9senses sur l’intelligence artificielle

Ce qu’est vraiment l’IA…

Quand la plupart d’entre nous, chez 9senses, ont commencé à travailler sur ce que l’on appelle aujourd’hui l’intelligence artificielle, ce terme était encore peu utilisé. On parlait plutôt de calcul non linéaire, de logique floue, d’heuristiques ou de Machine Learning.

Aujourd’hui, beaucoup pensent que l’intelligence artificielle rend les ordinateurs humains, ou capables de le devenir. En réalité, les logiciels sont encore très loin d’atteindre l’ensemble des capacités humaines. Dans certains domaines, l’IA peut toutefois simuler certaines de nos capacités, voire les dépasser. C’est particulièrement vrai lorsqu’il faut traiter de grandes quantités de données ou produire des résultats à partir de vastes ensembles d’informations. Nous voulons apporter un peu de clarté sur ce que l’IA sait réellement faire, quitte à lui retirer une part de sa magie — un peu comme Joseph Weizenbaum, le créateur d’Eliza :

How is your chatbot doing?

The 9senses Chatbot Audit evaluates the performance of your chatbot from a user perspective.

Talk to Eliza

Joseph Weizenbaum (1923-2008), créateur d’Eliza

With Generative AI, we risk stealing from our own future

When we are using generative AI, to create new output we are exploiting knowledge previously generated by humans. But who is rebuilding knowledge for the next generation?

AI chatbots in the automotive industry – promise or hype?

9senses Market Analysis: Only 16 out of 129 automotive providers in the DACH region use AI chatbots for customer service - with significant variations in quality

The lost generation

AI lets us skip the slow, clumsy, error-prone work of becoming competent. The bill for that shortcut arrives in the future, when the people who were supposed to replace today's experts never built the ability to judge.

The AI Feedback Lottery

Large Language Models judge your work differently every time you ask. That is not just a quirk of the technology - it is a fundamental challenge to how we create, validate, and trust ideas.

A confident confabulator

AI hallucinations aren't random - they cluster, systematically and predictably, in the topics you cannot independently verify.

Lost in Translation

Conversational AI is dominated by English, with serious consequences for other languages that are structural and can only be resolved with significant effort.

« Je n’avais pas compris à quel point une exposition très brève à un programme informatique relativement simple pouvait provoquer de puissantes pensées délirantes chez des personnes tout à fait normales. »

Joseph Weizenbaum (1923-2008), Inventor of Eliza

Histoire de l’IA

L’idée de machines intelligentes n’est pas nouvelle. La littérature mettait déjà en scène des automates capables de parler bien avant l’invention de la machine à vapeur. Et depuis l’arrivée des ordinateurs, nous espérons — et craignons — qu’ils puissent un jour devenir plus intelligents que nous.

Fiction

The Jaquet-Droz Writer automaton with its writing surface, quill, and hands in view — Image credit & license

The idea of "automatons" acting "intelligent" is much older than computers themselves. For example, in E.T.A. Hoffmann's "The Sandman", published in 1816, a beautiful girl named Olimpia is introduced. She dances and sings beautifully, but only speaks a few words. In fact, she is an automaton, created by physics professor Spalanzani.

The Turing Test

With the appearance of the first computers in the 1940s, the fascination with the technology quickly led to the idea that they could soon perform as intelligently as humans. In 1950, British mathematician and computer scientist Alan Turing devised a test to evaluate when a computer would be able to emulate a human conversation convincingly. It took almost 65 years for the first simulation to narrowly pass.

Eliza

When German-American computer scientist Joseph Weizenbaum created chat program "Eliza" in 1966, simulating the dialogue with a psychologist, it was meant like a playful first attempt at processing natural speech. Even though the logic behind it was very simple, many people considered it intelligent and expected computers to be able to speak like humans soon.

Talk to Eliza

Machine Learning

With increasingly powerful computers and larger storage capabilities that were able to handle large datasets, the first successful machine learning approaches were introduced. They were based on the ability to autonomously find patterns in data, relate them back to certain events and conditions and suggest or take action.

Playing Chess (and Winning)

DEEP BLUERS/6000 SP · OPERATOR CONSOLE

GAME 6 · NEW YORK 1997
ENGINE: DEEP BLUE

MOVE 1. e4

PLY 1 / 10

RESULT DEEP BLUE 1–0

In 1997, IBM's Deep Blue supercomputer won its first match against acting chess champion Garry Kasparov. While mostly driven by sheer power which helped build its game on computing more than 200 million positions a second, it was using machine learning elements (heuristics and minimax optimization techniques) mid-game, which can be considered AI.

Play Chess

Seeing and Knowing

While optical character recognition (OCR) had been developed long ago, computers became capable of "seeing" in the late 20th and the early 21st century. This is when the first face and object recognition systems were developed. By now, AI is able to routinely identify people and objects and also understand what they are doing.

Solving Complex Problems

data

vectors

model

output

check

feedback

The previous decade was the era where all previous efforts in making computers act "intelligently" came together, and where many breakthroughs shifted public attention towards the term "Artificial Intelligence" again, after it had been rarely used since the 1970s. By 2010, normal desktop and laptop computers were strong enough to perform AI tasks.

