Nos intelligences artificielles
Une inspection n'est pas un modèle unique : c'est une chaîne de modèles, chacun chargé de répondre à une question précise, orchestrés par un parcours de captation qui leur donne de bonnes images à analyser.
Les neuf briques
Toutes ne sont pas activées sur chaque déploiement : le parcours se compose selon votre cas d'usage.
Guidage de captation
Analyse l'image en direct et indique où se placer, quand avancer et quand refaire une vue.
Détection des éléments
Identifie les éléments de carrosserie visibles : portes, ailes, boucliers, optiques, vitrages, jantes.
Contrôle de qualité d'image
Écarte les vues floues, sous-exposées, trop lointaines ou parasitées par un reflet.
Lecture de plaque
Lit la plaque d'immatriculation et la rapproche du véhicule attendu au dossier.
Anonymisation
Floute automatiquement plaques et visages avant diffusion ou archivage.
Lecture du VIN
Reconnaît le numéro d'identification du véhicule sur le pare-brise ou la plaque constructeur.
Qualification des dommages
Localise rayures, impacts, enfoncements et éclats, et en apprécie l'étendue.
Détection d'incohérence
Repère les signaux de recapture d'écran, de rupture de continuité ou de véhicule non conforme.
Appui au chiffrage
Traduit les dommages qualifiés en éléments de décision réparer ou remplacer.
Une IA nourrie par plus de deux ans de R&D
Ces modèles sont le fruit d'un long travail de recherche et d'annotation. Pour en comprendre la logique, lancez le simulateur de la page R&D IA.
Le guidage fait la moitié du travail
La performance d'un système d'inspection tient autant à la qualité des images qu'à la finesse des modèles. Une vue floue, contre-jour ou cadrée à trois mètres ne devient pas exploitable parce qu'on l'analyse avec un meilleur réseau. C'est la raison d'être du guidage temps réel : corriger la captation pendant qu'elle a lieu, plutôt que constater l'échec une fois le véhicule reparti.
Nous détaillons ce choix dans notre comparaison des protocoles de captation, et le fonctionnement général de la chaîne dans notre guide de la computer vision appliquée à l'automobile.
La confiance plutôt que la certitude
Aucune détection n'est présentée comme une vérité. Chaque élément et chaque dommage remonte avec un score de confiance, et c'est vous qui décidez du seuil à partir duquel un dossier part en traitement automatique ou en revue humaine. Ce réglage n'est pas technique mais métier : le coût d'un dommage manqué et celui d'un dommage signalé à tort ne sont pas symétriques, et ils varient selon votre activité. Nous détaillons cette logique dans notre article sur la mesure de performance d'un modèle de détection.
Où tourne le calcul
Le guidage doit répondre en quelques dizaines de millisecondes, y compris dans un parking souterrain sans réseau. L'analyse fine, elle, gagne à s'exécuter sur des modèles plus lourds. D'où une architecture hybride, détaillée dans notre comparaison entre traitement embarqué et traitement serveur.
Les données avant les modèles
Un modèle d'inspection vaut ce que vaut son jeu de données : couverture des marques, des couleurs, des conditions de lumière, cohérence de la taxonomie, accord entre annotateurs. C'est le travail le moins visible et le plus déterminant, que nous décrivons dans notre article sur l'annotation et la qualité des données.
Conformité et supervision
Une inspection manipule des données à caractère personnel et, dans certains usages, contribue à des décisions qui affectent une relation contractuelle. Deux sujets que nous traitons de front : les données personnelles présentes dans les images et les obligations issues du règlement européen sur l'intelligence artificielle.
Questions fréquentes
Sur quoi repose la détection ?
Sur des modèles de vision par ordinateur entraînés à reconnaître les éléments de carrosserie et les dommages visibles. Chaque détection est assortie d'un score de confiance, ce qui permet de régler le seuil à partir duquel une décision humaine est sollicitée.
Quelle précision peut-on attendre ?
Un chiffre de précision annoncé sans son protocole n'a pas de sens : il dépend du jeu de test, de la taxonomie retenue, du seuil de confiance et du critère de recouvrement utilisé. Nous préférons mesurer la performance sur vos propres véhicules, dans vos conditions réelles de captation.
Le traitement se fait-il sur le téléphone ou sur nos serveurs ?
Les deux. Un modèle léger tourne sur le terminal pour assurer le guidage temps réel même avec une connexion dégradée ; les analyses les plus fines sont réalisées côté serveur.
Et si le modèle se trompe ?
Il se trompera, comme tout système de perception. C'est pourquoi l'architecture prévoit une supervision humaine : l'assistant propose, vos équipes tranchent, et ces arbitrages alimentent les cycles d'amélioration.
Testez la chaîne sur vos véhicules
La meilleure façon de juger une IA d'inspection est de la confronter à votre parc réel, dans vos conditions.