Vision par ordinateur
Détection d'objets, classification d'images, segmentation. Déployé en milieu industriel avec caméras standard ou spécialisées. Temps réel possible sur GPU embarqué.
Artificial Intelligence au service de la logistique wallonne
Un transporteur régional basé à Charleroi perdait 14 % de marge brute à cause de tournées mal optimisées. Notre équipe a déployé un modèle de routage prédictif en six semaines. Résultat : la consommation de carburant a baissé de 11 % dès le deuxième mois.
Flotte de 42 véhicules — gain annuel estimé à 180 000 € sur les coûts opérationnels, mesuré après neuf mois de production.
Le problème initial
Le dispatching se faisait sur tableur. Chaque matin, un responsable passait 90 minutes à construire les tournées manuellement. Les chauffeurs signalaient régulièrement des détours inutiles, et le taux de livraison en retard atteignait 18 %.
Ce que nous avons construit
- Semaine 1-2 : audit des données GPS historiques, nettoyage de 14 mois de traces.
- Semaine 3 : entraînement d'un modèle de clustering spatial pour regrouper les points de livraison.
- Semaine 4-5 : intégration d'un solveur d'optimisation combinatoire avec contraintes horaires.
- Semaine 6 : déploiement sur tablette embarquée, formation des dispatchers.
Après neuf mois : retards réduits à 4 %, temps de planification passé de 90 à 12 minutes par jour.
Étude de cas n°2 : détection de défauts industriels
Un fabricant de pièces métalliques à Tournai rejetait manuellement les pièces défectueuses en bout de chaîne. Le taux de faux rejets atteignait 6 %, ce qui représentait une perte de matière première considérable.
Nous avons installé deux caméras industrielles couplées à un réseau de neurones convolutif entraîné sur 12 000 images annotées par les opérateurs eux-mêmes. Le modèle a atteint une précision de 98,3 % après trois itérations d'affinage.
Faux rejets ramenés à 0,9 %. Retour sur investissement atteint en cinq mois.
Notre méthode de travail
Chaque projet commence par une semaine d'immersion. Nous passons du temps dans vos locaux, nous observons les gestes métier, nous posons des questions concrètes. Pas de questionnaire générique envoyé par email.
Prototypage rapide
En deux à trois semaines, un premier prototype fonctionne sur vos données réelles. Ce prototype n'est pas une démo marketing. C'est un outil que vos équipes testent au quotidien, et dont les retours alimentent la version suivante.
Passage en production
Le déploiement se fait sur votre infrastructure existante quand c'est possible. Nous évitons les dépendances lourdes vers des plateformes cloud coûteuses. Si un modèle peut tourner sur un serveur local, il tourne sur un serveur local.
Suivi post-déploiement
Les modèles d'intelligence artificielle se dégradent avec le temps. Les données changent, les processus évoluent. Nous incluons un suivi de performance mensuel pendant la première année, avec ré-entraînement si les métriques dérivent au-delà d'un seuil défini ensemble.
Étude de cas n°3 : chatbot pour un service public
Une administration communale en Hainaut recevait 300 appels par jour pour des questions répétitives : horaires d'ouverture, documents nécessaires pour une carte d'identité, état d'avancement des dossiers d'urbanisme.
Nous avons construit un assistant conversationnel alimenté par la base documentaire existante. Le bot répond en français et en néerlandais. Il ne fabrique pas de réponses : quand il ne sait pas, il redirige vers un agent humain avec le contexte de la conversation déjà résumé.
Volume d'appels réduit de 38 % en trois mois. Satisfaction usagers mesurée à 4,2 sur 5 via enquête post-interaction.
Pourquoi ces résultats sont reproductibles
Les trois cas ci-dessus partagent un point commun : le problème était clairement défini avant que nous écrivions la moindre ligne de code. Trop de projets IA échouent parce qu'on commence par la technologie. Nous commençons par la contrainte métier.
Un modèle de machine learning n'est utile que s'il s'insère dans un processus existant. Si personne ne consulte la prédiction, elle ne sert à rien. C'est pour ça que l'immersion terrain est non négociable dans notre approche.
Nos capacités techniques
Nous ne vendons pas de la « magie IA ». Chaque capacité listée ici correspond à des projets livrés et maintenus en production. Si un besoin sort de notre périmètre, nous le disons clairement.
Traitement du langage
Chatbots contextuels, extraction d'information depuis des documents PDF, classification automatique de courriers entrants. Multilingue français-néerlandais-anglais.
Analyse prédictive
Prévision de demande, maintenance prédictive, scoring de risque. Modèles interprétables quand la réglementation l'exige, performants quand la précision prime.
Automatisation intelligente
Extraction de données depuis des factures, réconciliation comptable, routage automatique de tickets support. Intégration via API REST ou connecteurs ERP existants.
Données et infrastructure
Nettoyage, structuration, pipelines ETL. Nous travaillons avec PostgreSQL, MongoDB, Elasticsearch. Déploiement sur serveurs locaux ou cloud belge selon vos contraintes RGPD.
Formation et transfert
Ateliers pratiques pour vos équipes techniques. Nous documentons chaque modèle livré : architecture, données d'entraînement, procédure de ré-entraînement, seuils d'alerte.
Étude de cas n°4 : prévision de la demande alimentaire
Une chaîne de boulangeries artisanales avec sept points de vente dans le Borinage jetait en moyenne 9 % de sa production quotidienne. Le pain invendu partait en perte sèche chaque soir.
Nous avons croisé les historiques de vente avec les données météo, le calendrier scolaire et les événements locaux. Un modèle de régression gradient boosting prédit désormais la demande par produit et par point de vente, chaque matin à 4h.
Gaspillage réduit à 3,2 %. Les boulangers ajustent leurs fournées en conséquence. Le modèle tourne sur un Raspberry Pi dans l'arrière-boutique.
Ce que nous ne faisons pas
Nous ne développons pas d'applications mobiles grand public. Nous ne faisons pas de marketing digital. Nous ne promettons pas que l'IA va « révolutionner votre entreprise en 30 jours ». Les projets sérieux prennent du temps, et les raccourcis se paient cher en maintenance.
Si votre besoin est mieux servi par un logiciel existant sur étagère, nous vous le dirons. Construire un modèle sur mesure quand une solution standard fait l'affaire, c'est du gaspillage de ressources.
Questions fréquentes
Combien coûte un projet type ?
Un prototype fonctionnel démarre autour de 8 000 €. Un déploiement complet avec intégration et suivi se situe généralement entre 25 000 et 70 000 € selon la complexité. Nous fournissons un devis détaillé après l'audit initial, qui lui est facturé 1 500 € et déduit du projet si vous continuez avec nous.
Faut-il beaucoup de données pour commencer ?
Ça dépend du problème. Pour de la classification d'images, quelques centaines d'exemples annotés peuvent suffire grâce au transfer learning. Pour de la prévision temporelle, six mois de données quotidiennes constituent un minimum raisonnable.
Nos données restent-elles chez nous ?
Oui, sauf accord explicite contraire. Nous travaillons sur site ou via des connexions VPN sécurisées. Les modèles entraînés vous appartiennent intégralement, code source inclus.