Listening and Speaking

input

tokens

vectors

context

output

check

Finally, conversational AI is able to have conversations with humans based on Large Language Models that have been released. Those models are routinely able to pass the Turing Test, which means that they are able to understand and communicate back in natural language.

Mais qu’est-ce que l’intelligence artificielle, au juste ? Nous avons demandé à deux modèles de langage de définir l’IA, et leurs réponses étaient très différentes. Découvrez ce que l’IA dit de l’IA.

Puisque même les systèmes d’IA ne s’accordent pas sur ce qu’ils sont, nous pouvons donner notre propre réponse. Chez 9senses, nous définissons l’IA comme « un système informatique capable de réagir de manière pertinente à une situation qu’il n’a encore jamais rencontrée, à partir de l’analyse de données issues de nombreuses situations similaires. » Cette capacité distingue clairement l’IA de la logique informatique classique, où chaque événement — ou combinaison d’événements — entraîne une réaction définie. Nous évitons délibérément de comparer les ordinateurs aux humains : dans certains domaines, ils restent encore à des années-lumière de nos capacités, tandis que dans d’autres, ils nous dépassent déjà largement.

Ce que l’IA dit de l’IA

Technologies clés

Il existe plusieurs grands domaines technologiques de l’IA. Voici une façon parmi d’autres de les structurer :

Machine Learning

Repérer des motifs dans de grands volumes de données et en tirer des conclusions est au cœur de nombreux systèmes d’IA actuels. Le Machine Learning fournit les méthodes statistiques qui le permettent.

Natural Language Processing

Ce n’est que récemment que l’intelligence artificielle est devenue capable de comprendre et de produire le langage humain. Cela ouvre de nombreuses possibilités, notamment dans les interactions avec les clients.

Vision par ordinateur

La vision par ordinateur permet de repérer avec une grande précision des objets et des changements dans des images ou des vidéos — qu’il s’agisse de surveillance, de détection d’anomalies ou simplement de comptage.

Robotique

Un domaine clé de l’IA consiste à développer des systèmes autonomes capables d’agir dans le monde physique, par exemple de diriger un véhicule à partir de données de capteurs et de logique de commande. C’est aussi l’un des domaines les plus difficiles.

Quel que soit le domaine de l’IA — NLP, vision par ordinateur ou robotique — c’est presque toujours le Machine Learning qui travaille sous la surface. Les modèles apprennent à partir de données historiques et appliquent ensuite ce qu’ils ont appris à des données qu’ils n’ont encore jamais vues. Ou, comme le formule Wikipédia : « Le Machine Learning est un domaine de l’intelligence artificielle consacré au développement d’algorithmes statistiques capables d’apprendre à partir de données, de généraliser à des données inconnues et ainsi d’accomplir des tâches sans instructions explicites. »

Comment fonctionne le Machine Learning

Le Machine Learning n’est pas une suite figée de règles logiques. Le système repère des motifs utiles dans des exemples, les transforme en modèle, puis applique ce modèle à de nouvelles situations.

01Commencer par des exemples

Le Machine Learning commence par des exemples : documents, dossiers, valeurs de capteurs, conversations avec des clients ou événements métier. La question décisive n’est pas seulement la quantité, mais la capacité des données à représenter les décisions que le modèle devra ensuite soutenir — et si leur collecte et leur nettoyage en valent l’effort.

03Ajuster le modèle

Le modèle fait une prédiction, la compare au résultat attendu, mesure l’erreur et ajuste ses poids internes. Certains modèles apprennent ainsi à partir d’exemples étiquetés ; d’autres trouvent des structures sans étiquettes, tandis que les grands modèles de langage apprennent en grande partie directement à partir de texte brut. À force de répétition, des exemples individuels deviennent un motif réutilisable.

Concept clé

L’apprentissage supervisé travaille à partir d’exemples étiquetés ; l’apprentissage non supervisé trouve des structures dans des données non étiquetées ; l’apprentissage par renforcement progresse par essais, erreurs et retours.

En pratique

Pour prévoir les pannes d’une machine, les données d’exploitation sont rapprochées des pannes enregistrées afin de fournir au système des exemples à partir desquels apprendre.

Concept clé

Le Machine Learning est avant tout une reconnaissance de motifs dans des ensembles de données souvent volumineux. L’encodage rend ces motifs mesurables.

En pratique

Les représentations vectorielles permettent aux systèmes de recherche, de recommandation et de retrieval de comparer des éléments similaires sur le fond plutôt qu’identiques dans leur forme.

Contexte

Le Machine Learning remonte aux années 1950, lorsque des chercheurs ont conçu des algorithmes capables de reconnaître des motifs simples dans les données. Les grands volumes de données, le matériel performant — notamment les GPU — et de meilleurs algorithmes ont ensuite porté les avancées du début du XXIe siècle.

Comment ça marche

Pendant l’entraînement, l’algorithme produit des prédictions et les compare à des résultats connus. Répété de nombreuses fois, ce processus améliore progressivement la précision.

