Retour aux Études de marché
Scortex fournit des systèmes d’inspection visuelle automatisée pour l’industrie. Ses kits Spark et Spark Multi View associent caméras, éclairage, calcul local et connexion aux équipements de production pour identifier et rejeter les pièces non conformes. Quality Center fournit les images d’inspection, la traçabilité et les rapports. Scortex appartient au groupe TRIGO depuis mai 2022. (1, 2, 3, 14)
Score global en supply chain : 5,2/10.
| Dimension | Score |
|---|---|
| Profondeur en supply chain | 4,0/10 |
| Substance des décisions et de l’optimisation | 5,4/10 |
| Intégrité du produit et de l’architecture | 5,4/10 |
| Transparence technique | 5,6/10 |
| Sérieux de l’éditeur | 5,6/10 |
Scortex automatise une décision de production précise : déterminer si une pièce observée respecte un standard d’inspection. Son intérêt pour l’économie de la supply chain passe par le rendement, les rebuts, les réclamations clients et le travail d’inspection. Les achats, l’allocation des stocks, le réapprovisionnement incertain et la planification de production sortent du périmètre documenté du produit. Le score reflète donc un produit adjacent doté d’une réelle substance technique, avec un recoupement limité avec les logiciels de décision en supply chain. (2, 3)
Les preuves les plus solides combinent déploiements physiques et recherches publiées sur la détection d’anomalies. Les éléments les plus faibles concernent le point de fonctionnement économique : combien de bonnes pièces sont rejetées, combien de mauvaises passent le contrôle, comment le modèle se comporte après un changement de production et combien coûte sa maintenance. Le calculateur public de ROI de Scortex aggrave cette lacune en assimilant les coûts de qualité saisis à des économies intégralement récupérables et en empêchant le résultat affiché pour la première année de devenir négatif. (4, 5, 19, 20)
Scortex face à Lokad
Un fabricant d’emballages peut utiliser Scortex pour rejeter un contenant visiblement défectueux. La tâche numérique consiste à inférer la conformité à partir d’une image et à déclencher une décision de tri. Les questions de supply chain en aval sont différentes : quelle quantité de production utilisable attendre, combien de matière de remplacement commander, et quel client servir avec le prochain créneau de production. Les données d’inspection de Spark peuvent éclairer ces décisions, mais son offre publiée ne les calcule pas. (2, 3)
L’optimisation des stocks de Lokad traite les choix récurrents d’achat, de production et d’allocation par une valorisation financière sous incertitude. Les Supply Chain Scientists maintiennent la logique de décision et son interprétation des données métier. La relation utile est complémentaire : les mesures d’inspection peuvent améliorer la représentation des rendements incertains, tandis qu’un modèle de supply chain valorise leurs conséquences sur les matières, la capacité et le service client.
La perspective économique d’Introduction to Supply Chain s’applique aussi au poste d’inspection. Rejeter davantage de pièces peut réduire les réclamations tout en augmentant les rebuts et les pénuries. Lorsque les spécifications laissent une marge d’appréciation, le seuil économiquement pertinent dépend de ces conséquences. Lorsqu’un défaut enfreint une exigence obligatoire de sécurité ou de réglementation, celle-ci contraint la décision ; un chiffre agrégé de « précision » ne permet pas de décider quelles erreurs sont acceptables.
Des images à une décision de production
Spark apprend l’apparence normale à partir de pièces conformes, puis détecte les écarts. La page actuelle du produit décrit quelques dizaines de pièces d’apprentissage, jusqu’à quatre vues, le réglage de la variabilité acceptée et une décision de rejet combinée transmise à l’automate de la ligne. Cela réduit le besoin d’énumérer tous les défauts possibles avant le déploiement. Des échantillons normaux représentatifs et une définition pertinente de la variation acceptable restent nécessaires. (2)
À défaut, un modèle peut apprendre la mauvaise distinction. Un nouveau décor, un reflet différent ou un changement de position sans conséquence peut sembler anormal ; un défaut récurrent inclus par erreur dans le jeu de référence peut sembler normal. Le résultat économiquement utile dépend de l’échantillonnage, de la présentation, du choix des seuils et de la validation dans les conditions qui se répètent réellement sur la ligne.
