Le même algorithme a obtenu 99.2 % dans le labo du fournisseur. Un mois sur votre sol d'entrepôt, il tourne à 92 %. Avant d'accuser qui que ce soit d'avoir trafiqué les chiffres — cet écart n'est généralement pas la faute de l'algorithme. Votre entrepôt et son labo ne sont pas le même monde.
À quoi ressemble le labo ? Éclairage uniforme, arrière-plans propres, colis bien présentés, caméra fixe. À quoi ressemble votre entrepôt ? Le reflet du lanterneau qui change du matin à l'après-midi, la moitié des tubes d'un luminaire grillés, de la poussière sur chaque convoyeur, des cartons écrasés au coin, du ruban adhésif qui reflète sur le code-barres, la main d'un opérateur qui masque la caméra une seconde. L'algorithme n'a pas changé. Le monde a changé.
Alors, où partent vraiment ces sept points ? Un par un.
Pourquoi l'éclairage fait-il plus mal que tout le reste ? La lumière d'entrepôt est la variable la plus déraisonnable qui soit. Un convoyeur près des fenêtres reçoit une lumière frontale le matin et un contre-jour l'après-midi ; un jour couvert et un jour ensoleillé sont deux niveaux de luminosité entièrement différents. Les systèmes de vision détestent la dérive d'éclairage — le modèle a été entraîné sous une lumière uniforme, et quand la lumière change, les caractéristiques ne correspondent plus. La solution n'est pas glamour mais elle marche : donnez à la caméra sa propre source de lumière, un anneau lumineux ou une barre lumineuse, et sortez la lumière ambiante de l'équation. Ne comptez pas sur le modèle pour "s'adapter". Contrôler la lumière physiquement bat n'importe quel algorithme. J'ai vu un projet perdre cinq points de précision les jours de pluie ; après l'ajout d'un anneau lumineux, la fluctuation a pratiquement disparu.
La poussière est la variable que tout le monde oublie. Elle est chronique — un film se dépose sur l'objectif et sur le boîtier d'éclairage, et la qualité d'image se dégrade un peu chaque jour. La solution n'est pas sophistiquée : mettez le nettoyage de l'objectif sur la liste de contrôle quotidienne. Un coup de chiffon hebdomadaire fait plus qu'une mise à niveau du modèle.
Et les colis eux-mêmes ? Les colis du labo sont neufs, carrés, étiquettes bien droites. Les vrais colis ? Un coin écrasé, une étiquette de travers, du ruban qui reflète sur le code-barres, un sachet polyéthylène noir qui cache tout. La déformation et le reflet sont là où l'IA de vision échoue le plus en entrepôt. Mon critère : pour tout projet de reconnaissance de colis, au moins un tiers des données d'entraînement devraient être des colis moches — déformés, abîmés, réfléchissants, tachés. Plus ils sont moches, mieux c'est. Un modèle entraîné uniquement sur de beaux colis échouera dès le premier jour. Je n'ai pas encore vu d'exception.
Et la vitesse et l'occlusion ? La caméra du labo peut prendre son temps ; votre convoyeur n'attendra pas. La vitesse de ligne apporte du flou de mouvement ; un opérateur qui saisit un article apporte de l'occlusion. N'essayez pas de surpasser ces phénomènes avec des algorithmes — concevez autour. Dimensionnez la fréquence d'images et l'exposition de la caméra à la vitesse réelle de la ligne, et placez un point de vérification humaine aux postes critiques. Un système de vision en entrepôt est toujours un outil de productivité, jamais un remplacement des personnes. Traitez-le comme un remplacement et vous paierez le prix de l'apprentissage.
Pourquoi les données d'entraînement doivent-elles venir du terrain réel ?
C'est le point que je veux le plus faire passer. Trop de projets s'entraînent sur des données que le fournisseur a filmées dans son propre labo — ou "mises en scène" dans votre entrepôt : on choisit une heure bien éclairée, on aligne quelques colis propres, on capture mille images, on rentre et on entraîne. Ça produit un champion de labo, et le premier jour couvert le démasque.
