Industrie & production
Contrôle qualité en ligne, maintenance prédictive et prévision, sous contrainte de temps de cycle et de marquage CE.
Voir le secteur
Industries
Quatre secteurs où nous sommes utiles
Nous intervenons là où l’IA doit passer en production sous contrainte : une donnée produite par des systèmes métier anciens, une décision à justifier devant un tiers, une erreur qui ne coûte pas le même prix selon son sens.
Les quatre secteurs
Santé & médico-social
Structuration de comptes rendus, recherche documentaire et prévision d’activité, sous contrainte HDS, RGPD et dispositifs médicaux.
Voir le secteur
Secteur public
Orientation des demandes, recherche sur corpus réglementaire et lecture d’archives, sous contrainte de souveraineté, d’accessibilité et de réversibilité.
Voir le secteur
Assurance & mutuelles
Instruction assistée, ciblage des contrôles et modélisation du risque, avec l’explicabilité et la validation traitées comme des exigences de conception.
Voir le secteur
Pourquoi ces quatre secteurs
Ces quatre secteurs partagent trois traits qui changent la façon de travailler. Leurs données sont produites par des systèmes métier anciens et non par des outils analytiques : le projet commence par l’accès et la qualité, jamais par le choix du modèle. Leurs décisions se justifient devant un tiers, contrôleur, auditeur, juge, assuré ou usager, ce qui ferme d’emblée certaines architectures. Et l’erreur y est asymétrique : un faux négatif et un faux positif n’ont pas le même coût, ce qui change entièrement la façon de choisir un seuil.
C’est le terrain sur lequel nos deux ingénieurs ont livré. Nous n’avons pas de practice par industrie, pas de bureaux, pas de couche de management à facturer. Nous avons une méthode, une exigence de mesure écrite avant de commencer, et l’habitude des environnements où l’on ne met rien en service sans dossier. Pour une ETI, c’est en général ce qui manque : pas un cabinet de plus, des ingénieurs qui restent jusqu’à la mise en production.
Ce choix a une contrepartie que nous assumons. À deux, nous prenons un chantier à la fois. Si votre programme suppose vingt consultants déployés en parallèle sur plusieurs pays, nous ne sommes pas le bon interlocuteur, et nous vous le dirons au premier rendez-vous plutôt qu’au troisième.
Nous travaillons aussi en dehors de ces quatre secteurs, dès lors que la mécanique est la même : un processus documenté, une donnée accessible, une mesure de référence relevable. Ces pages décrivent simplement les contextes où nous arrivons avec le plus de recul, et où le cadrage vous coûte le moins cher.
Comment nous qualifions un cas d’usage.
Nous classons chaque piste sur deux axes : le gain annuel estimé et l’effort d’intégration. Le workshop vise le coin en haut à gauche, le quick win, et écarte les pièges avant qu’ils ne coûtent.
Glossaire
Les termes qui reviennent dans nos échanges, expliqués pour un dirigeant plutôt que pour un data scientist.
- Agent
- Un programme qui enchaîne des appels à un modèle et à des outils pour accomplir une tâche en plusieurs étapes, plutôt que de répondre en un seul coup. L’autonomie qu’on lui laisse est un choix de conception : plus elle est large, plus les garde-fous et la traçabilité comptent.
- AI Act
- Le règlement européen sur l’intelligence artificielle. Il classe les systèmes par niveau de risque et impose des obligations croissantes, jusqu’à un régime lourd pour les systèmes à haut risque. Sur nos secteurs, il se combine avec les réglementations sectorielles existantes plutôt qu’il ne les remplace.
- Coût d’inférence
- Ce que coûte une prédiction une fois le modèle en service, calcul, matériel et énergie, multiplié par le volume réel. Un modèle qui impressionne en démonstration peut devenir déraisonnable à l’échelle : le coût d’inférence se mesure avant l’industrialisation, pas après.
- Critère de succès
- Le seuil chiffré, écrit avant de commencer, qui décide si un prototype passe en production ou s’arrête. Sans lui, un projet ne se termine jamais vraiment, il s’entretient. Nous l’inscrivons dans le contrat avant la première ligne de code.
- Dérive de modèle (drift)
- La perte de performance d’un modèle quand le monde qu’il observe change : nouveaux produits, nouveaux comportements, nouveau matériel. Un modèle n’est pas livré une fois pour toutes ; sans surveillance de la dérive et procédure de réentraînement, il se dégrade en silence.
- DORA
- Le règlement européen sur la résilience opérationnelle numérique du secteur financier. Il encadre notamment le risque lié aux prestataires tiers de services informatiques : un service d’IA appelé chez un tiers entre dans ce périmètre, avec ses exigences contractuelles et de suivi.
- Fine-tuning
- Le réajustement d’un modèle pré-entraîné sur vos propres données pour le spécialiser sur votre tâche. Utile quand le comportement attendu est stable et bien défini ; souvent inutile quand une bonne recherche documentaire (voir RAG) suffit à donner le contexte au modèle.
