Ce cluster se clôt sur une question prospective, et l’exercice appelle une précaution. Les quatorze articles précédents décrivaient des états de fait ; celui-ci distingue explicitement ce qui est engagé de ce qui reste incertain.
Il prolonge l’article consacré à l’annotation vidéo semi-automatique.
Ce qui est déjà engagé
Cinq évolutions touchent l’annotation vidéo et reposent sur des développements observables. Le volume de vidéo produite croît, capteurs et caméras se multipliant dans tous les secteurs. Le calcul embarqué progresse, ce qui déplace le traitement vers la source plutôt que vers un serveur. Les modèles généralistes segmentent et suivent sans entraînement spécifique. Le cadre réglementaire se construit, sur les personnes filmées comme sur les systèmes construits à partir d’elles. Et les capteurs se diversifient, profondeur et modalités complémentaires devenant accessibles.Le goulot qui ne se résorbe pas
Une constante traverse ces cinq évolutions de l’annotation vidéo. Aucune ne produit de convention supplémentaire, ce qui laisse intact le facteur limitant. Trois raisons structurelles expliquent la persistance de ce goulot. Une frontière temporelle et une politique d’occlusion relèvent d’une décision d’usage, qu’aucun modèle ne prend. Un cas indécidable le reste quelle que soit la capacité de traitement, l’information n’étant pas dans les images. Et la vérité terrain d’un jeu d’évaluation demande une annotation exhaustive que l’assistance ne fournit pas. Une conséquence prospective en découle. Le point de départ s’élève, le travail restant change de nature sans disparaître, et la valeur d’un prestataire se déplace vers la définition et la vérification plutôt que vers la production.Ce que le calcul embarqué change
Cette évolution modifie le problème plutôt que ses moyens. Elle mérite un traitement séparé. Un traitement à la source réduit ce qui est transmis et conservé. Quatre conséquences en découlent pour un projet d’annotation vidéo. La minimisation devient techniquement praticable, seuls les événements retenus quittant le capteur. Le corpus disponible se réduit, ce qui n’est pas transmis n’existant plus pour un entraînement ultérieur. La sélection se fait par un modèle plutôt que par un opérateur, ce qui déplace le biais de sélection vers ce que ce modèle sait détecter. Et la boucle d’amélioration se complique, les échecs du modèle étant précisément ce qu’il ne transmet pas. Une observation importante en découle. La quatrième conséquence est la plus problématique et la moins anticipée, un dispositif efficace filtrant en priorité ce dont son propre corpus aurait besoin.Ce que les modèles généralistes changent
Cette évolution domine le discours sur l’annotation vidéo. Son effet réel mérite un examen mesuré. Des modèles entraînés sur de très vastes corpus segmentent et suivent sans entraînement spécifique. Trois apports sont réels. Le tracé manuel est remplacé par une désignation. Le suivi d’un objet désigné devient disponible sans corpus préalable. Et la phase d’amorçage disparaît sur les tâches courantes. Trois limites persistent. La nomenclature métier reste absente, un modèle séparant des objets sans savoir lesquels comptent. Les performances chutent sur les objets petits, flous ou inhabituels. Et la cohérence d’identité sur longue séquence reste le point faible. Une conséquence pratique en découle. Ces modèles améliorent surtout la segmentation et laissent le suivi d’identité dans l’état décrit par ce cluster, ce qui déplace le coût sans déplacer la difficulté.Ce que le cadre réglementaire va produire
Cette évolution est engagée et son rythme reste incertain. Les obligations portant sur les données et sur les systèmes se précisent. Trois effets sont prévisibles en annotation vidéo. La documentation des corpus passe de bonne pratique à condition d’accès, ce qui favorise les acteurs qui la tiennent déjà. Le lieu de traitement devient un critère de sélection explicite plutôt qu’une préférence. Et certaines tâches se restreignent, ce qui déplace la demande vers les formulations les moins intrusives. Une observation importante en découle pour un projet d’annotation vidéo. Le troisième effet est le plus structurant, un marché se déplaçant du suivi individuel vers le comptage et la mesure de flux, ce qui simplifie techniquement les projets tout en réduisant leur valeur unitaire.Ce que la transformation des usages va changer
