Fayçal Slaoui (Monk) : “Nous voulons fournir un outil d’aide à l’expert et à l’assureur pour évaluer les dommages”

Monk explore le domaine de la computer vision pour améliorer la détection des dommages aux biens. Comment est née la société ?

Avec Abou Laraki (cofondateur et CEO), nous nous sommes rencontrés dans le cadre du programme Entrepreneur First à Station F. Grâce aux récentes avancées technologiques, nous étions convaincus du potentiel de la computer vision (vision par ordinateur, une branche de l’intelligence artificielle qui vise à analyser des informations contenues dans des images ou des vidéos, ndlr) pour la détection d’anomalies. Notre idée de départ a été d’étudier les applications liées à l’économie du partage. Lors d’un échange matériel entre deux personnes, il y a toujours une zone grise. Grâce à un examen visuel de l’objet, nous voulions effacer cette asymétrie d’informations qui existe entre le vendeur et l’acheteur. 

En avançant, nous avons identifié de très fortes attentes dans le secteur automobile pour tous les acteurs de la chaîne : concessionnaires, constructeurs, loueurs, assureurs… Les besoins en matière d’inspection automobile sont considérables : rien qu’en France, plus de 5 milliards de véhicules sont inspectés chaque année. Notre mission consiste à pouvoir déterminer avec exactitude les dommages occasionnés à un véhicule à partir d’une série de photos. L’étape suivante, sur laquelle nous travaillons, concerne l’évaluation du coût des réparations. C’est un enjeu important pour les assureurs qui ne détiennent pas ces données de chiffrage et passent aujourd’hui par des fournisseurs comme GT Motive ou Sidexa.

Votre premier client a été Drivy (devenu Getaround). Comment collaborez-vous avec cette plateforme d’autopartage ?

L’équipe de Drivy nous a fait confiance avant même la création de la société. Nous leur avons apporté une gestion automatisée de l’état du bien, sachant que la société effectue 50 000 locations par mois environ. 8 photos sont prises au moment de la prise du véhicule, ce qui le déverrouille (dans le cas du service Getaround Connect), puis 8 autres lors de la restitution. Les résultats ont été meilleurs que ce que l’équipe avait pu expérimenter jusque là. 

Comment votre solution se différencie-t-elle de la concurrence ?

Nous sommes agnostiques face à la source de capture ; il peut s’agir d’un smartphone, d’une caméra ou même d’un portique. Notre approche, qui est basée sur la détection plutôt que sur la classification, permet d’aller identifier des dommages d’une plus grande complexité en descendant à l’échelle du pixel. La carrosserie d’une voiture s’apparente en quelque sorte à un miroir et il est très difficile de différencier une rayure d’une courbure ou d’un enfoncement. 

C’est pourquoi nos efforts en matière de R&D portent sur l’exploitation de la vidéo. En jouant sur la cohérence temporelle entre les images, nous pouvons atteindre plus de granularité et de finesse dans l’analyse. Nous ne sommes pas encore en production sur la vidéo, car nous ne préférons pas modifier les workflows déjà existants de nos clients, mais nous observons déjà des résultats très prometteurs.

Quel est le niveau de performance atteint par vos algorithmes ?

Nous avons mis en place des seuils de confiance pour signaler au client si une vérification humaine est souhaitable. Cela passe par un système de vote lors de l’analyse de la séquence de photos. Bien entendu, nous nous adaptons aux règles métiers qui varient en fonction des cas d’usage et du profil du client. Un loueur ou un assureur fera preuve d’une plus grande tolérance face à un dommage qu’un constructeur pour une inspection en sortie d’usine. Il est difficile de donner des indicateurs généraux de performance, mais nous considérons par exemple que pour un cas d’usage lié à l’assurance, nos modèles de détection peuvent être au meilleur niveau de l’humain dans 85 à 90% des cas.  

Quel modèle de souscription appliquez-vous ?

Nous suivons un modèle SaaS, avec un abonnement mensuel et une facturation en fonction du volume d’appels de l’API. Le coût pour la détection de dommages s’élève à quelques euros par dossier.

Vous annoncez vouloir cibler le secteur de l’assurance. Comment attaquez-vous le marché ?

Les assureurs doivent pouvoir évaluer au plus près leur exposition au risque et leurs pertes en matière de sinistres. Le système repose aujourd’hui sur des inspections manuelles, avec l’intervention d’un expert sur place ou à distance. Nous voulons fournir un outil d’aide à l’expert et à l’assureur pour évaluer les dommages. Cela peut passer par l’envoi d’un contre-devis ou d’un rapport de dommages avant même que le carrossier ne réceptionne le véhicule. L’objectif est de raccourcir la durée d’immobilisation du véhicule, avec des gains à la clé pour l’assureur. Nous pensons qu’il y a aussi un marché pour l’inspection lors de la souscription du contrat, un cas d’usage totalement inexploité aujourd’hui en raison du coût.

Avec combien d’assureurs travaillez-vous ?

Nous sommes en PoC avec deux assureurs français et allemand, dont l’un à la fois sur la souscription et les sinistres et l’autre uniquement sur les sinistres, ainsi qu’avec un constructeur et un équipementier. Nous travaillons notamment avec un fournisseur allemand tier 1 d’électronique sur l’association de notre technologie à des capteurs de vibration embarqués. Ces capteurs permettent de détecter si la voiture a eu un impact et le cas échéant de déclencher une prise de photos pour identifier un éventuel dommage. Ce système permet de prouver la réalité d’un impact et vise à accélérer la déclaration de sinistre. 

Vous avez levé 2,1 millions d’euros auprès d’Iris Capital et de business angels. Comment la société est-elle structurée ?

Nous sommes aujourd’hui basés à Station F mais nous allons rejoindre très prochainement le programme d’incubation d’Agoranov. La société compte 11 personnes : 3 dans le pôle business, 5 dans le pôle R&D, 2 dans le pôle tech et 1 dans le pôle data. Nous voulons continuer à investir dans le développement du produit et passer d’une démarche orientée R&D à une logique Enterprise SaaS. Nous pouvons compter sur des conseillers techniques de premier plan : Jérémie Jakubowicz, professeur d’IA à l’X et VP data chez ManoMano, ou Belhal Karimi, PhD de machine learning à l’X. Notre prochain recrutement sera un VP engineer et/ou un lead dev.