Concept clé

Le Machine Learning moderne repose souvent sur des réseaux de neurones artificiels — des systèmes mathématiques librement inspirés du cerveau qui s’améliorent en apprenant de l’expérience.

Pourquoi c’est important

Le modèle terminé doit fonctionner sur de nouvelles données du même type, qu’il n’a jamais vues, et pas simplement reproduire les cas sur lesquels il a été entraîné.

Ce que le Machine Learning peut faire

Le Machine Learning alimente moteurs de recherche, systèmes de recommandation, assistants vocaux, détection de fraude, analyse d’images et systèmes autonomes — et se montre, dans de nombreuses tâches bien délimitées, plus rapide et plus précis que l’humain.

En pratique

Il peut repérer des tumeurs sur des images médicales, prévoir des pannes d’équipement, traduire des langues et générer du texte, des images ou du code.

Pourquoi c’est important

Un modèle ne comprenant pas réellement le contexte à un niveau abstrait, il lui faut des consignes claires pendant l’entraînement et les revues, ainsi que des limites fixées par des humains.

Attention

Un modèle opaque peut devenir une boîte noire : on ne sait plus clairement quels motifs déterminent ses décisions. Lorsque les conséquences sont importantes, une gouvernance rigoureuse est indispensable.

Ce que le Machine Learning peut faire

Le Machine Learning est particulièrement fort lorsque de grands volumes de données structurées ou non structurées cachent des motifs trop subtils pour une analyse manuelle : découverte de médicaments et modélisation climatique dans la recherche ; prévisions, segmentation et optimisation des processus dans l’entreprise.

Attention

Les résultats dépendent fortement de la qualité des données : de mauvaises données donnent de mauvais résultats, et des boucles de rétroaction mal maîtrisées renforcent discrètement les biais d’hier.

Les défis

Le Machine Learning a des limites importantes. Il dépend fortement de la qualité et de la quantité des données sous-jacentes pour trouver les motifs statistiques pertinents. De mauvaises données produisent de mauvais résultats.

Comme tous les systèmes d’IA, le Machine Learning ne comprend pas réellement le contexte à un niveau abstrait. Il lui faut donc des consignes claires pendant l’entraînement et les revues, souvent complétées par des limites fixées par des humains.

La difficulté augmente lorsque le modèle lui-même est opaque et devient une « boîte noire », sans que l’on sache quels motifs influencent ses décisions. Une gouvernance rigoureuse est donc indispensable, en particulier dans les domaines à fort impact.

Featured Projects

Intelligent Data Retrieval Agent

Production-ready AI retrieval system using LLMs and semantic search to transform fragmented data into reliable, searchable knowledge.

Visual Search Recommendations

eCommmerce plugin that enables searching for visually similar products, helping customers to find and compare multiple related items.

Visual Assistance for Seniors

Visual Assistance App: enabling visual assistance for seniors by helping position determination using Computer Vision and Deep Learning.

Electrical Switch Monitor

Public transportation: using AI-driven vision to monitor old-fashioned electrical relays and also to evaluate potential failures for predictive maintenance.

Hydropower Plant Operations

Create a control and monitoring solution for all plant operations, including predictive maintenance logic and intrusion monitoring.

Customer Interaction Analysis

SaaS project platform: the objective was to evaluate dialogue quality using an AI model to ensure timely intervention and customer care.

Motion-sensitive wearables

Wearable fabric-based devices with embedded microcontrollers and sensitivity for motion, heartbeat, body temperature and sweat detection.

Il y a peu de choses aussi fascinantes que de pouvoir dialoguer avec un ordinateur dans un langage normal : poser des questions et obtenir des réponses pertinentes. On l’attendait depuis plus d’un demi-siècle, mais ce n’est que depuis quelques années, avec les premiers grands modèles de langage, que cela est réellement devenu possible. Depuis, des LLM comme ChatGPT ou Gemini sont passés du statut de jalon de recherche à celui d’outil quotidien — de l’assistance aux collaborateurs aux interactions avec les clients.

Comment fonctionne le NLP

Le traitement du langage transforme le texte en tokens, vecteurs et probabilités. Le modèle est construit une fois lors de l’entraînement, puis applique ce mécanisme en direct à chaque requête. C’est ce même fonctionnement qui le rend utile — et qui explique pourquoi les écarts entre langues et les erreurs subsistent.

01Collecter le texte

L’entraînement commence par de grandes collections de textes. Le modèle apprend la forme statistique du matériau qu’il voit. Comme les corpus issus du web sont souvent très dominés par l’anglais, la couverture des langues est inégale dès le départ si le projet ne compense pas volontairement ce déséquilibre.

02Découper en tokens

Avant l’entraînement, le texte est découpé en tokens à l’aide d’un vocabulaire lui-même appris — généralement à partir de textes très anglophones. Certaines langues ont donc besoin de davantage de tokens pour exprimer la même idée ; les mots composés, les flexions et les écritures peu représentées consomment plus vite le contexte et affaiblissent le raisonnement en aval.