Cette évolution de la demande accompagne les précédentes. Les systèmes déployés produisent en continu des situations que les corpus initiaux ne contenaient pas. Trois conséquences en découlent pour l’annotation vidéo. La constitution initiale d’un corpus cède la place à un enrichissement permanent. La relation entre un client et un prestataire devient durable plutôt que ponctuelle. Et l’organisation de la remontée des échecs devient une compétence en soi, distincte de l’annotation. Une conséquence pratique s’ensuit. Cette troisième conséquence est celle qui distingue le plus un prestataire aujourd’hui, savoir organiser ce qui remonte et ce qu’on en fait valant davantage qu’une cadence de production supérieure.Les usages qui paraissent se développer
Quatre segments présentent des signaux convergents et méritent d’être suivis. Les engins autonomes hors route, agricoles, de chantier et de manutention, dont les volumes sont abordables et les contraintes voisines de l’automobile. Le geste industriel, où la conformité d’une opération se mesure sur sa séquence et où l’environnement est stable. La gestion de flux hors sécurité, transports et aménagement, qui se satisfait d’un comptage et relève du régime le moins contraint. Et l’analyse sportive au niveau des sociétés produit, qui achètent des corpus plutôt que de l’analyse. Une observation traverse ces quatre segments. Tous se satisfont d’une formulation modeste, comptage ou suivi de piste sans identité nominative, ce qui les rend accessibles à un prestataire d’annotation vidéo sans exiger les volumes des grands verticaux.Ce qui pourrait ne pas se produire
Une prospective honnête expose les évolutions dont la réalisation reste incertaine. La disponibilité de corpus vidéo publics couvrant les domaines métier, qui débloquerait l’amorçage et se heurte aux contraintes juridiques. La standardisation des conventions de suivi, qui permettrait de combiner des corpus et se heurte à leur dépendance à l’usage. Une amélioration décisive de la cohérence d’identité sur longue séquence, techniquement plausible et non acquise. Et l’harmonisation des exigences réglementaires entre juridictions, dont le calendrier est le moins prévisible. Ces quatre incertitudes portent sur le rythme plutôt que sur la direction, ce qui les rend suivables sans être prévisibles.Ce qui ne changera pas
Une observation traverse les quinze articles consacrés à l’annotation vidéo. Les évolutions décrites portent sur les capteurs, les modèles et le cadre. Elles ne portent pas sur ce qui constitue la difficulté réelle d’un projet. Une frontière temporelle restera floue, et la convention continuera d’en créer une. Une occlusion prolongée restera indécidable, la donnée ne portant pas l’information. Un jeu d’évaluation exigera toujours une annotation exhaustive et non assistée. Et le corpus documenté restera l’actif, les modèles changeant de génération. Cette permanence a une conséquence pratique. Un investissement sur ces quatre points est indépendant du scénario technologique retenu, ce qui en fait le placement le plus sûr d’un projet d’annotation vidéo.Les indicateurs à suivre
Cinq indicateurs permettent de suivre l’évolution de l’annotation vidéo. Ils dispensent de dépendre des annonces. La part du traitement effectuée à la source, qui mesure la transformation du problème de collecte. La disponibilité de corpus vidéo de référence par domaine. Les décisions réglementaires effectivement prises, qui créent les contraintes réelles. L’apparition de formats d’échange distinguant position observée et position calculée. Et l’évolution des performances de suivi sur les jeux de référence à longues occlusions. Une observation en découle. Le quatrième indicateur est le plus révélateur et le moins suivi, sa généralisation signalant que le secteur a pris au sérieux la question de l’évaluation que ce cluster a exposée.Ce que ces tendances impliquent
Quatre recommandations en découlent pour un projet d’annotation vidéo. Elles sont immédiatement applicables. Documenter les conventions, dont la valeur croît avec l’exigence réglementaire et avec la réutilisation. Conserver les séquences sources et les métadonnées, sans lesquelles aucune réexploitation n’est possible. Organiser la remontée des échecs de production, compétence qui devient distinctive. Et maintenir une part de production non assistée, seule mesure fiable de la qualité réelle.Ce que ces tendances impliquent pour un prestataire
Trois conséquences commerciales se dégagent de ce cluster entier. La première est que la position d’un prestataire d’annotation vidéo se renforce plutôt qu’elle ne s’érode, les évolutions augmentant le volume et la qualité du point de départ sans augmenter la capacité de définir et de vérifier. La deuxième est que les exigences de conformité et de traçabilité favorisent les acteurs disposant d’une infrastructure maîtrisée, avantage coûteux à construire et peu coûteux à démontrer une fois construit. Et la troisième est que la relation devient durable, l’enrichissement continu remplaçant la livraison unique, ce qui déplace la valeur d’une capacité de production vers une capacité d’accompagnement. Cette troisième conséquence mérite d’être soulignée. Elle change la nature de l’offre, un prestataire devenant le gardien d’un corpus qui évolue plutôt que le fournisseur d’un livrable qui se clôt.Ce que quinze articles auront établi
