Déperdition de recettes péage : 4 fuites que l’IA permet de combler

Quel est le véhicule le plus coûteux sur votre route ?

Celui qui n’a jamais été enregistré. Il a emprunté votre infrastructure, utilisé sa capacité et n’a laissé aucune transaction. Parfois, il passe inaperçu ; d’autres fois, il est identifié, mais les recettes restent non recouvrées. C’est ce qu’on appelle la déperdition de recettes péage : un phénomène cumulatif, persistant et facile à sous-estimer.

Considérez chaque trajet comme une chaîne d’étapes : détecter le véhicule, l’identifier, le compter, le traiter et enfin le facturer. Un maillon faible à n’importe quel stade laisse les recettes s’échapper. Pour les opérateurs et les autorités publiques confrontés à la hausse des coûts d’exploitation et aux attentes accrues des usagers, cet enjeu est plus crucial que jamais. La bonne nouvelle est que de nombreuses causes de déperdition sont identifiables, et l’IA appliquée au péage offre au secteur de nouveaux moyens de les éliminer.

Dans ce troisième article de la série « L’IA pour le péage », nous examinons quatre fuites, certaines cachées et d’autres bien visibles, et montrons comment l’IA aide à les combler, avec les éclairages d’Adria Ferret, responsable des nouvelles solutions chez Emovis.

Fuite nº 1 : Le véhicule que vos capteurs n’ont jamais vu

Pendant des années, la détection d’un véhicule impliquait la combinaison de plusieurs capteurs et, même dans ce cas, certains passages passaient inaperçus en raison de certaines caractéristiques du véhicule ou des conditions routières. Aujourd’hui, la vision par ordinateur permet aux caméras de résoudre davantage de cas et réduit la dépendance vis-à-vis de certains équipements de bord de route. Le résultat est une infrastructure simplifiée et un risque réduit de transactions manquées dues à des véhicules non détectés.

En pratique, le changement majeur réside dans le fait que l’IA est désormais intégrée à la caméra elle-même. Auparavant, la caméra se contentait de capturer l’image et s’appuyait sur d’autres capteurs pour savoir quand un véhicule passait. Grâce à la vision par ordinateur intégrée, la caméra détecte le véhicule, choisit le meilleur moment pour capturer l’image et extrait des informations telles que sa classification ou ses caractéristiques visuelles. Cela ajoute une couche de détection très puissante qui complète les capteurs existants et permet de récupérer des passages qui, auparavant, s’écoulaient sans laisser de trace.

Cette intelligence embarquée permet également de concevoir des solutions beaucoup plus légères. Aujourd’hui, nous pouvons nous passer d’un portique complet et utiliser des caméras à vision latérale comme capteur de détection principal, avec des performances équivalentes et un coût de mise en œuvre bien moindre. Pour l’opérateur, cela signifie moins d’équipements à entretenir, moins de points de défaillance et plus de passages capturés avec de meilleures preuves dès le départ.

Fuite nº 2 : La plaque d’immatriculation que personne ne pouvait lire

Une plaque d’immatriculation endommagée ou difficile à lire peut empêcher l’association correcte d’une transaction à un véhicule. L’interprétation d’images assistée par l’IA peut résoudre des cas que les systèmes conventionnels n’identifient pas avec une confiance suffisante, améliorant ainsi l’identification et réduisant les pertes de recettes potentielles.

Mais l’identification ne suffit pas : chaque véhicule doit également être enregistré une seule fois et de manière fiable. L’empreinte numérique du véhicule et la déduplication aident à reconnaître le véhicule et à éviter les enregistrements en double, améliorant ainsi la qualité des données et protégeant les recettes.

