Retours d'équipement sportif,
vérifiés par IA en quelques secondes.
Transparence : Equip Sport est l'employeur de nos fondateurs. Ce système a été construit par nous de bout en bout, et les chiffres ci-dessous viennent de ses dashboards de production.
Chaque photo, à la main, tous les jours.
Equip exploite 500+ stations intelligentes d'équipement sportif en Europe et en Amérique du Nord. Les joueurs déverrouillent une station avec leur téléphone, prennent ce qu'il leur faut pour une partie, puis le rendent de la même façon.
Chaque retour se termine par une photo du casier. Jusqu'à l'an dernier, quelqu'un de l'équipe ops ouvrait ces photos à la fin de chaque journée, station par station, en remontant depuis le retour le plus récent pour repérer un manque éventuel.
Quand quelque chose manquait (un ballon de basket, une raquette, un volleyball), l'équipe remontait le journal de réservation pour retrouver le dernier joueur l'ayant emprunté sans le rendre.
Ça marchait. Ça ne passait pas à l'échelle. Avec la croissance du nombre de stations et des volumes de retour, le backlog suivait ; le délai de traitement d'un objet manquant passait du jour même à plusieurs jours, et le temps ops sur la file de revue ne cessait d'augmenter.
Un pipeline en deux étapes qui se vérifie lui-même.
Chaque photo de retour passe par un petit pipeline IA avant d'atteindre un humain. L'écrasante majorité est décidée automatiquement ; seuls les cas réellement ambigus atterrissent dans une file de revue.
Le pipeline se déroule en quatre étapes. D'abord, une photo de retour est capturée par la station. Ensuite, un modèle de détection d'objets repère la station et chaque casier individuel, en traçant des boîtes englobantes. Puis, un LLM vision compare chaque casier découpé à l'image de référence de maintenance la plus récente pour décider si l'équipement est présent ou manquant, avec un score de confiance. Enfin, les résultats « tout présent » à forte confiance auto-approuvent le retour ; les cas ambigus sont routés vers une courte file de revue humaine.
Détecter. Un modèle de détection d'objets repère la station et chaque casier individuel sur la photo de retour, traçant une boîte englobante serrée autour de chaque compartiment.
Vérifier. Chaque casier découpé est envoyé à un LLM vision avec la référence de maintenance la plus récente, une image « tout équipement présent » connue comme bonne, capturée lors du dernier service. Le modèle décide présent ou manquant pour chaque emplacement et renvoie un score de confiance.
Décider. Quand chaque casier revient présent avec une confiance élevée, le retour est auto-approuvé et la station reste opérationnelle. Tout cas ambigu (décision peu confiante, casier que le détecteur n'a pas bien vu, référence inconnue) atterrit dans une file de revue humaine désormais beaucoup plus courte qu'avant.
La référence de maintenance est rafraîchie à chaque entretien d'une station, le modèle compare donc toujours le retour du jour à la baseline « bonne » du jour, et non à une image périmée d'il y a plusieurs mois.
Une file humaine de longue traîne, automatisée.
Le pipeline gère désormais l'écrasante majorité des retours sans intervention humaine. La revue hebdomadaire de l'équipe ops est passée d'un long scroll récurrent à un court tri de cas réellement ambigus.
Quand quelque chose manque, cela remonte dans la journée plutôt qu'en attendant un passage humain de fin de service : la consultation du journal de réservation se fait pendant que la piste est encore chaude. Cela veut dire que la personne qui a emprunté l'objet est contactée avant sa prochaine utilisation du service.
Le système est en production sur toute l'empreinte Equip et traite environ 40 000 photos par mois.
Vous en voulez un comme ça ?
Dites-nous d'où vous partez et nous vous orienterons vers la bonne porte d'entrée : une construction approfondie, une fonctionnalité ciblée, ou une passe rapide de mise en production.