Un bilan mérite de clore ce cluster car les quinze articles convergent vers un constat unique. La vidéo ajoute une dimension et cette dimension porte l’essentiel de la difficulté. Trois lectures en découlent. Le livrable n’est plus un objet mais une relation entre objets, ce qui déplace la qualité de l’image vers la séquence. Les défauts caractéristiques sont invisibles localement et destructeurs globalement, ce qui condamne tout dispositif de contrôle importé de l’annotation d’images. Et la continuité temporelle qui crée ces difficultés fournit aussi les contraintes qui permettent de les détecter automatiquement. Ce constat rejoint celui des clusters précédents, formulé dans des domaines aux contraintes très différentes, ce qui suggère une propriété générale de la constitution de corpus plutôt qu’une particularité de la vidéo.Une lecture qui dépasse ce domaine
Une généralisation mérite d’être posée car le constat central de ce cluster ne lui est pas propre. Six séries ont désormais été consacrées à des domaines aux contraintes très différentes. L’imagerie médicale porte sur une donnée rare et juridiquement contrainte. L’observation de la Terre porte sur une donnée massive et gratuite. La segmentation satellite porte sur une opération bien outillée. Le LiDAR aérien porte sur une mesure d’une précision inégalée. La détection de mauvaises herbes porte sur une cible ressemblant à ce qu’il faut préserver. Et la vidéo porte sur une donnée dont la valeur tient aux relations entre ses éléments. Ces six configurations ont produit le même constat. Le facteur limitant n’est ni la donnée, ni les modèles, ni les outils, mais la définition documentée de ce que l’on mesure et la référence permettant de l’évaluer. Trois lectures en découlent. Cette propriété paraît générale à l’exploitation de données par apprentissage. Elle explique que les mêmes difficultés se retrouvent sous des formes voisines dans des domaines sans lien apparent. Et elle suggère que la compétence de définition et de documentation se transpose entre domaines mieux que la compétence technique elle-même.Ce que cette prospective ne prédit pas
Une réserve mérite d’être posée car une prospective honnête expose ses limites. Le rythme échappe à cette analyse, les calendriers réglementaires connaissant des reports et les adoptions technologiques des accélérations imprévues. Les ruptures y échappent également, une avancée inattendue pouvant modifier un des équilibres décrits. Et les effets de marché relèvent de dynamiques économiques que cette analyse ne couvre pas. Une conséquence en découle pour l’usage de ce qui précède. Les recommandations formulées valent parce qu’elles portent sur des invariants plutôt que sur des paris, ce qui constitue le seul type de conseil qu’une prospective puisse honnêtement donner.Trois choses à faire dès maintenant
Une conclusion opérationnelle condense cette prospective en actions immédiates. Documenter les conventions des projets en cours, cadence, politique d’occlusion et tolérance sur les bornes, ce qui rend un corpus combinable quelle que soit l’évolution des méthodes. Conserver les séquences sources séparément des livrables, ce qui coûte du stockage et préserve ce que le temps ne dévalue pas. Et maintenir une part de production non assistée, ce qui coûte une fraction du gain et constitue la seule mesure fiable de la qualité réelle. Ces trois actions partagent une propriété. Aucune ne suppose un pari sur une évolution particulière, chacune vaut dans tous les scénarios décrits, et leur coût est sans commune mesure avec ce qu’elles préservent.Les erreurs de lecture fréquentes
- Attendre des modèles généralistes qu’ils suppriment le besoin de conventions.
- Supposer que le progrès des capteurs résout les cas indécidables.
- Confondre une évolution engagée et une évolution annoncée.
- Négliger que le traitement à la source appauvrit le corpus disponible.
- Différer la documentation en misant sur une standardisation future.
- Attendre des corpus publics qu’ils remplacent une acquisition locale.
- Supposer qu’un jeu d’évaluation pourra un jour être produit par assistance.
- Prendre l’élévation du point de départ pour une disparition du travail.
- Négliger la remontée des échecs, compétence qui devient distinctive.
- Supprimer la part non assistée sous la pression du délai.