Contexte

Le NLP remonte aux années 1950 et à la traduction automatique fondée sur des règles. Les méthodes statistiques ont pris le relais dans les années 1990 et 2000 ; le Deep Learning et les grands modèles de langage ont apporté les grandes avancées des années 2010.

Attention

Un modèle reproduit les erreurs et les biais présents dans ses données d’entraînement — le corpus détermine le résultat.

Concept clé

Le NLP combine linguistique et Machine Learning : les systèmes analysent la grammaire (syntaxe), le sens (sémantique) et parfois l’intention (pragmatique).

En pratique

Une même phrase peut consommer des budgets de tokens très différents selon la langue — avec un effet concret sur le coût comme sur la qualité des réponses.

Comment ça marche

Les mots et sous-mots sont projetés dans un espace vectoriel multidimensionnel qui capte des motifs de sens à partir de la manière dont les mots apparaissent ensemble.

Pourquoi c’est important

Les hallucinations se concentrent là où les sources sont rares : dans les zones clairsemées, le voisin statistique le plus proche peut être trop éloigné pour représenter un fait, mais le modèle répond quand même.

Concept clé

Le NLP moderne repose sur des transformers qui traitent la langue en analysant les relations entre les mots d’une phrase, plutôt qu’en suivant des règles grammaticales rigides.

Attention

La génération échantillonne des probabilités. Un même prompt peut donc produire des réponses sensiblement différentes d’une session à l’autre — considérez un verdict isolé de l’IA comme un tirage, pas comme une opinion stable.

Concept clé

Les petits comme les grands modèles de langage sont d’abord entraînés sur la langue générale et le raisonnement, puis affinés pour des applications précises et complétés par des données spécifiques accessibles par retrieval.

En pratique

L’automatisation du service client, l’analyse de documents juridiques ou de dossiers médicaux dépendent toutes de cette couche d’adaptation, pas seulement du modèle de base.

Pourquoi c’est important

Les taux d’erreur mesurés augmentent fortement à mesure que les sujets sont moins documentés — d’environ 1 % pour le résumé de documents courts jusqu’à une majorité des réponses pour certaines questions spécialisées de niche.

En pratique

Évaluez le système avec des experts du domaine, sur vos propres documents et dans vos propres langues, pas seulement à l’aide de benchmarks publics qui récompensent la performance moyenne.

Concept clé

La supervision humaine et l’évaluation critique sont indispensables ; l’entraînement et l’exploitation de grands modèles soulèvent aussi des questions de confidentialité, de désinformation et d’usage abusif.

Attention

Sans logs ni revue, le système reste fluide mais sans véritable responsabilité — et ses performances linguistiques restent inégales là où personne ne les mesure.

Ce que le NLP peut faire

Traduire des langues, résumer de longs textes, extraire des informations clés, analyser le sentiment et alimenter des agents conversationnels — avec beaucoup moins de travail manuel dans les activités fortement textuelles.

En pratique

La reconnaissance et la synthèse vocales étendent la même chaîne de traitement aux interactions orales avec les machines.

Comment ça marche

Le texte n’entre ni ne sort jamais d’un modèle de langage sous forme de texte. Il est découpé en fragments de sous-mots, chacun associé à un identifiant entier.

Pourquoi c’est important

Tout ce que le modèle « sait » de votre texte passe par ces fragments — rien d’autre.

Concept clé

Chaque vecteur contient généralement des milliers de nombres. L’entraînement ajuste des milliards de paramètres pour que les tokens issus de contextes similaires obtiennent des vecteurs mathématiquement proches.

Attention

À aucun moment le système ne vérifie quelque chose par rapport à la vérité : il vérifie la proximité. Deux orthographes d’un nom sont presque identiques sous forme de vecteurs ; la variante statistiquement la plus probable l’emporte.

Comment ça marche

L’attention modifie le vecteur d’un mot selon la phrase — c’est ce qui permet au même mot de prendre des sens différents selon le contexte.

Pourquoi c’est important

Le modèle apprend des relations statistiques entre les mots et les expressions, pas une compréhension ancrée du monde qu’ils décrivent.

Comment ça marche

Le modèle choisit successivement un prochain token probable jusqu’à compléter la réponse. De petites différences statistiques au début peuvent entraîner une réponse finale très différente.

Attention

L’assurance fait partie du style de génération et n’a aucun lien avec la validité du contenu : le système paraît tout aussi convaincu lorsqu’il devine.

Pourquoi c’est important

Les erreurs se concentrent précisément sur les sujets que les utilisateurs sont le moins capables de vérifier. Plus votre propre expertise est faible, plus votre scepticisme devrait être élevé.

En pratique

Poser plusieurs fois la même question dans de nouvelles sessions et comparer les réponses montre où le modèle est sur un terrain solide — et où il ne l’est pas.

Concept clé

La fiabilité est une propriété de la mise en œuvre : retrieval, vérification des sources, règles métier et contrôle humain s’ajoutent autour du modèle ; ils ne se trouvent pas à l’intérieur.

