Cette poignée identifie ce que vous achetez

Les magasins Amazon Go, dont le premier a été présenté il y a deux ans, ne seront bientôt plus les seuls où le passage en caisse est supprimé. Testée dans un magasin bio au centre de Paris, la poignée porte-sac élaborée par la start-up française Mo-ka vise le même objectif : les produits déposés par le client au fond de son panier sont automatiquement identifiés par la caméra en surplomb, adossée à des algorithmes de vision par ordinateur et d’apprentissage approfondi (deep learning). Le paiement est ensuite accompli au travers d’une application mobile, qui contient les informations de la carte bancaire.

« L’idée est de pouvoir faire ses courses simplement et rapidement, surtout quand il s’agit de petits paniers, explique Mehdi Afraite-Seugnet, le fondateur et pdg de Mo-ka. L’essor de la vision par ordinateur et de l’apprentissage automatique est une opportunité pour y répondre. En 2013, quand j’ai commencé à réfléchir sur le sujet, ces technologies n’étaient pas encore assez développées ». Cet autodidacte en programmation s’entoure en 2015 de doctorants et de chercheurs en intelligence artificielle. Tous planchent sur une solution. Mais il n’était plus question d’opter pour des caméras placées au niveau de la caisse, dispositif déjà breveté. « Il a donc fallu innover, avec quelque chose qui soit malgré tout usuel ».

L’équipe conçoit alors et brevète une poignée, munie de capteurs et de caméras, qui se fixe à un sac au format adapté. « Deux caméras grand angle de 8 millions de pixels chacune sont incorporées, précise Mehdi Afraite-Seugnet. Si jamais la vision de l’une est obstruée, l’autre prend le relais. S’ajoute un capteur de mesure de poids (load cell strain gauge). Enfin, la poignée est localisée grâce à des balises Bluetooth (beacons), au nombre d’une dizaine pour couvrir une surface de 600 m2. De cette façon, les recherches de références dans la base de données sont restreintes aux rayons à proximité. Les images sont transmises en Wifi puis analysées par l’intelligence artificielle, qui fonctionne dans un serveur sur place ou dans le cloud. L’implémentation dans la caméra, pour y effectuer un prétraitement, est envisagée. Avec un serveur sur place, la reconnaissance d’image est réalisée en moins d’un quart de seconde ». La batterie de la poignée, d’une capacité de 4000 mAh, assure une autonomie de 8 heures et se recharge sur un présentoir à l’entrée du magasin.

Ces algorithmes s’appuient sur de la documentation existante, concernant des réseaux de neurones à convolution. « Faster R-CNN est une base qui nous a permis de lancer nos expérimentations puis d’affiner nos algorithmes, par exemple d’ajouter des filtres en fonction de l’éclairage du magasin » détaille Mehdi Afraite-Seugnet. Avant d’être déployés de manière opérationnelle, les algorithmes en question requièrent un entraînement, qui consiste à leur apprendre à identifier toutes les références vendues par le magasin.

Services analytiques en vue

« Notre solution est vouée à prendre en charge 20 000 références, poursuit Mehdi Afraite-Seugnet. Mais pour l’expérimentation organisée ces prochains mois, nous ciblons des supérettes et des petits supermarchés. Le profil-type est un point de vente de 800 m2, comptant 5 000 références et situé dans le centre d’une grande métropole, où la population est plus encline à utiliser ce genre de technologie ». La discussion avec les enseignes est en cours et des partenariats sont attendus. Le système coûte moins de 300 € par poignée, quelque 150 € pour les balises, avec en supplément le serveur ou la facturation mensuelle, si l’option cloud est choisie. Quoi qu’il en soit, Mo-ka ne réalise guère de marges sur l’équipement et compte vendre du service aux enseignes. « Nous proposerons une option d’inventaire en temps réel et de l’analytique, commente Mehdi Afraite-Seugnet, avec peut-être des heatmaps (fréquentation des rayons, ndlr) en liaison avec le logiciel de gestion de relation client ».