Nos Engagements

Nous ne traitons aucune donnée biométrique et notre système ne permet pas d’identifier (« il s’agit de Monsieur. X ») ni de reconnaître (« c’est la même personne qui est venue il y a 3 jours ») les individus. Seuls les gestes des individus sont analysés par notre solution et ce, de manière anonymisée, donc sans prendre en compte de caractéristiques biométriques. Si notre système permet de déterminer si un geste particulier a eu lieu dans les 10 dernières secondes, il ne permet aucune identification possible des individus.

Notre solution procède uniquement à un signalement d’attention aux personnels qualifiés en magasin en cas de geste suspect reconnu, ce n’est donc pas la solution qui permet d’identifier un individu mais bien une intervention humaine, comme c’est déjà le cas pour les systèmes de vidéo-protection existant.

Dans la mesure où notre système ne permet pas d’identifier les individus, il ne s’agit pas de données biométriques au sens de l’article 4. 14) du RGPD. Notre traitement de données doit être distingué des systèmes de traitement biométriques dans la mesure où un traitement de données biométriques implique une finalité d’identification ou d’authentification d’une personne de manière unique, ce qui n’est pas notre cas.

Notre technologie repose sur la combinaison de plusieurs briques d’intelligence au sein d’un unique algorithme « end-to-end ». Chaque brique (appelée « composants » ci-dessous) a une fonction définie et communique avec les autres afin de « comprendre » un comportement humain, plus précisément, déterminer l’occurrence d’un geste, associé à un comportement suspect ou normal. 

Composant 1: Détection d’humains

Le premier composant détecte la présence des différents individus présents dans le champ de vision. S’il n’y aucun individu, les autres composants ne sont pas activés.

Composant 2: Estimation de pose

La second composant consiste à classifier les pixels de chaque image composant une séquence vidéo sous la forme d’une valeur numérique. Chaque classe correspond à une membre du corps. Par exemple, Classe 1 correspondra au bras gauche (valeur numérique: 1), Classe 2 correspondra au buste (valeur numérique: 2), etc…

De cette façon, Composant 2 attribue à chaque pixel la valeur numérique  de la classe la plus probable. Même si certains pixels seront mal classifiés (un pixel situé à la jonction du buste et d’une jambe par exemple), en moyenne, Composant 2 sera capable d’évaluer la localisation du bras gauche, du buste, des jambes, etc… dans l’image. 

La précision de ce composant est suffisante pour reconnaître et localiser chaque membre du corps pour contribuer à l’identification d’un geste spécifique. Cependant, elle n’est absolument pas suffisante pour reconnaître le même membre du corps d’un individu en particulier sur plusieurs images. Composant 2 peut seulement inférer « le bras gauche de l’individu XYZ (non-identifié) se déplace dans cette direction » mais il ne peut pas inférer « ce bras gauche est exactement celui que j’ai vu dans cette autre image (encore moins sur une autre caméra) et c’est le bras de l’individu XYZ ».

Composant 2 produit une représentation numérique de chaque partie du corps d’un individu sous la forme d’une matrice numérique pour chaque image composant une séquence vidéo. Avec la représentation visuelle de Composant 2, nous pouvons voir la classification approximative mais suffisamment précise de chaque pixel pour contribuer à l’identification d’un geste.

Cette relative approximation (qui n’est pas un obstacle à l’identification des gestes) s’accumule d’ailleurs car chaque membre du corps sera sujet à quelques erreurs de classification (mauvaise classe attribuée à quelques pixels). Ainsi, il est impossible pour le Composant 2 d’identifier les membres du corps d’un individu donné et d’en faire une signature biométrique rendant possible l’identification et la reconnaissance de cette individu sur différentes images: cela n’est pas utile pour notre cas d’usage et c’est techniquement très complexe au vu de la résolution et qualité d’image des caméras installées en magasin.