En pratique

Lorsque la similarité du retrieval est faible, un système bien conçu privilégie la prudence : il renonce à répondre ou signale explicitement une faible confiance au lieu de deviner.

Les défis

Aussi « humains » qu’ils puissent paraître, les systèmes NLP ont des limites structurelles. Ils peuvent produire sans difficulté des informations fluides mais factuellement fausses ou trompeuses. Ils reproduisent aussi les erreurs et les biais présents dans les données sur lesquelles ils ont été entraînés.

Comme ils reposent exclusivement sur des motifs statistiques et ne disposent que d’une compréhension limitée du contexte, les systèmes NLP peuvent manquer de logique ou de cohérence. Ils dépendent en outre entièrement des informations fournies pendant l’entraînement et par les retours en exploitation — ce qui peut être particulièrement problématique avec de grands modèles ouverts.

On sous-estime souvent l’effort nécessaire pour adapter des modèles de langage à des applications spécifiques. Cela demande des ressources importantes et oblige à traiter des questions de confidentialité, de désinformation et d’usage abusif. Des contrôles et une supervision continus sont indispensables.

Featured Projects

RAG-driven Legal Chatbot

A small-to-medium language model reliably answering German legal questions based on a strong RAG pipeline.

Generative AI Audit Framework

Development of a structured Generative AI audit framework. This included establishing a methodology for Level 1 and Level 2 GenAI audits

Intelligent Data Retrieval Agent

Production-ready AI retrieval system using LLMs and semantic search to transform fragmented data into reliable, searchable knowledge.

RAG-Based Enterprise Knowledge Assistant

Designed RAG-based AI assistants that turn fragmented documents and expert knowledge into accessible, context-aware enterprise knowledge.

Customer Interaction Analysis

SaaS project platform: the objective was to evaluate dialogue quality using an AI model to ensure timely intervention and customer care.

Aussi impressionnant que soit le travail combiné de l’œil, du cerveau et des muscles humains, il s’est développé pour se concentrer sur l’essentiel et ignorer le reste. La vision par ordinateur n’a pas ce filtre : elle examine chaque pixel avec la même attention, image après image, sans interruption. Elle ne se fatigue pas et fonctionne aussi dans des environnements dangereux ou pénibles pour l’être humain.

Comment fonctionne la vision par ordinateur

La vision par ordinateur transforme les signaux visuels en données numériques — une image est une grille de nombres — puis en extrait les motifs utiles à la tâche et produit des résultats structurés : étiquettes, positions, masques, texte, mesures ou mouvements. Elle ne voit pas comme un humain ; elle estime des probabilités à partir d’indices visuels appris pour une tâche donnée.

01Mesurer la scène

La vision par ordinateur commence par un capteur : caméra, scanner, microscope, satellite, appareil à rayons X, caméra thermique ou capteur de profondeur. L’objectif, l’angle de vue, l’exposition, la résolution et la fréquence d’images déterminent les informations qui entrent dans le système. Un détail jamais capturé ne peut pas être reconstruit de façon fiable par la suite.

02Encoder en pixels

Une image numérique est une grille de pixels. Chaque pixel stocke des valeurs de canal — rouge, vert et bleu, intensité en niveaux de gris, réponse infrarouge ou profondeur. La vidéo ajoute le temps sous forme d’une succession d’images. Résolution, profondeur de couleur et compression déterminent la quantité d’information visuelle conservée ou perdue.

04Apprendre les motifs visuels

Les systèmes classiques de vision s’appuient sur des contours, angles et modèles conçus à la main. Les réseaux convolutifs et les Vision Transformers modernes apprennent des hiérarchies de caractéristiques à partir d’exemples : de simples contrastes se combinent en textures, formes, parties d’objets et relations spatiales. Cet apprentissage a lieu une fois, avant le déploiement.

05Reconnaître objets et anomalies

La classification attribue une étiquette à une image entière. La détection d’objets repère des instances individuelles et leur position, généralement avec des boîtes englobantes et des scores de confiance. La détection d’anomalies apprend plutôt à quoi ressemblent des données visuelles normales et signale les écarts. Un score de confiance élevé ne signifie pas une forte probabilité d’avoir raison.

06Cartographier régions, profondeur et texte

La segmentation attribue une catégorie ou une identité d’objet aux pixels. Les modèles de points clés et de pose localisent des repères ; les modèles de profondeur estiment la distance et la structure tridimensionnelle ; les systèmes OCR et d’analyse de mise en page reconstituent caractères, champs et ordre de lecture.

08Transformer la perception en action

La sortie de la vision par ordinateur devient utile lorsqu’un autre processus l’exploite : compter ou trier un objet, alimenter un tableau de données, alerter un opérateur, déclencher une maintenance ou guider un robot. Des seuils transforment les probabilités en actions. Lorsqu’il s’agit de personnes, protection des données et consentement limitent ce que le système peut capter, conserver ou utiliser pour agir.

