IA embarquée & GenAI industrielle
Un modèle qui tourne à côté d'une machine ne produit pas un tableau de bord, il produit une décision. Ce qui le rend utilisable n'est pas sa précision sur un jeu de test : c'est ce qu'il a le droit de décider seul, ce qu'il rend à un opérateur, et ce qu'il fait quand la scène sort de tout ce qu'il a vu à l'entraînement.
Le difficile n'est pas le modèle. C'est la frontière qu'on lui donne.
Entraîner un modèle est devenu la partie courte du travail. Ce qui décide de sa mise en service, c'est ce qu'il a le droit de trancher seul, ce qu'il rend à un opérateur, et ce qu'il fait quand la scène sort de ce qu'il connaît.
Nous écrivons cette frontière avec vos équipes d'exploitation avant de toucher au matériel, puis nous faisons tenir le modèle sur les équipements déjà installés. C'est ce qui sépare une démonstration convaincante d'un modèle qu'un atelier accepte de laisser décider.
Ce que nous faisons
Quatre chantiers, de la frontière écrite pour le modèle jusqu'à la flotte qui le porte.
Écrire ce que le modèle décide seul
Ce qu'il tranche, ce qu'il ne tranche jamais, la zone de doute qu'il a le droit de rendre, et qui l'arbitre. Le document est signé par l'exploitation, parce qu'arrêter une ligne engage la sécurité des personnes et que cette responsabilité reste humaine.
un modèle dont le périmètre n'est pas écrit finit par décider de tout
- Ce qu'il décide, et ce qu'il ne décide jamais
- Une zone de doute rendue à l'opérateur, pas tranchée
- Chaque décision automatique rejouable douze mois
Le faire tenir sur le matériel déjà en place
Quantification, élagage et compilation pour la passerelle déjà installée, avec un budget de latence pris sur le procédé plutôt que sur un banc d'essai, et la précision abandonnée à la compression mesurée puis acceptée par écrit.
un gain de taille jamais chiffré en précision se découvre en production
- Budget de latence pris sur l'intervalle du procédé
- Précision avant et après compression, les deux écrites
- Version précédente gardée en local pour le retour arrière
Des copilotes ancrés dans l'atelier
Procédures, historiques de maintenance et documentation des équipements transformés en assistant dont la recherche est restreinte aux sources validées, dont les réponses citent leur origine, et qui s'arrête avant tout ce qui touche au procédé physique.
un assistant qui ne peut pas citer sa source n'est pas exploitable
- Recherche restreinte aux sources validées
- Réponses citant la procédure dont elles viennent
- Humain dans la boucle sur ce qui touche au procédé
Exploiter une flotte de modèles
Déploiement par vagues en commençant par un site témoin, mises à jour à distance, comparaison hebdomadaire des distributions de scores avec le jeu de recette, et réentraînement nourri par ce que le terrain renvoie réellement.
un modèle qui signale deux fois plus dit que la ligne a changé
- Déploiement par vagues, un site témoin d'abord
- Dérive surveillée contre la distribution de recette
- Images du terrain versées au prochain entraînement
Où s'exécute la décision
Une décision prise dans l'intervalle que laisse le procédé, sans aller-retour variable.
Un aller-retour qui convient pour un rapport, et pas pour une pièce déjà passée.
Ce qui sort du site est un résultat, pas la scène brute dont il a été lu.
La donnée brute doit être envoyée, donc détenue, là où elle est traitée.
Continue de décider pendant que le lien est coupé, et réconcilie au retour.
Un lien coupé arrête la décision, et le procédé, lui, n'attend pas.
Ce que vous recevez
Un même projet traverse les quatre livrables ci-dessous : un modèle de détection déployé sur un parc de passerelles. Chaque ligne dit ce qui est réellement remis, dans l'ordre où il l'est.
Un périmètre de décision écrit
Ce que le modèle tranche seul, ce qu'il ne tranche jamais, la zone de doute, qui l'arbitre et combien de temps une décision reste rejouable. Signé par l'exploitation, pas par l'équipe de data science.
Un modèle empaqueté pour la passerelle du site
Quantification, élagage et compilation pour le matériel déjà installé, avec le budget de latence pris sur le procédé et les neuf millièmes de précision abandonnés écrits plutôt que découverts.
Des garde-fous qui savent ne rien répondre
Hors de son domaine de fonctionnement, le système ne répond pas mal : il ne répond pas. La zone de doute part à l'opérateur avec la scène, et la dérive se compare chaque semaine au jeu de recette.
Une évaluation lue par condition
La latence et l'empreinte tiennent, la précision globale atteint 0,938, et elle se décompose en 0,961 de jour contre 0,857 en équipe de nuit. C'est cet écart qui décide de la mise en service.
