Quand on parle d’intelligence artificielle et d’Excel, on pense souvent à des formules plus rapides ou à des tableaux qui se remplissent tout seuls. Mais derrière certaines applications se cachent des modèles bien plus spécialisés, comme les réseaux de neurones convolutifs, souvent désignés par le sigle CNN. À quoi servent-ils, et quel rapport ont-ils avec un tableur ?
La réponse tient en quelques mots : Excel ne crée pas, à lui seul, un réseau convolutif, mais il peut très bien exploiter les résultats produits par une intelligence artificielle. Il devient alors un espace de contrôle, d’analyse et de partage. Voyons comment comprendre ces outils sans transformer votre feuille de calcul en laboratoire de recherche.
Que signifie CNN en intelligence artificielle ?
Dans ce contexte, CNN désigne un réseau de neurones convolutif. C’est un type de modèle d’intelligence artificielle particulièrement adapté à l’analyse d’images. Il peut apprendre à repérer des motifs visuels : une forme, une texture, une couleur ou une partie d’objet.
Imaginez une application qui doit reconnaître des photos de chats. Au lieu de lui donner une longue liste de règles du type « deux oreilles pointues, des moustaches et une queue », on lui fournit de nombreux exemples. Le modèle apprend progressivement quels éléments visuels reviennent souvent dans les images de chats. Il peut ensuite évaluer une nouvelle image et proposer une prédiction.
Le même principe peut servir à repérer des défauts sur une pièce fabriquée, à classer des documents numérisés ou à identifier certaines plantes. Le modèle ne « voit » toutefois pas comme un humain : il calcule des ressemblances à partir des données qu’il a apprises.
Une précision utile : CNN peut aussi désigner la chaîne d’information américaine. Ici, il s’agit bien des réseaux de neurones utilisés en intelligence artificielle. Le contexte évite généralement la confusion, sauf si votre feuille de calcul contient des images de journalistes et des photos de chats.
Comment un réseau convolutif analyse-t-il une image ?
Une image est composée de pixels, que l’ordinateur représente sous forme de nombres. Un réseau convolutif examine ces nombres par petites zones et recherche des motifs. Dans les premières étapes, il peut identifier des éléments simples, comme des contours. Plus loin dans le traitement, il combine ces éléments pour reconnaître des formes plus complexes.
Le modèle est d’abord entraîné avec des exemples déjà classés. S’il doit distinguer des pièces conformes et non conformes, il apprend à partir d’images portant ces indications. Lorsqu’on lui présente une nouvelle photo, il fournit une prédiction, parfois accompagnée d’un score de confiance.
Ce score n’est pas une garantie. Une prédiction de 92 % ne signifie pas nécessairement qu’il y a exactement 92 % de chances que la réponse soit correcte dans toutes les situations. Il indique plutôt le degré de confiance attribué par le modèle, selon son fonctionnement et les données utilisées.
Excel peut-il faire fonctionner un CNN ?
Pas directement, dans son usage classique. Excel est conçu pour organiser des données, effectuer des calculs, créer des graphiques et automatiser des tâches. L’entraînement d’un réseau convolutif demande généralement des outils spécialisés et des ressources informatiques adaptées, surtout lorsqu’il faut traiter beaucoup d’images.
En revanche, Excel peut accueillir les résultats d’un modèle déjà entraîné. Celui-ci peut analyser les images dans un autre environnement, puis transmettre à Excel des informations structurées : nom du fichier, catégorie prédite, score de confiance, date de traitement ou résultat d’une vérification humaine.
On peut ainsi répartir le travail : le modèle se charge de l’analyse visuelle, tandis qu’Excel aide à suivre les résultats, calculer des indicateurs et préparer des comptes rendus. C’est souvent la solution la plus pratique pour une équipe qui maîtrise déjà le tableur, sans vouloir développer toute une chaîne d’intelligence artificielle.
Un exemple concret : trier des photos de produits
Imaginons une petite entreprise qui reçoit chaque jour des photos de produits. Elle souhaite repérer les emballages abîmés. Un modèle d’intelligence artificielle analyse chaque image et renvoie une ligne de données. Une fois ces résultats importés dans Excel, le tableau peut ressembler à ceci :
- Nom du fichier : produit_1042.jpg
- Catégorie proposée : emballage abîmé
- Score de confiance : 0,87
- Décision : à vérifier
- Date d’analyse : 14/05/2025
Excel peut ensuite mettre en évidence les cas à traiter en priorité. Par exemple, l’équipe peut examiner toutes les lignes dont le score est élevé, ou au contraire contrôler celles pour lesquelles le modèle hésite. Une mise en forme conditionnelle colore les lignes à vérifier, tandis qu’un tableau croisé dynamique peut résumer les défauts par produit ou par semaine.
Le tableur n’a pas reconnu le défaut lui-même : il a organisé et rendu exploitables les réponses du modèle. Cette différence est essentielle pour éviter de demander à Excel ce qu’il ne fait pas seul.
Quelles façons d’associer l’IA et Excel ?
La méthode dépend du niveau technique, du volume de données et des outils déjà disponibles. Voici les principales possibilités.
- Importer un fichier de résultats : le système d’analyse produit un fichier CSV ou un classeur que l’on ouvre dans Excel. C’est simple et adapté aux traitements ponctuels.
