L’intelligence artificielle est de plus en plus utilisée dans l’industrie, la logistique ou la finance. Certains projets révèlent toutefois son potentiel dans des domaines beaucoup moins évidents.
L’un d’eux est un projet réalisé en collaboration avec NeuroSYS.
L’objectif était simple : surveiller la croissance des crevettes en temps réel.
Cela peut sembler atypique, mais le problème que nous avons résolu est bien connu de nombreuses entreprises :
- manque de données pendant le processus
- manque de contrôle opérationnel
- décisions prises avec retard
Nous revenons sur les coulisses de ce projet dans le podcast « IA in Production ».
Sommaire
De quoi parle cet épisode du podcast ?
Dans une conversation avec Tomasz Kowalczyk, CEO de NeuroSYS, nous abordons un projet de mise en œuvre d’un système d’IA pour :
- le suivi de la croissance des crevettes en temps réel,
- l’analyse de la biomasse et de la mortalité,
- la détection du stress et des maladies,
- l’optimisation de l’ensemble du cycle d’élevage.
Le principal défi consistait à passer de mesures manuelles effectuées en fin de processus à un suivi continu des données tout au long du cycle.
Le problème : manque de données pendant le processus
Dans l’élevage traditionnel de crevettes, le problème principal est simple :
On ne sait pas ce qui se passe pendant le cycle de production.
Le processus dure plusieurs mois, et les résultats ne sont connus qu’à la fin. La biomasse est mesurée uniquement après la récolte.
Comme l’explique Tomasz :
« Sans l’intelligence artificielle, cela n’était possible qu’à la fin du processus, lorsque les crevettes sont récoltées et pesées. »
Cela signifie que l’optimisation est pratiquement impossible. On réagit seulement lorsqu’il est déjà trop tard.
Commencer par comprendre le processus
Avant de créer un modèle d’IA, l’équipe devait comprendre le métier du client.
Cela impliquait d’entrer dans le monde de l’aquaculture et de découvrir les spécificités de l’élevage de crevettes :
- cycle de vie des crevettes,
- conditions environnementales,
- impact de la lumière, de la température et de la densité,
- problèmes opérationnels réels.
Comme le souligne Tomasz :
« Nous avons d’abord dû comprendre l’ensemble du cycle d’élevage. »
Il s’agit de la phase de Discovery. Sans elle, la plupart des projets d’IA restent des démonstrations technologiques sans réelle valeur business.
Valeur pour le client :
- définition claire du problème,
- meilleures décisions de conception,
- réduction des coûts inutiles.
Que faut-il réellement mesurer
L’étape suivante consistait à définir précisément ce qu’il fallait mesurer.
Il s’est avéré que compter simplement les crevettes ne suffisait pas.
Le système devait :
- compter la population,
- mesurer la taille des individus,
- estimer leur poids,
- analyser la vitesse de croissance,
- détecter la mortalité.
Et tout cela en temps réel.
C’est la phase de Definition, où se construit la base de toute la solution.
Valeur pour le client :
- système bien conçu,
- réduction des risques,
- réelle utilité business.
L’IA dans le monde réel
Les plus grands défis sont apparus lors de la phase de mise en œuvre.
Il ne s’agissait pas d’un problème de data science en environnement contrôlé, mais du monde physique réel.
Le système reposait sur plusieurs éléments clés.
Caméras
Au lieu de construire un système coûteux à partir de zéro, des iPhones ont été utilisés comme caméras.
Une application a été développée pour :
- prendre des photos,
- les envoyer via Wi-Fi,
- transmettre les données à un système central.
Algorithmes d’IA
Le système utilisait la vision par ordinateur pour :
- détecter les crevettes,
- les compter,
- mesurer leur taille,
- estimer la biomasse.
Défis techniques
L’environnement était très exigeant :
- reflets de lumière sur l’eau,
- variations de luminosité,
- mouvements rapides des crevettes,
- objets qui se chevauchent.
Comme le décrit Tomasz :
« Les crevettes se déplacent très rapidement, se chevauchent et sont observées à travers l’eau. »
C’est un exemple classique où l’IA doit fonctionner dans des conditions loin d’être idéales.
Valeur pour le client :
- un système opérationnel et pas seulement un modèle,
- intégration avec le processus,
- accès aux données opérationnelles.
Percée : les données en temps réel
Le changement le plus important a été simple, mais décisif.
Au lieu d’avoir des données uniquement en fin de processus, elles sont désormais disponibles en continu.
Cela permet de :
- suivre la croissance,
- analyser les tendances,
- réagir immédiatement.
D’un point de vue business, il s’agit d’un changement majeur.
Développement après le déploiement
La plus grande valeur est apparue après le lancement du système.
Le projet a été enrichi de nouvelles fonctionnalités.
Détection des maladies
Le système permet d’identifier les problèmes de santé à un stade précoce.
Analyse du stress
C’est l’un des aspects les plus surprenants du projet.
« Une crevette stressée change la couleur de sa queue de transparente à rouge. »
Grâce à l’analyse d’image, il est possible de :
- détecter des conditions anormales,
- réduire la mortalité,
- améliorer l’efficacité de l’élevage.
Commercialisation
La solution évolue vers un produit :
- caméras plus universelles,
- déploiement simplifié,
- capacité de mise à l’échelle.
Il s’agit de la phase de Direction.
Valeur pour le client :
- amélioration continue,
- avantage concurrentiel,
- nouvelles opportunités business.
L’IA au-delà de l’usine
Ce projet met en évidence un point essentiel.
L’IA n’est pas limitée aux applications industrielles classiques.
Elle peut être utilisée partout où :
- il existe un processus physique,
- les données sont insuffisantes,
- les décisions sont prises avec retard.
C’est pourquoi des solutions similaires apparaissent dans :
- l’aquaculture,
- l’agriculture,
- la production alimentaire,
- le suivi des animaux.
Sur notre site, vous trouverez également une étude de cas de cette solution, présentant les détails de mise en œuvre et les résultats business.
Écoutez l’épisode du podcast
Si vous souhaitez voir à quoi ressemble l’IA en pratique :
- comment construire des solutions dans des environnements complexes,
- à quoi ressemble une mise en œuvre de l’intérieur,
- comment relier l’IA au business réel,
écoutez la conversation avec Tomasz Kowalczyk de NeuroSYS.
