Dom/rpa_vision_v3
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
cbe8dc95d2b029ca6f39e144a3673d2a50a285ec
rpa_vision_v3/docs/DOSSIER_COMMISSAIRE_AUX_APPORTS.md
Dom 447fbb2c6e
Some checks failed
security-audit / Bandit (scan statique) (push) Successful in 12s
Details
security-audit / pip-audit (CVE dépendances) (push) Successful in 10s
Details
security-audit / Scan secrets (grep) (push) Successful in 8s
Details
tests / Lint (ruff + black) (push) Successful in 13s
Details
tests / Tests unitaires (sans GPU) (push) Failing after 14s
Details
tests / Tests sécurité (critique) (push) Has been skipped
Details
chore: sauvegarde complète avant factorisation executor 
Point de sauvegarde incluant les fichiers non committés des sessions
précédentes (systemd, docs, agents, GPU manager).

Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
2026-04-20 17:03:44 +02:00

659 lines
34 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# Dossier de Présentation Technique — Apport en Nature
## Logiciel RPA Vision V3
**Document destiné au Commissaire aux Apports**
---
| | |
|---|---|
| **Projet** | RPA Vision V3 — Plateforme d'automatisation intelligente par vision |
| **Auteur principal** | Dom — Architecte / Expert principal |
| **Profil** | 32 ans d'expérience en informatique de pointe (sécurité, IA, infrastructure, robotique, direction de projet, industrialisation) |
| **Historique du projet** | Premier jet il y a ~5 ans (V1). Version actuelle (V3) développée sur ~12 mois (préparation + développement actif) |
| **Date du présent document** | 25 février 2026 |
| **Nature de l'apport** | Logiciel, code source, propriété intellectuelle associée |
---
## Table des matières
1. [Résumé exécutif](#1-résumé-exécutif)
2. [Description fonctionnelle](#2-description-fonctionnelle)
3. [Architecture technique](#3-architecture-technique)
4. [Stack technologique](#4-stack-technologique)
5. [Métriques de développement](#5-métriques-de-développement)
6. [Fonctionnalités clés et innovations](#6-fonctionnalités-clés-et-innovations)
7. [État d'avancement](#7-état-davancement)
8. [Positionnement concurrentiel](#8-positionnement-concurrentiel)
9. [Marché adressable](#9-marché-adressable)
10. [Inventaire des dépendances open-source et licences](#10-inventaire-des-dépendances-open-source-et-licences)
11. [Éléments de valorisation](#11-éléments-de-valorisation)
---
## 1. Résumé exécutif
**RPA Vision V3** est une plateforme d'automatisation robotisée des processus (RPA) de nouvelle génération. Contrairement aux solutions existantes (UiPath, Automation Anywhere, Blue Prism) qui reposent sur des sélecteurs HTML/UI fragiles, RPA Vision V3 utilise la **vision par ordinateur et l'intelligence artificielle multimodale** pour comprendre sémantiquement les interfaces utilisateur.
Cette approche résout un problème fondamental du marché RPA : **40 % des robots échouent** lorsque les interfaces changent, et **30 % du marché entreprise** (environnements Citrix/VDI, mainframes, systèmes air-gapped) reste inaccessible aux solutions conventionnelles.
Le logiciel est le fruit d'un travail intensif de conception, développement et intégration mené par l'auteur principal, combinant expertise en intelligence artificielle, vision par ordinateur et ingénierie logicielle.
---
## 2. Description fonctionnelle
### Problème résolu
Les solutions RPA traditionnelles présentent trois faiblesses majeures :
- **Fragilité** — Les sélecteurs CSS/XPath cassent dès qu'une interface est mise à jour, entraînant 60 à 70 % des budgets RPA en maintenance
- **Inaccessibilité** — Les environnements Citrix/VDI, mainframes legacy et systèmes air-gapped (défense, santé) restent hors de portée
- **Rigidité** — Aucune capacité d'adaptation autonome aux changements d'interface
### Solution apportée
RPA Vision V3 automatise les processus métier en :
- **Voyant l'écran** comme un humain (aucun sélecteur, aucune coordonnée fixe)
- **Comprenant sémantiquement** les éléments d'interface (bouton, champ de texte, menu, etc.)
