Haute précision et rapidité

Un modèle d'intelligence artificielle unique

E-IA analyse le véhicule et génère un rapport avec une précision maximale et une vitesse maximale.

Les performances d'une approche HLP sont subjectives et caractérisées par une variabilité

E-IA est formé et constamment mis à jour

E-IA a été formé à « voir », mettre en évidence et compter les dommages de grêle sur la surface des voitures, en tenant compte des paramètres et des conditions définis lors de la phase de formation.

E-IA est formé sur une base de données constamment mise à jour : il est capable de fournir des expertises toujours objectives et mises à jour avec des performances supérieures à celles des êtres humains.

Actuellement, 20 à 40% des expertises sont réouvertes en raison de :

  • Une évaluation numérique incorrecte des dommages (avec des erreurs de 50% à 80%)
  • Une évaluation incorrecte du type d’intervention à effectuer sur la carrosserie (Opérations de repeinture/remplacement 

E-IA est un modèle d'intelligence artificielle unique au monde. E-IA analyse le véhicule et génère un rapport avec une précision maximale et une vitesse maximale.

La réponse de EIA est certifiée selon la norme ISO.

E-IA est régulièrement calibré et les résultats sont fournis, conformément à la norme, par le biais d’intervalles de confiance spécifiques.

Comptage

Effectue un comptage précis et détaillé des impacts présents sur la carrosserie du véhicule, fournissant une estimation précise des dommages subis.

Identification

Identifie le type d'intervention requis pour la réparation, y compris PDR complet, combinaison de PDR et interventions traditionnelles, ou purement traditionnel.

Détection

Détecte et catalogue les éléments de carrosserie endommagés nécessitant un remplacement ou une réparation spécifique.

Signalement

Signale tout dommage supplémentaire non lié à la grêle, aidant à fournir une évaluation complète du véhicule.

Triage final

Détermine si le véhicule est réparable ou s'il doit être considéré comme une perte totale, basé sur une analyse approfondie des dommages détectés.

La formation de E-IA

Pour une identification correcte de tous les impacts, le modèle métamérique à la base de la technologie WeGrele a été formé à analyser les images sous différents angles et positions afin de reproduire fidèlement une évaluation "physique".

Le modèle a été formé pour identifier les impacts de grêle sur les véhicules dans différentes conditions, notamment :

  • La couleur du véhicule.
  • Les conditions météorologiques.
  • L’état du véhicule (plus ou moins propre). L’environnement environnant (intérieur ou extérieur). Les reflets sur la carrosserie.
  • Entraîné sur des dispositifs avec différentes technologies optiques HW et SW, afin de pouvoir reconnaître d’éventuelles manipulations d’images. Gestion des biais via une calibration dédiée pour chaque zone spécifique de la carrosserie extraite.
  • Données réelles validées par un technicien professionnel.

Caratteristiche tecniche

Le modèle Mask RCNN-FPN

Le modèle utilise une architecture appelée « Mask RCNN-FPN » qui excelle dans la détection d’objets et la segmentation d’instances, en exploitant une pyramide de caractéristiques multi-échelles. Cette approche garantit des performances robustes, s’adaptant aux variations de taille des objets et offrant une compatibilité avec divers réseaux de base, pour des résultats de pointe dans les ensembles de données de référence.

RCNN = Réseau neuronal convolutif basé sur des régions ; FPN = Réseau de pyramide de caractéristiques.

Un ensemble de données robuste est utilisé (environ 10 000 instances) en utilisant diverses techniques d’augmentation de données : l’ensemble de données est constamment étendu et sera utilisé pour ré-entraîner le réseau afin d’améliorer ses performances.

Cette approche photographique, tant pour la phase de formation que pour l’utilisateur en phase d’utilisation, garantit une meilleure caractérisation du véhicule, permettant d’obtenir des informations détaillées sur l’état de la carrosserie et des composants du véhicule.

Le modèle Mask RCNN-FPN

EIA utilise des techniques avancées d'entraînement

Pour optimiser la capacité de généralisation et les performances du modèle d’intelligence artificielle, nous avons utilisé la technique de l’augmentation de données.

L’augmentation de données est utilisée pour augmenter la quantité de données disponibles pour l’entraînement du modèle d’intelligence artificielle. Cette technique consiste à créer des données synthétiques à partir des données existantes, telles que la rotation, la transformation et la modification des images.

EIA continue de croître…

Mise à jour régulière de la base de données d’entraînement.
Mise à niveau : de nouvelles technologies d’IA seront régulièrement mises en œuvre et mises à jour.

Les mises à jour et les mises à niveau régulières incluront l’utilisation de nouvelles fonctionnalités :

  • Identification dimensionnelle des dommages individuels pour évaluer précisément et en ligne la réparabilité ou non des différentes sections du véhicule.
  • Mise en œuvre de capacités dédiées à des véhicules spécifiques ou à des types de dommages spécifiques ; Évaluation en ligne du rapport coût-bénéfice en fonction de la relation entre l’évaluation des dommages de EIA et la valeur de la voiture (année, modèle, valeur marchande du véhicule).

Les avantages de E-IA

Gain de temps

Réduction des coûts

Précision

Facile à utiliser

Un nouveau processus d'acquisition d'images facile

À travers quelques étapes simples, vous serez en mesure d’initier la procédure de signalement d’un sinistre directement depuis votre téléphone portable. Vous devrez insérer les documents et prendre des photos du véhicule via notre application, qui vous guidera pas à pas, en indiquant même combien et quelles photos sont nécessaires pour une évaluation précise des dommages. Une fois les photos chargées, notre technologie avancée E.I.A. analyse les dommages et fournit un rapport détaillé et précis.