Cette page rassemble les notions essentielles et conduit vers des dossiers plus spécialisés. Les capacités, contraintes et règles doivent toujours être vérifiées pour le terrain et l’usage concernés.
L’IA de surveillance ne remplace pas la sécurité : elle lui donne le bon signal
Une caméra enregistre. Un capteur signale. Une intelligence artificielle de surveillance transforme ces flux en événements exploitables : elle détecte une présence, classe un objet, rapproche plusieurs indices et place l’alerte la plus urgente devant un opérateur. Sa valeur n’est donc pas de « tout comprendre », mais de réduire le temps entre un fait observable et une action humaine proportionnée. Le cadre de référence est précisé dans Intelligence artificielle : réglementation en Suisse (Chancellerie fédérale) et Règlement (UE) 2024/1689 sur l’intelligence artificielle (Union européenne).
Bien conçue, cette couche d’analyse aide une équipe à surveiller un périmètre plus vaste sans regarder chaque écran. Elle peut distinguer une personne d’un animal ou rapprocher l’ouverture d’une porte d’une détection thermique. Elle ne connaît pourtant ni l’intention d’un individu ni la réalité hors champ. Elle produit une hypothèse scorée, pas un verdict.
Une chaîne opérationnelle, pas une fonction magique
Le dispositif pertinent commence par un risque concret : intrusion nocturne, accès non autorisé, départ de feu, chute ou objet abandonné. On choisit ensuite les capteurs, les règles, le niveau de confiance et la procédure. L’IA peut préqualifier l’événement ; un opérateur effectue la levée de doute, consulte le contexte et décide d’appeler un responsable, d’envoyer un agent ou de ne rien faire. Automatiser cette chaîne sans définir les responsabilités ne fait qu’accélérer la confusion.
- Fait documenté : les systèmes actuels savent extraire des objets, trajectoires et anomalies dans un périmètre défini.
- Capacité réaliste : agréger plusieurs indices pour présenter une alerte contextualisée.
- Limite : une probabilité élevée ne prouve ni l’identité, ni l’intention, ni l’infraction.
- Scénario illustratif : une personne détectée après fermeture est vérifiée par vidéo avant toute intervention.
Détecter, classer, corréler, prioriser : les quatre métiers de l’algorithme
Une démonstration spectaculaire peut masquer une mauvaise question. Pour évaluer un système, il faut décomposer son travail. La détection localise un événement ; la classification lui attribue une catégorie ; la corrélation le rapproche d’autres signaux ; la priorisation détermine ce qui doit être montré d’abord. Chaque étape a ses propres erreurs, ses seuils et ses données de référence.
De pixels bruts à une alerte vérifiable
Une caméra peut produire plusieurs dizaines d’images par seconde, mais l’opérateur n’a besoin que d’un événement structuré : zone, heure, classe présumée, trajectoire, niveau de confiance et extrait vidéo avant/après. Le suivi temporel évite qu’une même personne déclenche vingt alertes en vingt secondes. Des règles métier ajoutent le contexte : une livraison à 14 heures est normale ; le même mouvement derrière un portail fermé à 02 h 10 mérite une vérification.
La corrélation devient décisive sur un site complexe. Une détection vidéo isolée peut être un reflet. Associée à un contact de portail et un radar dans la même fenêtre temporelle, elle devient plus crédible. À l’inverse, un badge valide peut diminuer la priorité. Une architecture saine conserve les signaux contradictoires au lieu de forcer une certitude.
- Détecter : trouver une présence, un franchissement, une fumée ou une variation inhabituelle.
- Classer : proposer « personne », « véhicule », « animal », « colis » ou une autre classe prévue.
- Corréler : réunir vidéo, thermique, accès, radar, acoustique et position d’un robot ou drone.
- Prioriser : appliquer gravité, confiance, horaire, zone et disponibilité des équipes.
L’identification est une autre décision
Reconnaître une catégorie n’est pas identifier une personne. La reconnaissance faciale ou la lecture de plaques ajoutent des enjeux techniques et juridiques distincts. Le NIST mesure encore des écarts démographiques entre algorithmes de reconnaissance faciale et rappelle que qualité d’image, éclairage et angle influencent les faux négatifs. Pour de nombreux besoins privés, détecter une intrusion puis vérifier la scène suffit ; collecter une identité serait disproportionné.
Pour approfondir ce point, consultez Vidéosurveillance intelligente : le guide. Choisir les caméras, analyses et procédures qui transforment une image en alerte vérifiable.