- Garde-fou
- Un contrôle qui borne ce qu’un système à base d’IA peut produire ou faire : filtrage des entrées et des sorties, refus explicite hors périmètre, seuil de confiance sous lequel un humain reprend la main. Un garde-fou n’améliore pas la performance moyenne, il limite le coût des cas extrêmes.
- Gouvernance des données
- L’ensemble des règles qui disent d’où viennent les données, à quoi elles servent, qui y accède et combien de temps elles sont conservées. C’est la première brique d’un projet d’IA régulé : sans elle, ni la conformité ni la reproductibilité ne tiennent.
- Gradient boosting
- Une famille de modèles qui combine beaucoup d’arbres de décision simples, chacun corrigeant les erreurs des précédents. Sur des données en tableau, elle reste souvent plus performante et plus explicable qu’un réseau de neurones, et elle se défend mieux devant un contrôle.
- Hallucination
- Une réponse fausse qu’un modèle de langue produit avec la même assurance qu’une réponse juste. Le risque ne se supprime pas, il se maîtrise : sortie contrainte par un schéma, citation obligatoire de la source, refus explicite quand la base ne contient pas la réponse.
- HDS
- Hébergement de données de santé. En France, héberger des données de santé à caractère personnel suppose une certification. La contrainte porte aussi sur les environnements d’entraînement et les sauvegardes, pas seulement sur la production.
- Industrialisation
- Le passage d’un prototype qui marche à un service qui tient en production : intégration au système d’information, supervision, coût maîtrisé, reprise possible par vos équipes. C’est là que la plupart des projets d’IA s’arrêtent, faute de l’avoir préparé.
- Inférence
- L’utilisation d’un modèle déjà entraîné pour produire une prédiction sur une donnée nouvelle, à distinguer de l’entraînement, qui construit le modèle. Le lieu où s’exécute l’inférence, chez vous ou chez un tiers, est une décision de conformité autant que de technique.
- MLOps
- Les pratiques et outils qui font vivre un modèle en production : versions des données et des modèles, déploiement reproductible, surveillance, réentraînement. L’équivalent, pour l’apprentissage automatique, de ce que le DevOps est au logiciel.
- OCR / HTR
- La reconnaissance de caractères imprimés (OCR) et de l’écriture manuscrite (HTR), qui transforment une image de document en texte exploitable. La qualité dépend du type de document et de la main : un modèle adapté au fonds vaut mieux qu’un modèle générique.
- POC / POV
- Preuve de concept ou preuve de valeur : un prototype construit pour trancher, sur vos données réelles, si un cas d’usage tient ses promesses. Sa fonction n’est pas d’impressionner, c’est de décider s’il faut industrialiser ou arrêter.
- Pseudonymisation
- Le remplacement des données qui identifient une personne par des identifiants de substitution, pour limiter le rattachement direct. Dans du texte libre, elle doit être traitée dans le texte lui-même, noms, dates, adresses, puis vérifiée sur un échantillon relu.
- RAG
- Recherche augmentée de génération. Le modèle ne répond pas de mémoire : on va d’abord chercher les passages pertinents dans vos documents, puis on lui demande de répondre à partir de ces passages, avec citation de la source. C’est le moyen le plus sûr d’obtenir une réponse vérifiable plutôt que plausible.
- RGPD
- Le règlement général sur la protection des données. Il fixe les bases légales d’un traitement, les droits des personnes et les obligations du responsable de traitement. Les données de santé relèvent d’un régime renforcé ; les décisions entièrement automatisées sont spécifiquement encadrées.
- SecNumCloud
- Une qualification française qui atteste un haut niveau de sécurité et de souveraineté pour une offre d’hébergement en nuage. Pour les données publiques les plus sensibles, elle peut être exigée, ce qui ferme d’emblée certaines architectures reposant sur un service hébergé hors de ce cadre.
- Série temporelle
- Une suite de mesures ordonnées dans le temps : consommation, vibration d’une machine, flux de demandes. La prévoir suppose de tenir compte des saisonnalités et de se comparer à une référence naïve, faute de quoi un « bon » chiffre ne veut rien dire.
- Souveraineté
- La maîtrise de l’endroit où vivent vos données et vos traitements, et du droit qui s’y applique. Concrètement, c’est ce qui pousse à faire tourner des modèles ouverts sur votre infrastructure plutôt qu’à appeler un service tiers hébergé ailleurs.
- Système à haut risque
- La catégorie de l’AI Act qui déclenche le régime d’obligations le plus lourd : gestion des risques, gouvernance des données, documentation, journalisation, contrôle humain, robustesse démontrée. Plusieurs usages de nos secteurs y tombent, souvent en recoupant des obligations sectorielles déjà en place.
- Vision par ordinateur
- L’analyse automatique d’images : détecter un défaut sur une pièce, lire un document, localiser un objet. Sa performance dépend autant du protocole d’acquisition, cadrage, éclairage, cadence, que du modèle lui-même.
Parlons de votre cas d’usage.
Une heure suffit pour savoir si votre sujet tient debout. Si ce n’est pas le cas, nous vous le dirons à ce moment-là, pas après trois mois de projet.