Sur une ligne de fonderie, deux opérateurs observent la même pièce métallique. Tous deux identifient un défaut. Pourtant, leurs conclusions diffèrent. Pour l’un, la pièce peut poursuivre son chemin. Pour l’autre, elle doit être écartée. Cette situation est loin d’être exceptionnelle dans l’industrie.
Derrière chaque contrôle qualité se cache une part d’expertise humaine, souvent intuitive, difficile à formaliser et encore plus complexe à transmettre à une machine. Car contrairement à certaines idées reçues, l’intelligence artificielle ne devient pas performante simplement parce qu’on lui fournit des milliers d’images. Encore faut-il savoir quelles informations intégrer, lesquelles écarter et surtout comprendre ce que les experts cherchent réellement à observer.
C’est précisément à cette frontière entre métier, technologie et compréhension humaine qu’intervient Gabrielle Van de Vijver, ingénieure application vision chez Psycle. Arrivée il y a bientôt deux ans après un stage de fin d’études, elle participe aujourd’hui au développement de systèmes de vision industrielle capables d’assister les opérateurs sans jamais remplacer leur expertise.
L’opérateur, meilleur professeur pour l’algorithme ?
Récemment, Gabrielle a travaillé sur un projet lié à la détection de défauts de fonderie. Pour comprendre les attentes du client, elle passe près d’une semaine complète aux côtés des opérateurs. Observation des lignes, échanges informels, analyse des pièces, compréhension des défauts. Les équipes vont même jusqu’à lui transmettre d’anciens ouvrages techniques datant des années 80.
«En entretien avec un opérateur, je comprends qu’un défaut visuellement flagrant est corrigé par un léger ponçage. À l’inverse, un détail imperceptible à l’œil porte atteinte à la structure même de la pièce. Je cherche à identifier ce type d’enjeux avant de les transmettre à l’algorithme.»
La difficulté apparaît rapidement. Tous les opérateurs n’utilisent pas exactement les mêmes critères. Les habitudes diffèrent. Les interprétations aussi. Il devient alors nécessaire de construire progressivement un langage commun. Des référentiels compréhensibles à la fois pour les experts métiers et pour l’intelligence artificielle. Pour Psycle, l’intérêt n’est pas de chercher à ce que l’IA devienne omnisciente mais plutôt de la pousser à s’affiner pour devenir utile.
« L’objectif n’est pas de réunir toute l’expertise du monde dans une seule intelligence artificielle. Ce qui compte, c’est qu’elle soit fiable sur le problème qu’on lui demande de résoudre. »
Comprendre le métier avant d’automatiser
Les projets de Psycle conduisent régulièrement les équipes à découvrir des univers qu’elles ne connaissent pas : fonderie, agroalimentaire, radiographie, biologie, aéronautique, logistique. Pour Gabrielle, cette diversité constitue l’une des richesses du métier.
Certaines catégories biologiques par exemple, peuvent s’exprimer sous plusieurs formes visuelles différentes. Là où une pièce mécanique répond généralement à des critères relativement stables, le vivant introduit une variabilité beaucoup plus importante.
« Les sujets biologiques me passionnent. Le vivant n’obéit pas à un ordre de fabrication, il échappe aux catégories strictes. L’algorithme doit apprendre à gérer l’ambiguïté et les phénomènes imprévisibles. »
Un projet de vision ne se limite pas à une caméra
Lorsqu’on évoque la vision industrielle, beaucoup imaginent immédiatement une caméra observant des produits sur un convoyeur. Mais la réalité est bien plus complexe.
Derrière chaque installation se cachent des dizaines de paramètres à maîtriser. L’éclairage, les mouvements de l’objet, la profondeur de champ, les contraintes mécaniques, les cadences, les échanges avec les automates ou encore les interfaces utilisées par les opérateurs.
Cette complexité explique pourquoi les projets menés par Psycle mobilisent régulièrement plusieurs expertises complémentaires :
« On reconnaît facilement l’auteur d’un cahier des charges ou d’un code. Chaque membre de l’équipe a une sensibilité forte, qu’elle soit optique, mécanique, informatique. Psycle encourage beaucoup cette complémentarité. »
Une manière de fonctionner qui accompagne également la croissance récente de l’entreprise. Depuis son arrivée, Gabrielle a vu les effectifs fortement augmenter et les projets gagner en ampleur. Les bureaux ont changé, les équipes aussi. La polyvalence des débuts laisse progressivement place à des expertises de plus en plus pointues.
Un mélange de technologie et de pédagogie
L’une des idées qui revient le plus souvent au cours de l’entretien concerne la communication. Car contrairement aux idées reçues, les difficultés ne sont pas toujours techniques. Il arrive même que les principaux obstacles soient humains.
« La quantité de données peut donner le vertige. Les experts terrains sont souvent déstabilisés au premier abord »
Son rôle consiste alors à rendre le sujet concret. Montrer une image. Illustrer un défaut. Repartir du métier. Car les informations essentielles ne sont presque jamais données spontanément. Il faut donc souvent aller les chercher et savoir poser les bonnes questions.
Cette approche, Gabrielle la doit en partie à sa formation. Après un cursus scientifique mêlant mathématiques, intelligence artificielle et sciences des données, elle choisit à l’UTC une voie « Humanités et Technologie », convaincue qu’un ingénieur ne se contente jamais d’exécuter.
« Nous avons aussi la responsabilité de comprendre ce que nos choix impliquent et ce qu’ils produisent autour de nous. »
Une conviction qui éclaire toute sa façon de travailler : développer un système d’IA ne consiste pas seulement à viser les meilleures performances, mais à comprendre ce que l’on cherche réellement à mesurer. Et surtout pourquoi. Les modèles omniscients l’intéressent peu. Pour elle, la technologie doit rester un outil au service de l’expertise humaine. Pas l’inverse.
Les chaussures de sécurité : un choix judicieux
Reste une dernière histoire. Celle de son arrivée chez Psycle.
À l’époque, Gabrielle termine ses études et possède une paire de chaussures de sécurité dont elle n’a plus l’utilité. Elle publie alors une annonce sur un groupe Facebook de l’UTC afin de les revendre. Les jours passent sans réponse. Puis un message arrive :
À l’époque, Gabrielle termine ses études et possède une paire de chaussures de sécurité dont elle n’a plus l’utilité. Elle publie alors une annonce sur un groupe Facebook de l’UTC afin de les revendre. Les jours passent sans réponse. Puis un message arrive :
« Moi aussi je suis ingénieure en data science ! Pourtant mes chaussures de sécurité, je les utilise tous les jours. Tu devrais les garder au cas où. »
La discussion s’arrête pourtant là, la pointure ne correspondant pas. Quelques semaines plus tard, Gabrielle découvre une offre de stage particulièrement intéressante. En regardant le nom de la personne qui l’a publiée, elle reconnaît immédiatement celui de la jeune femme. Aujourd’hui, elles travaillent ensemble chez Psycle. Et les chaussures sont toujours là.
« Finalement, elles n’ont jamais été vendues. Elles me servent presque tous les jours maintenant. Je me suis promis que si une étudiante en informatique voulait un jour revendre les siennes, je lui répondrais exactement la même chose. »
Et finalement, on se rend compte que Gabrielle est sa propre intelligence artificielle. Une intelligence qui se nourrit des connaissances clients, de leurs métiers et de leurs contraintes.
Et qui porte toujours des chaussures de sécurité (sans poussière).