Composant 3: Reconnaissance d’objets

Le troisième composant a été entraîné à identifier des objets d’intérêt comme un sac à dos, un sac à un main, un sac en toile, un sac ou caddie  de courses, une poussette, le rayon, les articles provenant des rayons, etc… Ce composant détermine la nécessité de générer une alerte dans une situation donnée.

Par exemple, Composant 2 indique que le bras gauche d’un individu est entré dans un objet « rayon » et Composant 3 indique que le bras gauche tient désormais un objet « article » qui vient de l’objet « rayon ». Ensuite, Composant 2 indique que le bras et la main gauche se dirigent vers un objet « sac à dos », puis l’objet « article » n’apparaît plus à l’image. Une alerte va être générée.

Composants secondaires 

Ces composants ajoutent des éléments contextuels à l’analyse pour maximiser le taux de détection et minimiser le nombre de faux positifs (fausses alertes). Les éléments de contexte peuvent être par exemple une estimation de la distance à la caméra ou le type de magasin où la scène a lieu. Ces éléments ne sont pas centraux dans le processus de décision de l’algorithme mais aident les trois composants décrits ci-dessus.

La technologie Veesion se fonde uniquement sur un traitement algorithmique de la gestuelle. L’entreprise n’utilise ni la reconnaissance faciale, ni le suivi de client, ni l’enregistrement d’identité.

Notre technologie ne permet donc pas la reconnaissance des caractéristiques physiques, physiologiques, la déduction des émotions ou des intentions de personnes. Il s’agit d’un des engagements fondateurs de Veesion. Cet engagement permet de protéger l’identité de tous les consommateurs de nos clients.

Veesion ne monétise pas les données de son Intelligence Artificielle.
Ces dernières sont exclusivement utilisées pour détecter les comportements pouvant potentiellement porter atteinte aux biens et aux personnes dans les points de vente physique.

La technologie Veesion ne repose à aucun moment sur des procédés d’identification : elle ne conserve aucune donnée collective ou personnelle permettant la détection et l’identification d’un individu, qu’il s’agisse de reconnaissance des visages, des émotions, des démarches ou des tenues vestimentaires.

L’Intelligence Artificielle peut permettre de formidables avancées et constitue déjà dans bien des cas un outil d’aide à la décision précieux pour l’être humain. Veesion reste convaincu que c’est à l’humain que doit rester le dernier mot. Les clients restent ainsi libres de prendre la décision qui leur paraît la plus pertinente en fonction des alertes transmises par l’Intelligence Artificielle.

La technologie ne vise pas à automatiser certaines missions des salariés des magasins : il s’agit d’un véritable outil d’aide à la décision visant à la fois à lutter contre le vol à l’étalage mais permettant également de renforcer la sécurité des consommateurs dans les magasins. À aucun moment la technologie de Veesion ne saurait remplacer la prise de décision humaine.

Aucune décision n’est donc automatisée.

Notre technologie analyse les images issues du système de vidéo-protection que possèdent déjà les points de vente et leur personnel de sécurité. La technologie Veesion a la même finalité que ce système : assurer la protection des biens et des personnes.

Dans la mesure où les alertes produites par Veesion sont accessibles aux responsables de la sécurité, aux agents de sécurité ou à la direction du point de vente, notre technologie respecte la vie privée des clients et du personnel.

Chez Veesion, nous nous engageons à perfectionner sans cesse nos technologies d’intelligence artificielle grâce à l’Active Learning, une méthode d’apprentissage avancée qui permet à notre IA de s’adapter et d’évoluer face à de nouvelles données. Ce processus dynamique, qui repose sur l’annotation de vidéos de production anonymisées, garantit que notre solution reste à la pointe de la technologie, répondant avec précision aux défis complexes de la surveillance en temps réel.

Nous effectuons l’annotation de vidéos en respectant rigoureusement les normes de confidentialité, conformément au RGPD. Cette vérification manuelle essentielle est réalisée sur des données préalablement anonymisées, assurant ainsi l’intégrité et la protection des informations personnelles.