LumenAi

Jeune pousse spécialisée dans l’intelligence artificielle, le machine learning et la data science, LumenAi a rejoint Valorial en 2017. Rencontre avec Camille Saumard, Senior data scientist.

Quel est votre coeur de métier et les marchés que vous visez ?

LumenAi est une Jeune Entreprise Innovante qui exerce dans le domaine de l’Intelligence Artificielle, du Machine Learning et de la Data Science. Elle crée des algorithmes de pointe offrant notamment des caractéristiques temps réel, permettant par exemple l’adaptation des modèles de prédiction en présence de flux continus de données. LumenAi est une jeune pousse issue du monde de la recherche scientifique et spécialiste de l’aide à la décision en temps réel.

Quelle est votre actualité ?

Nous sommes en train de travailler notamment sur une approche innovante pour la traçabilité des ingrédients. En effet, nous travaillons actuellement pour une start-up qui met en place une technologie révolutionnaire pour la traçabilité des produits. Cette approche est innovante de part la technologie utilisée et l’utilisation d’algorithmes de Machine Learning d’autre part permettant de tracer l’origine des produits (farine, vin, etc) et ainsi d’être en capacité de détecter des fraudes.

Par exemple la meilleure farine italienne provient du blé du Sud de l’Italie et une pratique fréquente est de faire pousser le blé au nord de l’Italie et de le transporter au sud avant de le vendre au nord. L’entreprise Barilla est très vigilante à cette pratique frauduleuse. Un autre exemple de fraude porte sur la vente de vins et une fraude courante est de faire passer du vin de provenance étrangère sous de fausses appellations de grands crus de bordeaux.

Pour quelles raisons avez-vous choisi de rejoindre Valorial ?

Pour plusieurs raisons :

• D’une part, le secteur agroalimentaire est en pleine expansion et sa transition vers le “numérique” ne fait que débuter. Même si les enjeux sont connus et posés, la plupart des entreprises de ce secteur restent observatrices et tergiversent à investir ne percevant pas le retour sur investissement à plus ou moins long terme.
• D’autre part, les projets collaboratifs : les besoins existent mais ne sont pas forcément identifiés par les acteurs du secteur agroalimentaire. D’où la nécessité d’échanger et de collaborer afin de cibler les besoins et construire une solution qui lui est adaptée.
• Enfin, d’essayer d’apporter une vision simple et didactique du traitement statistique des données, dit du Machine Learning, dans l’écosystème agroalimentaire et qu’elle puisse être appréhendée comme une aide à la décision dans un but d’amélioration des processus et non comme un substitut des processus.

Quelle est votre vision de l’innovation dans les IAA et quelle place lui accordez-vous au sein de votre entreprise ?

L’innovation dans les IAA peut prendre différentes formes selon les différents coeurs de métier de la chaîne agroalimentaire.

En amont, avec les agriculteurs pour optimiser le rendement de leurs procédés agricoles par exemple ou prédire selon les conditions extérieures (météo etc, leur production a venir).
Au début de la chaîne de production, pour contrôler de la qualité des produits par exemple : des technologies qui, alliées aux algorithmes de ML, peuvent automatiser la traçabilité des produits et détecter des fraudes.

Sur la chaîne de production, cela peut se traduire par de la maintenance prévisionnelle des machines. Autrement dit, il s’agit, à un instant t, d’être capable de donner le niveau de dégradation du système avant même sa dégradation réelle. Les enjeux terrain d’un tel système sont multiples : ils permettent de suivre l’état du système en temps réel, de programmer des opérations de maintenance, d’anticiper des pannes, et ainsi de diminuer à termes des coûts importants souvent liés à l’urgence de la situation.Ce ne sont que quelques exemples, mais on pressent bien que les perspectives sont immenses.

Enfin, L’innovation est une composante même de notre entreprise. Nous avons un laboratoire de recherche et nous collaborons avec le milieu académique afin de conserver une dynamique nous permettant d’une part d’être à l’état de l’art avec la recherche en Machine Learning et d’autre part de créer de nouveaux algorithmes.