Contexte et enjeux
Bild AI, créée en 2024 dans la promotion W25 de Y Combinator, vise à automatiser la lecture de plans, l’estimation budgétaire et la constitution de dossiers de permis dans le secteur de la construction. Le marché de la construction génère chaque année des milliers de documents papier, dont la conversion en données numériques reste laborieuse. L’entreprise propose une solution basée sur les dernières avancées en vision par ordinateur (CV) et en intelligence artificielle (IA) afin de réduire le temps de traitement et d’améliorer la précision des estimations pour des projets de maisons, hôpitaux ou écoles.
Architecture technique
Le produit repose sur une pile full‑stack : le front‑end utilise React pour offrir des interfaces interactives capables d’afficher des plans complexes et des métadonnées associées. Le back‑end, écrit en Python, orchestre l’inférence des modèles de vision et gère l’infrastructure cloud nécessaire au traitement de gros volumes d’images haute résolution. Bild AI adopte une « model‑garden » : plusieurs modèles spécialisés (détection de murs, reconnaissance de fenêtres, classification de matériaux) sont entraînés séparément puis combinés via un méta‑modèle qui agrège leurs sorties. Cette approche permet d’ajuster rapidement chaque composant sans perturber l’ensemble du pipeline.
Défis d’implémentation
La lecture de plans implique des contraintes de précision géométrique : les modèles doivent extraire des lignes, des angles et des dimensions avec une marge d’erreur inférieure à quelques centimètres pour que les estimations restent fiables. Le jeu de données d’entraînement est hétérogène, mêlant formats PDF, DWG et images scannées, ce qui impose des pré‑traitements lourds (normalisation de résolution, correction de distorsion). En outre, la nécessité d’une réponse en temps réel pour l’interface utilisateur impose des exigences de latence strictes, d’où l’utilisation d’inférences optimisées (quantisation, compilation TensorRT) sur des instances GPU dédiées. Le recrutement d’un ingénieur produit capable de naviguer entre le contact client, la conception UI/UX et le déploiement de modèles constitue un facteur de risque opérationnel.
Perspectives et limites
Le modèle‑garden offre une modularité qui facilite l’ajout de nouvelles catégories de composants (ex. : systèmes de plomberie) mais augmente la complexité de la gestion des versions et des dépendances. La solution actuelle repose sur un financement de capital-risque obtenu avant le Demo Day, ce qui garantit des ressources pour l’infrastructure mais ne précise pas la taille du jeu de données ni les performances chiffrées (précision, rappel). Sans métriques publiques, il reste difficile d’évaluer la compétitivité face à des acteurs établis qui utilisent des pipelines end‑to‑end monolithiques. Enfin, la dépendance à des licences de logiciels de CAO pourrait limiter la diffusion du produit dans des environnements où ces outils sont coûteux.
