment a été un frein, tu penses que ça aurait été mieux sans se en over intense? 

– Alexandre — 29:21 :

 Ouais ouais clairement je pense, ça a été mieux après, c’est toujours difficile à quantifier à chaque fois. Y a quelqu’un qui parle, on on se dit toujours ça. Un gros dommage y a des nouveaux qui arrivent qui apportent des nouvelles idées, mais y a quand même des choses à des erreurs qui ont été refaites plusieurs fois, qui auraient été refaites. On garde les mêmes personnes. Je pense qu’un juste milieu en Europe, en ce que parfois on est un peu trop dans l’extrême des gens qui font leur la carrière dans la même boîte ou des choses comme ça. Je pense que c’est pas ça non plus. Je pense que c’est bien pour les gens et pour les boîtes de changer. Je sais pas, 3 ans ça met un peu le minimum 5 ans ça paraît bien 10 ans, je pense que c’est vraiment long quoi de rester 10 ans dans après il y a des boîtes, on peut changer de poste. Le département où ça fait ça des changements dans les grosses boîtes. Mais ouais, je pense qu’il a juste milieu à trouver dans le turnover un peu de turnover. C’est bien pour tout le monde, trop c’est du gâchis. On refait plusieurs fois la même chose, on perd ce qu’on a appris, et cetera. 

– Marc — 30:11 :

 Dans la voiture autonome, ça a été quoi tes plus grandes frustrations? 

– Alexandre — 30:15 :

 Mais plus grande frustration dans la voiture autonome? Euh euh c’est vrai que des fois y a y a des scènes, on regarde la vidéo, on regarde le truc et on se dit mais c’est évident ce qu’il faut faire ici. Pourquoi la la machine elle arrive pas à le faire et là ça rejoint ce que je disais avant et c’est OK c’est ça que t’aurais fait, mais c’est de m’expliquer pourquoi t’aurais fait ça au quel est ton raisonnement et là souvent c’est pas parce que c’est évident qu’il faut faire ça parce que tout le monde fait ça ou parce que bah je sais pas donc là quand on est, bah je sais pas mais c’est ça que je fais traduire ça pour un ordinateur c’est pas facile quoi, et c’est vrai qu’il y a des situations comme ça et et donc enfin je parlais avant d’être derrière le camion poubelle. Et parfois, c’est même derrière d’autres véhicules, quoi où personne se pose. La question que je dépasse ou pas, enfin, personne en il passe beaucoup de temps, quoi. Mais par contre, pour un ordinateur, on avait toute une équipe pendant plusieurs mois qui bossait sur ce problème particulièrement est-ce que cette voiture, il faut la dépasser ou pas quoi et voilà, on est pas comme ça. 

– Marc — 31:09 :

 Et alors, quand est-ce que t’as été le plus content de ce que tu faisais en travaillant là-dessus? 

– Alexandre — 31:14 :

 Ouais bah je pense que c’est ce que je décris avant. C’était vraiment le les 12 à 6 derniers mois d’ID On avait vraiment des équipes qui fonctionnaient bien. Ça fait vraiment plaisir à voir les gens travaillaient ensemble et des résultats, et on avançait et je faisais un test de conduite toutes les semaines, une semaine sur 2 et vraiment on voyait le progrès à chaque fois et donc ça, c’était vraiment satisfaisant de voir le progrès et de voir les équipes qui s’impliquaient, qui étaient motivées, qui avaient qui travaillaient bien ensemble. Ça, c’était vraiment une grande satisfaction. 

– Marc — 31:43 :

 Quel profil t’as envie de recruter ou de à l’époque, comme travailler sur la voiture autonome, on va dire que le profil tu recrutais. 

– Alexandre — 31:50 :

 Ouais, moi, Ce que j’aime bien, c’est les ingénieurs, alors en tee-shirt, en forme de thé, c’est-à-dire qui ont de la profondeur, qui sont top dans leur domaine, qui sont vraiment parmi les premiers mondiaux. Dans un sujet donné, assez pointu, mais qui en même temps une largeur de connaissances pas forcément avec le même niveau de détail mais qui connaissent plein de choses. Et c’est important parce qu’en fait, aujourd’hui les problèmes. Ils sont multidisciplinaires et donc faire travailler les gens ensemble et plus les gens ont de la largeur, bah plus ils vont se toucher, ils vont pouvoir se comprendre, parler de choses qu’ils comprennent. C’est à dire qu’ils la plupart des gens vont comprendre le haut de la barre verticale du thé de tous les autres personnes, enfin de beaucoup d’autres personnes avec qui ils travaillent. Et donc ça c’est facile vraiment le, le travail en équipe, j’aime bien les, les ingénieurs aussi. Ouais justement qui maîtrisent bien leur les fondamentaux en fait moi ce que je dis plusieurs fois, c’est un ingénieur qui connaît bien le programme de terminale de maths et physique. Bah il va super loin, je pense pas qu’il a besoin de connaître bien le niveau bac plus cinq mais par contre ce qu’on apprend en terminale j’attends que tout ingénieur, il se souvienne de ce qu’on a appris en terminale qui comprenne bien ce que c’est une intégrale qui comprennent bien les principes premiers de de mécanique en physique, et cetera, et qu’et que du coup en fait y a souvent plein de situations où en en ayant ces connaissances Ben on on comprend ce qui se passe, on trouve la bonne solution. 

– Marc — 33:08 :

 Alors maintenant donc tu as lancé futur rail? L’ambition, c’est de faire des trains autonomes. Toi, tu peux nous en parler un peu plus? 

– Alexandre — 33:15 :

 Donc, donc ma démarche en fait, c’était ça fait 4 ans que je calcule l’empreinte carbone de notre famille qui m’a fait réaliser que bah il y avait un certain nombre de choses où on en mettait pas mal de carbone et on se rendait pas compte de l’impact. Enfin, je me souviens à la première année, on a calculé, on avait pris un vol low cost pour Porto pour un long week-end et voilà, c’est un week-end sympa et tout mais quand j’ai vu l’impact de ce week-end sur notre bilan à la fin de l’année, en gros c’était c’était la moitié de de l’impact du à au vol en avion qu’on avait fait et les vols en avion, c’était la moitié de de l’impact. Au total et où je me disais, tiens, bah finalement, ce qu’on a besoin de partir 4 jours à Porto et donc on a fait pas mal d’efforts, on a pris moins l’avion l’année dernière, j’ai pas pris l’avion pendant une année, on mangeait moins de viande, vraiment la voiture plus le train. Maintenant on a même plus de voiture du tout non plus, on fait tout en autopartage et donc voilà donc on commence à arriver. Maintenant on est à à peu près 10 tonnes pour la famille, pour une famille de 5 donc on est, on est presque là où il faut qu’on soit en 2050 Mais je me disais, bon, Ben voilà, ça c’est bien, mais avec mon expérience, je peux faire plus si j’en fais mon métier, je peux avoir encore plus que d’impact que de passer de 25 à 10 tonnes par an, donc c’est pour ça que j’ai quitté les voitures autonomes et donc, depuis l’année dernière au début, j’ai regardé un petit peu un petit peu, où est-ce que je pouvais contribuer à regarder des choses très variées comme la construction bois, les pompes à chaleur, le stockage d’énergie, et pour comparer tout ça en fait, je me suis fixé un objectif hyper ambitieux de dire, je vais me lancer ou rejoindre quelque chose qui peut effacer l’empreinte de millions de personnes. Donc ça va au moins 10000000 de tonnes de CO 2 par an en gros, donc j’ai réalisé plein de choses. Puis j’ai commencé à regarder les trains et en fait donc tout ce qui bouge sur rails, ça consomme 3 fois moins d’énergie que si ça bouge sur pneus et et goudron. Donc je me suis dit, Ah. Enfin, d’une part, c’est plus facile à décarboner parce que c’est plus facile d’Électrifier les trains et que même une fois que les voitures, les camions sont électriques, alors parenthèse pour les voitures, c’est clair, ça va arriver pour les camions, c’est pas encore bien clair. Quelle est la solution pour décarboner les camions? Mais Toujours est-il que, même si on déc carbone, les voitures, les camions, ça consommera quand même toujours 3 fois plus d’énergie. Et moi, je crois pas aux solutions, l’énergie sera infinie, il suffit d’avoir assez d’éoliennes et de panneaux solaires parce qu’on sera quand même toujours limité par les matériaux qu’il faut par la place au sol, et cetera. Donc je me disais que les trains un ça va décarboner plus vite et 2 ce sera toujours mieux que ça concerne vraiment d’énergie et après c’est que je me suis rendu compte qu’il y avait plein de programmes de trains autonomes et donc je me suis dit, Bah je pourrais être appliquer mes compétences et mon expérience à cette industrie. Et après encore plus précisément, j’ai vu qu’en France il y avait plusieurs projets de trains légers donc ils consistent en gros à faire des trains à peu près de la taille d’un bus. Au début dédié, plus pour ce qu’on appelle les lignes fines du territoire, donc les petites lignes de montagne et de campagne, et qui permet du coup de proposer une une solution à un coût raisonnable sur le la desserte des territoires ruraux. Donc ces projets, une ambition à être autonome, à faire des trains autonomes aussi, et l’avantage, c’est que ça fournit un un point de départ. Un cas d’usage initial qui est beaucoup plus simple que des gros trains. Donc on parle de trains plus légers qui feraient mieux, qui roulent pas trop vite, qui sont seuls sur leur ligne, donc ça simplifie beaucoup de problème et donc j’ai vu ça comme un très bon point de départ et après donc en en parlant différents acteurs de l’industrie, je me suis rendu compte qu’il restait de la place, y a personne aujourd’hui. Et fournissez une solution de détection d’obstacle validée, certifiée et donc c’est sur cette niche de départ que, avec mon associé Félix, on a décidé de lancer. Essayez de lancer futur eyes avec l’ambition de monter progressivement. Donc on on part de ces premiers trains. Mais après, ce sont des trains qui vont plus vite où ils sont plusieurs sur la même ligne. Après, qui commencent à passer en interopérable avec d’autres trains, puis des trains plus grands et un jour couvrir tous les trains jusqu’au train de fret et et puis un jour, peut-être même les trains à grande vitesse. Et même au-delà de ça, en fait la la vision, je dirais très long terme, est vraiment d’accélérer la digitalisation du rail ou comme dans pas mal d’industries assez anciennes. Bah finalement pour toi et moi on était dans la Silicon Valley. Enfin digitalisation c’est une évidence mais en fait y a plein de boîtes dans lesquelles finalement c’est assez difficile. Enfin tu dois le voir aussi et ça met pas mal de temps à venir parce que les personnes ont pas forcément le la formation ou le le comprennent pas forcément exactement tous tous les impacts et puis après aussi juste parce que bah faut faire tourner le business. Qui existe déjà et que tout changement, c’est pas forcément facile et donc dans le rail en particulier. Il y a vraiment une grosse opportunité pour digitaliser que ce soit la l’architecture des trains eux-mêmes, mais aussi après tout ce qui est opération, tout ce qui est procédure opérationnelle autour et donc ça, c’est notre vision à long terme d’au-delà de l’autonomie, accélérer la la digitalisation du ferroviaire. 