La recherche publiée améliore un algorithme existant
L’article de Scortex de juillet 2023 étudie PatchCore sur les jeux de données publics MVTec AD et VisA. PatchCore compare les caractéristiques de fragments d’image à une mémoire d’exemples normaux. Les chercheurs font varier l’extracteur de caractéristiques, la résolution d’entrée, l’augmentation des données et le sous-échantillonnage de la banque mémoire. Leur extracteur avec anticrénelage améliore les performances avec peu d’exemples de référence ; l’augmentation des données aide certaines configurations et en dégrade d’autres. L’article présente des métriques de reconnaissance et de segmentation, des expériences d’échantillonnage répétées et des limites propres aux catégories. (5)
Le dépôt associé publie l’implémentation et les scripts expérimentaux, précise les modifications du paquet Anomalib d’origine et indique le matériel d’évaluation. C’est un travail substantiel sur une méthode existante, suffisamment documenté pour examiner sa contribution. L’expérience publiée ne constitue pas la spécification de chaque version de Spark. (6)
Ses métriques demandent aussi une interprétation correcte. L’aire sous une courbe ROC mesure la discrimination sur un ensemble de seuils ; elle ne précise pas le taux de défauts manqués dans une usine pour le taux de rejet choisi. Un bon résultat de benchmark peut coexister avec trop de faux rejets lorsque les défauts sont rares. Les tests d’acceptation doivent compter séparément les défauts manqués et les bonnes pièces rejetées, par type de défaut et condition d’exploitation, en y associant les coûts de ces erreurs.
Cadence et latence sont des contraintes différentes
La fiche de 2024 indique jusqu’à trois pièces par seconde pour Spark, une pour Multi View et 925 millisecondes de latence du résultat. La révision de mars 2025 place une valeur de trois pièces par seconde sur les deux colonnes produit tout en conservant la latence. Ces spécifications sont liées à des versions ; la valeur récente ne doit pas être attribuée rétrospectivement aux anciennes stations. (7, 8)
La cadence peut dépasser l’inverse de la latence lorsque les inspections se chevauchent. L’intégration doit néanmoins préserver l’identité de chaque pièce jusqu’au déclenchement de l’éjecteur. Nombre de caméras, acquisition, vitesse du convoyeur, instant de déclenchement et distance d’éjection déterminent donc si une station peut tenir la cadence promise. La brochure d’août 2026 annonce trois pièces par seconde, mais ne fournit aucun résultat d’acceptation propre à une charge donnée. (3)
Histoire technologique et réalisations
| Période | Éléments publics | Ce qu’ils établissent |
|---|---|---|
| 2016–2017 | Notion indique une création en 2016 et un investissement initial en 2017 ; Alven documente la levée d’amorçage de 1,8 million d’euros. | Une activité d’inspection industrielle précédait la vague actuelle des agents. Sa première proposition d’IA portait sur une tâche de vision circonscrite. (9, 10) |
| 2019–2021 | Scortex a rejoint COGNITWIN et fourni de l’inférence d’images sur FPGA. Un bulletin du consortium de 2021 décrit un modèle spécifique traitant jusqu’à 100 images par seconde en résolution 1920 × 1200. | Une expérience précise de matériel et de modèle sous-tend le vocabulaire du jumeau numérique. Le bulletin présente encore le benchmark sur les données des partenaires comme un travail à venir. (11, 12) |
| 2022 | TRIGO a annoncé l’acquisition, une intention d’investir 5 millions d’euros cette année-là et une augmentation prévue des effectifs. | L’acquéreur a apporté un canal de services qualité et un engagement de financement ; l’annonce ne mesure pas le rendement ultérieur du travail d’ingénierie. (14) |
| 2023–2024 | L’article et le code de détection d’anomalies sont parus ; Toly a ensuite décrit trois installations Spark et des changements de série plus rapides. | Recherche et produit déployé disposent tous deux de preuves, sur des périmètres différents. (4, 5, 6) |
| 2025–2026 | Les fiches actualisées et la brochure actuelle maintiennent l’inspection locale, le matériel multivue, les données qualité et l’assistance experte. | Le produit reste centré sur la vision industrielle, plutôt que d’ajouter un assistant de planification généraliste. (3, 8) |