Vision, thermique et anomalies : voir différemment pour mieux décider
Aucun capteur n’est universel. Une caméra visible apporte couleur, texture et détails utiles à la vérification. Une caméra thermique capte les différences de rayonnement et reste efficace sans lumière, mais son image est moins adaptée à l’identification. Radar, lidar, microphones techniques, contacts d’ouverture et capteurs environnementaux complètent la scène. L’IA devient intéressante lorsqu’elle respecte cette spécialisation au lieu de prétendre qu’un flux remplace tous les autres.
Vision par ordinateur : objets, zones et trajectoires
La vision par ordinateur peut détecter personnes et véhicules, suivre leur trajectoire, compter des passages ou repérer un franchissement. Sa performance dépend du champ de vue, des pixels sur la cible, de l’occlusion, de la météo et de l’éclairage. Un bon modèle peut décevoir devant une caméra trop haute, une végétation mouvante ou une veste réfléchissante. L’étude de site reste décisive.
L’analyse d’anomalies apprend ou formalise ce qui est habituel, puis signale l’écart. Elle peut révéler un mouvement à une heure rare ou un véhicule circulant à contresens, mais « rare » ne signifie pas « dangereux ». Un prestataire de maintenance imprévu est une anomalie légitime. Ces systèmes conviennent surtout à la découverte et à la priorisation, avec une validation humaine attentive.
Thermique et fusion multi-capteurs
Le thermique est précieux pour détecter une signature chaude dans l’obscurité, la brume légère ou une scène à faible contraste. Des fabricants comme Axis le positionnent pour la détection périmétrique tout en soulignant que l’image thermique n’offre pas les mêmes détails identifiants qu’une caméra visible. Les surfaces chauffées, reflets thermiques, animaux et variations saisonnières imposent néanmoins un réglage local. Un opérateur peut demander une vue optique orientée vers la zone pour qualifier l’alerte. Les caractéristiques annoncées sont détaillées dans Caméra thermique Q2111-E pour la détection périmétrique (Axis Communications).
La fusion peut être précoce, lorsque les données brutes sont combinées, ou tardive, lorsque chaque capteur produit son événement avant corrélation. La seconde approche est souvent plus lisible et plus robuste en sûreté : si un capteur tombe, les autres continuent et l’on sait quelle preuve soutient l’alerte. Un bon système affiche cette provenance plutôt qu’un score opaque unique.
- Optique : détails contextuels et vérification visuelle, sensible aux conditions d’image.
- Thermique : détection jour/nuit et faible contraste, détails d’identité limités.
- Radar ou lidar : distance, direction et mouvement, sans fournir à eux seuls la nature de la scène.
- Capteurs d’accès : événement précis, mais compromis possibles si un badge est prêté ou volé.
Edge, cloud ou hybride : placer l’intelligence là où le risque l’exige
Le lieu du calcul change la latence, la résilience, la confidentialité et la maintenance. Sur l’edge, l’inférence s’exécute dans la caméra, le robot ou un serveur local. Le cloud facilite la consolidation multisite et les mises à jour, mais dépend davantage du réseau et transfère potentiellement des données. Une architecture hybride traite localement les événements urgents, puis centralise seulement les métadonnées et extraits nécessaires.
Le compromis se décide scénario par scénario
Pour une alerte périmétrique, quelques secondes et une connexion intermittente peuvent être critiques : détection locale, tampon chiffré et mode dégradé sont préférables. Pour rechercher des tendances entre plusieurs entrepôts, une plateforme centralisée peut convenir. Le choix doit aussi considérer puissance, maintenance des modèles et bande passante, pas seulement la licence.
Le mode dégradé doit être testé. Que se passe-t-il si le lien internet, le GPS, le serveur d’analyse ou l’horloge réseau tombe ? Les capteurs doivent signaler leur propre indisponibilité, les événements critiques rester enregistrés, et l’équipe disposer d’une procédure alternative. Une IA silencieuse est plus dangereuse qu’une IA qui annonce clairement qu’elle ne peut plus conclure.
Minimiser avant de transporter
Recadrer sur la zone utile, masquer les espaces voisins, transformer une vidéo en métadonnées ou supprimer rapidement un flux non pertinent réduit l’exposition. Le traitement local ne rend toutefois pas automatiquement un système conforme ni sûr : un appareil edge mal administré reste un ordinateur connecté. Il faut inventorier les équipements, contrôler les accès, chiffrer les communications et maîtriser le cycle de mise à jour.