– Marc — 37:49 :

 Donc si je comprends bien le l’objectif c’est d’un point de vue business, c’est pas de remplacer les conducteurs des trains actuels, mais plutôt de mettre des trains là où y en a pas parce qu’un conducteur coûterait trop cher parce qu’un conducteur sera pas exactement en fait, il y a un gros avantage une fois qu’on passe, alors ça s’applique à pratiquement tous les véhicules. Une fois qu’on passe en autonomie. En gros, on déplace un coût variable en coût fixe et donc une fois qu’on l’a le véhicule autonome et donc notamment pour les trains, on a intérêt à le faire tourner le plus possible. Donc pour ces trains en fait aujourd’hui y a des lignes d’E où y a peut-être 3-4 trains par jour. Et donc nous, on arriverait avec une offre, on met 20 30 trains par jour au minimum toutes les heures, voire toutes les demi-heures en heure de pointe. Et du coup aussi y a pas besoin forcément de véhicule aussi gros parce qu’il y a quand même un nombre infini de de jours à déplacer. Mais du coup avoir plein de véhicules plus petits plutôt que quelques véhicules gros quoi donc en gros il vaut mieux avoir au lieu d’avoir 1TER de 4 voitures toutes les 2h Ben vaut mieux avoir 1TER d’une voiture toutes les demi-heures quoi c’est un bien meilleur service pour les usagers, du coup ça peut attirer plus de monde sur le train, convaincre plus de monde. De laisser leur voiture chez eux voir un jour de plus, avoir de voiture, et c’est ça le gros impact sur les émissions de CO 2. 

– Marc — 38:58 :

 D’accord, parce que d’un point de vue des émissions de CO 2, si on fait ça, mettons, on prend. 1ter de 8 voitures ou 2TE de 4 voitures. On n’est pas tout à fait sur une division par 2 de l’impact. 

– Alexandre — 39:09 :

 Non, c’est pas cette partie, c’est le fait d’offrir un meilleur service qui puisse être moins cher, qui puisse être plus fréquent, qui puisse être plus fiable et du coup de convaincre plus de gens de laisser leur voiture chez eux et de prendre le train. C’est ça le carbone case. 

– Marc — 39:21 :

 La fiabilité du mode de transport train. Permet d’aux gens d’accepter de laisser la voiture, 

– Alexandre — 39:26 :

 Voilà exactement. Et la souplesse, quoi dire de d’avoir un train minimum toutes les demi-heures, voire tous les quarts d’heure sur certaines lignes qui ouais. Voilà qui a un gros avantage. 

