Voir les équipements
Roues, portières, pare-chocs, optiques, vitrages, rétroviseurs : l'assistant reconnaît chaque élément de carrosserie et sait où il se trouve sur l'image.
Recherche & développement
Plus de deux ans de R&D pour apprendre à une IA à lire un véhicule
Derrière une simple vidéo se cache un moteur de vision par ordinateur nourri par des centaines de milliers d'images, annotées par des experts, mises à l'épreuve et corrigées sans relâche. Voici, en direct, comment il pense.
2+ ansde recherche et développement
100 000+des centaines de milliers d'images ingérées pour l'apprentissage
20+familles de dommages apprises
∞cycles d'amélioration continue, experts dans la boucle
Simulateur
Dans la tête de Lucius, étape par étape
Une sortie de console qui rejoue la logique d'une inspection : de la capture guidée au rapport. Changez d'étape, ou réglez le seuil de confiance et regardez les décisions de l'IA évoluer.
Journal du moteur
Astuce : descendez le seuil sous 0,45 pour voir apparaître un reflet pris pour un dommage — exactement le genre de faux positif que l'entraînement apprend à écarter.
Animation décorative : un véhicule est successivement filmé, isolé de son décor, annoté (équipements, dommages), une anomalie est signalée, puis un rapport est généré. Les chiffres affichés sont purement illustratifs.
Le carburant
Des centaines de milliers d'images dans le moteur
Pour reconnaître une portière sous la pluie, un éclat en contre-jour ou une rayure sur une carrosserie sombre, il ne suffit pas d'un bon algorithme : il faut avoir tout vu, et beaucoup.
Ingestion en continu
Des centaines de milliers d'images ingéréesChaque image enrichit la compréhension du moteur.
La quantité compte, mais la diversité compte davantage : des véhicules de tous âges et de toutes couleurs, photographiés de jour comme de nuit, propres ou sales, neufs ou accidentés. Les images proviennent d'une activité réelle d'inspection automobile et sont annotées par des experts du métier.
La méthode
Une boucle qui ne s'arrête jamais
Un modèle d'IA n'est jamais « terminé ». Il progresse en cycles : on lui montre, on le corrige, on le teste, puis on recommence.
Étape 1 / 6
Collecter
Ce que l'IA sait faire
Six choses qu'elle a appris à voir
Certaines sont en production, d'autres sont des axes de recherche active : nous distinguons les deux.
Délimiter les dommages
Plus de 20 familles de dommages apprises, contourées au plus près et rattachées à l'élément concerné.
Lire plaque et numéro de série
Immatriculation et numéro d'identification du véhicule lus dans la vidéo, quels que soient le format et l'emplacement.
Repérer l'inconnu
Apprendre à reconnaître ce qui ne ressemble à rien de connu : un dommage atypique, jamais rencontré dans la base d'entraînement.
Isoler le véhicule
Séparer la carrosserie de son décor pour ne retenir que ce qui appartient au véhicule et écarter les éléments de l'environnement.
Estimer la gravité
Passer de « il y a un dommage » à « voici son importance », pour mieux orienter la décision et le chiffrage.
Le terrain a le dernier mot
Trois défis, et ce que nous en avons appris
Les dommages rares
Certains types de dommages sont beaucoup moins fréquents que d'autres : l'IA les voit moins et les reconnaît moins bien. Nous avons collecté des exemples supplémentaires de ces cas rares et ré-entraîné les modèles pour rééquilibrer l'apprentissage.
Les reflets
Un reflet sur une carrosserie vernie ressemble à une rayure. Nous avons identifié ce biais, qui générait des fausses alertes, puis nous l'avons atténué pour gagner en robustesse et en précision.
Le monde réel
Lumière, météo, angle de prise de vue, saleté, cadrage approximatif d'un utilisateur pressé… Les images enrichies et variées, le guidage en direct et les ré-entraînements répétés rendent le moteur plus tolérant.
Parcours
Les grandes étapes de la R&D
Une recherche menée en continu depuis plus de deux ans.
Constituer la base
Rassembler des images de véhicules réels, en situation réelle, auprès d'un partenaire de l'inspection automobile — et les trier.
Apprendre à voir les équipements
Premiers modèles capables de reconnaître chaque élément de carrosserie, puis de s'en servir pour guider la captation.
Apprendre à voir les dommages
Annotation experte à la main, contourage précis, extension à plus de 20 familles de dommages.
Résister au terrain
Lumière rasante, reflets, saleté, cadrages approximatifs : rééquilibrage des données, enrichissement et ré-entraînements successifs.
Explorer l'inconnu
Anomalies hors catalogue, isolation du véhicule, estimation de la gravité, détection d'incohérences.
Améliorer sans fin
Chaque inspection réelle peut révéler un cas à mieux traiter : le cycle d'annotation et d'entraînement ne s'arrête pas.
L'humain dans la boucle
Une IA d'inspection n'a de valeur que si elle reste supervisée. Chaque détection est assortie d'un score de confiance ; vos équipes définissent le seuil à partir duquel un dossier passe en revue humaine ; et leurs arbitrages nourrissent les cycles d'amélioration. Ce principe, que nous détaillons dans notre guide sur la mesure de performance, rejoint les exigences de l'encadrement européen de l'IA.
Pour aller plus loin : le guide de la vision par ordinateur appliquée à l'automobile, les coulisses de l'annotation des données, la description de nos neuf briques d'IA, ou l'histoire de l'équipe derrière Lucius AI.
Questions sur la R&D de Lucius AI
Depuis combien de temps Lucius AI fait-il de la R&D ?
Le projet repose sur plus de deux ans de recherche et développement en vision par ordinateur appliquée à l'inspection automobile : constitution de la base d'images, annotation par des experts, entraînement et ré-entraînement successifs des modèles, puis confrontation au terrain.
Combien d'images ont servi à entraîner l'IA ?
Des centaines de milliers d'images ont été ingérées par le moteur pour son apprentissage. Ce volume est volontairement très varié : conditions de lumière, angles, états de propreté, modèles et niveaux d'usure différents, afin que l'assistant reste fiable en situation réelle.
Qui annote les images ?
Des experts de l'inspection automobile délimitent manuellement les éléments et les dommages à l'aide d'un outil dédié. Ce travail humain constitue la référence à partir de laquelle les modèles apprennent et sont évalués.
Quels types de dommages l'IA a-t-elle appris à reconnaître ?
Plus de 20 familles de dommages : bosses, rayures, éclats, fissures, déformations, corrosion, pièces manquantes, éléments cassés ou mal réparés, entre autres. Chaque détection est accompagnée d'un score de confiance.
L'IA peut-elle se tromper ?
Oui, comme tout système de perception. C'est pourquoi chaque résultat porte un niveau de confiance, que vos équipes règlent le seuil de revue humaine et que les erreurs repérées sur le terrain alimentent les cycles d'amélioration suivants.
Envie de voir ce moteur sur vos véhicules ?
Nous déroulons un parcours complet sur l'un de vos véhicules, et nous mesurons ensemble ce que l'IA voit — et ce qu'elle ne voit pas encore.