Pré-identification assistée des items sur image pour accélérer la saisie dans un SaaS d'inventaire cartographique

Le besoin principal concerne l'ajout ou la vérification d'un item dans le SaaS, aussi bien côté opérateur terrain que côté back-office. Le sujet intéresse également les équipes produit et technique, car il touche à la qualité du parcours de saisie, à la fiabilité des suggestions et à la capacité d'intégrer progressivement une brique IA dans un produit existant.

Lorsqu'un utilisateur ajoute un item dans le SaaS, la saisie peut être chronophage si elle repose uniquement sur une identification manuelle à partir d'une photo. Plus le volume d'images augmente, plus le potentiel inexploité du stock historique devient visible.

Le contexte de départ comprend un SaaS d'inventaire cartographique, une application mobile qui produit des images terrain et des liaisons entre images et emplacements. Certaines photos comportent un item principal dominant, d'autres plusieurs éléments, ce qui influence directement le périmètre d'une première version.

Le cadrage du projet ne peut pas se limiter à une intuition de cas d'usage. Il suppose d'auditer la réalité du stock image disponible : volume réellement exploitable pour un MVP, qualité des labels existants, fréquence des cas mono-item par rapport aux cas multi-items, stabilité des types de vues et niveau d'homogénéité des photos terrain. Cet audit conditionne directement la crédibilité du périmètre V1.

Si le système peut proposer un top 3 de types d'items plausibles sur les images les plus simples, l'utilisateur peut valider ou corriger rapidement la suggestion. La valeur visée repose donc sur une assistance à la décision, pas sur une promesse d'autonomie totale.

Le MVP se concentre sur les images avec un item principal dominant. Le flux cible est simple : l'image est analysée, trois suggestions maximum sont proposées, puis l'utilisateur confirme ou corrige. Les cas multi-items restent considérés comme une limite assumée de V1.

La solution cible combine un pipeline de préparation des images, un composant de prédiction limité à une taxonomie maîtrisée et une intégration dans l'interface de saisie du SaaS. L'expérience utilisateur doit rester lisible : suggestion, niveau de confiance éventuel, validation ou correction, puis enregistrement. La logique de validation humaine reste obligatoire pour éviter qu'une suggestion soit interprétée comme une vérité système.

Un point structurant du projet consiste à conserver la trace des prédictions, des validations et des corrections. Cette journalisation permet à la fois d'améliorer la lecture produit du dispositif, de mesurer les erreurs récurrentes et d'envisager plus tard une boucle d'amélioration continue fondée sur les retours réels des utilisateurs.

Les principaux risques concernent la qualité et l'homogénéité des données image, le déséquilibre entre classes, les ambiguïtés visuelles, les écarts entre conditions terrain et données d'entraînement, ainsi que le coût d'intégration dans un flux métier existant.

Les indicateurs à suivre devraient être définis comme des cibles de pilotage et non comme des résultats acquis : taux de validation de la première suggestion, présence de l'item correct dans le top 3, temps moyen de saisie avant et après assistance, taux de correction par classe, part d'images ambiguës ou hors périmètre et capacité du système à rester utile malgré une précision imparfaite.

Le projet n'est pas présenté comme industrialisé. À ce stade, il s'agit d'un cadrage crédible d'usage et de solution. Les cas d'images complexes, la gestion fine des ambiguïtés et la robustesse en conditions réelles restent à démontrer.

Après validation du MVP, plusieurs pistes deviennent envisageables : enrichissement progressif de la taxonomie, traitement des images contenant plusieurs items, boucle d'apprentissage alimentée par les corrections utilisateur, instrumentation plus fine de l'usage et arbitrage sur les conditions de mise en production.