Amii élargit son partenariat pour favoriser l’adoption de l’IA par 25 entreprises supplémentaires

Amii, l’Alberta Machine Intelligence Institute, élargit son partenariat avec PrairiesCan, l’organisme canadien de développement économique régional, afin d’aider 25 autres petites et moyennes entreprises à développer des capacités pratiques en IA. L’annonce du 27 octobre ajoute 2,5 millions de dollars canadiens au soutien fédéral, portant l’investissement fédéral total dans l’initiative à 5,6 millions de dollars canadiens.

L’élargissement concerne l’Alberta, la Saskatchewan et le Manitoba, où les premiers projets sont en cours dans les secteurs de l’énergie, de l’agriculture et de la fabrication. Selon Amii, le programme a collaboré avec 30 entreprises de la région depuis son lancement en 2024. Son approche consiste à associer les entreprises à des spécialistes de l’apprentissage automatique pour concevoir des systèmes à partir de leurs propres données opérationnelles et leur transmettre les compétences nécessaires à leur maintenance.

Un partenariat de recherche axé sur la mise en œuvre

Basé à Edmonton, Amii est un organisme indépendant à but non lucratif et l’un des trois instituts nationaux d’IA du Canada, dans le cadre de la Stratégie pancanadienne en matière d’intelligence artificielle. Son histoire remonte à l’Alberta Ingenuity Centre for Machine Learning, créé en 2002; l’organisme est devenu indépendant et sans but lucratif sous le nom d’Amii en 2017. Ses activités font le lien entre la recherche, le développement des talents et les applications commerciales.

Prairies Economic Development Canada, connu sous le nom de PrairiesCan, est l’organisme fédéral chargé de soutenir le développement économique dans les trois provinces participantes. Pour le lectorat international, ce partenariat montre comment l’investissement public peut aider les petites entreprises à accéder à des compétences techniques spécialisées qu’il leur serait difficile de réunir par leurs propres moyens.

Le modèle de développement de l’IA d’Amii affecte à temps plein un spécialiste de l’apprentissage automatique au projet d’une entreprise, sous la supervision de scientifiques de l’équipe. Cette personne travaille avec l’équipe de l’entreprise au développement et aux essais du modèle; l’entreprise peut ensuite l’embaucher. L’offre générale prévoit un engagement de 12 à 15 mois, même si la portée et le coût varient selon les projets.

Les entreprises conservent la propriété intellectuelle créée dans le cadre du projet et reçoivent de la documentation ainsi qu’un transfert de connaissances. Le partenariat poursuit donc un objectif différent de la simple livraison d’un prototype sous-traité : l’entreprise devrait être en mesure d’adapter le système après le départ de l’équipe de recherche externe.

Croptimistic : la vision par ordinateur adaptée aux conditions réelles des champs

Croptimistic Technology développe l’écosystème d’agriculture de précision SWAT MAPS, qui combine des données sur les sols, l’eau et la topographie pour orienter la gestion des champs. Son produit SWAT CAM recueille des images pendant les opérations normales de pulvérisation et s’appuie sur l’apprentissage automatique pour analyser les cultures et les mauvaises herbes.

La collaboration avec Amii portait sur des céréales en début de saison, comme le blé et l’avoine. Leurs feuilles étroites et chevauchantes rendent difficile la distinction entre les plants. L’équipe a mis au point des modèles de vision spécialisés capables de traiter des couverts végétaux denses et des conditions d’imagerie difficiles, notamment la poussière, les reflets et le vent.

Les informations sur les produits de Croptimistic expliquent comment des caméras montées sur les pulvérisateurs relient les images détaillées des champs aux zones de gestion. L’intérêt concret d’une meilleure détection des cultures réside dans la précision spatiale : les producteurs peuvent examiner les irrégularités d’implantation et la pression des mauvaises herbes dans l’ensemble d’un champ, plutôt que de s’appuyer uniquement sur quelques observations manuelles.

Carson Integrated : transformer des données environnementales en prédictions

Carson Integrated est un cabinet de conseil en environnement et en foresterie, dont les activités comprennent la production d’informations géospatiales pour des projets liés aux ressources naturelles. L’entreprise devait classifier les cours d’eau afin de contribuer à la détermination des zones tampons de protection autour de ceux-ci.

L’étude de cas de Carson publiée par Amii décrit un modèle élaboré à partir d’environ deux décennies de données recueillies, notamment des mesures sur le terrain et des informations issues de la télédétection. La création des variables a pris en compte les caractéristiques du relief et de l’environnement; la taille de l’exutoire du bassin versant s’est révélée particulièrement utile. L’étude fait état d’une précision moyenne de classification d’environ 75 % lorsque les données appropriées étaient disponibles.

