Comme pour tout projet IT, on vous a vanté la valeur que vous tireriez de la mise en œuvre de solutions digitales. Les projets de computer vision n’échappent pas à ces attentes. Mais voilà, les entreprises tardent parfois à percevoir cette valeur en raison des défis liés à l’implémentation. Il peut s’agir de problèmes liés à l’intégration de la solution dans un environnement technologique plus large, d’un manque de formation des équipes, d’un accompagnement au changement sous-estimé ou encore de ressources insuffisantes.
Tirant les leçons des multiples projets déployés au cours des dernières années, Deepomatic vous livre ses conseils pour générer des données et des informations essentielles pour vos opérations de terrain et maximiser la valeur de votre projet de computer vision. Depuis la création de datasets de photos pour entraîner les algorithmes au contrôle qualité, au déploiement sur le terrain et à la gestion du changement, cette série d’articles décrit les étapes à suivre pour observer rapidement des résultats concrets sur vos indicateurs de performances.
En matière de computer vision, comme pour toute technologie exploitant le machine learning, la donnée entraînant les algorithmes est au cœur de la construction des modèles. Cette phase incontournable de création des datasets de photos nécessite certains prérequis qui garantiront que les modèles collent au plus près à la réalité du terrain et seront donc gage de ROI plus rapide.
Définir le périmètre des datasets de photos
Premièrement, les photos utilisées pour entraîner les algorithmes doivent couvrir diverses situations et environnements que rencontrent les équipes terrain. Il est donc nécessaire que les équipes projets définissent :
- Les éléments de l’infrastructure qui sont concernés par le contrôle qualité automatisé.
- Les différents modèles d'équipements, car les designs peuvent varier sur un même réseau.
- Les photos à demander aux employés de terrain. Chacune portant sur une étape du travail de l’employé (job step).
- Les points de contrôle (checkpoints) : les règles et gestes métiers à vérifier sur les photos. Il faut alors également définir ce que sont des cas où chaque point de contrôle est validé (OK), et des cas où il est invalidé (KO).
- Les environnements de travail, en prenant en compte les diverses conditions de luminosité, en intérieur et extérieur.
Il est possible d’utiliser des datasets existants, mais leur qualité n’est souvent pas garantie. En effet, si vous n’avez pas défini vos standards et formé vos employés de terrain à prendre des photos selon ces standards, il est probable qu’un grand nombre d’entre elles ne soit pas exploitable. Qui plus est, celles-ci ne sont donc pas alignées avec les nouvelles normes établies à la mise en place du projet avec Deepomatic. Nous recommandons donc de réaliser une collecte de données du terrain pour construire vos datasets car le machine learning requiert des données qualitatives. Cela permet aussi d’habituer le technicien au bon geste de prise de photo.
Former les équipes terrain à la prise de photos exploitables
Les employés de terrain jouent un rôle essentiel dans la création des datasets, car leurs photos serviront à entraîner les algorithmes. Il est donc crucial de les former à la capture de photos bien cadrées et exploitables. Plusieurs méthodes peuvent être mises en place, comme fournir un exemple de ce qui est considéré comme une bonne photo dans leur application mobile avec une description du geste attendu. Cette phase de collecte de données habitue également les équipes terrain à l'utilisation de l'IA et à la bonne documentation des opérations. Elle permet de les sensibiliser aux éléments et gestes que l’entreprise souhaite pouvoir vérifier dans son processus de contrôle qualité.
Notre expérience chez Deepomatic nous a montré qu’il ne suffisait pas d’imposer un outil d’automatisation aux employés de terrain pour les engager. Les responsables des opérations doivent donc communiquer les objectifs de l’utilisation d’un nouvel outil.
Une fois la configuration de l’application mobile de Deepomatic faite, le périmètre du projet fixé et les guidelines de prise de photo communiquées aux équipes terrain, le système est implémenté sur le terrain. En seulement 30 jours, il est donc déjà possible de lancer le Go Live de la première phase de son projet de computer vision.
Contrôler automatiquement la qualité des datasets de photos du terrain
Vérifier la conformité des données, c’est-à-dire la qualité des photos, est primordial pour éviter d'alimenter le système avec de mauvaises données. Il est de ce fait nécessaire de mettre en place des contrôles pour garantir la lisibilité et la conformité des photos :
- détection de photos floues
- validation de la résolution des photos et de leur format (horizontal ou vertical)
- vérification de leur niveau de luminosité et de contraste
De plus, la solution vérifie que pour une même opération, les photos de l’équipement prises avant et après intervention sont bien différentes. Cela permet ensuite aux modèles assurant la vérification du geste métier de l’employé de terrain de pouvoir contrôler le travail effectué.
Le contrôle de la qualité des photos ne nécessite pas d’entraînement de modèles et peut donc être déployé immédiatement.
Itérer sur le périmètre établi initialement pour s’assurer de la représentativité du terrain
Nous considérons que cette période durant laquelle la solution est mise à disposition des techniciens doit être perçue comme une opportunité de remettre en question et valider le périmètre du projet. Les principes et standards établis en bureau peuvent en effet parfois être distants de la réalité du terrain. La phase de collecte de données peut par exemple révéler
- la non prise en compte de certaines conditions de travail des équipes terrain :
undefinedundefined - des photos redondantes, fournissant une information qui peut déjà être recueillie à partir d’autres photos
- des cadrages de photos ne permettant pas de voir facilement l'information à l'œil nu.
Les composants de la plateforme de Deepomatic permettent de collecter les photos du terrain et donnent de la visibilité sur la qualité des photos et l’adoption de la solution par les équipes terrain. Les responsables du projet peuvent ainsi ajuster les conditions entourant cette phase de collecte de données du terrain et ainsi maximiser l'efficacité de leurs algorithmes.
Vous l’aurez compris, il s’agit d’un processus itératif qui permet aux équipes projet de s’adapter en continu à la réalité du terrain.
Dans notre prochain article, découvrez comment entraîner les algorithmes et construire son IA sur mesure de manière incrémentale pour automatiser le contrôle qualité du travail des équipes terrain.