- **S'auto-réparant** lorsqu'une interface change (4 stratégies de récupération)
- **Apprenant continuellement** des exécutions passées pour améliorer sa fiabilité
- **Fonctionnant en local** (aucune donnée envoyée dans le cloud — conformité RGPD/défense)
### Composants fonctionnels
| Composant | Rôle |
|-----------|------|
| **Visual Workflow Builder (VWB)** | Interface web de conception visuelle de workflows (drag & drop) |
| **Moteur d'exécution** | Exécute les workflows avec gestion d'erreurs et auto-réparation |
| **Agent de capture** | Capture cross-plateforme des événements et screenshots |
| **Moteur de détection UI** | Détection hybride des éléments d'interface (IA + vision classique) |
| **Système d'embeddings** | Empreintes multimodales des états d'écran (FAISS, CLIP) |
| **Système d'apprentissage** | Apprentissage progressif et détection de dérive |
| **Dashboard de monitoring** | Tableau de bord temps réel des exécutions et analytics |
| **Catalogue d'actions** | 24+ actions prêtes à l'emploi (clic, saisie, navigation, OCR, IA, etc.) |
---
## 3. Architecture technique
### Architecture en 5 couches
```
Couche 0 : RawSession — Capture brute (événements + screenshots)
↓
Couche 1 : ScreenState — Analyse multi-modale (4 niveaux d'abstraction)
↓
Couche 2 : UIElement Detection — Détection sémantique des éléments UI
↓
Couche 3 : State Embedding — Fusion multimodale (empreinte digitale d'écran)
↓
Couche 4 : Workflow Graph — Graphe de nœuds + apprentissage
```
### Structure du projet
```
rpa_vision_v3/
├── core/ # Moteur IA (192 fichiers Python)
│ ├── analytics/ # Collecte et reporting d'analytics
│ ├── capture/ # Capture d'écran et d'événements
│ ├── detection/ # Détection UI hybride (OWL-v2 + OpenCV + VLM)
│ ├── embedding/ # Embeddings CLIP, FAISS, fusion multimodale
│ ├── execution/ # Exécution des actions et robustesse
│ ├── healing/ # Auto-réparation (4 stratégies)
│ ├── learning/ # Apprentissage continu
│ ├── matching/ # Matching hiérarchique
│ ├── monitoring/ # Métriques et ordonnancement
│ ├── security/ # Audit, tokens, validation
│ ├── system/ # Circuit breaker, auto-heal manager
│ └── training/ # Entraînement offline
│
├── visual_workflow_builder/ # Application web full-stack
│ ├── frontend_v4/ # React 18 + TypeScript + Vite
│ └── backend/ # Flask + SocketIO + SQLAlchemy
│ ├── actions/ # Catalogue de 24+ actions
│ ├── api/ # Endpoints REST et WebSocket
│ ├── contracts/ # Contrats d'interface
│ └── services/ # Services métier (OCR, détection, etc.)
│
├── agent_v0/ # Agent de capture cross-plateforme
├── server/ # API de traitement (FastAPI)
├── web_dashboard/ # Dashboard de monitoring
├── gui/ # Interface desktop (PyQt5)
├── models/ # Modèles IA pré-entraînés
└── tests/ # Suite de tests
```
---
## 4. Stack technologique
### Intelligence artificielle et Machine Learning
| Technologie | Rôle | Licence |
|-------------|------|---------|
| PyTorch 2.x | Framework de deep learning | BSD-3-Clause |
| OpenCLIP (ViT-B-32) | Embeddings vision-langage (512 dimensions) | MIT |
| FAISS | Recherche vectorielle (1M+ embeddings, <100ms) | MIT / BSD-3-Clause |
| Qwen3-VL 8B (via Ollama) | Modèle de vision-langage local | Apache-2.0 |
| OWL-v2 | Détection d'objets zero-shot | Apache-2.0 |
| HuggingFace Transformers | Pipeline de modèles IA | Apache-2.0 |
| docTR (Mindee) | OCR (reconnaissance de caractères) | Apache-2.0 |
### Vision par ordinateur
| Technologie | Rôle | Licence |
|-------------|------|---------|
| OpenCV 4.x | Traitement d'image | Apache-2.0 |
| Pillow | Manipulation d'images | MIT-CMU |
| MSS | Capture d'écran rapide | MIT |
### Backend
| Technologie | Rôle | Licence |
|-------------|------|---------|
| Python 3.12 | Langage principal | PSF |
| Flask 3.0 | Framework web (VWB) | BSD |
| FastAPI | API de traitement (serveur) | MIT |
| Flask-SocketIO | Communication temps réel | MIT |
| SQLAlchemy 2.0 | ORM base de données | MIT |
| Redis | Cache et files d'attente | MIT |
| Pydantic | Validation de données | MIT |
### Frontend
| Technologie | Rôle | Licence |
|-------------|------|---------|
| React 18 | Framework UI | MIT |
| TypeScript 5.x | Typage statique | Apache-2.0 |
| Vite 5 | Build tool | MIT |
| @xyflow/react 12 | Graphes visuels de workflows | MIT |
### Sécurité et infrastructure
| Technologie | Rôle | Licence |
|-------------|------|---------|
| AES-256-GCM | Chiffrement des sessions | (standard cryptographique) |
| Authentification par tokens | Contrôle d'accès | Développement interne |
| Audit JSONL | Journalisation sécurisée | Développement interne |
---
## 5. Métriques de développement
### Volume de code source (hors dépendances, hors tests)
| Composant | Fichiers | Lignes de code | Langage |
|-----------|----------|----------------|---------|
| Core (moteur IA) | 192 | ~63 800 | Python |
| VWB Backend | 115 | ~42 100 | Python |
| VWB Frontend | 24 | ~6 260 | TypeScript/React |
| Server API | 8 | ~2 900 | Python |
| Agent V0 | 25 | ~7 700 | Python |
| Tests | 177 | ~66 900 | Python |
| **Total** | **~541** | **~189 660** | |
### Historique de développement
Le logiciel RPA Vision V3 est le résultat de **trois itérations majeures** sur une période de 5 ans :
| Version | Période | Rôle |
|---------|---------|------|
| **V1** (premier jet) | ~2021 | Preuve de concept — exploration de l'approche vision pour le RPA |
| **V2** (évolution) | 2022-2024 | Prototypage avancé — validation des choix architecturaux |
| **V3** (version actuelle) | mars 2025 — février 2026 | Développement complet — architecture 5 couches, production-ready |
**Dépôt git V3** (code source livré) :
| Métrique | Valeur |
|----------|--------|
| Nombre de commits | 52 |
| Premier commit V3 | 7 janvier 2026 |
| Dernier commit | 18 février 2026 |
| Contributeur principal | Dom |
| Insertions totales (git) | ~479 000 lignes |
> **Note** : Le dépôt git ne reflète que la phase finale de codage de la V3. Le travail de conception, de R&D et les itérations V1/V2 qui ont fondé l'architecture ne figurent pas dans l'historique de commits mais constituent une part essentielle de la valeur intellectuelle du projet.
