La vision par ordinateur (computer vision) est le domaine de l'intelligence artificielle qui permet aux machines d'extraire des informations significatives à partir d'images, de vidéos et d'autres données visuelles. Là où le NLP traite le langage écrit et parlé, la vision par ordinateur traite les pixels. L'objectif est de reproduire (et souvent de dépasser) la capacité humaine à interpréter le contenu visuel : identifier des objets, lire du texte, mesurer des distances, détecter des anomalies, et comprendre des scènes complexes.
Le domaine a connu une accélération spectaculaire avec l'arrivée des réseaux de neurones convolutionnels (CNN) puis des Vision Transformers (ViT). Les modèles de vision modernes atteignent des performances surhumaines sur de nombreuses tâches : classification d'images, détection d'objets, segmentation sémantique, et reconnaissance optique de caractères (OCR). L'intégration de la vision dans les LLM multimodaux (GPT, Gemini, Claude) a rendu ces capacités accessibles à tous via une simple interface conversationnelle.
La classification d'images consiste à attribuer une ou plusieurs catégories à une image. Un système de classification peut identifier si une photo montre un défaut de fabrication sur une pièce industrielle, si une radiologie présente une anomalie, ou si un document est une facture, un bon de commande ou un contrat. C'est la tâche de vision la plus simple et la plus largement déployée en entreprise.
La détection d'objets va plus loin : elle identifie et localise chaque objet dans une image avec une boîte englobante. Applications : comptage de produits en rayon, détection de véhicules sur une caméra de surveillance, identification des composants sur un circuit imprimé pour le contrôle qualité.
L'OCR (Optical Character Recognition) extrait le texte contenu dans des images : documents scannés, photos de factures, captures d'écran, panneaux de signalisation. Combiné avec un LLM, l'OCR permet d'analyser, de résumer et d'agir sur le contenu de n'importe quel document visuel. C'est la brique technologique derrière l'automatisation du traitement de factures, l'extraction de données de formulaires et la numérisation d'archives.
La segmentation sémantique identifie la catégorie de chaque pixel dans une image. Applications : imagerie médicale (délimiter une tumeur), conduite autonome (distinguer la route, les piétons, les véhicules), agriculture de précision (identifier les zones de stress végétal dans un champ).
L'intégration de la vision dans les LLM a démocratisé l'accès à la vision par ordinateur. Avec GPT, Claude ou Gemini, n'importe quel professionnel peut uploader une image et poser des questions en langage naturel : "Quelles sont les clauses importantes dans ce contrat scanné ?", "Décris les défauts visibles sur cette photo de produit", "Extrais les données de ce tableau photographié". Aucune compétence technique n'est requise.
Cette convergence LLM + vision ouvre des cas d'usage qui étaient auparavant réservés aux entreprises avec des équipes de data scientists. Un inspecteur qualité peut photographier une pièce et obtenir un diagnostic instantané. Un comptable peut photographier une pile de factures et obtenir un tableau structuré en quelques secondes. Un agent immobilier peut envoyer des photos d'un bien et obtenir une description détaillée pour l'annonce.
Le contrôle qualité industriel est l'un des déploiements les plus matures : des caméras sur la chaîne de production analysent chaque pièce en temps réel et détectent les défauts avec une précision supérieure à l'oeil humain. L'automatisation documentaire utilise l'OCR et la classification pour traiter automatiquement les factures, les bulletins de paie, les contrats et les formulaires reçus par l'entreprise.
La sécurité et la surveillance utilisent la détection d'objets et la reconnaissance de comportements pour identifier des situations anormales. Le retail utilise la vision pour analyser le comportement client en magasin, optimiser le placement des produits et automatiser l'inventaire. Et la santé utilise la classification d'images pour l'aide au diagnostic radiologique, dermatologique et pathologique.
La vision par ordinateur n'est pas infaillible. Les modèles restent sensibles aux conditions de prise de vue (éclairage, angle, résolution), aux cas rares absents des données d'entraînement, et aux attaques adversariales (perturbations invisibles qui font basculer la classification). Dans des contextes critiques (santé, sécurité), la supervision humaine reste indispensable.
Les enjeux réglementaires sont importants. L'AI Act européen classe la reconnaissance biométrique à distance dans les espaces publics comme système à risque inacceptable ou haut risque selon les cas, avec des obligations strictes. Les déploiements de vision en entreprise doivent évaluer en amont les risques RGPD (données personnelles visibles, reconnaissance faciale involontaire) et définir les finalités, durées de conservation et mesures de sécurité adaptées.
Les capacités de vision des modèles multimodaux sont abordées dans nos formations Fondamentaux IA et approfondies dans les formations Création visuelle. Catalogue Almera, certifié Qualiopi, finançable OPCO.
La vision par ordinateur ouvre des cas d'usage IA puissants dans l'industrie, la finance, le retail et la santé. Pour aller plus loin, consultez notre guide sur l'IA par métier et notre guide sur les agents IA en entreprise. Almera accompagne les grands comptes (Eli Lilly, Havas, Carrefour, Orange, Eiffage) sur la transformation IA en entreprise, du diagnostic au déploiement d'agents IA métiers. Réservez un diagnostic IA gratuit de 30 minutes.