Cette application montre comment l’expertise du domaine contribue à rendre l’apprentissage automatique utile. Repérer un cours d’eau dans des images est une tâche différente de la prédiction de sa classification réglementaire. Les prédictions peuvent aider à établir les priorités des travaux d’évaluation dans les régions éloignées, mais leur précision et leur pertinence doivent tout de même être évaluées au regard des décisions qu’elles sont censées éclairer.

Visionstate : la planification comme problème d’optimisation sous contraintes

Visionstate développe des logiciels pour la gestion des installations, les inspections et la vérification des travaux. Son site Web actuel met en avant MIRA, une plateforme qui relie rapports, inspections, bons de travail et supervision. La collaboration avec Amii portait sur la plateforme de gestion des installations WANDA de l’entreprise.

L’étude de cas détaillée explique que les itinéraires et les horaires de nettoyage ont été formulés comme un problème d’optimisation sous contraintes. Le système doit répartir une main-d’œuvre fixe tout en tenant compte de la configuration des sites, des exigences de service et des règles de conformité, afin de concilier efficacité et équité.

Les travaux ont également soutenu TidyLogic, un produit de planification des ressources, ainsi qu’un outil d’estimation des coûts de nettoyage dans le secteur de la santé. L’étude de cas indiquait que TidyLogic était en version bêta et que le modèle était en voie d’intégration au moment de sa rédaction. Ces distinctions sont importantes : le développement d’un produit commercial et le déploiement complet d’un système d’optimisation sont deux étapes distinctes.

Ambyint : développer une expertise en apprentissage par renforcement

Ambyint fournit des logiciels d’optimisation de la production aux exploitants pétroliers et gaziers. Sa plateforme existante combine des modèles fondés sur la physique et une commande automatisée, notamment le réglage des consignes des équipements au moyen d’une infrastructure de surveillance industrielle.

Le projet d’Amii a exploré l’apprentissage par renforcement pour les puits équipés d’un système de levage par piston, où la modification des seuils de pression influe sur l’évacuation des liquides accumulés. Le manque de connaissances sur les conditions en profondeur complique la simulation et la commande. L’équipe a testé des approches fondées sur les données historiques et des méthodes s’appuyant sur la physique afin d’améliorer la prise de décision.

L’étude de cas est explicite quant au résultat : les modèles expérimentaux n’ont pas amélioré l’efficacité par rapport à l’automatisation existante d’Ambyint et n’étaient pas encore assez fiables ni réactifs pour la production. L’équipe interne, mieux outillée, a pu mieux comprendre les domaines nécessitant des recherches supplémentaires. Il s’agit là d’un résultat utile en matière d’adoption, même s’il ne débouche pas immédiatement sur un modèle déployable.

Riva : rendre les données d’entreprise utiles à l’IA

Amii désigne également Riva, basée à Edmonton, comme l’un des premiers bénéficiaires, en citant les progrès vers des solutions prêtes pour la production, sans divulguer l’architecture précise du modèle.

La plateforme de Riva relie les courriels, les calendriers, les coordonnées des contacts et les informations sur les réunions aux systèmes de gestion de la relation client. Elle permet notamment de générer des résumés de conversations par IA et des comptes rendus de réunion structurés que les équipes peuvent consulter et associer aux dossiers CRM. Cela correspond à un contexte d’adoption différent de celui de l’imagerie sur le terrain ou de la commande industrielle : le défi consiste à rendre les interactions professionnelles exploitables tout en préservant la gouvernance et la vérification humaine.

Pourquoi le modèle compte au-delà du Canada

Les entreprises participantes montrent que l’adoption de l’IA couvre la vision par ordinateur, la modélisation prédictive, l’optimisation sous contraintes, l’apprentissage par renforcement et les processus de gestion de l’information en entreprise. Chacun de ces domaines exige des données, des méthodes d’évaluation et une expertise opérationnelle qui lui sont propres.

La portée plus large du partenariat tient à l’accent mis sur l’appropriation et le renforcement des capacités techniques. Une entreprise tire davantage profit d’un modèle lorsque ses propres équipes apprennent comment il a été conçu, comment le tester et dans quelles circonstances ses prédictions sont fiables. Pour les petites entreprises, le transfert de ces capacités peut avoir autant de conséquences que la livraison initiale du logiciel.