### Effort réel de développement
| Phase | Durée | Intensité | Heures estimées |
|-------|-------|-----------|-----------------|
| R&D initiale / V1 et V2 (~5 ans) | ~3 ans cumulés | Variable | Non quantifié — valeur de savoir-faire accumulé |
| Travail préparatoire V3 (conception, veille, architecture) | ~4 mois | ~6 h/jour | ~530 h |
| Développement actif V3 | ~8 mois | ~10-12 h/jour | ~1 760 à 2 100 h |
| **Total effort V3** | **~12 mois** | | **~2 300 à 2 600 h** |
### Profil de l'auteur
- **58 ans**, 32 ans d'expérience en informatique de pointe
- Spécialisations : sécurité, intelligence artificielle (tous niveaux), infrastructure, robotique
- Capacité démontrée à créer des systèmes from scratch, du POC au MVP puis à l'industrialisation
- Direction d'entreprise, direction de projet, développement
- Créateur d'un framework de gestion de projets faisant appel aux nouvelles technologies
- Profil équivalent marché : **Architecte / Expert principal IA** — TJM de référence : 1 200 €/jour
---
## 6. Fonctionnalités clés et innovations
### 6.1 Fusion multimodale d'états d'écran
Chaque état d'écran est résumé en une empreinte vectorielle combinant 4 modalités :
- 50 % Image (screenshot complet via CLIP)
- 30 % Texte (texte détecté)
- 10 % Titre (fenêtre active)
- 10 % UI (éléments détectés)
**Performance** : 0,02 ms par embedding (contrainte : <100 ms) — **500x** plus rapide que le standard.
### 6.2 Auto-réparation en 4 stratégies
Lorsqu'un élément d'interface n'est plus trouvé, le système applique en cascade :
1. **Variantes sémantiques** — Essai de variations visuelles/textuelles
2. **Fallback spatial** — Recherche dans le voisinage
3. **Adaptation temporelle** — Ajustement des temps d'attente
4. **Transformation de format** — Transformation des données d'entrée
Taux de récupération : >95 % des erreurs transitoires, en <30 secondes.
### 6.3 Apprentissage progressif
```
OBSERVATION (5+ exécutions)
↓
COACHING (10+ assistances, >90 % de succès)
↓
AUTO_CANDIDATE (20+ exécutions, >95 % de succès)
↓
AUTO_CONFIRMED (validation utilisateur)
```
Le système détecte automatiquement les dérives d'interface et crée des variantes.
### 6.4 Détection UI hybride
Combine trois approches complémentaires :
- **OWL-v2** : Détection zero-shot (aucun entraînement nécessaire)
- **OpenCV** : Techniques de vision classique
- **VLM (Qwen3-VL)** : Compréhension sémantique via modèle de vision-langage
Détecte 10+ types d'éléments UI avec rôles sémantiques (primary_action, form_input, etc.).
### 6.5 Circuit breaker et résilience
Système de disjoncteur à 5 états (RUNNING, DEGRADED, QUARANTINED, PAUSED, ROLLBACK) inspiré des patterns de production enterprise, avec journalisation d'audit complète.
### 6.6 Exécution 100 % locale
Aucune dépendance cloud. Tous les modèles IA tournent en local (GPU), garantissant la conformité RGPD et l'utilisation en environnements classifiés/air-gapped.
