Andrei Kulik, cofondateur de XENOM – Série d’entretiens

Andrei Kulik est cofondateur et PDG de XENOM. Il met au service des opérations industrielles son expérience de l’IA embarquée, des systèmes distribués et de l’apprentissage automatique. Il a auparavant cofondé AIMatter, rachetée par Google, et travaillé chez Google sur des systèmes d’IA destinés aux appareils grand public. Sa carrière est axée sur la mise en œuvre fiable d’IA sophistiquées, malgré les contraintes pratiques du matériel et des environnements réels.

XENOM développe une plateforme d’IA industrielle qui associe des logiciels à des équipements de protection intelligents afin de donner aux opérateurs une vue en temps réel de leurs sites. Son système réunit des données de localisation, de communication du personnel, de détection des conditions environnementales et de sécurité. Dans cet entretien, Kulik aborde l’IA en périphérie, les casques intelligents, la supervision humaine, la confidentialité des travailleurs et le passage de la surveillance industrielle à l’aide prédictive à la décision.

Vous avez auparavant cofondé AIMatter, rachetée par Google, et consacré plusieurs années au développement de systèmes d’IA conçus pour fonctionner directement sur des appareils grand public. Qu’est-ce qui vous a incité à cofonder XENOM, et en quoi votre expérience chez Google a-t-elle influencé votre vision de l’intégration de l’IA dans les environnements industriels ?

Après l’acquisition, j’ai consacré plusieurs années à un problème bien précis : comment faire fonctionner de manière fiable une IA sophistiquée sur un appareil qui tient dans une poche, avec une batterie limitée, une connectivité imprévisible et des conditions réelles qu’aucun laboratoire ne peut entièrement simuler. Nous avons déployé ces travaux sur des téléphones, des lunettes et des écouteurs — soit des milliards d’appareils. À un moment, j’ai commencé à me demander où cette architecture pourrait être utile ailleurs. Les appareils grand public sont pratiques, mais c’est dans les sites industriels que le coût d’une mauvaise décision — ou de l’absence totale de décision — se mesure en vies humaines et en millions de pertes de productivité. La plupart des sites industriels ne disposent toujours pas d’une vue en temps réel de ce qui s’y passe. Ce manque m’a semblé être précisément le problème auquel la technologie que nous avions passé des années à développer pouvait répondre.

XENOM associe des logiciels fondés sur l’IA à des équipements de protection intelligents afin d’offrir une visibilité en temps réel sur les opérations industrielles. Quels sont les principaux angles morts des systèmes de sécurité industrielle traditionnels, et comment votre plateforme répond-elle aux difficultés que les technologies de surveillance classiques peinent à résoudre ?

Le problème fondamental, c’est que la plupart des systèmes ont été conçus pour consigner ce qui s’est passé, et non pour empêcher que cela se produise. La localisation d’un travailleur est actualisée toutes les quelques minutes. Les feuilles de temps sont remplies à la fin du poste. Les manquements aux règles de sécurité ne sont consignés qu’après le dépôt d’un rapport d’incident. Lorsque le responsable consulte les données, le poste est terminé ou l’accident a déjà eu lieu. Le deuxième angle mort tient au cloisonnement des systèmes : une entreprise peut disposer d’un système de surveillance des gaz, d’un système distinct de contrôle d’accès, d’une liste de vérification des EPI sur papier et d’un processus manuel de relevé des heures, sans que ces outils communiquent entre eux. XENOM remplace tout cela par un flux continu unique de données provenant du site, traité en temps réel, qui donne au responsable une vue d’ensemble cohérente au lieu de cinq vues déconnectées.

Une grande partie de votre carrière a porté sur l’optimisation de l’apprentissage automatique et de l’inférence des grands modèles de langage (LLM) sur des appareils aux ressources limitées. Comment appliquez-vous ces principes aux environnements industriels, et quels sont les avantages techniques du traitement des charges de travail d’IA en périphérie plutôt que du recours à une infrastructure infonuagique ?

Travailler avec des appareils aux ressources limitées enseigne une discipline : chaque milliseconde, chaque milliwatt et chaque octet doivent être justifiés. C’est exactement l’état d’esprit nécessaire pour concevoir un casque industriel, puisqu’il est porté pendant tout un poste et doit fonctionner aussi régulièrement à la onzième heure qu’à la première. Nous répartissons délibérément les tâches : les opérations urgentes et gourmandes en données, comme le traitement du flux vocal et des signaux des capteurs, ou la détection des chutes et des impacts, sont exécutées sur le NPU du casque à l’aide de modèles compressés et optimisés pour ce matériel. La vue d’ensemble du site et les analyses plus approfondies sont, elles, élaborées sur la plateforme.

Le traitement en périphérie nous apporte quatre avantages concrets. Le premier est la vitesse : l’appareil réagit immédiatement à un événement, sans aller-retour vers un serveur. Le deuxième est la fiabilité : un modèle léger exécuté sur l’appareil se comporte de façon prévisible, tandis que chaque maillon supplémentaire de la chaîne constitue un nouveau point de défaillance. Le troisième est la charge du réseau : des centaines de casques ne peuvent pas diffuser en continu des données audio brutes et les données des capteurs ; chacun envoie donc le résultat de l’analyse. Le quatrième est l’autonomie : la transmission est l’une des opérations les plus énergivores pour un appareil ; traiter les données localement et en transmettre moins prolonge donc la durée de fonctionnement.