Les données d’entraînement ne ressemblent jamais tout à fait à votre site
Un modèle apprend des régularités dans des données passées. Sa fiche technique ne garantit donc pas sa performance sous la neige jurassienne, face à une baie vitrée, dans un dépôt encombré ou avec l’uniforme particulier d’un sous-traitant. Il faut documenter l’origine des données, les classes, les conditions représentées et les exclusions. Puis valider sur le terrain avec des scènes normales et difficiles.
Construire une vérité terrain défendable
La « vérité terrain » est l’étiquette humaine utilisée pour juger le modèle. Elle doit préciser ce qui compte réellement : une silhouette derrière la clôture est-elle une intrusion si elle reste sur le trottoir ? Deux annotateurs peuvent diverger ; ces désaccords révèlent souvent une règle métier ambiguë. Il est préférable de les résoudre avant le déploiement plutôt que de masquer l’incertitude dans un score.
Le jeu de validation doit couvrir jour, nuit, saisons, pluie, neige, contre-jour, équipements de protection, tailles et mobilités différentes. Les cas rares méritent des essais contrôlés : intrusion simulée, porte ouverte, caméra partiellement occultée. Les enregistrements de personnes doivent rester nécessaires, proportionnés, sécurisés et assortis d’une durée de conservation.
Dérive : quand le monde change après la recette
Une nouvelle clôture, une caméra déplacée, la pousse de végétation, une mise à jour logicielle ou un changement d’activité peuvent faire dériver les entrées et les résultats. Surveiller seulement la disponibilité du serveur ne suffit pas. Il faut suivre la distribution des alertes, rééchantillonner des cas négatifs, comparer les performances par caméra et revalider après toute modification importante. La mise à jour d’un modèle doit être versionnée et réversible. Le cadre de référence est précisé dans AI Act : calendrier d’application (Commission européenne).
Faux positifs, faux négatifs et biais : mesurer le coût de chaque erreur
Un faux positif déclenche une alerte sans événement pertinent ; un faux négatif laisse passer ce que le système devait détecter. Abaisser le seuil réduit parfois les omissions mais augmente le bruit. La bonne valeur dépend du danger, de la fréquence réelle et de la capacité de traitement. Un départ de feu potentiel et un passage près d’une porte secondaire n’acceptent pas le même compromis.
Le taux global cache les problèmes utiles
Une précision annoncée sans contexte est peu informative. Il faut connaître la matrice de confusion, la précision des alertes, le rappel des événements, les résultats par caméra, par horaire et par condition. Sur un événement très rare, un faible taux de faux positifs peut encore produire plus de fausses alertes que de vraies. Mesurer le nombre d’alertes par quart et le temps humain consommé traduit mieux l’effet opérationnel.
Les biais peuvent venir des données, de l’optique, de l’annotation, du seuil ou du contexte d’usage. Les évaluations du NIST sur la reconnaissance faciale montrent des différentiels démographiques et l’influence de la qualité d’image. La réponse n’est pas une promesse de « modèle neutre », mais une évaluation ciblée, la limitation des usages sensibles et une voie de recours lorsqu’un résultat affecte une personne. Les travaux de référence sont disponibles dans Face Recognition Technology Evaluation : effets démographiques (NIST).
Expliquer assez pour agir et auditer
En sûreté, une explication utile n’est pas nécessairement une formule mathématique. L’opérateur a besoin de la zone déclenchée, de la classe supposée, des capteurs concordants, du clip contextuel, du seuil appliqué et de la version du modèle. Un responsable doit pouvoir reconstituer pourquoi l’alerte a été élevée ou écartée. Une carte thermique peut aider, mais elle ne remplace ni la documentation ni les tests.
- Tolérance d’erreur définie par scénario et gravité.
- Tests segmentés par conditions pertinentes, pas seulement une moyenne.
- Échantillonnage régulier des alertes rejetées pour chercher les omissions.
- Journal de version, seuil, justification et action humaine.
Supervision humaine : transformer l’alerte en réponse proportionnée
L’humain n’est pas une caution ajoutée à la fin du projet. Il conçoit les règles, vérifie les événements ambigus, choisit l’action et nourrit l’amélioration. Une interface qui affiche trop d’alertes, cache l’incertitude ou exige six écrans affaiblit cette supervision. La charge cognitive, les horaires, les compétences et le droit d’interrompre l’automatisation font partie de la performance.