---
## 7. État d'avancement
### Phases complétées (10/13 — 77 %)
| Phase | Description | Statut |
|-------|-------------|--------|
| 1-2 | Fondations + Embeddings FAISS | Terminé |
| 4-6 | Détection UI + Graphes Workflow + Exécution | Terminé |
| 7-8 | Système d'apprentissage + Entraînement | Terminé |
| 10-12 | Gestion GPU + Performance + Monitoring | Terminé |
### Phases restantes (3/13 — 23 %)
| Phase | Description | Statut |
|-------|-------------|--------|
| 3 | Checkpoint final (tests de stockage) | En cours |
| 9 | Visual Workflow Builder (90 % → 100 %) | En cours |
| 13 | Tests end-to-end + Documentation finale | À faire |
### Composants prêts pour la production
- Agent de capture cross-plateforme avec chiffrement AES-256
- Pipeline de traitement serveur + dashboard web
- Système d'analytics et monitoring temps réel
- Auto-réparation et adaptation automatique
---
## 8. Positionnement concurrentiel
### Comparaison avec les solutions existantes
| Critère | UiPath / AA / BluePrism | RPA Vision V3 |
|---------|------------------------|---------------|
| Méthode de détection | Sélecteurs CSS/XPath | Vision par IA |
| Robustesse aux changements UI | Faible (cassure fréquente) | Forte (auto-réparation) |
| Environnements Citrix/VDI | Support limité/payant | Natif |
| Mainframes / Legacy | Non supporté | Supporté |
| Systèmes air-gapped | Non | Oui (100 % local) |
| Apprentissage autonome | Non | Oui (4 niveaux) |
| Coût de maintenance | 60-70 % du budget | Réduit par auto-réparation |
| Cloud requis | Souvent | Jamais |
### Avance technologique estimée
- **2 à 3 ans** d'avance sur l'approche vision-native par rapport aux acteurs traditionnels
- Architecture conçue dès le départ pour la vision (pas un ajout a posteriori)
- Score de moat technique : **85/100** (analyse détaillée disponible)
---
## 9. Marché adressable
### Segments cibles (sous-servis par les solutions existantes)
| Segment | Taille estimée | Problème |
|---------|---------------|----------|
| Citrix / VDI | 3,9 Mds $ | Interfaces sans DOM accessible |
| Legacy / Mainframe | 2,6 Mds $ | Aucun sélecteur disponible |
| Défense / Air-gapped | 1,3 Mds $ | Exigence 100 % local, pas de cloud |
| Santé (RGPD) | 1,8 Mds $ | Données sensibles, conformité stricte |
| **Total adressable** | **~9,6 Mds $** | |
### Marché RPA global
- **2024** : 13 milliards $ — **2030** : 30 milliards $ (CAGR 15 %)
- La transition vers l'IA/vision est un mouvement de fond du secteur
---
## 10. Inventaire des dépendances open-source et licences
Le logiciel RPA Vision V3 est un **développement propriétaire original** qui s'appuie sur des bibliothèques open-source. La propriété intellectuelle réside dans :
- L'architecture 5 couches et sa conception
- Les algorithmes de fusion multimodale
- Le système d'auto-réparation en 4 stratégies
- Le système d'apprentissage progressif
- Le catalogue d'actions et l'intégration complète
- Le Visual Workflow Builder
### 10.1 Dépendances Python directes (requirements.txt)
| Package | Version | Licence | Usage |
|---------|---------|---------|-------|
| numpy | 2.2.x | BSD | Calcul numérique |
| torch | 2.9+ | BSD-3-Clause | Deep learning |
| torchvision | 0.24+ | BSD | Utilitaires vision |
| transformers | 4.57+ | Apache-2.0 | Modèles HuggingFace |
| open_clip_torch | 3.2.x | MIT | Embeddings CLIP |
| faiss-cpu | 1.13.x | MIT / BSD-3-Clause | Recherche vectorielle |
| Pillow | 12.x | MIT-CMU | Manipulation d'images |
| PyQt5 | 5.15.x | **GPL v3** | Interface desktop (GUI) |
| requests | 2.32.x | Apache-2.0 | Requêtes HTTP |
| scikit-learn | 1.7.x | BSD-3-Clause | Machine learning classique |
| opencv-python | 4.12.x | Apache-2.0 | Vision par ordinateur |
| mss | 10.1.x | MIT | Capture d'écran |
| python-doctr | 1.0.x | Apache-2.0 | OCR (reconnaissance de texte) |
| pytest | 9.x | MIT | Tests unitaires |
| hypothesis | 6.x | MPL-2.0 | Tests property-based |
### 10.2 Dépendances VWB Backend
| Package | Version | Licence | Usage |
|---------|---------|---------|-------|
| Flask | 3.0.x | BSD | Framework web |
| Flask-SocketIO | 5.3.x | MIT | WebSocket temps réel |
