FICHE · CAS DOCUMENTÉ
Thales — Contrôler la qualité d’un référentiel de 5 millions de composants
La plateforme DATX combine statistiques, clustering et classification pour repérer valeurs aberrantes, données manquantes, documents non conformes et mauvais appariements.
Cas publiquement documenté, avec entreprise identifiable et source.
L’ESSENTIEL
Le cas en bref
- Le problème
- Un référentiel de plus de 5 millions de composants, utilisé de la conception à la maintenance, doit rester fiable alors que de nouveaux articles arrivent en continu.
- La réponse
- La plateforme DATX combine statistiques, clustering et classification pour repérer valeurs aberrantes, données manquantes, documents non conformes et mauvais appariements.
- Le type de solution
- Chaîne automatisée : l’humain garde la décision.
- Le résultat clé
- Sur environ deux millions de documents, les fiches non conformes au RGPD ont été détectées et exclues de la production en moins de 3 jours.
Le mécanisme / workflow
- ModèleDétecter les valeurs aberrantes
Méthodes statistiques (IQR) et clustering (DBSCAN).
- SystèmeMesurer la complétude
- ModèleClasser les documents et les appariements
Règles et régression logistique ; classifieur binaire d’appariement.
- HumainValider et corrigerValidation humaine
Données et entrées
- 5 millions d’articles et leurs caractéristiques
- Environ deux millions de fiches techniques PDF
- Correspondances numéro de pièce – fiche technique
Outils et systèmes cités par la source
- IQR (écart interquartile)
- DBSCAN
- Régression logistique
- IA générative (expérimentations)
Impact observé ou attendu
Résultats rapportés par la source
- RAPPORTÉSur environ deux millions de documents, les fiches non conformes au RGPD ont été détectées et exclues de la production en moins de 3 jours.
- RAPPORTÉLe classifieur d’appariement entre numéro de pièce et fiche technique, entraîné sur 8 500 paires, atteint une précision de plus de 77 %.
- RAPPORTÉLes valeurs aberrantes détectées sont validées par des experts métier avant correction.
Valeur attendue dans la fiche
- QualitéFiabiliser les données fournies aux équipes du groupe.
- RisqueExclure les documents non conformes au RGPD.
- ProductivitéPrioriser le travail des contrôleurs.
Type d’impact envisagé
- qualité des données
- conformité
- charge de contrôle manuel
Pour se lancer · estimation Acolyte
Ce qu’il faut réunir
- Données : 5 millions d’articles et leurs caractéristiques
- Données : Environ deux millions de fiches techniques PDF
- Données : Correspondances numéro de pièce – fiche technique
Délai : estimation d’après la complexité (aucune durée citée par la fiche). Grille estimée par Acolyte à partir de la fiche ; elle se vérifie avec vos données et vos équipes. Le Diagnostic Data & IA ↗
Et dans une PME ? · estimation Acolyte
Une PME industrielle peut contrôler la qualité de son référentiel articles avec des contrôles automatiques simples avant tout modèle.
- Mesurer le taux de champs vides et les doublons dans le référentiel articles
- Repérer les valeurs aberrantes (poids, dimensions, prix) par des règles statistiques
- Faire corriger les anomalies par le service méthodes, par lots
Accessible avec un outil de préparation de données ; le clustering et la classification viennent ensuite. Transposition proposée par Acolyte, pas un résultat de la source.
ANALYSE
Ce qu’il faut en retenir
- La qualité des données se traite par angles complémentaires : crédibilité, complétude, conformité, cohérence.
- Des méthodes statistiques simples (IQR, DBSCAN) suffisent à faire remonter les anomalies ; l’expert reste celui qui valide.
Limites et risques
- Faux positifs qui surchargent les experts
- Précision d’appariement encore limitée (77 %)
- Le chatbot de validation, l’extraction des caractéristiques par IA générative (prévue d’ici fin 2025) et le score de criticité REACH/RoHS sont présentés comme des expérimentations, pas comme des résultats.
- La source ne chiffre ni le nombre d’anomalies corrigées ni le temps gagné par les contrôleurs.
Cadre réglementaire · lecture indicative
Risque minimal
Usage sans obligation spécifique au titre de l’AI Act, en dehors de la maîtrise de l’IA par les équipes. Le RGPD s’applique dès que des données personnelles sont traitées.
Lecture indicative d’Acolyte, pas un avis juridique. Comprendre les niveaux de risque →
Résultats et sources
Preuve et source
Direction générale des EntreprisesOuvrir la source ↗Résultat rapporté par la source.PROVENANCE
Source publique
https://www.entreprises.gouv.fr/la-dge/actualites/ami-ai-efficiency-les-laureats-en-detailCONFIANCE
ÉlevéeET CHEZ VOUS ?
Ce que HOCUS ferait ici
Un cas publié ne se recopie pas : il se transpose à vos données, vos équipes et vos contraintes.
Vérifier que ce cas a du sens chez vous, avec quelles données, et ce qu’il rapporterait.
Découvrir ↗2 · WORKSWorksUn problème spécifique devient un système construit sur mesure, du diagnostic au pilotage.
Voir ↗3 · EN PARLERÉcrire à HOCUSUne question sur ce cas ou sur votre situation.
hello@hocus.works ↗