Comment on travaille
Discover
selon le périmètre, le secteur et le niveau de conformité exigé
- Audit des cas d'usage et des irritants
- Matrice valeur / faisabilité
- Spécification exécutable (ASDD)
MVP
selon la complexité du système et les intégrations
- Un agent en environnement réel
- Tests générés et couverture mesurée
- Go / no-go avant l'industrialisation
Scale
selon le nombre d'agents et de systèmes raccordés
- Orchestration multi-agents sur socle mutualisé
- Intégration CI/CD et MLOps
- Montée en compétences des équipes
Run
engagement de service défini avec vous
- Observabilité LLMOps
- Optimisation FinOps des coûts IA
- Audit continu de conformité
Où en est réellement l'IA industrielle
Des modèles qui décident en production
L'inférence sur les caméras, aucune donnée biométrique n'en sort
142 caméras 4K · latence p99 sous 200 ms
Quinze millions de visiteurs par an dont il fallait lire les flux au moment où ils se forment, sur un site où faire remonter les flux vidéo pour les analyser au centre aurait produit exactement les données personnelles que personne ne voulait détenir.
Une inférence exécutée sur les caméras elles-mêmes plutôt que sur les images remontées : ce qui sort est un comptage et un signal, pas une image, si bien que les flux se pilotent en temps réel sans qu'aucune donnée biométrique soit produite dans la chaîne.
Une lecture rendue à un praticien, pas un score
96 % de précision du modèle · taux d'erreur 35 % → 1 %
Un relevé dentaire fait à la main sur radios panoramiques, lent et inégal, où la sortie du modèle n'est pas un chiffre de tableau de bord mais une lecture clinique sur laquelle un praticien va agir immédiatement.
Un apprentissage profond intégré au produit et co-construit avec les praticiens qui l'utilisent, avec la précision traitée comme un critère de livraison, et un cadre d'hébergement et de confidentialité posé dès le départ pour de la donnée de santé.
Insights & Perspectives
Ingénierie du contexte : donner à l'IA exactement ce dont elle a besoin
Skeleton trimming, sélection de fichiers par pertinence et contextualisation progressive : trois techniques pour des modèles qui répondent sur la bonne matière plutôt que sur tout.
Les quatre métriques clés dans une industrie automobile dirigée par le logiciel
Adapter les quatre métriques DORA aux véhicules définis par logiciel, par la simulation, le matériel dans la boucle, le squelette marchant et la découpe verticale.
L'ère de l'hyperautomation
Combiner automatisation robotisée des processus, IA, gestion des processus et analytique pour automatiser à l'échelle : composants, plateformes, bénéfices et méthode de déploiement.
Posez une décision au contact de l'actif, avec sa frontière écrite
Un périmètre signé par l'exploitation, un modèle qui tient sur le matériel déjà en place, des garde-fous qui savent ne rien répondre, et une évaluation lue par condition.
Questions fréquentes
Autant pour ce qui sort du site que pour la vitesse. Une inférence sur la caméra fait sortir un comptage et un signal au lieu des images : la donnée personnelle n'est jamais produite. L'intervalle qu'un procédé laisse entre deux pièces est souvent plus court qu'un aller-retour, et un lien qui tombe ne doit pas arrêter la décision.
De la précision, et il faut la mesurer plutôt que la supposer. Sur un modèle de détection courant, la quantification en entiers 8 bits et l'élagage de canaux coûtent quelques millièmes, ce qui est acceptable dès lors que c'est écrit et accepté. Un gain de taille jamais chiffré en précision est un gain qu'on découvre en production.
Rien, et cela se construit volontairement. Un modèle ne dit jamais qu'il ne sait pas : il renvoie toujours un score. C'est le code autour de lui qui refuse de l'interroger quand les conditions de fonctionnement sortent de la plage, et qui rend la zone de doute à un opérateur avec la scène, parce qu'un score sans l'image est une injonction plutôt qu'une aide.
Il peut citer la procédure et dire d'où elle vient. Il ne l'interprète pas, et il s'arrête avant tout ce qui touche au procédé physique. La recherche est restreinte aux sources validées, chaque réponse cite le document dont elle provient, et l'interaction reste auditable pour les équipes exploitation et sûreté.
Le calendrier a changé en juillet 2026. Le règlement (UE) 2026/1744, publié le 24 juillet 2026, a reporté les obligations « haut risque » des systèmes autonomes de l'annexe III au 2 décembre 2027, et au 2 août 2028 pour l'IA intégrée à un produit réglementé de l'annexe I. Ce délai n'est pas du temps mort : gestion des risques, documentation et supervision humaine se construisent dans le produit.
En comparant chaque semaine la distribution de ses scores à celle mesurée en recette. Un modèle qui se met à signaler deux fois plus n'a rien appris : c'est la ligne qui a changé, l'éclairage, ou les pièces. La réponse est d'élargir la zone de doute le temps de trouver la cause, pas de déplacer le seuil.
Le cadrage prend 2 à 6 semaines selon le périmètre, le secteur et le niveau de conformité exigé, et produit le périmètre de décision, le budget de latence pris sur le procédé et le matériel cible. Un premier modèle évalué sur un site témoin, en conditions réelles et non sur un jeu de test, suit en 4 à 10 semaines.