Une procédure courte pour chaque alerte
Chaque scénario doit indiquer qui reçoit l’alerte, quels éléments vérifier, dans quel délai, qui peut être contacté et quand escalader. Une intrusion périmétrique peut déclencher un clip de dix secondes, la vue thermique, l’état du portail et la position d’un robot. L’opérateur classe ensuite l’événement : confirmé, légitime, indéterminé ou défaut technique. Cette décision et son motif deviennent des données de pilotage, pas un matériau d’entraînement automatique sans contrôle.
La réponse peut mobiliser un haut-parleur, un agent sur site, un responsable d’astreinte ou les services compétents selon la situation. La technologie ne doit jamais présumer de l’usage de la force ni transformer une classification en culpabilité. Pour un robot ou un drone, le contrôle humain doit inclure les limites de déplacement, l’arrêt sûr, les zones interdites et les règles de reprise en main.
Former aussi à contredire l’IA
Un opérateur doit comprendre la différence entre score et certitude, reconnaître les conditions dégradées et signaler une erreur récurrente. Des exercices périodiques testent le système complet : détection, transmission, compréhension de l’interface, appel et intervention. Une équipe qui ose annuler une alerte mal fondée, ou au contraire escalader malgré un score faible, exerce une supervision réelle.
Pour approfondir ce point, consultez Sécurité robotisée pour entreprises. Relier capteurs, rondes, supervision et intervention aux processus de l’entreprise.
Cybersécurité : protéger le modèle, les capteurs et la preuve
Une IA de surveillance élargit la surface d’attaque : caméras IP, comptes cloud, passerelles, robots, API, jeux de données et chaîne de mise à jour. Une compromission peut interrompre les alertes, exposer des images ou modifier les résultats. ENISA et le NIST décrivent en plus des menaces propres au machine learning, notamment empoisonnement des données, évasion adversariale et exfiltration. Pour vérifier ce point, consulter Adversarial Machine Learning : attaques et mesures d’atténuation (NIST) et Securing Machine Learning Algorithms (ENISA).
La sécurité par couches reste la meilleure défense
Le réseau de sûreté doit être segmenté, les services inutiles désactivés et l’administration protégée par une authentification forte. Les communications et sauvegardes doivent être chiffrées ; les droits, limités par rôle. Les équipements, firmwares, modèles et dépendances doivent figurer dans un inventaire avec propriétaire, version et fin de support. Une mise à jour signée se teste avant déploiement et peut être annulée.
Les journaux doivent révéler la désactivation d’une caméra, un changement de seuil, un export massif ou une connexion inhabituelle. L’intégrité des clips importants doit être vérifiable. Les tests d’intrusion classiques restent nécessaires, complétés par des essais de robustesse : masquage partiel d’une caméra, motifs trompeurs, données hors distribution et surcharge d’alertes. Aucune défense n’étant absolue, le plan d’incident précise isolement, continuité, notification et restauration.
- Identités uniques, moindre privilège et revue régulière des accès.
- Segmentation réseau, chiffrement et supervision des équipements.
- Provenance des modèles et données, signatures et contrôle des mises à jour.
- Sauvegardes testées, mode dégradé et procédure de réponse cyber.
Suisse, Europe et gouvernance : innover dans un périmètre maîtrisé
Au 27 juillet 2026, la Suisse ne dispose pas d’une loi générale unique consacrée à l’IA. La LPD, en vigueur depuis septembre 2023, s’applique directement aux traitements de données reposant sur l’IA. Le PFPDT insiste sur finalité, proportionnalité, transparence et analyse d’impact lorsqu’un traitement présente un risque élevé. Le droit du travail ajoute des limites à la surveillance du comportement des employés. Le cadre de référence est précisé dans La loi actuelle sur la protection des données est directement applicable à l’IA (PFPDT), Vidéosurveillance effectuée par des particuliers (PFPDT) et Vidéosurveillance sur le lieu de travail (PFPDT).
Le cas Coop : une limite fonctionnelle peut protéger
En octobre 2025, le PFPDT a clos son examen préalable des caméras intelligentes utilisées par Coop à certaines caisses en libre-service. Après avoir vérifié le fonctionnement, il a relevé qu’elles ne faisaient pas de reconnaissance faciale et ne pouvaient pas analyser le comportement d’achat ; il a conclu que ce traitement respectait la LPD et ne créait pas de risque accru pour les personnes concernées. Ce cas documenté ne valide pas toute caméra IA : il montre l’importance d’un objectif borné, d’une information claire et de fonctions exclues. Le cadre de référence est précisé dans Examen préalable Coop : caméras intelligentes aux caisses libre-service (PFPDT).