L’annonce COGNITWIN employait des formulations ambitieuses sur des systèmes de procédés auto-organisés et la prédiction d’événements indésirables. La contribution de Scortex était plus étroite : accélérer le traitement d’images sur du matériel. Le rapport final décrit six pilotes industriels et leurs résultats, sans établir que le composant Scortex a produit ces gains. Ces résultats du consortium ne peuvent être attribués à Spark. (11, 13)
De même, les 100 images par seconde annoncées pour le FPGA mesurent l’inférence d’images d’un modèle, pas l’inspection complète des pièces avec positionnement, vues multiples et rejet. Les spécifications publiques actuelles n’établissent pas quelles configurations Spark conservent cette conception FPGA. La chronologie étaye une réelle continuité de recherche, tout en laissant ouverte la transition entre l’accélérateur expérimental et le matériel commercial. (7, 8, 12)
Productivité, maintenance de la configuration et changements de production
L’entretien de Toly de juin 2024 donne le récit de déploiement le plus clair. Son directeur technique fait état de trois stations, dont la première a été installée environ dix-huit mois auparavant. Changer de décor prend quelques minutes à une heure au maximum, contre plusieurs jours avec les anciens systèmes de vision. À une cadence de 50–60 pièces par minute, une détection plus précoce limite aussi la quantité produite avant correction du procédé. Ce sont des mécanismes concrets de réduction des coûts d’inspection et de rebut. (4)
L’entretien donne un objectif de rebut inférieur à 1% et affirme qualitativement que les économies compensent l’investissement. Il ne publie ni le taux de rebut atteint, ni les faux rejets, ni le nombre de défauts échappés, ni le travail total d’assistance. La distinction entre objectif et résultat observé compte : réduire les rebuts en améliorant le procédé diffère d’un simple changement des pièces que rejette un inspecteur. (4)
La description juridique de Scortex exige explicitement la collaboration du client, des documents, l’adaptation des équipements et paramètres et des ajustements pendant les essais. Le poste de technicien optique comprend le choix et l’essai d’éclairages, d’objectifs, de capteurs et de techniques d’acquisition. La mise en service physique fait donc partie du travail d’ingénierie, même lorsque l’usage courant du logiciel est simple. (18, 21)
Deux questions distinctes de productivité se posent. D’abord, quelle quantité de travail d’inspection disparaît pour la qualité de sortie convenue ? Ensuite, quel travail faut-il pour introduire un nouveau produit ou réparer un modèle défaillant ? Ce dernier comprend le choix des échantillons de référence, le réglage des caméras, la validation des seuils, les essais en production et l’assistance. Davantage de stations ou une inférence plus rapide ne répondent seuls à aucune de ces questions.
Un cycle d’amélioration utile conserverait les images à l’origine d’un rejet préjudiciable, déterminerait si l’erreur vient de l’optique, de l’échantillonnage, de la sémantique ou des seuils, puis retesterait le modèle corrigé dans les conditions anciennes et nouvelles. C’est l’équivalent de l’holimization appliqué à l’inspection. Scortex fournit traçabilité et réentraînement, mais les documents publics ne montrent pas de cas complet et versionné allant de l’échec à la correction avec des résultats de non-régression. (2, 3)
Nomenclature logicielle et charge d’exploitation
| Composant ou élément probant | Périmètre documenté | Conséquence |
|---|---|---|
| Équipement local d’inspection | Ordinateur en périphérie, automate, caméras, éclairage, écran tactile et connectivité 4G/Ethernet dans les kits Spark | Système d’exploitation, logiciel des appareils, synchronisation et interfaces matérielles doivent fonctionner ensemble à la cadence de la ligne. (8) |
| Outils d’intégration SparkOS | Le dépôt public de compilation LinuxPTP de Scortex produit un conteneur Docker pour SparkOS et un paquet pour un contrôleur Wago | Synchronisation temporelle et conditionnement en conteneurs sont des composantes concrètes du périmètre d’ingénierie. (17) |
| Implémentation de recherche | Python, code Anomalib modifié, exécution expérimentale sur GPU | La recherche publiée est inspectable ; elle n’identifie pas l’environnement commercial d’exécution complet. (6) |
