Ce que cherchait à montrer Connect to AI
Connect to AI réunissait Lyon-iS-Ai, l’ENE, Digital League et la Métropole de Lyon autour de témoignages sur l’usage de l’intelligence artificielle. L’objectif n’était pas d’expliquer une famille d’algorithmes dans l’abstrait, mais de partir d’une situation professionnelle. Deux exemples figuraient sur la page archivée : la prise de mesure pour des verres progressifs et l’analyse de données appliquée à un procédé de filtration de gaz.
Ces vidéos appartiennent à un contexte historique. Les organisations, solutions et modalités de diffusion peuvent avoir évolué. Leur intérêt documentaire demeure : elles illustrent la nécessité de faire coopérer l’entreprise qui connaît le problème et celle qui apporte des compétences en données ou en IA. La présente page ne reprend ni les propos ni les promesses commerciales. Elle reconstruit les questions de méthode que ces expériences permettent de poser.
Mesurer pour des verres progressifs : la précision avant tout
Le premier cas associait un bureau d’études en objets connectés et une société spécialisée en intelligence artificielle. Le projet portait sur une fonctionnalité de prise de mesure destinée aux verres progressifs. Un tel usage suppose de transformer une image ou un signal en mesures exploitables. La performance moyenne ne suffit pas : une petite erreur peut avoir une conséquence directement perceptible pour l’utilisateur. Le protocole doit couvrir les positions, éclairages, appareils et caractéristiques rencontrés en situation réelle.
La bonne question n’est donc pas « l’IA sait-elle voir ? », mais « la chaîne fournit-elle une mesure suffisamment stable dans le contexte prévu ? ». Cela implique une référence de mesure, une procédure de calibration, des cas de rejet et une possibilité de reprise manuelle. L’interface doit signaler une image insuffisante plutôt que produire un chiffre avec une confiance artificielle. Ce principe vaut pour de nombreux projets de vision : savoir s’abstenir est une fonction du produit.
Filtration de gaz : relier données et procédé
Le second cas rapprochait une entreprise de filtration de gaz et un éditeur de solution d’analyse de données pour l’industrie. Dans ce type de projet, les mesures des capteurs n’ont de sens qu’avec la connaissance du procédé. Une variation peut venir du matériau, de l’environnement, de la maintenance ou d’un changement de réglage. Sans expertise métier, le modèle risque de confondre un signal utile avec une coïncidence.
Le travail consiste à aligner les séries temporelles, documenter les événements, choisir une fenêtre d’observation et définir l’action attendue. Une prédiction qui arrive après l’incident ne sert pas la même décision qu’une alerte précoce. Une alerte très sensible peut produire trop de faux positifs. Le projet doit donc mesurer le bénéfice opérationnel, pas seulement une métrique de laboratoire.
La méthode commune aux deux projets
Les deux cas rappellent cinq étapes. Premièrement, décrire la décision et la personne qui la prend. Deuxièmement, inventorier les données et leurs limites. Troisièmement, construire une référence simple. Quatrièmement, tester sur des situations nouvelles et représentatives. Cinquièmement, préparer l’intégration, le suivi et la correction. Cette méthode reste valable pour les modèles génératifs, même si les sorties et les risques diffèrent.
Les partenariats deviennent productifs lorsque les responsabilités sont explicites. L’entreprise métier valide la pertinence et les conséquences des erreurs. L’équipe technique documente les données, la méthode et l’évaluation. La sécurité et le droit encadrent les accès et la réutilisation. Les utilisateurs testent l’interface. Aucun acteur ne peut porter seul la connaissance nécessaire.
Reprendre l’esprit de Connect to AI aujourd’hui
Pour documenter un nouveau cas, commencez par une fiche d’une page : problème, utilisateurs, données, référence, mesure, erreurs graves et propriétaire. Ajoutez ensuite un schéma de la chaîne, de l’entrée jusqu’à la décision. Cette représentation révèle les dépendances cachées, comme une saisie manuelle, un capteur ou un service externe. Elle montre également où conserver des traces et où placer un contrôle humain.
Un bon retour d’expérience présente aussi ce qui n’a pas fonctionné. Les données insuffisantes, l’interface refusée ou le coût d’intégration sont des enseignements transférables. Lyonisai privilégie ce niveau de détail dans ses dossiers. La page générale des cas d’usage permet de comparer industrie, documents, santé et mobilité avec une grille commune.