Réduire de 98 % les faux positifs d'un détecteur connecté avec un réseau de neurones sur-mesure

Un objet connecté qui détecte les mouvements par imagerie thermique

Notre client a conçu un objet connecté capable de détecter des mouvements à partir d'images thermiques, sans caméra classique : un capteur discret, pensé pour déclencher une alerte dès qu'un mouvement à surveiller est détecté.

L'algorithme existant générait cependant trop de faux positifs. Chaque détection devait être contrôlée manuellement pour être validée, ce qui alourdissait le service — et ces faux positifs répétés entraînaient une perte de confiance des utilisateurs finaux dans le produit.

Un réseau de neurones sur-mesure, du diagnostic au suivi terrain

Après avoir étudié plusieurs approches, nos équipes ont retenu l'IA avec apprentissage pour fiabiliser la détection, avec un déploiement pensé pour tenir sur l'objet connecté lui-même.

01 — Diagnostic : apprendre à généraliser plutôt qu'à mémoriser

Nous avons nourri le système avec de vraies et de fausses détections de mouvement, puis appris au modèle à généraliser plutôt qu'à mémoriser des cas particuliers. Cette piste a été validée par un prototype fonctionnant en edge computing, directement sur l'objet connecté.

02 — Réalisation : un réseau de neurones volontairement compact

Nous avons développé un réseau de neurones sur-mesure — un CNN (Convolutional Neural Network) reposant sur le deep learning — volontairement de petite taille pour apprendre vite tout en restant embarquable.

03 — Déploiement : un suivi terrain au fil des saisons

Nous avons connecté le réseau de neurones aux données réelles du client. Particularité du sujet : les images thermiques sont sensibles aux changements de saison. Nous avons donc organisé un suivi sur plusieurs mois pour faire apprendre le modèle au fil des saisons, jusqu'à obtenir un comportement stable en fin de cycle.

98 % de faux positifs en moins, un produit plus fiable

Le produit est aujourd'hui plus fiable, avec beaucoup moins de contrôles humains nécessaires pour valider une détection. Le client vient d'intégrer de nouveaux capteurs et continue d'améliorer son produit avec notre équipe.

Un réseau de neurones pensé pour l'embarqué

Face à un capteur aux ressources limitées, le choix technique devait allier fiabilité de détection et sobriété du modèle.

Un CNN volontairement léger

Le deep learning permet d'apprendre à distinguer les vrais mouvements des faux positifs, avec un réseau de neurones convolutif (CNN) dimensionné au plus juste pour rester embarquable sur l'objet connecté.

Edge computing

Le modèle tourne directement sur l'objet connecté, sans dépendre d'un traitement distant, pour une détection rapide et sobre.

Un suivi dans la durée

Un accompagnement sur plusieurs mois pour faire apprendre le modèle au fil des saisons, jusqu'à un comportement stable — et une équipe qui continue de le faire évoluer avec le client.