Vision par ordinateur : l’intelligence visuelle au service de la performance

Qu’est-ce que la Computer Vision ?

La vision par ordinateur (ou Computer vision) fonctionne sur un principe simple mais puissant : apprendre à reconnaître les formes et les couleurs du monde réel en les traduisant en algorithmes mathématiques. Comme l’explique très simplement William Eldin, CEO de XXII : “la vision par ordinateur, c’est la capacité des caméras à récupérer le monde en pixels et des algorithmes mathématiques à les analyser. C’est en quelque sorte apprendre le monde en formes et en couleurs mathématiques, les rebasculer derrière un flux vidéo afin d’analyser ce qu’il s’y passe”.

Concrètement, si l’on souhaite faire reconnaître une tasse à un algorithme, on lui présente plusieurs images de tasses sous différents angles et dans différents contextes. Ainsi, lorsque cet algorithme analyse un flux vidéo, que ce soit depuis une caméra de surveillance ou un smartphone, elle détectera automatiquement une tasse dès que les formes et les couleurs des pixels correspondront à ce qu’elle a appris auparavant.

Cette méthode permet aux machines d’analyser en temps réel des flux visuels complexes et d’en extraire des brides d’information qui les résument. Une compréhension de l’essentiel du contenu qui permet de signaler des anomalies nécessitant une action humaine.

Sur quelles technologies repose la vision par ordinateur ?

La vision par ordinateur est complexe et combine plusieurs technologies complémentaires pour analyser efficacement le monde réel. Elle utilise principalement le Deep Learning, qui s’appuie sur de grandes quantités de données pour apprendre à reconnaître précisément des objets dans une multitude de contextes et de conditions.

L’analyse visuelle repose aussi sur des grands modèles de vision (VML) et le Machine Learning : “Il y a des technologies de grands modèles en vision qui apprennent de manière plus générale. Du coup, quand on veut reconnaître des gros objets connus, comme un camion ou un avion, nos algorithmes utilisent ces grands modèles. Le machine learning vient en complément pour utiliser la bonne information au bon moment et mobiliser le ou les bons algorithmes”.

La vision par ordinateur s’appuie donc sur une “superposition technologique” comme l’illustre William Eldin : “Pour reconnaître que quelqu’un abandonne un bagage dans une gare, on va faire appel au Deep Learning qui va regarder les bagages et les humains. On va avoir en plus des algorithmes de large modèle qui vont détailler l’être humain : comment il est habillé, d’où il vient. Puis, le machine learning qui va faire les associations et les dissociations entre les bagages et les humains et créer par la suite, des règles d’alerte en temps réel.”.

Des cas d’usage concrets et diversifiés

L’analyse visuelle offre aujourd’hui de nouvelles possibilités pour optimiser les ressources et améliorer l’efficacité des opérations des entreprises comme l’explique William Eldin : “La vision par ordinateur est devenue une clé stratégique pour les organisations qui n’ont ni le temps ni les moyens de repérer à différents endroits leurs problèmes opérationnels. Avec cette technologie, il devient possible de maximiser l’utilisation des espaces, de fluidifier les flux et d’améliorer la gestion des équipes dans une optique ROIste.”

La vision par ordinateur permet par exemple l’ajustement précis des stocks en fonction du comportement des clients, la réduction des temps d’attente en caisse ou encore la réorganisation stratégique des espaces pour une meilleure attractivité. Elle offre aux utilisateurs une expérience personnalisée et optimisée, que ce soit dans un magasin, un entrepôt ou un environnement urbain. Enfin, dans des environnements complexes tels que la logistique, le retail ou les transports, elle apporte une gestion centralisée efficace en offrant une vue d’ensemble instantanée des situations, simplifiant ainsi le pilotage quotidien des opérations.

Vision par ordinateur : exemples de cas d’usages

• Dans le retail : Analyser en temps réel la segmentation client, les comportements d’achat, les abandons de paniers, les flux magasin ou encore les temps d’attente en caisse.
• Dans le transport : Optimiser la gestion des flux de voyageurs et la détection d’incidents comme les bagages abandonnés, les intrusions, ou encore les incendies.
• Dans la logistique : Gérer les marchandises, les flux véhicules, les chargements ou les incendies.
• En milieu urbain et public : Gérer les flux de personnes, détecter les comportements anormaux (dépôts sauvages, intrusions, dégradations, etc.) améliorer la sécurité routière

Quel avenir pour l’analyse visuelle ?

Aujourd’hui, les technologies de vision par ordinateur sont si avancées qu’elles permettent de reconnaître précisément chaque marque de chaussures entrant dans un magasin, ou encore d’identifier avec exactitude la couleur d’une paire de lunettes portée par un visiteur.

Cependant, pour William Eldin, le marché est encore peu mature : “Le principal frein, c’est l’acceptation de l’humain à tous les niveaux. Il faut que les décideurs comprennent et identifient où ils peuvent améliorer leur ROI. Il faut également que les salariés et les clients soient d’accord avec le principe de l’analyse visuelle. Il y a encore une grande étape d’acceptation et de consentement, qui va évoluer en fonction de la clarification et de la compréhension de cette technologie. Au même titre que ChatGPT a fait gagner beaucoup de temps aux collaborateurs pour leurs réunions, l’analyse visuelle attend encore ce que j’appelle la vague de l’acceptation, qui va venir au fur et à mesure.”

L’analyse visuelle a encore de beaux jours devant elle, mais elle s’accompagne également d’enjeux majeurs auxquels les entreprises devront faire face. La question de la confidentialité et de la conformité avec les réglementations comme le RGPD est centrale : les organisations devront naviguer entre la puissance de ces outils technologiques et le respect de la vie privée.

Du côté de la sécurité des données, le déploiement “on permise” est une option stratégique. Les solutions d’analyse visuelle installées directement sur les serveurs de l’entreprise réduisent le risque d’exploitation des données à des fins malveillantes. Cette configuration permet de garantir un traitement local des données, sans transit par le cloud, renforçant ainsi la sécurité et la souveraineté des informations traitées. Une réponse concrète aux enjeux de cybersécurité, particulièrement critiques dans les secteurs sensibles comme l’industrie, les infrastructures stratégiques ou les environnements régulés.

L’une des autres grandes pistes d’évolution sera de concilier optimisation et durabilité. L’analyse des flux et des comportements peut aussi aider à optimiser l’utilisation des ressources (énergie, espace, personnel) dans une logique plus respectueuse de l’environnement. En anticipant les besoins en fonction des données récoltées, il est possible de réduire les gaspillages et d’améliorer la gestion des ressources de manière durable.

Jérémy Nusa

Jérémy assume le rôle de Consultant Data chez Hub One Datatrust, la filiale du groupe Hub One spécialisée dans l'échange de données professionnelles. Son rôle consiste à guider les clients dans leurs projets d'exploitation des données aéroportuaires. Il détient un doctorat en mathématiques, renforçant ainsi son expertise dans le domaine. Passionné par tout ce qui peut l'aider à « brûler des calories », Jérémy, avec une pointe d'humour, explore des jeux de rôle, s'adonne à la musculation et s'immerge dans l'ambiance électrisante des festivals de musique électronique. Au-delà de ses passions, sa formation le conduit également à s'intéresser vivement à la technologie et aux sciences. Ainsi, il n'est guère étonnant de découvrir que son gadget préféré est le James Webb Space Telescope (JWST). Son seul regret ? Que le JWST ne puisse tenir dans sa poche.