XENOM a développé des casques intelligents intégrant des fonctions de localisation, de communication, de détection des conditions environnementales et d’IA. Quels ont été les défis d’ingénierie les plus difficiles à relever pour réunir ces technologies, notamment dans des environnements où la connectivité, l’autonomie et la fiabilité peuvent être imprévisibles ?

Le plus difficile n’était pas une technologie en particulier, mais de faire en sorte qu’elles coexistent toutes de manière fiable dans un seul appareil, dans des conditions qui mettraient à mal la plupart des appareils électroniques grand public. Les sites industriels sont sales, exigeants sur le plan physique et soumis à des températures extrêmes. Le casque tombe, est exposé à la pluie et porté pendant des quarts de douze heures. L’autonomie devient une véritable contrainte lorsqu’on fait fonctionner simultanément le système de positionnement, les capteurs, les communications et l’inférence de l’IA. Il y a aussi l’architecture de connectivité : il nous fallait une transition fluide entre le positionnement satellitaire RTK à l’extérieur et notre réseau maillé UWB propriétaire à l’intérieur, sans aucune perte de précision lorsqu’un travailleur passe de l’un à l’autre. Faire en sorte que cette transition s’effectue automatiquement, de manière fiable et en temps réel, a été l’un des défis techniques les plus exigeants que nous ayons relevés.

Votre équipe a mis au point un modèle d’IA vocale capable de détecter des signes d’altération des facultés due à l’alcool dans la parole, et a indiqué des performances supérieures aux précédents résultats de référence universitaires. Quelles avancées techniques ont rendu cela possible, et comment validez-vous la fiabilité du système dans différentes langues, avec différents accents et niveaux de bruit de fond, ainsi que dans des conditions de travail réelles ?

L’idée essentielle était que l’ivresse laisse une signature détectable dans les microstructures de la parole — non pas dans les mots, mais dans les propriétés acoustiques : le rythme, les variations de hauteur et la précision de l’articulation. Nous avons créé un modèle qui analyse ces caractéristiques en arrière-plan lors des communications vocales habituelles, sans nécessiter de test dédié ni aucune action de la part du travailleur. Le taux de précision de 86,7 % provient de tests de référence rigoureux menés à partir de jeux de données universitaires publiés. Pour valider le modèle dans des conditions réelles, nous le testons dans différentes langues, avec différents accents et dans des conditions de bruit de fond représentatives de véritables sites industriels : machines lourdes, vent et plusieurs personnes qui parlent simultanément. Le modèle devait être suffisamment robuste pour fonctionner dans des conditions qui n’ont rien à voir avec celles d’une étude contrôlée. Cela a nécessité une grande diversité de données d’entraînement et de nombreuses itérations.

Les systèmes d’IA conçus pour détecter une altération des facultés ou la fatigue chez les travailleurs soulèvent d’importantes questions liées aux faux positifs et à la responsabilité. Comment XENOM concilie-t-il la détection précoce des risques avec la nécessité d’une vérification humaine, et quelles mesures de protection empêchent une évaluation erronée de l’IA de pénaliser injustement un travailleur ?

C’est une question à laquelle nous avons réfléchi très attentivement dès le début. Le système est conçu pour signaler une situation préoccupante à un superviseur, et non pour agir de manière autonome. Une évaluation de l’IA indiquant une possible altération des facultés déclenche une vérification humaine : le superviseur peut observer directement le travailleur, lui poser des questions ou, si cela se justifie, demander un test physique. L’IA ne fait pas renvoyer quelqu’un du site. Elle fournit à une personne les informations nécessaires pour porter un jugement plus rapidement qu’elle ne l’aurait fait autrement. Nous suivons également les taux de faux positifs lors du déploiement et améliorons constamment le modèle. L’objectif est de réduire le nombre d’incidents qui se produisent parce que personne n’a rien remarqué, et non de créer un système qui pénalise les travailleurs sur la seule base d’un algorithme.

Avant de fonder XENOM, vous étiez directeur technique chez OneSoil, où vous avez appliqué la vision par ordinateur et l’apprentissage automatique au suivi agricole et à l’analyse de la productivité. Quelles leçons tirées du déploiement de l’IA dans l’agriculture se sont révélées les plus utiles pour créer des systèmes intelligents destinés aux chantiers de construction, aux mines, aux ports et aux installations énergétiques ?

Déployer l’IA dans le monde physique est un défi fondamentalement différent de son déploiement dans un logiciel. Il faut composer avec la variabilité, des équipements dont le comportement change d’une fois à l’autre et des opérateurs qui exercent leur métier depuis des décennies et se méfient profondément de tout ce qui leur demande de faire les choses autrement. Les sites industriels présentent la même dynamique. La technologie doit gagner la confiance des utilisateurs en se montrant fiable plus souvent qu’ils ne s’y attendent, et être assez simple pour qu’une personne qui dirige une équipe de cinquante personnes puisse l’utiliser sans formation. Autre leçon : sur le terrain, la qualité des données est presque toujours moins bonne que prévu. Il faut concevoir des systèmes capables de résister au bruit, aux lacunes et aux cas limites qui n’apparaissent jamais dans un jeu de données propre.

Les plateformes d’IA industrielle peuvent générer des informations détaillées sur la localisation, les activités, les communications et la productivité des travailleurs. Comment abordez-vous la protection de la vie privée, le consentement des employés et le risque de surveillance sur le lieu de travail, tout en veillant à ce que ces technologies améliorent réellement la sécurité et l’efficacité opérationnelle ?

Nous abordons cette question sous l’angle de la limitation des finalités. Les données recueillies par XENOM servent à la sécurité et à la visibilité opérationnelle : il ne s’agit pas d’un outil de surveillance de la productivité, et il ne devrait pas être utilisé à cette fin. Avant le déploiement, nous travaillons avec les exploitants pour définir des politiques claires de gouvernance des données : quelles données sont recueillies, combien de temps elles sont conservées, qui peut y accéder et dans quelles circonstances elles peuvent être utilisées dans une décision concernant le personnel. Les données de localisation des travailleurs sont agrégées et anonymisées aux fins de l’analyse de la productivité. Le suivi individuel est accessible aux superviseurs chargés de la sécurité pour intervenir en cas d’urgence, et non aux responsables hiérarchiques pour évaluer les performances. À mesure que le règlement européen sur l’IA s’applique aux systèmes d’IA industriels, nous nous attendons à ce que les cadres réglementaires formalisent une grande partie de ces pratiques. Nous préférons prendre les devants plutôt que de devoir nous démener pour nous conformer aux règles.

Le passage de l’IA des environnements contrôlés des laboratoires à des opérations industrielles critiques pour la sécurité soulève des difficultés que les entreprises spécialisées uniquement dans les logiciels d’IA rencontrent rarement. Quelles ont été les plus grandes surprises lors des déploiements de XENOM en conditions réelles, et comment mesurez-vous si cette technologie apporte des améliorations significatives en matière de prévention des accidents, d’efficacité opérationnelle et de productivité du personnel ?

La plus grande surprise, c’est la valeur que l’on peut tirer du simple fait de disposer d’une vision précise de l’emplacement des personnes et de la manière dont leur temps est utilisé. Nous pensions que la sécurité serait le principal sujet de discussion avec les opérateurs. Or, nous avons constaté que la visibilité sur la productivité — comprendre où les équipes perdent du temps, pourquoi certaines sont plus performantes que d’autres et où se trouvent les goulots d’étranglement — génère souvent un retour sur investissement plus rapide et permet de rallier bien plus vite des soutiens internes à la plateforme. La deuxième surprise tient à l’ampleur des différences entre les secteurs, et même entre les sites d’un même secteur. La construction en Allemagne fonctionne très différemment de celle aux Émirats arabes unis. On ne peut pas concevoir un produit unique et présumer qu’il conviendra partout sans procéder à d’importantes adaptations successives.

À l’avenir, XENOM envisage un copilote d’IA industrielle capable d’aller au-delà de la surveillance pour prédire les risques et recommander des décisions opérationnelles. Comment voyez-vous évoluer l’IA physique au cours des cinq prochaines années, et quelles avancées technologiques sont encore nécessaires pour que les systèmes d’IA industriels puissent fonctionner de manière plus autonome tout en maintenant une supervision humaine ?

Aujourd’hui, l’IA industrielle sert principalement à donner de la visibilité : elle permet de savoir ce qui se passe. L’étape suivante est la prédiction : repérer les tendances annonciatrices d’un incident ou d’une baisse de productivité avant que l’un ou l’autre ne se produise. Pour cela, il faut accumuler au fil du temps des données structurées et étiquetées à grande échelle, ce que XENOM fait précisément depuis le premier jour. Vient ensuite l’étape de la recommandation : le système ne se contente pas d’indiquer ce qui risque de se produire, il suggère aussi les mesures à prendre — comment redéployer le personnel, quand interrompre une opération et quelle configuration d’équipe donne les meilleurs résultats pour une tâche donnée. C’est cette troisième étape que nous visons avec l’Industrial AI Copilot. L’avancée technologique nécessaire ne relève pas principalement d’un progrès de la modélisation : c’est un problème de données. Il faut disposer d’une quantité suffisante de données opérationnelles de grande qualité, provenant d’un nombre suffisant de sites diversifiés, pour entraîner un modèle capable de se généraliser de manière fiable. Les entreprises qui commencent à recueillir ces données dès maintenant bénéficieront d’un avantage qu’il sera très difficile de reproduire par la suite.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent découvrir l’IA en périphérie, les équipements de protection intelligents et la surveillance de la sécurité industrielle en temps réel peuvent se rendre sur le site de XENOM.