AI/ML 
Rozwój oprogramowania 
IA ou mathématiques ? Comment nous avons automatisé l’analyse en laboratoire
L’intelligence artificielle est souvent présentée comme la réponse à presque tous les problèmes liés à l’analyse des données. Pourtant, dans la pratique, les solutions efficaces ne reposent pas systématiquement sur des modèles d’IA. Dans certains cas, des algorithmes mathématiques soigneusement sélectionnés apportent une valeur bien supérieure, car ils sont plus rapides, plus simples et mieux adaptés à l’application concernée.
C’est l’un des principaux enseignements du dernier épisode du podcast « IA in Production », auquel participe Rafał Pisz de Quantup. Au cours de l’entretien, il présente le projet Peak Detection réalisé pour un fabricant d’équipements de laboratoire spécialisés. Cette mise en œuvre montre que l’innovation ne consiste pas toujours à utiliser la technologie la plus récente. Le défi le plus important est souvent de comprendre les besoins réels des utilisateurs et de concevoir une solution qui facilite leur travail quotidien.
Lorsque le problème ne vient pas de la technologie, mais de son utilisation
Le fabricant d’équipements de laboratoire concerné par le projet proposait depuis de nombreuses années des solutions destinées à des analyses chimiques avancées. L’appareil lui-même fonctionnait conformément aux attentes. Toutefois, lorsque l’entreprise a commencé à envisager son expansion vers de nouveaux marchés, une question s’est posée : comment permettre à des personnes moins expérimentées dans l’interprétation des résultats de bénéficier elles aussi de toutes les fonctionnalités du produit ?
Il ne s’agissait ni de modifier les paramètres de l’appareil ni d’augmenter sa puissance de calcul. Le principal obstacle résidait dans l’analyse manuelle des graphiques générés par le système. Pour les spécialistes expérimentés, cette tâche faisait partie du travail quotidien. Pour de nouveaux utilisateurs, elle exigeait toutefois des connaissances et une expérience spécifiques. C’est précisément cette étape qui limitait l’adoption du produit à plus grande échelle.
Comme le souligne Rafał Pisz, le progrès technologique consiste souvent à réduire la barrière à l’entrée. Un appareil ne devrait pas exiger des utilisateurs des compétences toujours plus avancées. Au contraire, il devrait prendre en charge une partie de leurs tâches et simplifier leur travail.
Peak Detection : automatiser l’interprétation des résultats
Le projet portait sur la détection automatique de pics caractéristiques apparaissant sur les graphiques de mesure. La détermination correcte du début et de la fin d’un tel signal était essentielle pour l’interprétation ultérieure des résultats des analyses.
À première vue, la tâche peut sembler simple. En pratique, l’analyse de ce type de données peut néanmoins être particulièrement exigeante. Même des opérateurs expérimentés peuvent évaluer différemment les limites d’un signal, et un léger décalage peut modifier le résultat final de l’analyse.
L’automatisation de ce processus a donc permis non seulement d’accélérer le travail, mais surtout de garantir la reproductibilité des résultats et de réduire leur dépendance à l’expérience de la personne utilisant l’appareil.
Pourquoi l’intelligence artificielle n’a-t-elle pas été utilisée dans ce projet ?
L’un des passages les plus intéressants de l’entretien explique pourquoi l’équipe de QuantUp a délibérément choisi de ne pas utiliser de modèles d’intelligence artificielle.
Au lieu du Machine Learning, elle a mis en œuvre des algorithmes déterministes et des méthodes mathématiques soigneusement sélectionnés, mieux adaptés à la nature du problème analysé. Cette approche a permis d’obtenir une efficacité élevée, tout en conservant de faibles exigences matérielles et un fonctionnement entièrement prévisible.
Il s’agit d’un enseignement important pour toutes les organisations qui envisagent d’investir dans l’IA. Le point de départ devrait toujours être la compréhension du problème métier et la définition du résultat attendu. Ce n’est qu’ensuite qu’il convient de choisir la technologie la mieux adaptée aux besoins concrets.
Dans certains projets, il s’agira de l’intelligence artificielle. Dans d’autres, les algorithmes mathématiques classiques seront plus appropriés. La réussite dépend de l’efficacité de la solution, et non de la popularité de la technologie utilisée.
Les contraintes matérielles imposent des choix de conception pertinents
L’environnement dans lequel la solution devait fonctionner constituait une difficulté supplémentaire. Les algorithmes n’étaient pas exécutés dans un environnement cloud disposant de ressources pratiquement illimitées, mais sur un ordinateur de type Raspberry Pi intégré à l’équipement de laboratoire.
Une telle contrainte impose une conception logicielle particulièrement rigoureuse. Chaque bibliothèque, chaque opération et chaque portion de code influencent la consommation de mémoire et les performances globales du système.
Les concepteurs ont donc dû sélectionner des solutions non seulement efficaces, mais également très légères et optimisées en fonction des ressources disponibles.
La technologie au service du développement commercial
Le principal résultat du projet ne se limitait pas à l’automatisation de l’interprétation des données. La solution mise en œuvre a permis au fabricant de proposer ses équipements à un public beaucoup plus large, leur utilisation ne nécessitant plus un niveau d’expérience aussi élevé.
Cela a ouvert la voie à une expansion vers de nouveaux marchés et à une augmentation du potentiel commercial du produit.
Cet exemple montre clairement que la valeur des projets de Data Science et d’automatisation ne s’arrête pas à leur dimension technique. Des solutions bien conçues peuvent avoir un impact direct sur le développement d’un produit, renforcer sa compétitivité et soutenir la réalisation des objectifs commerciaux.
Écoutez l’intégralité de l’entretien
Le projet Peak Detection n’est que l’un des sujets abordés dans cet épisode du podcast. Kuba Orczyk et Rafał Pisz expliquent également comment prendre de bonnes décisions en matière de choix technologiques, pourquoi tous les défis ne nécessitent pas le recours à l’IA et comment le marché des équipements de laboratoire évolue avec les progrès de l’automatisation.
Si vous vous intéressez aux applications concrètes des mathématiques, de la Data Science et de l’intelligence artificielle dans des projets industriels, l’épisode complet mérite votre attention. L’entretien s’appuie sur l’expérience d’une mise en œuvre réelle et présente non seulement la dimension technique du projet, mais aussi les décisions commerciales qui ont contribué à sa réussite. Si vous souhaitez en savoir plus sur les détails de la mise en œuvre, consultez l’étude de cas complète sur notre site web.
Design, Development, DevOps czy Cloud – jakiego zespołu potrzebujesz, aby przyspieszyć pracę nad swoimi projektami? Porozmawiaj o swoich potrzebach z naszymi specjalistami.
Jakub Orczyk
Członek zarządu / Dyrektor sprzedaży
Zamów bezpłatną konsultację