09Tester dans le monde réel

Un système de vision doit être testé sur des données séparées, dans différentes conditions d’éclairage et de météo, avec plusieurs positions de caméra, groupes démographiques, cas rares et perturbations volontaires. Précision, rappel, faux positifs, faux négatifs, latence et calibration comptent tous. Le monitoring et les corrections humaines permettent de détecter la dérive et d’améliorer le système en sécurité.

Contexte

Les premières applications de vision par ordinateur apparaissent dans les années 1960 et 1970 avec des programmes capables de reconnaître des formes simples — et avec la reconnaissance optique de caractères (OCR) pour les documents dactylographiés, parmi les premiers usages pratiques.

En pratique

Le choix de la caméra, son emplacement et l’éclairage décident souvent de la réussite d’un projet avant même qu’un modèle soit entraîné.

Concept clé

Les systèmes de vision extraient du sens de pixels représentés par des valeurs numériques et repèrent des motifs dans ces nombres pour identifier objets, formes, textures et mouvements.

Pourquoi c’est important

La compression et une faible résolution éliminent discrètement des informations dont le modèle pourrait avoir besoin plus tard — ce qui est perdu ici l’est définitivement.

Comment ça marche

Pendant l’entraînement, le modèle voit de nombreux exemples étiquetés, fait des prédictions, les compare aux bonnes étiquettes et ajuste ses paramètres internes pour réduire les erreurs.

Attention

Un nettoyage trop poussé peut supprimer précisément le défaut ou le signal que le système doit détecter.

Contexte

Les progrès se sont accélérés dans les années 2000 grâce à de meilleurs matériels et de grands jeux de données ; une avancée majeure a eu lieu en 2012, lorsque le Deep Learning a fortement amélioré la précision de reconnaissance.

Concept clé

Les réseaux neuronaux profonds apprennent directement des motifs visuels à partir de grandes collections d’images étiquetées, sans dépendre de règles écrites à la main.

Ce que la vision par ordinateur peut faire

Repérer des irrégularités sur une ligne de production, détecter des intrus, classer des objets ou reconnaître des visages — et souvent voir des différences que l’œil humain ne remarque pas.

Attention

La précision peut varier entre groupes démographiques lorsque les données d’entraînement sont biaisées — un risque connu et sérieux en reconnaissance faciale.

Ce que la vision par ordinateur peut faire

Combiné à l’IA, l’OCR peut traiter presque n’importe quel document métier, remplir correctement des tableaux de données et aider à décider quoi faire des informations reçues.

En pratique

Segmentation, points de repère et profondeur servent à des tâches de mesure, d’inspection, de navigation et de traitement documentaire.

Ce que la vision par ordinateur peut faire

Compter des personnes dans une foule, suivre des objets de nuit ou à grande vitesse, mesurer des flux — souvent en remplaçant des capteurs coûteux ou des heures de travail humain.

Attention

Occlusion, flou de mouvement, déplacement de la caméra ou réapparition d’un objet peuvent rompre un suivi et fausser les comptages.

Concept clé

Le système ne « reconnaît » pas les objets au sens humain : il calcule des probabilités à partir de motifs visuels appris. Leur faire aveuglément confiance peut produire des erreurs dangereuses.

Pourquoi c’est important

Le coût d’un événement manqué par rapport à celui d’une fausse alerte doit déterminer quand l’automatisation agit et quand une personne vérifie.

Attention

Les systèmes de vision ont du mal avec les objets inconnus, les conditions inhabituelles et les chevauchements. La dérive apparaît lorsque le monde change autour d’un modèle figé.

Pourquoi c’est important

Dans les usages réglementés ou liés à la sécurité, des résultats de test documentés sur différentes conditions et différents groupes démographiques transforment une démonstration fonctionnelle en système digne de confiance et auditable.

Les défis

Même lorsqu’ils dépassent les capacités humaines dans certaines tâches, les systèmes de vision par ordinateur ont leurs limites. Ils rencontrent des difficultés face à des informations inconnues, des conditions inhabituelles ou des objets qui se chevauchent. Et s’ils peuvent détecter des changements infimes, déterminer lesquels sont réellement pertinents reste difficile.

Le biais est un autre problème, notamment en reconnaissance faciale. Des données d’entraînement déséquilibrées peuvent faire varier fortement la précision entre groupes ethniques. Et, au fond, ces systèmes ne « reconnaissent » pas les objets : ils repèrent des motifs statistiques. Cela peut provoquer des erreurs dangereuses. Comme pour tous les outils, une supervision et un pilotage rigoureux sont nécessaires.

La génération d’images soulève en outre de nouveaux problèmes éthiques et réglementaires.

Featured Projects

International Process Digitalization in Facility Management

Transformation and standardization of international facility management processes through the introduction of scalable structures.

ERP/CRM Product Development & Process Digitalization

Development and implementation of a modular ERP/CRM system to digitalize central business processes.

Visual Search Recommendations

eCommmerce plugin that enables searching for visually similar products, helping customers to find and compare multiple related items.

Visual Assistance for Seniors

Visual Assistance App: enabling visual assistance for seniors by helping position determination using Computer Vision and Deep Learning.

Electrical Switch Monitor

Public transportation: using AI-driven vision to monitor old-fashioned electrical relays and also to evaluate potential failures for predictive maintenance.

