-
François-Xavier BOIS,
- Mohamed KONE,
- Stanislas MORBIEU,
Publié le 20/11/2019
AI & Machine learning
Utiliser les Data Sciences pour reconnaître des objets au sein d’images
En à peine 20 ans, Kernix a eu la chance de participer à pas moins de 3 révolutions majeures pour notre société : le web, la mobilité (via les smartphones) et plus récemment la démocratisation de l’apprentissage automatique (que nos médias aiment à qualifier d’IA).
Peu de secteurs ont évolué à un rythme aussi soutenu que le numérique.
Avec un peu de recul il est intéressant de constater que ces révolutions se sont toujours installées de la même manière : les pionniers (dans leur labo) défrichent, les experts (dans leur “boutique”) font monter le buzz et enfin, les sociétés de service les diffusent durablement au sein des entreprises.
L’avènement de cette troisième phase est importante car elle met fin à une certaine forme d’hystérie où le rapport investissements / création de valeur est rarement favorable au client final. Ainsi, nombreuses sont les entreprises qui ont été échaudées par les séries de POCs approximatifs et les cellules d’innovations hors sol.
Il est important de réaliser que le recours à la data science doit aujourd’hui être aussi naturel que l’utilisation, par exemple, de moteurs de bases de données. Lancer un projet d’analyse prédictive basée sur de l’apprentissage automatique ne diffère en rien du lancement classique de RPA. Les technologies sont matures et les experts (data scientists) sont re descendus de leur piédestal.
Chez Kernix, notre vision est de systématiser l’utilisation de la science des données pour optimiser la performance des outils métiers que nous développons pour nos clients. Il peut s’agir de caractériser les utilisateurs, de prédire les ventes, de détecter les fraudes, de recommander des produits, etc.
La maturité des technologies alliée à la puissance des serveurs permettent d’envisager des traitements qui, il y a à peine 3 ans, auraient relevé de la pure science fiction.
Les clients doivent prendre conscience de cet état de fait pour laisser libre cours à leurs idées, aussi farfelues soient-elles.
Illustrons cela avec le traitement automatique d’images, discipline qui nécessitait historiquement des investissements colossaux. Détecter des objets au sein d’une image est devenu aussi simple que d’identifier un mot clef dans un texte. En ayant conscience de cela il devient possible d’imaginer des traitements aussi puissants que simples à implémente
-
un assureur pourrait détecter automatiquement que la photo d’un sinistre contient bien un véhicule
-
un gestionnaire de parking pourrait calculer automatiquement son taux d’occupation à partir d’une photo de vidéosurveillance
-
un site de petites annonces pourrait valider automatiquement que la photo associée à une annonce contient l’objet mentionné
En choisissant les technologies adéquates, la réalisation d’un tel traitement ne nécessite que quelques lignes.
Code basé sur une implémentation en TensorFlow de Mask-RCNN
Avantages complémentaires, il s’agit de technologies “open source” et gratuites.
Chez Kernix, notre ambition est de rendre accessible ces technologies à nos clients et de créer de la valeur en maîtrisant à la fois les budgets et les délais.
Si cette thématique vous intéresse, vous pouvez poursuivre votre lecture en lisant l’article suivant 2/3.