– Marc — 39:35 :

 Tu peux nous rappeler les ordres de grandeur train, voiture, avion, on va dire sur l’empreinte carbone. 

– Alexandre — 39:39 :

 Ouais tout à fait. Ouais donc l’avion c’est typiquement de tout, je dirais. Enfin ça dépend des vols et plein de choses mais de l’ordre de 150 à 200 grammes par personne et par passager. Une voiture c’est similaire dans les 200 grammes une thermique. 200 grammes par, voiture donc du coup, avec la voiture c’est intéressant en fait, quand on est seul, finalement, l’avion ça ça émet moins que la voiture et donc tout en fait se joue dans le taux de remplissage donc une en fait des voitures c’est pas forcément ultra mauvais en soi, c’est les voitures où on est seul dedans qui sont vraiment mauvaises et alors le train donc en France, la SNCF annonce 26 grammes pour les t e r, donc presque 10 fois mieux que la voiture et même là-dedans en fait y a une assez grosse disparité parce qu’y a des e diesel qui pour le coup émettent plus e électrique qui émettent moins. C’est le TGV par exemple, qui est tout électrique et qui sont très bien remplis. Là on est à 3. Non, je crois qu’ils 9 grammes de mémoire ouais neuf grammes. Enfin c’est quelques grammes par kilomètre passager et on est je crois qu’ils annoncent 80 fois mieux que la voiture, quelque chose comme ça, c’est vraiment une grosse grosse différence et alors surtout en France où l’électricité est quand même très décarbonée. Là le train ouais c’est le jour et la nuit au point du émission carbone quoi. 

– Marc — 40:46 :

 Qu’est-ce qui manque au train pour s’imposer en Europe? 

– Alexandre — 40:49 :

 Ouais, bonne question. Un certain nombre de choses, alors le train ouais un petit peu. Un des avantages du train, c’est que c’est extrêmement sûr. Il y a très très peu d’accidents. Enfin, le nombre de gens qui meurent dans un train en Europe, il est proche de 0 comparé à je crois qu’on est à 3000 rien qu’en France sur la route. Enfin non des choses beaucoup, beaucoup plus élevées. Par contre du coup parfois un peu prisonnier de cette sécurité avec des normes extrêmement contraignantes donc qui ralentit les choses, qui ralentit l’innovation et après l’autre problème aussi, c’est que le réseau ferré européen, il s’est construit de façon progressive est appar État au début même avant la SNCF Dans les années avant les années 30, c’était même région par région des des entreprises privées, donc il nous reste un héritage de systèmes assez différent. On a 2 écartements de voies différents en Europe. Enfin même 3 si on va jusqu’à la Russie on a 4 voltages d’alimentation différente et après il y a tous les toute la signalisation, la chaque pays en gros à son système de signalisation, il y a les procédures d’opération aussi qui sont différents pays par pays donc on se retrouve avec des absurdités, notamment pour le fret, un train qui voudrait aller de la France en Pologne en passant par l’Allemagne, bah en gros il faut changer de locomotive, il faut changer de conducteur à chaque frontière parce que c’est trop difficile d’avoir une locomotive qui puisse passer sur tous ces standards différents et d’avoir un conducteur qui soit formé dans tous les pays différents, donc une certaine lourdeur donc ça c’est les choses à changer et l’autonomie. Bah ça pourrait aider pas mal par rapport à ça parce que du coup on peut développer une solution autonome qui dès le début est faite pour marcher dans tous les pays et après d’autres parties de la digitalisation qui pourraient clairement améliorer l’efficacité des opérations. Le milieu ferroviaire. 

– Marc — 42:30 :

 À court terme, c’est quoi les prochaines étapes pour futures ailles? 

– Alexandre — 42:33 :

 Bah donc là on a démarré notre lever de fonds donc ça c’est une partie importante. Enfin, notre première levée de fonds. On avance bien avec un certain nombre de clients, donc concrétiser ça on a quelques employés déjà, mais à grandir l’équipe et puis vraiment là pour l’instant on travaille avec justement avec des jeux de données à extérieurs, sauf pour les caméras où là on on a nos propres jeux de données mais par contre la prochaine étape c’est vraiment installer notre jeu de capteurs sur un certain nombre de trains pour collecter des données, pour collecter nos propres données. Pour entraîner? Développer nos algorithmes, les tester et pouvoir montrer à plus précisément quelle est la performance de nos algorithmes. 

– Marc — 43:12 :

 Et Ben Bon courage. 

– Alexandre — 43:13 :

 Merci Marc, merci Alex. Bonne journée. 

– Alexandre — 43:15 :

 Vous venez d’entendre Alex AG, expert de la voiture autonome sur Data-driven One One.