| Flask-CORS | 4.0.x | MIT | Cross-origin |
| SQLAlchemy | 2.0.x | MIT | ORM base de données |
| Flask-SQLAlchemy | 3.1.x | BSD-3-Clause | Intégration Flask/SQLAlchemy |
| marshmallow | 3.20.x | MIT | Sérialisation |
| redis | 5.0.x | MIT | Cache |
| pydantic | 2.5.x | MIT | Validation de données |
| jsonschema | 4.20.x | MIT | Validation JSON |
| python-dotenv | 1.0.x | BSD-3-Clause | Variables d'environnement |
| black | 23.x | MIT | Formatage de code |
| flake8 | 6.x | MIT | Linting |
| mypy | 1.7.x | MIT | Vérification de types |
### 10.3 Dépendances Server (FastAPI)
| Package | Version | Licence | Usage |
|---------|---------|---------|-------|
| fastapi | 0.115+ | MIT | API REST |
| uvicorn | 0.30+ | BSD-3-Clause | Serveur ASGI |
| python-multipart | 0.0.6+ | Apache-2.0 | Upload de fichiers |
| cryptography | 41+ | Apache-2.0 / BSD-3-Clause | Chiffrement AES-256 |
### 10.4 Dépendances JavaScript/Frontend (package.json)
| Package | Version | Licence | Usage |
|---------|---------|---------|-------|
| react | 18.3.x | MIT | Framework UI |
| react-dom | 18.3.x | MIT | Rendu DOM |
| @xyflow/react | 12.10.x | MIT | Éditeur visuel de graphes |
| typescript | 5.x | Apache-2.0 | Typage statique |
| vite | 5.x | MIT | Build tool |
| @vitejs/plugin-react | 4.x | MIT | Plugin React pour Vite |
| @mui/material | 7.x | MIT | Composants UI Material Design |
| @reduxjs/toolkit | 2.x | MIT | Gestion d'état |
| axios | 1.x | MIT | Client HTTP |
| socket.io-client | 4.x | MIT | WebSocket client |
### 10.5 Dépendances transitives notables
| Package | Licence | Catégorie |
|---------|---------|-----------|
| huggingface-hub | Apache-2.0 | IA / téléchargement de modèles |
| safetensors | Apache-2.0 | Sérialisation de modèles |
| tokenizers | Apache-2.0 | Tokenisation NLP |
| timm | Apache-2.0 | Modèles de vision |
| scipy | BSD | Calcul scientifique |
| networkx | BSD | Manipulation de graphes |
| tqdm | MIT / MPL-2.0 | Barres de progression |
| protobuf | BSD-3-Clause | Sérialisation de données |
| PyYAML | MIT | Parsing YAML |
| certifi | MPL-2.0 | Certificats SSL |
### 10.6 Bibliothèques NVIDIA CUDA (15 packages)
| Package | Licence |
|---------|---------|
| nvidia-cublas-cu12, nvidia-cuda-cupti-cu12, nvidia-cuda-nvrtc-cu12, nvidia-cuda-runtime-cu12, nvidia-cudnn-cu12, nvidia-cufft-cu12, nvidia-cufile-cu12, nvidia-curand-cu12, nvidia-cusolver-cu12, nvidia-cusparse-cu12, nvidia-cusparselt-cu12, nvidia-nccl-cu12, nvidia-nvjitlink-cu12, nvidia-nvshmem-cu12, nvidia-nvtx-cu12 | **NVIDIA Proprietary** (usage gratuit, redistribution encadrée) |
### 10.7 Synthèse des licences
| Type de licence | Nombre de packages | Compatibilité commerciale |
|----------------|-------------------|--------------------------|
| MIT | ~40 | Permissive — usage commercial libre |
| Apache-2.0 | ~18 | Permissive — usage commercial libre |
| BSD / BSD-3-Clause | ~22 | Permissive — usage commercial libre |
| MPL-2.0 | 2 | Permissive (fichier par fichier) |
| **GPL v3** | **1 (PyQt5)** | **Copyleft — voir note ci-dessous** |
| LGPL v3 | 1 (PyQt5-Qt5) | Copyleft faible |
| NVIDIA Proprietary | 15 | Gratuit, redistribution encadrée |
### 10.8 Notes de conformité
1. **PyQt5 (GPL v3)** — Utilisé uniquement pour l'interface desktop optionnelle (`gui/`, 3 fichiers). L'application principale (Visual Workflow Builder) utilise React et n'est pas concernée. Option : migration vers PySide6 (LGPL) ou licence commerciale Qt si distribution du composant GUI.
2. **NVIDIA CUDA** — Les bibliothèques CUDA sont propriétaires mais gratuites. Leur usage est conforme aux conditions de la licence NVIDIA pour le développement et le déploiement.
3. **Majorité permissive** — Plus de 80 % des dépendances utilisent des licences permissives (MIT, Apache-2.0, BSD), pleinement compatibles avec un usage commercial et une distribution propriétaire.
4. **Code propriétaire** — L'intégralité du code source développé spécifiquement pour RPA Vision V3 (architecture, algorithmes, intégrations) est propriétaire et constitue l'essentiel de la valeur de l'apport.
