Utilisation de l’apprentissage profond pour remplacer la caissière de la cantine

Je vous l’avoue, mes dernières expériences de passage en restaurant d’entreprise, qu’il s’agisse de Airbus ou de Safran, ne m’ont pas laissé un souvenir impérissable… Je n’ai pas ressenti de la part de la caissière la moindre empathie ou reçu un simple sourire qui aurait égayé ma journée… Ceci étant dit, je comprends bien que leur tâche est ingrate et peu valorisante.

Première étape : regarder le contenu du plateau ; puis taper sur son clavier les codes correspondants à chaque plat ; puis demander le passage du badge et éventuellement encaisser un paiement par carte bancaire. Tout cela dans le stress de l’heure de pointe, qui leur impose d’enchainer ces étapes le plus rapidement possible, pour éviter qu’une file ne se forme. Impossible en effet pour la personne en charge de ces tâches de commencer une conversation, ou toute interaction humaine qui valoriserait son travail, mais ralentirait le processus.

Bien sûr, il est toujours possible de disserter sur ce qu’est l’intelligence, mais il me semble que ce type d’emploi ne demande justement que peu d’intelligence. Il s’agit d’une tâche répétitive, d’un algorithme, qui n’était jusqu’alors pas automatisable, car l’interface avec le monde réel (la reconnaissance du contenu du plateau) n’était pas possible. La seule « intelligence » humaine utilisée, était donc de regarder le plateau, et de transformer cette capture oculaire en une donnée entrée dans la caisse enregistreuse… jusqu’à ce que la technologie nous permette d’automatiser cette reconnaissance…

Ce n’est pas de l’intelligence artificielle, mais de l’apprentissage automatique, ou peut-être même de l’apprentissage profond car le terme est à la mode. Le système d’apprentissage est entrainé à reconnaitre l’ensemble des plats proposés. Et cela ne doit pas être très compliqué… Faire la différence entre des tranches de saucisson, un jambon-purée, et une pomme, est à la portée de tout système de « machine learning ». On commence par présenter à la machine des dizaines d’assiettes, remplies des différents plats, dans leurs variantes possibles, et la disposition du contenu des assiettes. Le système « apprend » à reconnaitre chaque assiette, et à évaluer son contenu.
La matrice d’apprentissage est donc composée des photos de milliers d’assiettes possibles, dont les éléments du contenu ont été modélisés sous forme numérique, associés à l’étiquette de leur contenu.
Une fois la phase d’apprentissage réalisée, et vérifiée, on passe en exécution, et chaque client du restaurant d’entreprise présente son plateau sous la caméra. La caméra capture le contenu, identifie les plats, fait le calcul du coût.
Puis une seconde caméra prend le relais, et reconnait la personne qui présente le plateau, afin de débiter son compte sans même qu’elle ait besoin de sortir une carte quelconque.
Éventuellement, en cas de problème de reconnaissance, du contenu du plateau ou de la personne, le client peut être dirigé vers un superviseur, qui se chargera de corriger la reconnaissance de la machine, et donc d’alimenter la boucle de rétroaction de l’algorithme d’apprentissage.

Bien entendu, le premier avantage est le coût de fonctionnement du système. Cette machine automatique remplace une personne en caisse et peut travailler 24h/24 sans aucune pause. A un tel rythme, elle fera également sans doute moins d’erreurs qu’un Être humain.
La reconnaissance faciale permet également de supprimer les badges, et bien sur les manipulations d’espèces, très couteuses pour le restaurant d’entreprise.

Justifier cet investissement est un calcul simple. Combien coûte la machine (amortissement et frais de fonctionnement), et combien coûte une personne (salaire plus charges et dépenses diverses) qui assure actuellement le même travail ? Dans les pays où la machine revient moins cher, elle sera déployée.

La machine ne sera pas capable de résoudre tous les cas, me direz-vous. Une personne sera toujours nécessaire. Et vous avez parfaitement raison ! Jamais ne seront remplacées 100 % des personnes en caisse… mais une personne accompagnée de neuf machines, traitera manuellement les cas particuliers, et donc un tel système pourrait supprimer 90 % des emplois, tout en préservant l’exactitude, et la qualité de service.

Penchons-nous maintenant sur les chiffres de la restauration collective. Selon une étude Xerfi, publiée en avril 2017, sur les données de la restauration collective en France en 2016, il y aurait dans l’hexagone plus de 11 000 établissements, employant plus de 110 000 salariés. Cela représente 3 milliards de repas servis chaque année.
Plus intéressant encore, dans une interview au magazine Néorestauration, le PDG de Multi Restauration Services (MRS), expliquait en avril 2017 que «on a besoin de créer une agora, une place du village où l'on peut se relaxer, communiquer, discuter et se restaurer de 8 à 20 heures». Des horaires donc étendus, qui nécessitent la présence d’une personne à la caisse caisse… et donc augmente le coût de fonctionnement. Alors que notre machine, peut fonctionner 24h/24 sans pause et sans supplément de coût…
Simple hypothèse de travail, imaginons que dans ces 11 000 établissements, il y ait en moyenne 5 personnes chargées des caisses. Imaginons que l’on en conserve seulement une. Ce sont donc 44 000 emplois supprimés, ou plutôt remplacés par une machine sans intelligence, mais capable d’automatiser cette tâche !

Alors, quand verrons-nous Elior ou Sodexo investir dans ce type de machines, et supprimer les emplois correspondants ?
Les développeurs de solutions fantastiques d’apprentissage machine et d’automatisation que nous sommes, ont-ils conscience de l’impact de leur travail sur certaines catégories de travailleurs ? Comment préparons-nous et accompagnons-nous cette automatisation ?
Certes, elle n’est pas nouvelle ! La révolution industrielle, puis l’apparition des premiers systèmes de traitement de l’information, ont automatisé, et donc supprimé des emplois. Et à chaque fois, nous ne faisons aucun effort en amont pour en préparer les conséquences… C’est dommage !