Chez Scortex depuis 2019, Yann Chéné est un chercheur attaché à résoudre des problèmatiques du terrain. Docteur en traitement d’images, devenu ingénieur en machine learning, il explore chaque jour ce point d’équilibre exigeant entre avancée scientifique et réalité industrielle.

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

Je suis docteur en traitement d’images. J’ai rejoint Scortex en 2019, en tant qu’ingénieur vision et traitement d’images.

Aujourd’hui, j’occupe un poste d’ingénieur en machine learning. Mon rôle a évolué avec celui de la technologie elle-même : je travaille désormais principalement sur les modèles d’apprentissage et leur amélioration continue.

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

Mon travail s’articule autour de quatre axes principaux.

D’abord, la construction de jeux de données à partir de cas clients réels. Ce sont des données bien plus complexes que celles disponibles dans la recherche académique, car elles reflètent des situations industrielles concrètes.

Ensuite, une veille scientifique constante : analyser les publications, identifier des pistes pertinentes, évaluer ce qui peut être appliqué à notre contexte.

Puis vient la phase d’expérimentation. Je mets en œuvre ces approches, je lance des campagnes de tests et j’analyse les résultats.

Enfin, il y a l’intégration : transformer ces avancées en fonctionnalités concrètes dans Spark, en collaboration étroite avec les équipes software.

L’enjeu est double : rester à la pointe de l’innovation tout en s’assurant que chaque avancée répond à un besoin réel du client.

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

Dès l’origine, les fondateurs ont fait un choix structurant : intégrer le deep learning dans le contrôle qualité visuel.

Avant cela, les systèmes reposaient sur des chaînes d’algorithmes successifs. Chaque cas d’usage nécessitait une combinaison spécifique de traitements : segmentation, détection, classification… une approche fragmentée, difficile à généraliser.

Chez Scortex, nous avons adopté une approche différente : des modèles capables d’intégrer l’ensemble de ces étapes et de produire directement une probabilité de défaut.

Nous avons ensuite poursuivi cette trajectoire en intégrant la détection d’anomalies, dès 2021. 

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

La transition de mon métier.

Au départ, je concevais des systèmes de vision complets, parfois très complexes, intégrant jusqu’à une quinzaine de caméras, avec des problématiques d’éclairage, de prétraitement et de post-traitement.

Depuis 2021, je me consacre entièrement au machine learning. C’est un basculement vers davantage de recherche et d’expérimentation. Une autre manière d’aborder les problèmes, plus abstraite, mais toujours ancrée dans le réel.

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

L’industrie pose des problèmes concrets, mais nécessite des solutions robustes, exploitables, maintenables.

C’est dans cette interface que mon expertise s’exprime : transformer des avancées théoriques en solutions opérationnelles.

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

De cette compréhension fine des contraintes industrielles.

Cette proximité entre nos équipes, les industriels et la recherche nous permet de développer des solutions alignées avec les véritables enjeux de production : exigences qualité, variabilité des produits, cadence et contraintes opérationnelles. 

Chez Scortex, nous avons appris à intégrer cette complexité. Faire évoluer Spark, notre solution de contrôle qualité automatisé avec IA, dans ce sens, pour répondre à des problématiques industrielles concrètes, est particulièrement gratifiant.

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

L’avenir réside dans l’intégration de la connaissance métier.

Les services qualité disposent d’une richesse considérable : historiques de défauts, critères d’acceptation, retours d’expérience. Cette connaissance est encore peu exploitée par les systèmes.

Demain, l’enjeu sera de permettre aux machines d’intégrer ces informations, de les structurer, et de les utiliser pour améliorer la pertinence des décisions.

Cela impliquera aussi de donner davantage de contrôle aux utilisateurs : leur permettre d’ajuster, d’enrichir, de faire évoluer ces connaissances au fil du temps.

C’est dans cette interaction continue entre l’humain et la machine que se jouera la prochaine étape du contrôle qualité automatisé.