Pilotage technico-fonctionnel d’une solution de comptage de passagers par IA : intégration TensorFlow, API, sites pilotes et préparation à l’exploitation routière.
Référence de mission
Cyclope.ai / VINCI Autoroutes
Paris · Expérimentations terrain
IA routière, covoiturage et intégration exploitation
Mon rôle et le périmètre
Position
Chef de projet technico-fonctionnel IA
Période
Novembre 2019 – Juillet 2020
Périmètre
Comptage automatisé de passagers sur infrastructures routières critiques
2019–2020
période d’intervention
De novembre 2019 à juillet 2020.
2
contextes d’exploitation
Réseau autoroutier et périphérique parisien.
TensorFlow
expérimentations IA
Modèles de vision par ordinateur confrontés à des sites pilotes.
Ma responsabilité
Je faisais le lien entre les équipes IA, les partenaires techniques et l’exploitation. Mon périmètre couvrait les interfaces, les spécifications, les expérimentations sur sites pilotes, les scénarios de validation et la préparation à l’exploitation d’une solution de vision par ordinateur en temps réel.
Mes interlocuteurs
Équipes IA et produit
Partenaires techniques
Exploitation routière
Supervision et maintenance
Géographie de la mission
Implantation et périmètre
Paris
Coordination produit, IA et partenaires techniques.
Organisation
Ma place dans la mission
Interlocuteurs de décisionProduit, partenaires techniques et exploitation routière
Objectifs et arbitrages
Aurèle SoyezChef de projet technico-fonctionnel IAPilotage technico-fonctionnel
Coordination des travaux
Équipes IA et produit
Modèles, besoins fonctionnels et validation des expérimentations.
Exploitation et partenaires
Interfaces, terrain, supervision et maintenance.
Schéma des liaisons fonctionnelles et du pilotage de la mission.
Portefeuille de la mission
Projets et chantiers
Chaque projet précise le besoin, ma responsabilité, les travaux pilotés et les livrables.
Comptage automatisé de passagers
Transformer la vision par ordinateur en un dispositif exploitable pour le contexte routier.
TensorFlowComputer VisionTemps réel
Tâches et livrables : Comptage automatisé de passagers
Ma responsabilité
Je coordonnais les exigences fonctionnelles, les interfaces et les expérimentations sur sites pilotes.
Travaux pilotés
Cadrer les besoins entre produit, IA et exploitation.
Suivre les expérimentations TensorFlow et les scénarios de validation.
Prendre en compte supervision, maintenance et contraintes temps réel.
Livrables
Spécifications et scénarios de validation
Préparation à l’exploitation et suivi des expérimentations
API et reconnaissance dans la chaîne routière
Relier les briques IA et de reconnaissance aux outils qui consomment leurs informations.
APIReconnaissanceSupervision
Tâches et livrables : API et reconnaissance dans la chaîne routière
Ma responsabilité
Je cadrais les interfaces et coordonnais les besoins entre les équipes techniques et l’exploitation.
Travaux pilotés
Préciser les échanges de données et les dépendances.
Formaliser les exigences et coordonner les validations.
Suivre les écarts entre résultats techniques et usages terrain.
Livrables
Cadrage des interfaces et spécifications
Suivi des validations d’intégration
Dispositifs de covoiturage et totems
Articuler les informations de détection et les dispositifs destinés aux usages routiers.
CovoiturageAPITerrain
Tâches et livrables : Dispositifs de covoiturage et totems
Ma responsabilité
Je coordonnais le périmètre produit, les partenaires et les conditions de validation terrain.
Travaux pilotés
Traduire les usages en exigences fonctionnelles.
Coordonner les interfaces et les dépendances du dispositif.
Préparer la recette et la prise en compte des contraintes d’exploitation.
Livrables
Exigences fonctionnelles et coordination des interfaces
Scénarios de recette terrain
Contexte
Cyclope.ai / Vinci Autoroutes
Chez Cyclope.ai / Vinci Autoroutes, la mission portait sur une solution de vision par ordinateur destinée au comptage automatisé de passagers. Le contexte associait le réseau autoroutier et le périphérique parisien, avec des expérimentations sur sites pilotes.
Le système ne se réduisait pas au modèle IA : il fallait relier les briques TensorFlow, les API, les outils d’exploitation et la supervision, puis définir comment le dispositif serait validé, maintenu et utilisé dans un contexte temps réel.
Enjeu
Le besoin et les contraintes
Le besoin était de transformer une capacité de détection en un dispositif exploitable sur une infrastructure critique. La valeur du modèle dépendait aussi de son intégration, de la disponibilité des informations pour l’exploitation et des conditions de validation sur le terrain.
La difficulté se situait à l’interface des équipes : rendre les contraintes IA compréhensibles pour l’exploitation, traduire les attentes terrain en spécifications et en scénarios de tests, et organiser une trajectoire réaliste entre expérimentation et préparation au déploiement.
Rôle
Mon intervention
Cadrer les interfaces du dispositif
Préciser les échanges entre les briques IA, les API, les outils d’exploitation et la supervision ; formaliser les attentes fonctionnelles et les dépendances techniques.
Coordonner les expérimentations IA
Planifier les travaux TensorFlow sur sites pilotes, coordonner les équipes IA et les partenaires et suivre les besoins de validation des performances.
Construire la validation terrain
Définir les scénarios de validation avec l’exploitation, organiser les échanges sur les résultats et les écarts, puis traduire les constats en actions.
Préparer la maintenance et l’exploitation
Prendre en compte la supervision, les conditions de maintenance et les usages temps réel dans les spécifications et la préparation opérationnelle.
Livrables
Ce que j’ai structuré et produit
Spécifications fonctionnelles et cadrage des interfaces IA / API / exploitation
Organisation et suivi des expérimentations sur sites pilotes
Scénarios de validation des performances et des usages terrain
Coordination des équipes IA, exploitation et partenaires techniques
Préparation des conditions de supervision, maintenance et exploitation
Impact
Résultat et environnement
La contribution a porté sur l’intégration et l’exploitabilité du dispositif : relier le produit IA aux systèmes et aux équipes qui doivent l’utiliser, le tester et le maintenir. Mon rôle était le pilotage technico-fonctionnel, avec une attention continue aux contraintes du terrain.
La mission a associé les expérimentations TensorFlow sur sites pilotes à la définition des interfaces, des scénarios de validation et des conditions de supervision, de maintenance et d’exploitation.
Environnement
Computer VisionTensorFlowAPISupervisionSites pilotesTemps réelExploitation et maintenance