Onlyone, banque écoresponsable, Paris
Du ticket de caisse à l'empreinte produit
En complément de l'Eco Coach, j'ai conçu et développé le système de scan de tickets Onlyone, l'utilisateur photographie un ticket de caisse, et le pipeline extrait les produits, les normalise contre des bases de référence et estime l'impact carbone au niveau de chaque article.
Les estimations carbone au niveau transaction sont utiles, mais imprécises. Un paiement supermarché peut être des courses, des produits ménagers, ou les deux. L'OCR de tickets comble cette lacune en lisant le ticket réel : chaque ligne devient un produit avec un nom, un prix et une empreinte environnementale estimable.
Les tickets de caisse sont bruités : noms de produits tronqués, formatage incohérent, artefacts du papier thermique et abréviations propres à chaque enseigne. Transformer une sortie OCR brute en estimation carbone fiable exigeait un pipeline data complet (nettoyage, normalisation, rapprochement et scoring), pas seulement un appel à une API vision.
Du ticket photographié à l'empreinte par produit : un pipeline sur GCP qui lit, nettoie, rapproche et score chaque ligne avant de la restituer dans l'app.
Données carbone et produit ouvertes, rapprochées de chaque ligne de ticket normalisée.
ADEME
Facteurs d'émission carbone généraux pour biens, services et transport, base pour les articles non alimentaires.
Open Food Facts
Base ouverte de produits alimentaires avec composition et labels environnementaux, pour les lignes de courses.
Transformer une sortie OCR bruitée en produits exploitables, prêts à être rapprochés des catalogues de référence.
Transforme le texte OCR brut en enregistrements produits structurés, parsing des lignes, inférence du produit à partir du nom court, et normalisation des libellés via fuzzy matching et similarité par embeddings pour relier abréviations de tickets et entrées de catalogues.
Croiser les produits normalisés avec ADEME et Open Food Facts, puis décomposer l'empreinte du panier.
Rapproche les produits normalisés de bases de référence (ADEME pour les facteurs carbone généraux, Open Food Facts pour l'alimentaire), via des algorithmes de similarité pour trouver le facteur d'émission le plus crédible par ligne.
Statistiques et visualisations par étape de la chaîne d'approvisionnement (distribution, production, emballage, transport), pour montrer d'où vient réellement le carbone du panier.
Indiquer le niveau de confiance de chaque estimation et proposer des alternatives plus responsables.
Un score de confiance sur chaque estimation reflétant la qualité du rapprochement, la complétude des données et la fiabilité de la source, l'app met en avant les résultats solides et signale les incertains pour relecture utilisateur.
Recommandations au niveau produit suggérant des alternatives moins intensives en carbone ou locales pour les articles du ticket, des substitutions actionnables ancrées dans les données de référence rapprochées.
L'OCR de tickets complète les estimations transactionnelles avec un insight granulaire article par article, la vision carbone la plus précise qu'Onlyone peut offrir sans saisie manuelle.
Chaque produit du ticket obtient sa propre empreinte, pas une moyenne inférée de la catégorie marchande.
Les utilisateurs voient quand une estimation est solide et quand le système a besoin d'aide, construire la confiance par la transparence, pas par une fausse précision.
Recommandations liées aux produits réellement achetés, des alternatives locales et moins carbonées à essayer lors du prochain achat.
Flux de bout en bout de l'appareil photo à la décomposition carbone en quelques secondes, APIs ML sur GCP conçues pour les contraintes de latence et de fiabilité de l'app mobile.
OCR GCP Cloud Vision, pipeline data Python, APIs FastAPI et Flask, BigQuery, analytics Tableau, GitLab CI/CD
GCP
BigQuery
Python
FastAPIFlask
Tableau
GitLab CI/CDL'OCR de tickets a apporté à Onlyone la couche de précision manquante, transformer un ticket froissé en données carbone structurées, scorées et actionnables, un produit à la fois.