La valeur de ces capacités devient évidente lorsque chaque passage génère des preuves provenant de différents équipements, angles et moments. Cela crée plus d’opportunités d’identifier le véhicule, mais seulement s’ils peuvent être liés ; sans intelligence, plus de données génèrent plus d’exceptions, de révisions manuelles et de coûts. L’OBO d’Emovis intègre l’IA pour ce faire : l’empreinte numérique du véhicule reconnaît que plusieurs détections appartiennent au même véhicule en fonction de ses caractéristiques visuelles, même si aucune ne peut lire la plaque d’immatriculation seule, tandis que la déduplication garantit que le passage n’est enregistré qu’une seule fois.

Ensemble, ces capacités transforment des preuves partielles en une transaction identifiée et des données plus fiables, chaque passage étant associé à un enregistrement unique et à des preuves à l’appui. Pour l’opérateur, cela aide à récupérer des passages précédemment perdus, à réduire les exceptions, les doublons, les réclamations et les corrections ultérieures, et à protéger davantage de recettes sans augmenter la révision manuelle.

Fuite nº 3 : Quand les conditions affectent la performance

Un système peut fonctionner correctement dans des conditions normales et pourtant générer plus d’exceptions lorsque la visibilité, la météo ou la densité du trafic se détériorent. L’IA peut renforcer l’interprétation des images et la reconnaissance des formes dans ces scénarios, aidant à maintenir une performance plus constante et à réduire l’impact des conditions défavorables sur les transactions.

Le problème est que les systèmes traditionnels reposent sur des règles conçues pour des conditions spécifiques. Lorsque la lumière change, qu’il pleut, que le trafic augmente ou que l’environnement de capture change, le nombre de cas ne correspondant pas à ces règles augmente, et chacun d’eux représente une recette à risque.

Face à cette limitation, l’IA interprète des schémas plus complexes et travaille avec des niveaux de confiance. Les cas clairs sont traités automatiquement, et les cas ambigus sont renvoyés pour validation, plutôt que de forcer une décision potentiellement incorrecte. De plus, les corrections effectuées lors des opérations aident les modèles à s’adapter progressivement aux conditions réelles de chaque route.

L’IA n’est pas infaillible, mais elle reconnaît mieux l’incertitude, apprend des exceptions et maintient une performance plus stable lorsque les conditions se détériorent.

Fuite nº 4 : Erreurs d’identification manuelle

Tous les véhicules ne sont pas résolus automatiquement. Lorsque le système ne peut pas en identifier un, une personne examine l’image via la relecture manuelle d’images (MIR). C’est un travail essentiel, mais il est aussi humain, et un véhicule mal identifié est une recette perdue ou une transaction traitée de manière incorrecte.

Ici, l’IA ne retire pas l’humain du processus ; elle l’aide à travailler de manière plus cohérente. L’application MIR d’Emovis peut analyser les schémas opérationnels pour identifier les situations associées à un risque d’erreur plus élevé, permettant d’introduire des contrôles supplémentaires avant qu’une identification incorrecte n’affecte la transaction.

Plus précisément, la MIR peut anticiper de nombreuses erreurs avant qu’elles n’affectent la transaction en combinant des règles et une IA qui analysent deux sources : les données fournies par l’équipement de bord de route pour chaque véhicule et les actions propres des réviseurs. Grâce à ces informations, elle décide dans chaque cas si l’identification peut être acceptée ou si elle doit être transmise pour une seconde révision.

De cette façon, l’effort est concentré là où il y a de l’incertitude et des contrôles supplémentaires ne sont pas introduits là où ils ne sont pas nécessaires. La révision manuelle fonctionne dans les deux sens : les personnes valident les cas où l’IA a une confiance moindre, et l’IA aide à détecter les erreurs humaines potentielles. Chaque erreur détectée à temps est une recette qui n’est ni perdue ni contestée.

Chaque véhicule compte

Chez Emovis, nous considérons l’IA comme une couche d’intelligence qui améliore la chaîne de valeur du péage sans remplacer l’expertise opérationnelle.

Avec les connaissances et les contrôles appropriés, elle peut interpréter des images et des données à grande échelle, identifier les lacunes, réduire les exceptions et protéger davantage de recettes sur chaque trajet.

Next Article