---
## 11. Éléments de valorisation
### 11.1 Coût de développement réel (méthode des coûts historiques)
Investissement effectivement consenti par l'auteur pour la version 3 :
| Poste | Calcul | Montant |
|-------|--------|---------|
| Travail préparatoire (conception, veille, architecture) | ~530 h × 150 €/h (TJM 1 200 € ÷ 8h) | 79 500 € |
| Développement actif V3 | ~2 100 h × 150 €/h | 315 000 € |
| **Sous-total main-d'œuvre V3** | **~2 630 h** | **394 500 €** |
| Matériel — station de travail (AMD Ryzen 9, 128 Go RAM, RTX 5070) | | 3 000 € |
| Matériel — Jetson Nano (tests embarqués) | | 400 € |
| Coûts IA (API, modèles, inférence) | | 200 € |
| **Total coût historique V3** | | **~398 100 €** |
> **Note** : Ce calcul ne valorise pas les ~3 ans de R&D cumulés sur les versions 1 et 2, qui ont directement alimenté la conception de la V3 (choix d'architecture, sélection des modèles IA, retours d'expérience). Ce savoir-faire accumulé est inclus dans la valeur de l'apport mais non chiffré séparément.
### 11.2 Coût de reproduction par un tiers (méthode recommandée)
Le coût de reproduction estime l'investissement qu'une entreprise tierce devrait consentir pour développer un logiciel **fonctionnellement équivalent** en partant de zéro, sans bénéficier des 5 ans d'itérations V1/V2.
#### Scénario A — Profil unique équivalent (improbable)
| Poste | Calcul | Montant |
|-------|--------|---------|
| Architecte IA senior multi-compétences | 2 630 h × 150 €/h | 394 500 € |
> Ce scénario suppose l'existence d'un profil aussi polyvalent (IA + full-stack + sécurité + infra + vision). Ce type de profil est extrêmement rare sur le marché.
#### Scénario B — Équipe spécialisée (réaliste)
Une entreprise devrait constituer une équipe de 3-4 personnes sur 12 à 18 mois :
| Poste | Durée | TJM | Montant |
|-------|-------|-----|---------|
| Lead architect / Chef de projet IA | 12 mois × 22 j | 1 200 €/j | 316 800 € |
| Ingénieur ML / Vision par ordinateur | 10 mois × 22 j | 900 €/j | 198 000 € |
| Développeur full-stack senior (React + Python) | 10 mois × 22 j | 700 €/j | 154 000 € |
| DevOps / Infra GPU (temps partiel) | 4 mois × 22 j | 650 €/j | 57 200 € |
| **Sous-total main-d'œuvre** | | | **726 000 €** |
| Matériel et infrastructure (GPU, serveurs de dev) | | | 5 000 € |
| Coûts IA (API, modèles, calcul) | | | 2 000 € |
| Marge d'incertitude technique (+15 %) | | | 109 950 € |
| **Total coût de reproduction** | | | **~843 000 €** |
> **Justification de la marge** : Un tiers ne bénéficierait pas des retours d'expérience des V1/V2 et devrait absorber des cycles de recherche supplémentaires (choix de modèles, benchmarks, impasses techniques).
#### Synthèse des valorisations
| Méthode | Montant | Commentaire |
|---------|---------|-------------|
| Coût historique (V3 seule) | ~398 000 € | Plancher — ne valorise pas la R&D V1/V2 |
| Reproduction par un tiers (équipe) | ~843 000 € | Estimation réaliste — inclut marge d'incertitude |
| **Fourchette de valorisation recommandée** | **400 000 € — 850 000 €** | Selon la méthode retenue par le commissaire |
### 11.3 Actifs incorporels composant l'apport
| Actif | Description | Quantification |
|-------|-------------|---------------|
| **Code source propriétaire** | Moteur IA, VWB, Agent, Server, Dashboard | ~190 000 lignes (Python, TypeScript) |
| **Architecture logicielle** | Conception originale 5 couches, documentation | 14 modules architecturaux |
| **Algorithmes propriétaires** | Fusion multimodale, auto-réparation 4 stratégies, apprentissage progressif 4 niveaux | Développements originaux |
| **Catalogue d'actions** | Actions prêtes à l'emploi pour l'automatisation | 24+ actions |
| **Suite de tests** | Tests unitaires, intégration, property-based | ~67 000 lignes |
| **Savoir-faire accumulé** | 5 ans d'itérations (V1 → V3), intégration de modèles IA en pipeline local | Non quantifiable — valeur intrinsèque |
| **Documentation technique** | Architecture, API, guides, spécifications | Corpus documentaire complet |
### 11.3 Comparables marché
| Solution | Valorisation | CA / ARR | Source |
|----------|-------------|----------|--------|
| **UiPath** (NYSE: PATH) | ~8,8 Mds $ (capitalisation déc. 2025) | CA : 1,43 Md $ / ARR : 1,67 Md $ (FY2025) | [UiPath IR — FY2025 Results](https://ir.uipath.com/news/detail/381/uipath-reports-fourth-quarter-and-full-year-fiscal-2025-financial-results) |
| **Automation Anywhere** | 6,8 Mds $ (Series D, oct. 2025) | Non divulgué (privé) | [Tracxn — AA Funding](https://tracxn.com/d/companies/automation-anywhere/__tre2zh_F5voAIrD5MmsvheJ0drmtTXyaT3m8-w_KaZ0/funding-and-investors) |
| **SS&C Blue Prism** | 1,6 Md $ (acquisition par SS&C, 2022) | ~211 M$ (post-acquisition) | [SS&C Blue Prism Acquisition](https://info.ssctech.com/blue-prism-acquisition) |
| **Sema4.ai** (ex-Robocorp) | 30,5 M$ levés (2024) | Early stage | [Sema4.ai — PR Newswire](https://www.prnewswire.com/news-releases/sema4-ai-raises-30-5-million-to-bring-open-source-powered-ai-to-mission-critical-enterprise-work-302047158.html) |
**Contexte** : UiPath, Automation Anywhere et SS&C Blue Prism sont identifiés comme « Leaders » dans le [Gartner Magic Quadrant for RPA 2025](https://www.gartner.com/en/documents/6632834) (publié juin 2025, 7e année consécutive pour les trois). RPA Vision V3 se positionne dans le segment des solutions IA-natives pour RPA, avec une approche différenciante (vision pure, 100 % local) ciblant les segments inaccessibles aux leaders actuels.
