La classification de nuages de points est l’une des tâches les plus coûteuses et les plus lentes de tout projet LiDAR. Chaque année, ce que l’IA peut automatiser s’améliore — mais la confusion grandit aussi quant à savoir où le modèle s’arrête et où commence le jugement humain.
Ce que l’IA fait bien aujourd’hui
Pour les classes majoritaires — sol, végétation, bâti — les modèles actuels atteignent des précisions très élevées de manière constante. Dans les projets d’inspection de lignes électriques, la séparation entre végétation, pylônes et conducteurs est désormais un problème largement résolu à l’échelle de millions de points par minute, même sur des corridors de dizaines de kilomètres avec des changements notables de végétation et de topographie.
Ce n’est pas un hasard : ces classes présentent des motifs géométriques très cohérents (planéité du sol, verticalité des structures, dispersion de la végétation) que les modèles actuels capturent bien à partir de milliers de projets d’entraînement antérieurs. Le résultat pratique est qu’un pourcentage très élevé du corridor ne nécessite aucun œil humain.
Où elle échoue encore
Les difficultés apparaissent aux marges : classes minoritaires, objets ambigus et zones à faible densité de points. Un modèle entraîné pour un type de terrain donné est moins performant sur un autre, et les faux positifs sur des classes critiques (par exemple, du bruit confondu avec un câble) ont un coût disproportionné, car un seul point mal classé sur un conducteur peut déclencher une fausse alerte de végétation empiétant sur la servitude.
Un autre angle mort courant concerne les transitions : la bordure entre un toit et la végétation qui le frôle, ou le point de départ d’un poteau depuis le sol. Là, la géométrie est ambiguë même pour un œil humain entraîné, donc exiger du modèle une frontière parfaite revient à lui demander quelque chose que la donnée elle-même ne permet pas de résoudre avec certitude.
L’IA ne remplace pas l’opérateur. Elle réorganise son travail : de l’étiquetage massif à la révision du douteux.
L’opérateur humain ne disparaît pas
La valeur de l’expert se déplace vers le contrôle qualité : valider ce que le modèle signale avec une faible confiance, corriger les erreurs systématiques et signer le livrable. C’est pourquoi l’édition des erreurs doit être intégrée dans le même environnement que la classification — pas dans un outil séparé qui oblige à exporter, corriger et réimporter, perdant contexte et temps à chaque aller-retour.
C'est exactement ce que Neobora intègre dans un environnement unique : la classification par IA dans le cloud et l'édition des erreurs coexistent dans le même outil, avec des contrôles à haute productivité pensés pour le contrôle qualité. L'opérateur valide, corrige et signe sans quitter la plateforme ni exporter la donnée vers un logiciel à part.
En pratique, cela change le profil du poste : moins d’heures d’étiquetage répétitif et plus d’heures de jugement technique appliqué aux cas qui en ont vraiment besoin. Les équipes qui réussissent bien cette transition ne réduisent pas leurs effectifs, elles les redéploient vers le contrôle qualité, la gestion des exceptions et la relation avec le client final.
Un flux réaliste
Chez Neobora, le flux est : classification automatique dans le cloud → révision assistée des zones à faible confiance → édition ciblée → publication en géoportail. L’opérateur ne touche que le pourcentage de données qui en a vraiment besoin, et le reste s’écoule sans friction.
Les métriques qui comptent vraiment
La précision globale d’un modèle est la métrique la plus mise en avant dans les démos et celle qui en dit le moins sur le quotidien d’un projet. Deux indicateurs sont plus utiles pour décider : le pourcentage du corridor marqué « à réviser » après la classification automatique, et le temps moyen de correction par kilomètre une fois arrivé entre les mains de l’opérateur.
Un modèle qui réduit la zone de révision à 3-5 % du total, avec une édition agile sur ce pourcentage, produit de meilleurs délais de livraison qu’un modèle avec une précision globale légèrement supérieure mais qui exige de réviser 20 % du corridor de façon dispersée et imprévisible.
Comment évaluer un fournisseur
Avant de s’engager avec une plateforme de classification, il est judicieux de demander trois choses concrètes : un test sur ses propres données (pas sur le jeu de démonstration du fournisseur), une visibilité sur le pourcentage de données marquées comme douteuses, et un accès pour corriger ces cas dans le même environnement sans dépendre d’un ticket de support.
Si un fournisseur ne peut pas montrer ces trois choses avec des données réelles du client, le chiffre de précision présenté dans sa proposition commerciale vaut peu : il est mesuré dans des conditions qui coïncident rarement avec le terrain, la densité de vol ou le type d’infrastructure du projet concret.
Chez Neobora, nous partons précisément de ces trois exigences : test sur des données réelles du client, visibilité du pourcentage de données marquées comme douteuses et correction au sein du même environnement, sans tickets ni outils externes. Nous préférons être évalués avec le terrain du projet sous les yeux, et non avec un jeu de données de démonstration.
Conclusion
Attendre de l’IA une automatisation totale est la recette de la déception. Attendre d’elle une multiplication de la productivité de l’équipe — avec l’humain dans la boucle là où c’est important, en mesurant ce qui prédit vraiment le délai de livraison — est réaliste dès aujourd’hui. C’est le pari de Neobora.