| Ingénierie de production | Le poste d’ingénieur plateforme de 2026 couvre les pipelines de déploiement, les infrastructures physiques et virtuelles, les bases de données, la supervision et l’optimisation des coûts facturés | Maintenir l’inférence dans plusieurs usines exige un travail continu de logiciel et d’exploitation. (16) |
L’offre d’emploi énumère de nombreux outils à titre d’exemples d’expérience souhaitée. Elle n’établit pas qu’ils fonctionnent tous ensemble dans Spark. Les bases de données, files d’attente, outils d’orchestration et services cloud du produit réel restent insuffisamment documentés. Son coût d’exploitation non négligeable est néanmoins visible : déploiement des modèles, conservation des images, parc d’appareils, maintenance physique et assistance à distance nécessitent chacun un responsable. (16)
Le calcul local maintient la classification immédiate au poste. Les rapports cloud ajoutent un cycle de vie distinct pour les images stockées, les accès, la synchronisation et la récupération. La documentation publique ne chiffre ni volumes conservés, ni frais de service récurrents, ni interruptions de mise à jour, ni travail nécessaire pour maintenir la qualité d’inspection lorsque les références produit changent. (3, 8, 18)
Sécurité et commande de production
L’article de sécurité de Scortex affirme que le produit en périphérie et l’infrastructure cloud ont obtenu la meilleure note aux tests de sécurité. Il n’identifie ni modèle de menace, ni version testée, ni limites de privilèges, ni mécanisme de signature des mises à jour, ni contrôles d’accès distant, ni procédure de récupération. Cette assurance fournit peu de bases pour évaluer ce qui se passe après la compromission d’un compte, d’un appareil ou d’une mise à jour. (15)
L’architecture comporte une frontière importante entre un système d’inspection connecté au réseau et des équipements qui rejettent des produits physiques. Un déploiement sûr doit limiter qui peut changer le modèle actif, modifier les seuils, envoyer des commandes aux appareils ou exporter les données d’inspection. Il doit aussi définir un comportement sûr en cas de panne de communication, d’inférence ou de suivi des pièces. Les interfaces matérielles publiées identifient la connexion ; elles n’établissent pas ces protections. (8, 17)
Les images et journaux d’inspection peuvent aider à reconstituer un incident. Leur valeur dépend de la possibilité d’attribuer et de restaurer les changements apportés aux modèles, seuils et enregistrements après une compromission. Les documents publics ne décrivent ni versions immuables des modèles, ni historique d’événements protégé contre l’altération, ni retour arrière testé, ni politique de correctifs à l’échelle du parc. (3, 15)
Le calculateur de ROI suppose les gains qu’il devrait établir
Le calculateur public accepte les effectifs d’inspection, le volume annuel de pièces, le taux de rebut, le nombre de réclamations et leur coût. Avec ses entrées par défaut, il affiche 66 000 € et environ quatre mois d’amortissement. L’affirmation voisine sur la moyenne des clients donne dix mois, sans cohorte ni méthode de calcul publiée. (19)
Le code de calcul utilise 35 000 € par année-opérateur, 1 € par pièce rebutée et un coût Spark de 29 000 €. Il additionne l’intégralité des coûts saisis de main-d’œuvre, de rebut et de réclamation comme économies annuelles. Avec les valeurs par défaut, cela donne 95 000 € avant soustraction du coût supposé de l’équipement, d’où 66 000 €. Il n’y a aucun facteur de réduction pour le personnel conservé, les rebuts restants ou les réclamations persistantes, ni de poste de maintenance récurrente. Le montant affiché est également ramené à zéro lorsque le calcul de la première année est négatif. Ce sont des hypothèses du calculateur, pas un devis commercial vérifié. (20)
C’est un défaut substantiel de responsabilité économique. L’inspection ne peut récupérer tous les rebuts de fabrication simplement en détectant les défauts ; une partie de son bénéfice peut venir de corrections ultérieures du procédé. Réaffecter les opérateurs ne crée pas non plus nécessairement une économie de trésorerie équivalente. Un modèle économique utile doit exposer ces différences et admettre les pertes, y compris les coûts des faux rejets, défauts manqués, déploiement, maintenance et interruptions.
