Une app qui mesure l’usure de vos pneus et les fait changer chez CaRool

L'app aide au changement des pneus

L’application mobile de la startup CaRool alerte en cas d’usure des pneumatiques et accompagne l’utilisateur pour la prise de rendez-vous afin de changer ses pneus. L’application utilise de l’intelligence artificielle et de l’apprentissage automatique (Machine Learning). Elle a été développée par Ippon Technologies.

La référence du pneu reconnue en 45 secondes

L’application reconnaît la référence du pneu en moins de 45 secondes. L’usager prend ses pneus en photos et les envoie dans l’application qui reconnaît automatiquement le modèle de pneu et surtout son niveau d’usure pour pouvoir alerter sur la nécessité de le changer en cas de besoin.

Un Minimum Viable Product a été réalisé en quatre mois

« Nous avons sorti un MVP en 4 mois » souligne Ivan Lellouch, co-fondateur de CaRoo. L’application est construite autour de deux grandes fonctionnalités. Il y a d’une part l’identification de la référence et du niveau d’usure des pneumatiques, grâce un modèle d’intelligence artificielle de reconnaissance d’image. Puis, l’application gère le rendez-vous de changement des pneus, avec l’envoi des références utilisateurs, les références des produits avec les prestataires de services.

L’application a nécessité le développement d’une solution de Machine Learning « serverless », c’est-à-dire qui n’est pas associée à un serveur classique défini chez un hébergeur, mais la réservation d’une puissance de calcul évolutive selon les besoins.  

Une équipe de développeurs et de Data Scientists

Ippon Technologies a déployé une équipe pluridisciplinaire composée de développeurs full stack, de Data scientists et des Machine Learning engineers. L’équipe a été complémentaire des collaborateurs Data de CaRool, venant du monde de la recherche. En 4 mois, CaRool a mis en place un Minimum Viable Product (MVP) avec, à la clé, une application mobile fonctionnelle pour les utilisateurs.

Il s’agit de sujets nouveaux sans solution ni service similaires sur le marché

Les cas d’usages concernent la détection de caractéristiques du pneu et de sa référence, la marque, le modèle, la dimension, le lieu de fabrication, etc. ; la détection de l’usure du pneu, les craquelures, l’état de la gomme, etc. Dans les deux cas, il s’agissait de sujets nouveaux sans solution ni service similaires sur le marché. « Nous avons fait le choix du Cloud et d’une architecture Serverless afin de gagner en flexibilité et de se concentrer sur les problématiques métiers » explique-t-on côté Ippon Technologises.

L’objectif était de réduire le Time-to-market et d’assurer au plus vite la faisabilité technique du produit. « Cette architecture nous a également permis de nous adapter très facilement à l’évolution de la volumétrie des données et des traitements, tout en contrôlant les coûts de fonctionnement et en limitant l’utilisation des ressources au strict nécessaire » poursuit Ippon Technologies.

Plusieurs approches afin de réussir la reconnaissance d’images

La reconnaissance d’image a associé plusieurs approches. Il y a eu le développement d’algorithmes de traitements d’image spécifiques et inspirés de la littérature scientifique. Les équipes d’Ippon Technologies ont également développé des modèles de Computer Vision et d’OCR (Optical Character Recognition) entraînés par leurs soins. Et elles ont utilisé  des services de « Machine Learning As A Service » (Apprentissage automatique fourni en tant que service) pré-entraînés fournis par les Cloud Providers.

L’hébergement de l’application a lieu dans le Cloud Amazon et le Machine Learning vient du Cloud de Google

La solution est hébergée dans le Cloud AWS (Amazon Web Services) et Ippon Technologies a opté en ce qui concerne les composantes Machine Learning, pour une approche multi-Cloud avec Google Cloud Platform. Cela avec pour objectif de combiner leurs résultats et d’optimiser leurs performances.

Dès le début, une démarche d’amélioration continue à été adoptée afin de permettre à CaRool de suivre l’évolution du projet et de pouvoir s’adapter à tout moment à une évolution des besoins et de la volumétrie. De même, les équipes ont cherché à mettre en place les bonnes pratiques de développement et du Machine Learning dès les premières phases du projet.

Les équipes ont ainsi conçu et livré un pipeline de CI/CD complet – c’est un flux de développement logiciel, d’intégration et de distribution du logiciel en continu –  permettant de leur assurer de la qualité du code et de déployer automatiquement la solution sur de multiples environnements. Pour cela un pipeline MLOps a été mis en place à l’aide SageMaker d’AWS afin de suivre l’évolution des performances des modèles.



Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *