Des retours honnêtes, des chiffres vérifiables. Nous publions ces témoignages avec l'accord écrit de chaque client.
On leur a confié l'automatisation de nos bons de livraison. Avant, deux personnes y passaient chaque matin. Maintenant le système extrait les données des PDF, les compare aux commandes dans notre ERP et ne nous alerte que quand il y a un écart. Ça tourne depuis 14 mois sans panne.
Nous cherchions un outil pour résumer automatiquement la jurisprudence belge et française. Vision AI Developers a construit un moteur de recherche sémantique branché sur notre base de 120 000 décisions. Mes associés l'utilisent quotidiennement. Le gain de temps est d'environ 45 minutes par dossier.
Le modèle de prévision de la demande qu'ils ont développé pour nos 12 points de vente a réduit notre gaspillage alimentaire de 22 % en six mois. La mise en place a pris plus longtemps que prévu (13 semaines au lieu de 10) parce que nos données historiques étaient mal structurées, mais l'équipe a été patiente et a nettoyé le jeu de données avec nous.
J'avais contacté trois prestataires. Les deux autres m'ont proposé des solutions génériques à 80 000 €. Vision AI Developers a passé deux heures à comprendre notre flux de production, puis m'a dit qu'un modèle de détection d'anomalies sur nos capteurs IoT suffirait, pour un tiers du budget. Honnêteté rare dans ce secteur.
TransCargo reçoit chaque jour entre 80 et 130 bons de livraison au format PDF, envoyés par 40 fournisseurs différents. Chaque bon utilise un format légèrement différent. Deux employés passaient 3,5 heures chaque matin à saisir manuellement les données dans leur ERP (SAP Business One). Les erreurs de saisie provoquaient en moyenne 6 litiges par mois avec les fournisseurs.
Nous avons construit un pipeline en trois couches. D'abord, un module OCR (Tesseract + post-traitement par règles) extrait le texte brut de chaque PDF. Ensuite, un modèle de classification fine-tuné sur 2 000 bons annotés identifie les champs clés : numéro de commande, quantités, références produit, dates. Enfin, un script Python compare ces données aux commandes ouvertes dans SAP via l'API et génère un rapport d'écarts.
Le projet a duré 9 semaines. Nous avons passé les deux premières semaines chez le client pour annoter les données d'entraînement avec leur équipe logistique.
Ce cabinet de huit avocats spécialisé en droit commercial possède une base de 120 000 décisions de justice belges et françaises, stockées sous forme de fichiers Word et PDF dans un NAS. Retrouver un précédent pertinent prenait parfois plus d'une heure. Les avocats utilisaient des mots-clés dans l'explorateur de fichiers, ce qui ne fonctionnait que si le terme exact figurait dans le texte.
Un moteur de recherche sémantique. Chaque décision a été découpée en paragraphes, puis transformée en vecteur par un modèle d'embedding multilingue (CamemBERT fine-tuné). Les vecteurs sont stockés dans une base Qdrant hébergée sur un serveur dédié en Belgique. L'interface est une application web interne accessible depuis le navigateur, avec un champ de recherche en langage naturel.
Quand un avocat tape « responsabilité du vendeur professionnel en cas de vice caché sur un véhicule d'occasion », le système renvoie les 15 décisions les plus proches sémantiquement, avec les passages pertinents surlignés. Temps de réponse moyen : 1,2 seconde.
Nous répondons à chaque demande sous 48 heures ouvrées. L'audit technique initial de deux heures est gratuit et sans engagement.
Nous contacter