---
## 12. Références et sources
### 12.1 Marché RPA — Taille et prévisions
| Source | Donnée | Lien |
|--------|--------|------|
| **Grand View Research** | Marché RPA mondial : 4,68 Mds $ (2025) → 35,84 Mds $ (2033), CAGR 29,0 % | [Grand View Research — RPA Market](https://www.grandviewresearch.com/industry-analysis/robotic-process-automation-rpa-market) |
| **Precedence Research** | Marché RPA : 28,31 Mds $ (2025) → 247,34 Mds $ (2035), CAGR 24,2 % | [Precedence Research — RPA Market](https://www.precedenceresearch.com/robotic-process-automation-market) |
| **Gartner** | Marché RPA : 3,79 Mds $ (2024) → 30,85 Mds $ (2030), CAGR 43,9 % | [Gartner — Market Share Analysis RPA 2024](https://www.gartner.com/en/documents/6842834) |
| **Statista** | Prévision marché RPA mondial jusqu'en 2030 | [Statista — RPA Market Size](https://www.statista.com/statistics/1259903/robotic-process-automation-market-size-worldwide/) |
> **Note** : Les écarts entre sources reflètent des périmètres de définition différents (RPA strict vs. hyperautomation). Le consensus est un CAGR de 24 à 44 % selon le périmètre.
### 12.2 Produits concurrents — Données financières
| Acteur | Donnée | Source |
|--------|--------|--------|
| **UiPath** — CA FY2025 : 1,43 Md $, croissance +9 %, ARR 1,67 Md $, 2 292 clients >100k$ ARR | [UiPath — Q4 & FY2025 Results](https://ir.uipath.com/news/detail/381/uipath-reports-fourth-quarter-and-full-year-fiscal-2025-financial-results) |
| **UiPath** — Capitalisation boursière ~8,8 Mds $ (déc. 2025) | [MacroTrends — UiPath Market Cap](https://www.macrotrends.net/stocks/charts/PATH/uipath/market-cap) |
| **Automation Anywhere** — Série D : 290 M$ levés, valorisation 6,8 Mds $ (oct. 2025), total levé : 840 M$ | [Tracxn — AA Funding](https://tracxn.com/d/companies/automation-anywhere/__tre2zh_F5voAIrD5MmsvheJ0drmtTXyaT3m8-w_KaZ0/funding-and-investors) |
| **SS&C Blue Prism** — Acquis par SS&C Technologies pour 1,6 Md $ (mars 2022) | [SS&C — Blue Prism Acquisition](https://info.ssctech.com/blue-prism-acquisition) |
| **Sema4.ai** (acquéreur de Robocorp) — 30,5 M$ levés, Robocorp acquis janv. 2024 | [PR Newswire — Sema4.ai](https://www.prnewswire.com/news-releases/sema4-ai-raises-30-5-million-to-bring-open-source-powered-ai-to-mission-critical-enterprise-work-302047158.html) |
### 12.3 Analystes et classements sectoriels
| Source | Donnée | Lien |
|--------|--------|------|
| **Gartner Magic Quadrant for RPA 2025** | Leaders : UiPath, Automation Anywhere, SS&C Blue Prism (7e année consécutive). 13 éditeurs évalués. | [Gartner — MQ RPA 2025](https://www.gartner.com/en/documents/6632834) |
| **UiPath** — Communiqué leader MQ 2025 | Reconnu leader pour la 7e année, meilleur score « Ability to Execute » | [UiPath — MQ 2025 Press Release](https://ir.uipath.com/news/detail/400/uipath-recognized-as-a-leader-in-the-2025-gartner-magic-quadrant-for-robotic-process-automation) |
### 12.4 Problématique du marché — Fragilité et échecs RPA
| Source | Donnée | Lien |
|--------|--------|------|
| **Ernst & Young** | 30 à 50 % des projets RPA échouent initialement | [Flobotics — RPA Statistics](https://flobotics.io/blog/rpa-statistics/) |
| **Blueprint Software** | Le coût de licence ne représente que 25-30 % du coût total RPA ; la maintenance et le support représentent 15-20 % de l'investissement initial par an | [Blueprint — RPA Cost](https://www.blueprintsys.com/blog/rpa/how-much-does-robotic-process-automation-really-cost) |
| **Blueprint Software** | Les bots cassent régulièrement lors de changements d'interface (break-fix cycles) ; la maintenance est le premier poste de coût récurrent | [Blueprint — Reduce RPA Maintenance](https://www.blueprintsys.com/blog/rpa/reduce-rising-costs-rpa-maintenance-and-support) |