Hydropower Plant Operations

Create a control and monitoring solution for all plant operations, including predictive maintenance logic and intrusion monitoring.

Parmi tous les domaines de l’IA, la robotique est celui où le logiciel a des conséquences dans le monde physique : les données des capteurs doivent être transformées en mouvements sûrs et précis, en temps réel, sans bouton « annuler ». Ce passage du calcul à l’action rend le domaine particulièrement exigeant et explique pourquoi les progrès y sont plus lents que dans l’IA purement numérique.

Comment fonctionne la robotique

En robotique, l’IA et l’automatisation deviennent physiques. Les capteurs mesurent le monde, le logiciel estime ce qui se passe, les contrôleurs choisissent des mouvements sûrs et les actionneurs déplacent des objets réels. La boucle ne fonctionne que si sécurité, vérification et gouvernance sont prévues dès la conception.

Un robot industriel peut être très performant parce que sa cellule de travail est volontairement contrainte. Montages, coordonnées, outils, limites de vitesse et zones de sécurité réduisent l’incertitude avant que le contrôleur ne mette le robot en mouvement.

01Définir la tâche physique

La robotique industrielle commence par une tâche définie : saisir, déposer, souder, inspecter, visser, emballer ou trier. L’environnement est conçu autour de cette tâche afin que le robot n’ait pas à comprendre le monde entier. Pièce, montage, outil et trajectoire autorisée sont définis avant le début de l’automatisation.

02Mesurer la cellule robotisée

Les capteurs indiquent au contrôleur si la réalité correspond au programme. Les caméras localisent les pièces, les encodeurs donnent la position des articulations, les capteurs de force détectent les contacts et les capteurs de sécurité repèrent personnes ou obstacles. Sans capteurs, le robot ne peut que répéter des mouvements fixes en espérant que la scène n’a pas changé.

08Apprendre de l’exploitation

Temps de cycle, prises ratées, résultats qualité, traces des capteurs et données de maintenance peuvent améliorer le système — par de meilleurs outils, des règles mises à jour, de la maintenance prédictive ou des modèles de Machine Learning. Toute amélioration doit être validée par un ingénieur, consignée et requalifiée avant d’avoir un effet sur le mouvement.

03Estimer la position et l’incertitude

Le robot doit estimer où il se trouve, à quelle vitesse il se déplace et à quel point cette estimation est fiable, en comparant les données de capteurs en direct à une carte enregistrée ou en construisant cette carte au fur et à mesure. Lorsque la confiance dans la localisation baisse, le comportement sûr doit devenir plus prudent.

08Prouver que l’autonomie est maîtrisée

Les robots autonomes ont besoin de logs, de dossiers de sécurité, de limites d’utilisation, d’un contrôle des mises à jour, de cybersécurité, de règles de protection des données, d’une possibilité d’intervention humaine et d’une responsabilité clairement définie. Le comportement piloté par l’IA étant plus difficile à retracer qu’une logique classique, la gouvernance doit entourer le robot avant qu’on lui confie des actions physiques.

Contexte

Les premiers robots industriels ont rejoint les chaînes de production dans les années 1960 pour des tâches répétitives comme le soudage ou l’assemblage. Les capteurs et la planification ont ensuite transformé des bras fixes en systèmes adaptatifs.

Concept clé

La robotique associe mécanique, électronique et logiciel : des capteurs pour percevoir, des actionneurs pour agir et un système de commande pour coordonner l’ensemble.

Comment ça marche

Un robot exécute en continu un cycle perception-planification-action, plusieurs fois par seconde.

En pratique

Caméras, encodeurs, capteurs de force et capteurs de sécurité répondent chacun à une question différente sur la scène — ensemble, ils remplacent les suppositions par des données.

Concept clé

La calibration relie caméra, convoyeur, outil et base du robot dans un même système de coordonnées — le pont entre perception et mouvement.

Attention

Une petite erreur de calibration peut entraîner une prise ratée, une mauvaise soudure, une collision ou un défaut qualité.

Comment ça marche

Les trajectoires possibles sont vérifiées par rapport aux limites des articulations, à la charge utile, à la portée, à l’orientation de l’outil, aux montages et aux zones de collision avant tout mouvement réel.

Pourquoi c’est important

La bonne trajectoire n’est pas simplement la plus courte ; c’est celle qui peut être exécutée de façon sûre et répétable.

Comment ça marche

Le contrôle servo tourne des milliers de fois par seconde : chaque cycle mesure l’état des articulations et corrige les entraînements. C’est ce qui rend les mouvements industriels fluides et répétables.

En pratique

Sur les robots industriels simples, les mouvements sont préprogrammés et répétés avec précision ; les systèmes avancés s’adaptent aux conditions changeantes grâce au Machine Learning et au feedback en temps réel.

Pourquoi c’est important

La vérification transforme une automatisation aveugle en processus maîtrisé : chaque cycle produit des preuves plutôt que des suppositions.

