Présent chez Scortex depuis 2017, Hugues Poiget en est aujourd’hui le directeur général. Son parcours s’inscrit dans la continuité du développement de l’entreprise, avec un fil conducteur constant : construire une IA directement connectée aux réalités industrielles.

1.Quand avez-vous rejoint Scortex et quel est votre rôle aujourd’hui ?

J’ai rejoint Scortex en avril 2017 pour travailler sur des sujets de machine learning appliqués à l’image, notamment la segmentation sémantique de pièces industrielles.

J’ai ensuite évolué vers la mise en production des modèles de machine learning, puis vers des fonctions de direction technique. Depuis 2024, j’occupe le poste de directeur général.

2. À quoi ressemble une journée type pour vous, et quelles sont vos missions clés ?

Une journée réussie est une journée où j’ai pu échanger à la fois avec des clients et avec les équipes Scortex.

Mes missions consistent principalement à porter la vision produit et technique, et à m’assurer de sa mise en œuvre avec les équipes. Cela implique d’aligner les priorités et de rester connecté aux enjeux du terrain.

3. Après ces neuf années chez Scortex, qu’est-ce qui a permis à l’entreprise de devenir un pionnier de l’IA appliquée au contrôle qualité ?

Plusieurs éléments ont joué un rôle.

D’abord, le fait d’aborder le sujet par la qualité, et non uniquement par la technologie. Cela a orienté les développements vers des problématiques concrètes : critères d’acceptation des défauts, variabilité des pièces, contraintes de production.

Ensuite, l’intégration dès le départ, d’une dimension matérielle, et non uniquement logicielle. Notre solution, Spark, a été pensée comme un système complet, incluant IA, vision industrielle, logiciel, analyse des données, le tout au service du contrôle qualité.

Enfin, le choix d’aller chercher la donnée directement sur les lignes de production, au plus près des conditions réelles d’utilisation. Cela a permis de concevoir des modèles adaptés à des situations industrielles concrètes, avec leurs contraintes de cadence, de variabilité et de robustesse.

Ces trois éléments combinés ont structuré une approche cohérente de Spark, notre solution de contrôle qualité avec IA, alignée avec les réalités du terrain.

4. Un fait marquant, une expérience unique à partager ?

En 2021, nous avons automatisé la détection de casses sur des pièces embouties en mouvement, pour un constructeur automobile français majeur.

Le contexte était exigeant, avec des cadences élevées et des contraintes de fiabilité importantes. Ce type de projet a marqué une étape dans notre capacité à déployer des solutions en conditions industrielles.

5. Sur quoi votre expertise a-t-elle fait la différence au fil des années ?

Rendre le machine learning compréhensible dans un contexte de qualité industrielle a été un point clé.

Concrètement, nous avons rapproché nos indicateurs de performance machine learning, comme l’area under the curve, des outils utilisés en usine, notamment le gage R&R (repeatability and reproducibility). Ceci a permis aux responsables qualité, utilisateurs de Spark, d’évaluer le système avec leurs propres référentiels et de l’intégrer plus facilement dans leurs processus. 

6. De quoi êtes-vous le plus fier dans ce que vous avez construit collectivement ?

De voir Spark utilisé en routine chez nos clients et de déployer de plus en plus de nos systèmes de contrôle qualité dans les petites et grandes usines. 

Cela signifie que la solution s’intègre dans des processus industriels existants et qu’elle contribue à leur fonctionnement.

7. En regardant vers l’avenir, comment voyez-vous évoluer l’IA appliquée au contrôle qualité ?

La vision s’articule en trois étapes.

• La première est le tri des pièces sur la ligne.

• La deuxième consiste à générer des informations pour améliorer la production.

• La troisième vise à interconnecter les systèmes pour créer une boucle complète.

Aujourd’hui, l’IA est utilisée sur le premier point, et les outils récents permettent d’avancer sur le second.

L’un des enjeux reste l’accès à l’information. Les systèmes reposent encore principalement sur l’image, mais pourront à l’avenir intégrer d’autres sources, comme les retours clients ou les données des équipes qualité.

Je suis convaincu qu’à l’avenir, l’IA ne se limitera pas à détecter les défauts. Elle deviendra un outil d’aide à la décision capable de relier les données qualité, production et terrain pour accélérer l’amélioration continue. C’est dans cette convergence entre inspection, analyse et pilotage que je vois l’avenir du contrôle qualité.