Les mentions légales publiques exigent un contrat client distinct et décrivent une mise en service collaborative. Elles ne précisent ni garantie économique, ni taux d’acceptation des erreurs de classification, ni responsabilité en cas d’amortissement manqué. Ces engagements doivent être établis indépendamment du calculateur. (18)
Score en supply chain
Profondeur en supply chain
| Critère | Score |
|---|---|
| Cadre économique | 4/10 |
| Décision comme résultat final | 2/10 |
| Netteté conceptuelle en supply chain | 3/10 |
| Affranchissement des doctrines centrales obsolètes | 7/10 |
| Résistance au théâtre des KPI | 4/10 |
Moyenne : 4,0/10.
Cadre économique. Coûts d’inspection et pertes de qualité sont des préoccupations commerciales explicites. Le calculateur suppose la récupération des coûts sans établir les réductions réalisables, tandis que le produit n’optimise pas les conséquences monétaires plus larges du rendement et des pénuries. (19, 20)
Décision comme résultat final. Spark exécute une décision de conformité sur la ligne. Il ne fournit pas de décisions d’achat, de stock, d’ordonnancement ou d’allocation, ce qui limite son recoupement concurrentiel avec l’optimisation de la supply chain. (2)
Netteté conceptuelle en supply chain. Le produit traite une source importante d’incertitude de production. Les documents publics ne vont pas jusqu’à propager les observations de qualité dans des prévisions de production utilisable et des décisions de ressources à l’échelle de la supply chain. (3)
Affranchissement des doctrines centrales obsolètes. Le modèle opérationnel automatise une inspection physique répétée au lieu de créer une réunion S&OP ou une prévision consensuelle. Son périmètre étroit laisse les doctrines générales de planification hors du produit. (2, 4)
Résistance au théâtre des KPI. La recherche identifie des métriques de reconnaissance pertinentes et leurs limites. Les promesses commerciales de couverture d’inspection, de cadence et d’amortissement manquent des mesures complètes d’erreurs et de coûts nécessaires pour évaluer un déploiement en usine. (5, 8, 19)
Substance des décisions et de l’optimisation
| Critère | Score |
|---|---|
| Profondeur de la modélisation probabiliste | 2/10 |
| Substance distinctive en optimisation ou ML | 7/10 |
| Prise en compte des contraintes réelles | 6/10 |
| Automatisation des décisions et productivité du travail | 7/10 |
| Résilience face à la complexité opérationnelle réelle | 5/10 |
Moyenne : 5,4/10.
Profondeur de la modélisation probabiliste. Le score d’anomalie concerne la pièce observée. L’offre ne documente pas de prévision calibrée des rendements, défaillances ou états d’approvisionnement futurs utilisée pour optimiser les actions en aval. (2, 5)
Substance distinctive en optimisation ou ML. Les expériences et le code publiés démontrent une amélioration précise d’une méthode établie de détection d’anomalies. Le choix commercial des modèles, leur calibration et leurs performances par version sont moins exposés que l’implémentation de recherche. (5, 6)
Prise en compte des contraintes réelles. La capture multivue et l’interface d’automate documentée traitent la présentation physique et l’intégration en ligne. Un déploiement réussi dépend encore de l’optique, de la synchronisation et de l’identité des pièces dans les conditions réelles du client. (8, 21)
Automatisation des décisions et productivité du travail. Le poste peut classifier et rejeter sans qu’une personne examine chaque image. Le récit de Toly étaye une configuration et une réaction du procédé plus rapides ; les preuves publiées ne quantifient pas l’ensemble du personnel et du support restants pour un standard fixe de qualité de sortie. (2, 4)
Résilience face à la complexité opérationnelle réelle. Traçabilité et réentraînement facilitent les corrections lorsque la production change. Il manque une séquence documentée allant d’une erreur coûteuse à la révision des données de référence ou des critères de décision, puis à un déploiement validé par des tests de non-régression. (3, 16)
Intégrité du produit et de l’architecture
| Critère | Score |
|---|---|
| Cohérence architecturale | 7/10 |
| Clarté des frontières du système | 7/10 |
| Sérieux en matière de sécurité | 3/10 |
| Parcimonie logicielle et coût de possession | 5/10 |
| Compatibilité avec des opérations programmatiques et assistées par agents | 5/10 |
Moyenne : 5,4/10.
