Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
La vision par ordinateur désigne l’ensemble des techniques d’intelligence artificielle permettant à des systèmes informatiques d’analyser et d’interpréter des données visuelles issues d’images ou de vidéos. Elle s’appuie sur des algorithmes d’apprentissage automatique, en particulier le deep learning, pour détecter des objets, reconnaître des visages, interpréter des scènes ou encore suivre des mouvements.
Le domaine regroupe plusieurs tâches de complexité croissante. La classification attribue une catégorie à une image entière. La détection localise chaque objet par un cadre. La segmentation en délimite les contours, point par point. Le suivi relie les objets d’une image à l’autre dans une vidéo. La reconnaissance de caractères transcrit le texte présent dans l’image. La Commission d’enrichissement de la langue française cite la vision par ordinateur parmi les usages fréquents de l’apprentissage automatique, dans son vocabulaire de l’intelligence artificielle de 2018.
Un système de vision réunit des images, des exemples annotés pour l’entraînement et un modèle, le plus souvent un réseau de neurones. Il fonctionne grâce à un dispositif d’inférence, installé sur un serveur ou dans l’appareil de prise de vue. Sa fiabilité dépend de la qualité des images, du volume et de la représentativité des exemples, et de la robustesse du modèle aux variations de lumière, d’angle ou d’occlusion.
La reconnaissance d’image est l’une de ses tâches : identifier ce que montre une image. Le traitement d’image, lui, transforme une image, par exemple pour la rendre plus nette, sans l’interpréter. La multimodalité combine la vision avec le texte ou le son dans un même modèle. La vision par ordinateur sert dans l’industrie, la santé et la logistique. En marketing, elle sert à analyser des visuels publiés en ligne, à rechercher un produit par l’image ou à contrôler la présence des produits en rayon.
Les démonstrations mettent en avant l’analyse des clients en magasin. Les usages qui créent de la valeur sont souvent plus discrets. Il s’agit d’indexer automatiquement une photothèque ou de vérifier la conformité des visuels produits. Il peut aussi s’agir de repérer un logo dans des contenus publiés en ligne, grâce à la veille sur images, ou de contrôler la présence en rayon à partir de photos de terrain. Notre point de vue : commencez par les images d’objets et de produits, avant les images de personnes. Le risque juridique y est bien moindre et la vérification des résultats plus simple.
Dès qu’une image montre une personne identifiable, son analyse relève du RGPD. Dans sa position sur les caméras dites « augmentées », publiée le 19 juillet 2022, la CNIL vise notamment les dispositifs qui servent à adapter les contenus publicitaires ou l’agencement des produits. Elle constate que ces caméras conduisent fréquemment à limiter les droits des personnes filmées, qui ne peuvent en pratique pas s’opposer à l’analyse. Elle n’admet cette limitation que pour une finalité statistique, avec des données agrégées et anonymes, ou lorsqu’un texte spécifique la prévoit.
Le règlement (UE) 2024/1689 sur l’intelligence artificielle interdit en outre, à son article 5, plusieurs pratiques liées à l’image :
Mesurez la précision et le rappel par catégorie, puis par condition de prise de vue. Une moyenne globale masque souvent un échec sur un sous-ensemble : un type d’emballage, un éclairage ou un groupe de personnes, avec un risque de biais algorithmique.
Du repérage des usages à forte valeur jusqu’à la montée en compétences, Advalians déploie l’IA par étapes avec vos équipes, au moyen de tests mesurables.
La reconnaissance d’image est une tâche, la vision par ordinateur est le domaine qui la contient. Reconnaître une image consiste à identifier ce qu’elle montre : un produit, un logo, une scène. La vision par ordinateur couvre aussi la localisation des objets, la délimitation de leurs contours, le suivi dans une vidéo et la lecture du texte présent dans l’image.
En pratique, précisez la tâche dans votre cahier des charges. « Savoir si le produit est présent » et « compter les produits en rayon » n’appellent ni les mêmes données ni le même modèle.
Choisissez un premier cas d’usage portant sur des objets plutôt que sur des personnes, avec une décision claire à la clé. L’indexation d’une photothèque ou le contrôle de conformité des visuels produits sont de bons candidats.
Réunissez ensuite quelques centaines d’images issues du terrain, annotez-les selon des règles écrites et testez une solution existante avant d’envisager un développement sur mesure. Fixez à l’avance le seuil de qualité qui justifiera le déploiement.
Testez-le sur des images qu’il n’a pas vues, prises dans les conditions réelles d’usage. Calculez pour chaque catégorie la précision, soit la part des détections correctes, et le rappel, soit la part des objets présents effectivement détectés.
Découpez ensuite les résultats par condition : éclairage, angle, type d’appareil, gamme de produits. Un score global satisfaisant peut cacher un échec complet sur un sous-ensemble. Refaites la mesure à chaque changement de gamme ou d’emballage.
C’est possible dans certains cas, mais le cadre est strict. Les images de clients identifiables sont des données personnelles. Dans sa position de juillet 2022 sur les caméras « augmentées », la CNIL relève que ces dispositifs limitent souvent le droit d’opposition. Elle ne l’admet que pour une finalité statistique, avec des données agrégées et anonymes, ou lorsqu’un texte le prévoit.
Avant tout projet, faites valider la base légale et la proportionnalité par votre délégué à la protection des données. Nous recommandons d’exclure toute déduction d’émotions ou de caractéristiques sensibles.
Préférez l’annotation humaine lorsque le volume est faible, que les catégories changent souvent ou qu’une erreur aurait un coût élevé. À titre indicatif, quelques centaines d’images par mois se traitent souvent plus vite à la main qu’avec un projet d’automatisation.
La vision par ordinateur se justifie quand le volume est élevé et régulier, que les catégories sont stables et que l’erreur reste rattrapable. Une voie intermédiaire existe : le modèle trie les cas évidents et transmet les cas douteux à une personne.
Par Thomas Bizot – Président du cabinet Advalians
Sur la question du leadership et de l’innovation d’entreprise, peu de théories ont..
