Client : NeuroMines

Année de réalisation : 2023

[Approche utilisée]
Pour automatiser cette tâche cognitive, nous avons développé un algorithme qui analyse la sémantique des descriptions et des noms de colonnes pour les comparer à celles du CDM. La solution recommande instantanément aux intégrateurs les correspondances possibles (Top-K) pour chaque champ afin de faciliter la cartographie (mapping).

[Résultats]
L'approche par IA démontre une précision impressionnante : le bon mapping se trouve dans les suggestions dans plus de 90 % des cas, même pour des attributs techniques complexes. Le système offre un temps de réponse quasi instantané accélérant drastiquement le processus de mapping initial. Cette solution permet à NeuroMines de standardiser ses intégrations et d'absorber la charge de travail liée à l'acquisition massive de nouveaux clients.

Client : LithologIQ

Année de réalisation : 2025

[Approche utilisée]
Pour relever ce défi, nous avons développé un pipeline de vision par ordinateur sur mesure, optimisé pour l'inférence locale. Plutôt que de traiter l'intégralité de l'image haute résolution, qui serait trop coûteux en temps de calcul, notre algorithme réalise une pré-détection pour cibler instantanément les zones d'intérêt contenant les marqueurs. Nous appliquons ensuite des traitements d'image avancés pour neutraliser les interférences visuelles telles que les reflets d'eau, les textures du bois ou l'encre baveuse. Enfin, un module de reconnaissance optique (OCR), couplé à une logique de post-correction, réalise la transformation et améliore la précision des données extraites de marquage.

[Résultats]
La solution développée a permis d'atteindre une précision de détection et de reconnaissance des caractères de plus de 90 %, surpassant largement les performances attendues dans ces conditions extrêmes. Le temps de traitement a été optimisé à moins de 3 secondes et ne requiert pas de connectivité réseau, respectant ainsi les contraintes de traitement. Cette automatisation permet ainsi à LithologIQ d'éliminer le goulot d'étranglement de la saisie manuelle et de fiabiliser les données.

Client : Geothentic en partenariat avec Rio Tinto (IOC)

Année de réalisation : 2024

[Contexte et problématique]

Dans le secteur minier, la gestion et la planification des flottes de véhicules légers posent des défis considérables en termes de productivité et de rentabilité des opérations. Opérant dans des environnements isolés et non cartographiés, loin des solutions d'optimisation urbaines, les entreprises minières doivent composer avec une logistique complexe. Par exemple, les départements fonctionnent souvent en silos, limitant la visibilité et la coordination des déplacements entre les équipes. De plus, les contraintes opérationnelles, la variabilité des priorités, et les coûts d’opérations (ex. maintenance, carburant, main-d'œuvre, location) rendent la tâche d'autant plus difficile. 

Dans ce contexte minier hors-route, comment optimiser les itinéraires et déterminer la taille optimale de la flotte pour transporter les bonnes ressources, au bon endroit, au bon moment ?

[Approche utilisée]
Notre approche a permis de couvrir à la fois les aspects opérationnels et tactiques de la gestion de flotte, dépassant largement l’objectif initial de dimensionnement et de composition de la flotte. En combinant et développant des techniques d’IA et des algorithmes avancées, nous exploitons les données de télémétrie véhiculaire de Géothentic (vitesse, orientation, localisation, etc.) pour construire automatiquement plusieurs centaines de kilomètres de routes reflétant les conditions réelles du terrain.

Intuitivement, cela ressemble à une carte comme Google Maps avec les vitesses et distances de route. À partir des données pouvant être extraites de cette carte, nous avons conçu une solution flexible et sur mesure qui, en intégrant les paramètres et contraintes propres à chaque client, génère des itinéraires optimisés des véhicules.

[Résultats]
Cette solution personnalisée permet de réduire de 15-25 % les distances parcourues par rapport à un planificateur humain et de plus de 10% la taille de la flotte. Conçue pour répondre aux défis spécifiques des milieux hors-route, la solution améliore la rentabilité des flottes tout en assurant une planification alignée sur les exigences tactiques et opérationnelles minières.

Client : Revol’Air

Année de réalisation : 2024

[Approche utilisée]
Notre équipe a intégré les données météorologiques d’Environnement Canada aux lectures des capteurs Revolv’Air pour créer un système assurant l’analyse des données obtenues en continu. Nous avons conçu en parallèle un pipeline de correction algorithmique et d’IA pour fiabiliser ces données :

Nettoyage intelligent : Automatisation de la détection des pannes et retrait des valeurs aberrantes via des filtres statistiques.
Modélisation corrective : Développement d'un modèle d’IA additif qui isole et corrige l'influence de la météo sur les lectures du capteur.

[Résultats]
L'intervention a transformé des capteurs approximatifs en instruments de mesure fiables, offrant désormais une qualité de données comparable à celles des stations météorologiques avoisinantes. Cette fiabilisation se traduit par une réduction drastique de l'erreur d’imprécision sur le niveau de pollution, qui passe de 10,33 μg/m³ à 3,53 μg/m³. Cette performance s'avère décisive lors des pics de pollution, qui améliore grandement la fiabilité des alertes envoyées à la population en cas de véritable anomalie sanitaire.