Cohérence architecturale. Acquisition et classification locales, commande des équipements et analyse qualité à distance forment un produit cohérent. La nomenclature logicielle commerciale et l’architecture de publication des modèles restent partiellement documentées. (3, 8, 16)
Clarté des frontières du système. Les fiches identifient l’interface de commande physique et le chemin local de décision. L’intégration réclame des spécifications publiques plus précises sur les états de défaillance, les échanges externes de données et les responsabilités entre poste d’inspection et équipements de production. (7, 8)
Sérieux en matière de sécurité. L’article de sécurité affirme le succès des tests sans exposer les contrôles qui limitent les conséquences d’une station, d’un compte ou d’une mise à jour compromis. Autorisation des modèles, privilèges de commande, intégrité des événements et déploiement récupérable exigent des mécanismes concrets. (15, 17)
Parcimonie logicielle et coût de possession. Un kit d’inspection ciblé évite une suite de planification tentaculaire. Son matériel, son optique, l’exploitation du parc et la validation propre à chaque client restent des coûts importants ; aucun bilan public de TCO ne rapproche ces coûts de l’amortissement annoncé. (16, 18, 21)
Compatibilité avec des opérations programmatiques et assistées par agents. La commande automatisée des machines et les pipelines de déploiement d’ingénierie sont documentés. Les outils publics pour tester, approuver, déployer et restaurer par programme les modèles d’inspection des clients sont bien moins visibles. (8, 16, 17)
Transparence technique
| Critère | Score |
|---|---|
| Documentation technique publique | 6/10 |
| Inspectabilité sans médiation de l’éditeur | 6/10 |
| Visibilité de la portabilité et de la dépendance | 4/10 |
| Transparence de la méthode d’implémentation | 6/10 |
| Densité des preuves derrière les affirmations techniques | 6/10 |
Moyenne : 5,6/10.
Documentation technique publique. Fiches, article de recherche et code exposent de véritables mécanismes. Les manuels publics d’administration du produit, d’intégration, de sécurité et de gouvernance des modèles sont beaucoup plus minces. (5, 6, 8, 15)
Inspectabilité sans médiation de l’éditeur. L’implémentation de recherche peut être étudiée indépendamment. Évaluer la sensibilité, le cycle de vie des modèles et le comportement en cas de panne de la station commerciale réelle exige la participation de l’éditeur. (6, 18)
Visibilité de la portabilité et de la dépendance. Les interfaces physiques fournissent une frontière d’intégration, mais les documents publics n’établissent pas l’existence de modèles entraînés exportables, de configurations d’inspection portables ou d’un environnement d’exécution indépendant permettant de remplacer Scortex. (8, 18)
Transparence de la méthode d’implémentation. Les postes décrits par l’employeur et le récit du déploiement expliquent pourquoi essais optiques, réglages et assistance continue comptent. Les procédures d’acceptation et les coûts récurrents de changement restent insuffisamment précisés. (4, 16, 21)
Densité des preuves derrière les affirmations techniques. Des expériences précises et des limites matérielles par version étayent le récit d’ingénierie. Le dossier public relie ces mécanismes à une économie mesurée des déploiements de façon moins convaincante. (5, 7, 8, 19)
Sérieux de l’éditeur
| Critère | Score |
|---|---|
| Sérieux technique de la communication publique | 5/10 |
| Intégrité de la feuille de route technologique | 7/10 |
| Netteté conceptuelle | 6/10 |
| Responsabilité économique | 3/10 |
| Défendabilité dans un monde de logiciels agentiques | 7/10 |
Moyenne : 5,6/10.