Pour un projet privé, il faut limiter le champ au bien-fonds, éviter en principe l’espace public, informer les personnes, fixer une conservation nécessaire et protéger les données. Au travail, filmer pour la sécurité ne doit pas devenir un contrôle permanent du comportement. Une analyse d’impact, des masques de confidentialité et une validation indépendante sont des outils de conception, pas des formalités de fin de projet.
Anticiper l’UE sans confondre les régimes
Le règlement européen sur l’IA entre dans sa phase générale d’application le 2 août 2026, avec un calendrier distinct pour certaines obligations et catégories à haut risque. Il encadre fortement plusieurs usages biométriques. Une entreprise suisse qui fournit ou déploie un système sur le marché européen doit donc qualifier son rôle et son cas d’usage. Même hors obligation directe, documenter risques, données, performances, supervision et changements facilite la confiance et prépare l’internationalisation. Le cadre de référence est précisé dans La Suisse signe la Convention-cadre sur l’IA (Conseil de l’Europe).
Les cadres volontaires complètent ce socle : le NIST AI RMF structure la gouvernance autour de Govern, Map, Measure et Manage ; ISO/IEC 42001 définit un système de management de l’IA en amélioration continue. Ils ne remplacent ni la loi ni une analyse juridique contextualisée, mais offrent un langage utile entre sûreté, IT, direction, fournisseurs et responsables de la protection des données. Le cadre de référence est précisé dans Artificial Intelligence Risk Management Framework 1.0 (NIST) et ISO/IEC 42001:2023, système de management de l’intelligence artificielle (ISO).
Pour approfondir ce point, consultez Réglementation suisse de la surveillance robotisée. Cadrer protection des données, lieux filmés, drones, responsabilités et information.
Passer du pilote à un système utile : cas réel, KPIs et méthode d’achat
Un pilote réussi n’est pas une vidéo de démonstration. Il compare un point de départ, un scénario cible et des critères d’acceptation sur plusieurs semaines et conditions. La Federal Railroad Administration américaine fournit un exemple instructif : une équipe a utilisé l’IA pour analyser plus de 27 000 heures de vidéo en direct et 1 176 heures enregistrées sur onze sites, détectant plus de 29 000 événements d’intrusion ferroviaire. Tous les résultats ont été validés manuellement avant d’alimenter la base. Les travaux de référence sont disponibles dans Development of Railroad Trespassing Database Using AI (Federal Railroad Administration) et Railroad Artificial Intelligence Intruder Learning System (Federal Railroad Administration).
Ce cas documenté illustre une pratique transférable, pas une promesse de performance pour un autre site : automatiser le tri de volumes impossibles à revoir à la main, conserver un humain pour établir la donnée fiable, puis utiliser les tendances pour cibler des mesures. La FRA présente également RAIILS comme une recherche visant la détection en temps réel, ce qui rappelle la différence entre preuve de concept, évaluation et produit opérationnel.
Mesurer l’impact de bout en bout
Les KPIs techniques et humains se lisent ensemble : rappel, précision des alertes, taux d’indéterminés, disponibilité, délai de présentation, temps de levée de doute et délai d’action. Ajoutez les alertes par heure opérateur, les pannes silencieuses et les écarts par condition. Un taux flatteur ne compense pas une alerte tardive.
La mesure doit conduire à une décision : maintenir, recalibrer, étendre, réduire ou arrêter. Avant généralisation, exigez la propriété des journaux, l’export des événements, une politique de conservation, les performances par scénario, le support en Suisse, la réversibilité et les responsabilités en cas d’erreur. Refusez les garanties d’« absence de faux positifs » et les modèles qui changent sans historique.
- 1. Cartographier les risques, zones, personnes concernées et réponses possibles.
- 2. Définir vérité terrain, seuils, cas limites et critères d’arrêt.
- 3. Tester en conditions réelles, y compris panne, météo et scénario contradictoire.
- 4. Former les opérateurs, documenter les décisions et auditer les écarts.
- 5. Étendre seulement lorsque le gain opérationnel et la maîtrise des risques sont démontrés.