- Utiliser Power Query : l’outil peut importer des données depuis un fichier ou une source compatible, puis les nettoyer et les transformer avant leur analyse dans le classeur.
- Automatiser avec VBA : une macro peut faciliter l’importation, actualiser un rapport ou préparer une liste de vérifications. Elle ne remplace pas le modèle d’intelligence artificielle, mais automatise des étapes répétitives.
- Passer par un service externe : une application ou un service spécialisé analyse les images, puis renvoie les résultats à Excel. Cette approche nécessite de vérifier les conditions d’accès, les coûts et la protection des données.
- Travailler avec Python : dans certains environnements, Python sert à préparer les données ou à communiquer avec un modèle, tandis qu’Excel reste l’outil de consultation et de suivi.
Pour un premier essai, l’importation d’un fichier de résultats est souvent la voie la plus claire. Elle permet de tester la qualité des prédictions avant de mettre en place une automatisation plus complexe. Inutile de bâtir une fusée pour classer vingt photos.
Préparer un tableau exploitable
Un résultat d’intelligence artificielle devient bien plus utile lorsqu’il est accompagné de données propres. Chaque ligne devrait représenter un élément analysé, par exemple une image, et chaque colonne une information précise. Évitez de mélanger plusieurs valeurs dans une seule cellule : c’est pratique pendant cinq minutes, puis beaucoup moins au moment de filtrer.
Vous pouvez commencer avec ces colonnes :
- identifiant unique de l’image ;
- nom ou chemin du fichier ;
- catégorie proposée par le modèle ;
- score de confiance ;
- décision validée par une personne ;
- date d’analyse et date de vérification.
Si le score est enregistré comme un nombre, vous pourrez le filtrer, le trier et l’utiliser dans des calculs. Par exemple, une formule peut créer une indication de contrôle à partir d’un seuil choisi :
=SI(C2<0,70;"À vérifier";"Résultat à examiner selon la catégorie")
Dans cet exemple, la cellule C2 contient le score de confiance. Le seuil de 0,70 est arbitraire : il doit être adapté aux conséquences d’une erreur. Pour un tri de photos sans enjeu majeur, une vérification légère peut suffire. Pour un contrôle qualité important, une validation humaine plus systématique sera préférable.
Ce qu’Excel peut apporter après la prédiction
Une fois les données importées, les outils habituels d’Excel reprennent du service. Les filtres permettent de retrouver les cas incertains, les fonctions de comptage mesurent le volume de défauts et les graphiques montrent leur évolution. Avec un tableau de bord bien conçu, une équipe peut repérer rapidement une hausse des anomalies ou un produit qui demande une attention particulière.
Les fonctions de recherche peuvent aussi associer les résultats à un catalogue. Par exemple, une référence produit détectée ou fournie par le système peut être rapprochée d’une liste de prix ou de fournisseurs avec RECHERCHEX. Les formules ne rendent pas la prédiction plus juste, mais elles permettent de la relier au reste des informations de l’entreprise.
Une bonne habitude consiste à conserver la prédiction initiale et la décision humaine dans deux colonnes distinctes. Vous pourrez ainsi comparer les résultats du modèle aux vérifications réelles, mesurer ses erreurs et savoir s’il faut ajuster le processus.
Les limites à garder en tête
Un modèle n’est fiable que dans les conditions pour lesquelles il a été préparé. Si les images d’entraînement sont trop peu nombreuses, mal étiquetées ou très différentes des nouvelles photos, les résultats peuvent se dégrader. Un changement d’éclairage, d’angle ou de qualité d’image suffit parfois à compliquer la reconnaissance.
Il faut également surveiller les erreurs de classement. Un faux positif signale un défaut qui n’existe pas ; un faux négatif laisse passer un défaut réel. Lequel est le plus problématique ? La réponse dépend du métier. Un tableau Excel peut aider à suivre ces deux types d’erreurs, mais il ne les fait pas disparaître.
Enfin, réfléchissez aux données envoyées à un service externe. Les photos peuvent contenir des informations confidentielles, des personnes ou des éléments liés à un client. Vérifiez les règles de votre organisation et les conditions du service avant de transmettre des fichiers.
Une démarche simple pour débuter
Pour expérimenter sans vous disperser, choisissez un problème limité et des données que vous avez le droit d’utiliser. Testez d’abord un petit nombre d’images, puis comparez les prédictions à une vérification humaine. Importez ensuite les résultats dans un tableau propre et observez les cas qui posent problème.
- Définissez précisément ce que le modèle doit reconnaître.
- Préparez quelques exemples représentatifs et correctement classés.
- Faites analyser les images par un outil adapté aux modèles visuels.
- Importez les résultats dans Excel avec une colonne par information.
- Vérifiez les erreurs et ajustez les seuils de contrôle.
- Automatisez seulement lorsque le processus est suffisamment fiable.
Les réseaux convolutifs ne transforment donc pas Excel en outil de reconnaissance d’images. Ils peuvent toutefois compléter efficacement le tableur : l’IA examine les visuels, puis Excel organise les résultats et aide à prendre des décisions. En gardant une vérification humaine et des données bien structurées, vous obtenez un processus utile, compréhensible et plus facile à faire évoluer.