Client : Centris Technologies pour une usine de fabrication de peinture

Année de réalisation : 2025

[Contexte et problématique]
Centris Technologies, spécialisé en automatisation de systèmes, accompagne une usine de peinture pour optimiser la planification et l’ordonnancement de sa production. L'usine fait face à un problème d'ordonnancement complexe de ses produits (ex. laqué industriel, époxy, acrylique) sur des équipements partagés (ex. cuve, réacteur), aggravé par un environnement dynamique sujet aux imprévus fréquents (ex. nouvelles commandes urgentes) .

Le défi central est de générer un horaire de production qui minimise le temps de nettoyage total (une opération sans valeur ajoutée), tout en respectant simultanément de multiples contraintes opérationnelles (ex. séquences de nettoyage variables, incompatibilités chimiques, capacité limitée des cuves et réacteurs, délais de livraison et fabrication de produits intermédiaires).

[Approche utilisée]
Nous avons développé un module de planification avancée qui repose sur diverses techniques d’IA et d’optimisation combinatoire. Au lieu de placer les tâches séquentiellement, le module d’IA construit une vision globale de l'horaire puis explore intelligemment des combinaisons gagnantes et valides qui minimisent les temps de nettoyage.

[Résultats]
La solution apporte une valeur ajoutée immédiate aux opérations de Centris en augmentant radicalement l'efficacité : elle permet de réduire de 60 % à 80 % le temps consacré à la planification par rapport aux méthodes humaines traditionnelles. Au-delà de ce gain de productivité, l'IA devient un véritable levier d'agilité commerciale. En régénérant instantanément des horaires optimisés face aux imprévus, elle permet aux équipes de vente de confirmer en temps réel la faisabilité d'une commande et de garantir le respect des délais. Pour illustrer cette puissance, nous avons développé une démonstration interactive basée sur ce cas concret ; n’hésitez pas à nous contacter pour l’essayer.

Client : LightX

Année de réalisation : 2025

[Approche utilisée]
Baseline a conçu et implanté une architecture MLOps scalable sur Azure ML Studio, intégrant MLflow afin de standardiser le cycle de vie des modèles. Nous avons développé l’infrastructure et le code nécessaire au déploiement et à la gestion de plus de 50 modèles d’IA, tout en mettant en place un système de monitoring avancé pour suivre la qualité des données, détecter les dérives et préparer le réentraînement automatisé des modèles.

[Résultats]
Les modèles ont été mis en production avec succès dans un environnement sécurisé et surveillé en continu. La solution permet une détection proactive des enjeux de performance et de qualité des données, tout en assurant une stabilité opérationnelle malgré la variabilité des charges entre cliniques. Grâce à des pipelines d’entraînement et de déploiement automatisés, LightX dispose désormais d’une plateforme prête à soutenir une croissance rapide et l’intégration progressive de nouvelles cliniques.

Client : PMP Solutions

Année de réalisation : 2025

[Approche utilisée]
Face à la volatilité du prix de vente sur le marché et la flexibilité requise, nous avons développé un système intelligent conçu pour gérer l'incertitude et la non-stationnarité des prix et des préférences clients. Au lieu de dépendre d'un historique de données vaste pour apprendre des patterns, la solution se concentre sur un contexte ciblé (ex. préférences des clients, inventaire actuel et futur, prix  de vente récents). 

[Résultats]
Bien que le projet soit en phase de déploiement, les résultats préliminaires confirment la puissance de cette approche proactive pour optimiser les offres commerciales. Le prototype parvient déjà à recommander des options de vente hautement personnalisées, incluant la composition de lots, le prix et les délais, tout en identifiant des opportunités de marges immédiates, comme la substitution par des grades de bois supérieurs disponibles en surstock. Pour garantir une adoption optimale, la solution fournit aux équipes de vente des indicateurs de précision permettant de valider chaque recommandation. Actuellement en cours de finalisation, cet outil vise à maximiser directement la rentabilité et la performance opérationnelle des usines.

Client : SFPPN

Année de réalisation : 2026

[Approche utilisée]
Baseline développe un assistant intelligent utilisant un LLM intégré à un système RAG pour faciliter la recherche d’information dans les données existantes. Les données de SFPPN seront ingérées dans une base de données vectorielle, permettant des réponses rapides et contextualisées. L’assistant sera intégré à leur environnement Maximo, garantissant une récupération fluide des informations et un accès simplifié aux documents et procédures pour le personnel de maintenance.

[Résultats]
La solution vise à rendre la maintenance de SFPPN plus efficace, standardisée et accessible, en centralisant l’information et en permettant aux équipes de retrouver rapidement les procédures et données critiques. La collaboration avec Baseline permettra d’accélérer la transition vers une gestion de la maintenance plus intelligente et proactive, améliorant la sécurité et la productivité des opérations ferroviaires et portuaires.

Client : Tetra Tech

Année de réalisation : 2023

[Approche utilisée]
Notre équipe a développé une solution qui valorise les informations géospatiales à partir de la solution SDI open source GeoNetwork qui permet de créer un catalogue de données géospatiales et d’effectuer de la recherche dans ce catalogue via une interface utilisateur.

[Résultats]
Tetra Tech a maintenant une solution technologique permettant à ses équipes d’ingénierie et de géomatique de mieux réutiliser et consulter leurs données afin de limiter les frais de collectes de données sur le terrain.