Ce que My Robot Guard apporte
My Robot Guard peut assembler capteurs, caméras, robots, drones, logiciels d’analyse et supervision humaine autour de vos scénarios réels. L’objectif n’est pas de placer de l’IA partout, mais de créer une chaîne explicable : quel signal est capté, comment il est qualifié, qui le vérifie et quelle action devient possible. Selon le site, la meilleure réponse peut être une règle simple, une fusion multi-capteurs ou une ronde mobile ciblée.
Une étude sérieuse commence par les lieux, les flux, les incidents redoutés et les contraintes de protection des données. Elle débouche sur une architecture, des essais et des indicateurs discutables par les équipes de sûreté, l’IT et la direction. C’est ainsi que l’IA passe d’une promesse abstraite à un outil de décision mesurable.
Pour approfondir ce point, consultez Sécurité des sites industriels et logistiques. Déployer une détection résiliente sur de grands périmètres et des flux complexes.
Questions fréquentes
Que peut réellement détecter une IA de surveillance aujourd’hui ?
Dans un champ de vue et des conditions définis, elle peut détecter et suivre des personnes ou véhicules, franchissements, immobilités, objets abandonnés, fumées apparentes ou écarts à une routine. La capacité dépend des données, de l’optique, du placement et du réglage. Elle ne déduit pas de façon fiable l’intention d’une personne et ne doit pas transformer une catégorie probable en accusation.
L’IA peut-elle remplacer un opérateur de sécurité ?
Elle peut réduire la surveillance passive et présenter les événements prioritaires, mais l’opérateur apporte le contexte, vérifie les indices contradictoires et choisit une réponse proportionnée. Les cas ambigus, les pannes et les situations hors distribution exigent cette supervision. Le bon objectif est une coopération mesurable : moins de bruit, une levée de doute plus rapide et une procédure humaine mieux informée.
Quelle différence entre détection, classification et reconnaissance faciale ?
La détection localise un objet ou événement ; la classification propose une catégorie, par exemple personne ou véhicule ; la reconnaissance faciale cherche à relier un visage à une identité. Cette dernière traite des données biométriques et augmente fortement les risques d’erreur et d’atteinte aux droits. Beaucoup de scénarios de sûreté peuvent fonctionner sans identification, grâce à une détection contextualisée puis une vérification humaine.
Caméra thermique ou caméra visible : laquelle choisir ?
La caméra thermique détecte des contrastes de chaleur et reste utile dans l’obscurité ou une scène visuellement peu contrastée. La caméra visible fournit davantage de détails pour comprendre et vérifier. Elles sont souvent complémentaires : le thermique repère, l’optique qualifie. Le choix dépend de la distance, de la météo, du champ de vue, de la cible et du niveau de détail réellement nécessaire.
Comment réduire les faux positifs sans manquer les vraies alertes ?
Il faut régler les seuils par scénario, améliorer le cadrage, exclure les zones perturbatrices, suivre un objet dans le temps et corréler plusieurs capteurs. La mesure doit séparer jour, nuit, météo et caméra. Réduire toutes les alertes n’est pas un objectif suffisant : échantillonnez aussi les événements rejetés afin de repérer les faux négatifs, et validez chaque changement sur une vérité terrain.
Une IA traitée localement sur l’edge protège-t-elle automatiquement les données ?
Non. L’edge peut limiter les transferts, diminuer la latence et continuer lors d’une coupure réseau. Mais la caméra ou le serveur local doit encore être sécurisé, mis à jour, segmenté et administré. La conformité dépend aussi du champ filmé, de la finalité, de l’information, des droits d’accès et de la conservation. Le meilleur schéma est souvent hybride et fondé sur la minimisation.
La surveillance par IA est-elle autorisée en Suisse ?
Elle n’est ni globalement autorisée ni globalement interdite. La LPD s’applique aux traitements de données personnelles basés sur l’IA : finalité, proportionnalité, transparence, sécurité et, en cas de risque élevé, analyse d’impact sont centrales. D’autres règles s’ajoutent selon le contexte, notamment au travail, pour les drones ou l’espace public. Chaque fonction, zone et flux de données doit donc être qualifié.
Quels KPIs demander avant d’acheter une solution ?
Demandez la précision des alertes, le rappel sur des événements testés, les résultats par condition et par caméra, les alertes par heure opérateur, le délai de notification, le temps de levée de doute et la disponibilité. Ajoutez les pannes silencieuses, versions du modèle, changements de seuil et taux d’actions réellement utiles. Les résultats doivent provenir d’un pilote sur votre site, pas seulement d’un benchmark fournisseur.