Lorivexanita
Le projet semblait parfait pour l'IA. Singapour génère 7,7 millions de tonnes de déchets par an et seulement 60% sont recyclés. L'idée était simple, installer des caméras dans les centres de tri pour identifier automatiquement les matériaux et orienter chaque déchet vers la bonne filière.
La configuration initiale
Trois centres pilotes équipés en mars 2024. Chaque ligne de tri recevait un système de caméras à haute résolution couplé à un réseau de neurones convolutifs entraîné sur 200 000 images de déchets. Le système devait différencier plastique, métal, verre, papier et organiques avec une précision annoncée de 94%.
L'investissement total atteignait 8,5 millions de dollars singapouriens. L'objectif était d'augmenter le taux de recyclage de 60% à 75% en réduisant les erreurs de tri humain.
Les problèmes concrets
La précision de 94% venait de tests en laboratoire avec des objets propres et bien éclairés. Dans la réalité des centres de tri, les déchets arrivent sales, empilés, parfois écrasés. Le système confondait systématiquement les bouteilles en plastique transparent avec du verre.
Pire encore, il n'avait jamais vu certains emballages spécifiques au marché asiatique. Les contenants de nourriture multicouches, très courants à Singapour, le mettaient complètement en erreur. Il les classait aléatoirement selon l'angle de la caméra.
La vitesse de traitement posait aussi problème. Le tapis roulant avançait à 1,2 mètre par seconde. L'IA analysait chaque objet en 0,8 seconde en moyenne, créant des goulots d'étranglement. Les opérateurs devaient ralentir toute la chaîne de 40% pour que le système suive.
Comment ils ont corrigé
L'équipe a abandonné l'idée d'un système entièrement automatisé. Maintenant, l'IA pré-trie les déchets évidents et marque les cas douteux pour vérification humaine. Cette approche hybride traite 85% du volume automatiquement.
Ils ont aussi reconstruit le dataset d'entraînement depuis zéro. Six mois de collecte d'images dans les conditions réelles du centre de tri, avec différents éclairages et états de propreté. La précision effective est montée à 78%, moins que les 94% annoncés mais utilisable en production.
Point technique important, ils ont divisé le problème en étapes. Au lieu d'identifier directement le matériau, le système détecte d'abord la forme générale, puis la couleur, puis le matériau. Cette architecture en cascade réduit les erreurs de 23%.
Le taux de recyclage a effectivement progressé, mais seulement de 60% à 67%. Loin des 75% visés, mais suffisant pour rentabiliser l'infrastructure sur cinq ans selon leurs calculs.