| **Worksoft** | La fragilité des bots face aux changements UI est le principal défi technique du RPA (« bot fragility ») | [Worksoft — Solving Bot Fragility](https://www.worksoft.com/corporate-blog/solving-bot-fragility-with-change-resilient-rpa) |
| **Deloitte** | Enquête mondiale sur l'adoption RPA : 62 % citent l'intégration comme barrière principale, 55 % le manque de compétences | [Deloitte — Global RPA Survey](https://www2.deloitte.com/us/en/pages/operations/articles/global-robotic-process-automation-report.html) |
### 12.5 Problématique Citrix/VDI — Marché sous-servi
| Source | Donnée | Lien |
|--------|--------|------|
| **PwC India** | Livre blanc : « Robotic Process Automation in a Virtual Environment » — les environnements VDI ne fournissent aucun objet DOM exploitable, l'automatisation repose uniquement sur la reconnaissance d'image | [PwC — RPA in Virtual Environment (PDF)](https://www.pwc.in/assets/pdfs/publications/2018/robotic-process-automation-in-a-virtual-environment.pdf) |
| **Accelirate** | « Challenges of RPA in Citrix Environment » — absence totale d'Object IDs, le bot ne voit qu'une image pixel | [Accelirate — RPA & Citrix](https://www.accelirate.com/challenges-of-rpa-in-citrix-environment/) |
| **Ultima (IA Connect)** | Solution spécialisée RPA pour Citrix/VDI — confirme le besoin non couvert par les plateformes standard | [Ultima — IA Connect for Citrix](https://ultima.com/ia-connect/) |
| **Leapwork** | « Overcoming Common Citrix Automation Challenges » — les outils RPA classiques échouent en environnement Citrix | [Leapwork — Citrix Challenges](https://www.leapwork.com/blog/overcoming-common-citrix-automation-challenges-with-the-right-tool) |
### 12.6 Technologies IA utilisées — Publications et documentation
| Technologie | Référence |
|-------------|-----------|
| **CLIP** (OpenAI, 2021) | Radford et al., « Learning Transferable Visual Models From Natural Language Supervision » — [arXiv:2103.00020](https://arxiv.org/abs/2103.00020) |
| **FAISS** (Meta AI) | Johnson et al., « Billion-scale similarity search with GPUs » — [arXiv:1702.08734](https://arxiv.org/abs/1702.08734) |
| **OWL-v2** (Google, 2023) | Minderer et al., « Scaling Open-Vocabulary Object Detection » — [arXiv:2306.09683](https://arxiv.org/abs/2306.09683) |
| **docTR** (Mindee) | OCR open-source — [GitHub: mindee/doctr](https://github.com/mindee/doctr) |
| **Qwen2.5-VL** (Alibaba) | Modèle vision-langage — [HuggingFace: Qwen](https://huggingface.co/Qwen) |
| **PyTorch** (Meta AI) | Framework de deep learning — [pytorch.org](https://pytorch.org/) |
| **OpenCV** | Bibliothèque de vision par ordinateur — [opencv.org](https://opencv.org/) |
---
## Annexes
### A. Liste des modules du moteur Core (192 fichiers)
Les modules couvrent : analytics, capture, detection, embedding, execution, graph, healing, learning, matching, models, monitoring, security, system, training.
### B. Catalogue des 24 actions VWB
Vision UI (14) : click_anchor, type_text, screenshot_evidence, extract_text, hover, drag_drop, select_option, scroll, wait_element, verify_element, double_click, right_click, keyboard_shortcut, focus_element
Navigation (2) : navigate_to_url, browser_back
Data (2) : download_to_folder, extraire_tableau
Database (3) : save_data, load_data, db_manager
Validation (2) : verify_element_exists, verify_text_content
Intelligence (1) : analyze_with_ai
### C. Références documentaires internes
- `ARCHITECTURE_VISION_COMPLETE.md` — Architecture complète 5 couches
- `PITCH_INVESTISSEURS_RPA_VISION_V3.md` — Pitch investisseurs
- `ANALYSE_MOAT_RPA_VISION_V3.md` — Analyse concurrentielle détaillée
- `QUICK_START.md` — Guide de démarrage rapide
---
*Document généré le 25 février 2026 — RPA Vision V3*
Reference in New Issue View Git Blame Copy Permalink