Faites-le bien : une fois les caméras installées, faites-les tourner deux semaines en mode collecte seule. Capturez les trois équipes, les jours ensoleillés et couverts, chaque colis moche. À l'étiquetage, priorisez les échantillons difficiles — ceux que le modèle a ratés ou notés avec une faible confiance. Renvoyez-les dans l'entraînement, itérez deux ou trois cycles, et c'est là que la précision sur le terrain grimpe vraiment. Il n'y a pas de raccourci. Sautez cette étape et 92 % est votre plafond ; aucun réglage d'hyperparamètres ne vous en sortira.
Les faux positifs et les faux négatifs coûtent-ils pareil ?
Avant d'écrire les critères d'acceptation, mettez une chose au clair : qu'est-ce qui coûte le plus — un faux positif (signaler un bon colis) ou un faux négatif (laisser passer un mauvais) ? Dans presque tous les scénarios d'entrepôt, l'erreur de détection coûte plus cher. Un colis mal étiqueté qui part, c'est une réclamation, un retour, une réexpédition — des dizaines de dollars au minimum. Une fausse alerte coûte quelques secondes de revue humaine.
L'acceptation ne peut donc pas reposer sur un seul chiffre de "précision". Ma recommandation : notez les taux de faux positifs et de faux négatifs séparément, et tenez le taux d'erreurs à une barre d'un ordre de grandeur plus exigeante. À la signature, ne vous fiez pas à un joli "99 % de précision globale". Posez trois questions : quel était le taux d'erreurs sur votre jeu de test ? Le jeu de test était-il constitué de données réelles de terrain ? Mettrez-vous la composition du jeu de test en annexe du contrat ? Ces trois questions révèlent vite le vrai niveau du fournisseur.
Que se passe-t-il quand le système échoue ?
Aussi bon soit le système, concevez-le pour le jour où il ne marchera pas. Mes trois règles : tout ce qui passe sous le seuil de confiance va à un humain ; si le système tombe, un processus manuel prend le relais ; aux postes critiques — la vérification de sortie, par exemple — vision plus humain, ceinture et bretelles. Ne mettez pas tous vos œufs dans le même panier. L'IA vous achète de l'efficacité, pas de l'immunité. Quand quelque chose tourne mal, le patron demande "comment personne ne l'a vu", pas "quelle était la précision".
La liste de contrôle d'acceptation — parcourez-la avant de signer
- Composition du jeu de test : inclut-il des échantillons difficiles de conditions réelles de terrain — déformés, réfléchissants, occultés, à faible lumière — et dans quelle proportion ?
- Métriques séparées : quels sont les taux de faux positifs et de faux négatifs séparément ? Le taux d'erreurs est-il tenu à une barre plus exigeante ?
- Plan d'éclairage : source de lumière dédiée ? Qui en est responsable quand la lumière ambiante change ?
- Vitesse adaptée : la fréquence d'images et l'exposition sont-elles dimensionnées à la vitesse réelle de la ligne ? La précision tient-elle toujours à vitesse maximale ?
- Boucle d'échantillons difficiles : à quelle fréquence les échantillons mal classés reviennent-ils après la mise en production ? Le cycle d'itération est-il dans le SLA ?
- Flux de repli : quel est le seuil de confiance ? Qui traite les cas sous le seuil ? Quel est le plan manuel quand le système est en panne ?
- Essai d'acceptation : dans votre entrepôt, sur vos colis, à votre vitesse de ligne — faites tourner une équipe complète avant de signer. Les chiffres du labo ne comptent pas.
Le 99 % du labo est le plafond de l'algorithme. Le 92 % du terrain est là où commence l'ingénierie. L'écart entre les deux se referme non pas avec un meilleur algorithme, mais avec une meilleure ingénierie. Souvenez-vous-en quand vous signez, et ça vous fera économiser de l'argent réel.
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