En pratique

Un contrôle échoué peut déclencher une nouvelle tentative automatique, écarter la pièce ou arrêter la ligne. La réaction à une mauvaise information est conçue à l’avance, pas improvisée.

Concept clé

L’enveloppe de sécurité prime sur la vitesse de production : zones, limites, arrêts d’urgence et intervention humaine sont intégrés directement au contrôleur.

Attention

L’usure mécanique, les limites des batteries et les défaillances du système créent des risques physiques pour les personnes et les équipements et exigent une maintenance continue.

Ce que la robotique peut faire

Tâches répétitives, dangereuses ou de haute précision ; transport en entrepôt ; aspirateurs domestiques ; exploration de lieux dangereux ou éloignés.

Attention

La robotique reste particulièrement difficile lorsqu’un robot doit évoluer dans un espace ouvert, comme une route ou un terrain. Cela demande des capteurs importants et beaucoup de puissance de calcul. Faire conduire une voiture autonome dans toutes les conditions avec les capacités d’un conducteur humain reste un défi majeur et coûteux. De même, les robots humanoïdes capables de marcher et d’utiliser leurs « mains » avec dextérité sont encore loin des capacités globales d’un jeune enfant lorsqu’il s’agit de transformer des informations sensorielles en mouvements fluides.

Concept clé

L’objectif est limité par le domaine d’utilisation : une autonomie sans limites explicites n’est pas une conception, c’est un danger.

Pourquoi c’est important

Se déplacer dans un espace ouvert, sur une route ou un terrain, reste l’un des problèmes les plus difficiles de la robotique et exige beaucoup de capteurs et de puissance de calcul.

Comment ça marche

Les capteurs recueillent des données sur la distance, la position, la température ou le contenu visuel ; le système de commande fusionne ces indices pour construire une image de l’environnement.

Attention

Les données des capteurs sont utiles mais jamais parfaites. Les systèmes robustes partent du principe que certaines entrées seront dégradées et recoupent les capteurs entre eux.

Comment ça marche

GPS, odométrie, capteurs inertiels, repères, lidar et indices visuels sont combinés — et peuvent se contredire. L’estimation porte une incertitude, pas une certitude.

Pourquoi c’est important

L’incertitude doit entrer dans la décision : un robot qui ignore à quel point son estimation est incertaine agit avec une fausse assurance.

Concept clé

Le modèle de scène est une estimation qui évolue et sert à décider quels mouvements restent sûrs — pas une compréhension parfaite du monde.

En pratique

Un robot d’entrepôt utilise ce modèle pour éviter les obstacles tout en se dirigeant vers une destination.

Concept clé

Les algorithmes de planification permettent à un robot de naviguer en sécurité, souvent en combinant vision par ordinateur pour reconnaître les objets et Machine Learning pour s’améliorer avec le temps.

Pourquoi c’est important

Les trajectoires dangereuses doivent être éliminées avant le début du mouvement : c’est au stade de la planification que le risque est filtré.

Comment ça marche

Le contrôle fonctionne bien plus vite que la planification : une nouvelle route peut être calculée quelques fois par seconde, tandis que l’équilibre et le contrôle des roues ou des articulations corrigent le mouvement des centaines de fois par seconde.

Attention

Les robots humanoïdes capables de marcher et d’utiliser leurs mains avec dextérité restent encore loin des capacités d’un jeune enfant.

Concept clé

Les événements inattendus doivent déclencher un comportement prudent : passer dans un état sûr est une fonction prévue, pas un échec.

En pratique

Un robot de livraison qui s’arrête et demande une assistance à distance se comporte correctement — ce n’est pas un échec.

Pourquoi c’est important

L’autonomie maîtrisée exige des preuves : sans logs ni dossiers de sécurité, on ne peut pas justifier la confiance accordée à un système d’IA physique.

Attention

Les robots demandent beaucoup d’ingénierie, de maintenance et de travail de sécurité ; leurs défaillances peuvent causer des dommages physiques aux personnes et aux biens.

Les défis

Robotics, particularly when it comes to robots navigating an open space like a road or terrain, is still a very difficult field, requiring significant sensing and computing power. Making an autonomous car drive under all conditions like a human driver is still a significant and expensive challenge. And creating humanoid robots that can walk and dextrously use their "hands" is still difficult. Today's models are still far away from reaching the overall ability even a child has when it comes to processing sensory input and turning it into smooth and seamless motion.

Les robots exigent également un important travail d’ingénierie, de maintenance et de sécurité. L’autonomie des batteries, l’usure mécanique et les pannes peuvent limiter leurs performances et créer des risques de dommages aux personnes et aux biens. Des questions éthiques et économiques — par exemple l’emploi ou la sécurité — restent également à prendre en compte à mesure que ces technologies progressent.

Comprendre ces différentes approches est essentiel pour concevoir des systèmes d’IA destinés au monde réel. Chacune a ses forces et ses limites, qu’il faut soigneusement mettre en balance pour choisir la bonne approche face à un problème donné.

Si vous voulez voir comment nous mettons ces approches en pratique dans des organisations comme la vôtre, découvrez ce que nous pouvons faire pour vous.

Transformation IA