Sérieux technique de la communication publique. La recherche explicite ses compromis expérimentaux. L’assurance de sécurité et le calculateur économique optimiste avancent des affirmations que leurs mesures sous-jacentes n’étayent pas. (5, 15, 20)
Intégrité de la feuille de route technologique. La séquence allant de la recherche en vision industrielle aux kits d’inspection déployés est cohérente. La contribution FPGA a un dossier expérimental concret, même si sa continuation dans le matériel Spark actuel reste indéterminée. (3, 12, 14)
Netteté conceptuelle. Apprendre l’apparence acceptable et réduire le travail d’énumération des défauts répondent à un problème industriel clair. Choisir le compromis d’erreurs économiquement pertinent et intégrer l’incertitude de qualité dans des décisions plus larges restent hors de la méthodologie démontrée. (2, 5)
Responsabilité économique. Un calculateur qui masque les résultats négatifs et suppose une récupération intégrale des coûts ne peut éprouver la proposition commerciale. Les déclarations publiques de clients et les documents juridiques n’apportent ni critères d’acceptation ni engagements correctifs manquants. (18, 19, 20)
Défendabilité dans un monde de logiciels agentiques. Optique, intégration physique, données métier et validation sur le terrain restent exigeantes même si les agents réduisent le coût de programmation. L’avantage de Scortex dépend de la conservation de ces capacités pratiques et de l’amélioration de la maintenance des modèles, plutôt que de la simple exposition d’une interface de discussion. (5, 16, 21)
Sources
Source publique. Consultée le 4 novembre 2026.
Source publique. Consultée le 4 novembre 2026.
[3] Brochure Spark EN_26-08-V1
Source publique. Publication ou date : 2026-08. Consultée le 4 novembre 2026.
[4] L’automatisation du contrôle qualité chez Toly grâce à Spark
Source publique. Publication ou date : 2024-06-26. Consultée le 4 novembre 2026.
[5] Optimiser PatchCore pour la détection d’anomalies avec peu ou beaucoup d’exemples
Source publique. Publication ou date : 2023-07-20. Consultée le 4 novembre 2026.
[6] Implémentation de PatchCore avec peu d’exemples
Source publique. Publication ou date : 2023. Consultée le 4 novembre 2026.
[7] Données techniques Spark EN-23-11-V1
Source publique. Publication ou date : 2024. Consultée le 4 novembre 2026.
[8] Données techniques Spark EN-25-03-V4
Source publique. Publication ou date : 2025-03. Consultée le 4 novembre 2026.
[9] Portefeuille Notion : Scortex
Source publique. Consultée le 4 novembre 2026.
[10] Portefeuille Alven : Scortex
Source publique. Consultée le 4 novembre 2026.
[11] Scortex, partenaire technologique de COGNITWIN
Source publique. Publication ou date : 2019-12-04 affiché ; modifié ensuite. Consultée le 4 novembre 2026.
[12] Deuxième bulletin COGNITWIN : plateforme FPGA de Scortex
Source publique. Publication ou date : 2021. Consultée le 4 novembre 2026.
[13] Rapport périodique final de COGNITWIN
Source publique. Publication ou date : 2023. Consultée le 4 novembre 2026.
[14] TRIGO Group a acquis la startup industrielle SCORTEX
Source publique. Publication ou date : 2022-05-06. Consultée le 4 novembre 2026.
[15] Notre engagement pour la sécurité
Source publique. Publication ou date : 2019-07-28 affiché ; mentionne le produit Spark ultérieur. Consultée le 4 novembre 2026.
[16] Machine Learning & Computer Vision Platform Engineer
Source publique. Publication ou date : recrutement de 2026 ; prise de poste le 1er juin. Consultée le 4 novembre 2026.
[17] Compiler LinuxPTP pour SparkOS et Wago RIOM-CC100
Source publique. Publication ou date : 2023. Consultée le 4 novembre 2026.
[18] Conditions d’utilisation de la solution Scortex
Source publique. Consultée le 4 novembre 2026.
Source publique. Consultée le 4 novembre 2026.
[20] Calculateur de ROI : code public de calcul
Source publique. Consultée le 4 novembre 2026.
[21] Optical and Vision Technician : description du poste par l’employeur
Source publique. Consultée le 4 novembre 2026.