La problématique
Un de nos fidèles clients historiques nous a interrogés car il souhaitait améliorer son processus de sortie d’épreuves.
En effet, il traite beaucoup de fichiers dans son flux de contrôle et d’épreuvage et, dans de nombreux cas, les fichiers contiennent des encres techniques telles tracé de découpe, vernis, etc. Ces encres sont évidemment traitées en tons directs et, de ce fait, lors de la sortie des épreuves, il est donc nécessaire de mesurer également ces encres dans les bandes de contrôle afin de garantir la conformité des documents, alors que, par principe, cela n’est pas nécessaire (car ce ne sont que des encres techniques).
Bien entendu, vous nous direz qu’il existe dans pratiquement tous les RIPs du marché, une fonction qui permet de gérer une table d’exception afin d’ignorer ces encres. Effectivement, c’est bien le cas, mais ce fonctionnement impose de connaître au préalable le nom des encres du document et de les ajouter dans la table avant d’envoyer le fichier au RIP de manière à ce qu’elle puissent être ignorées.
Il faut également gérer ces tables d’exception pour chaque RIP utilisé.
Cela n’est pas très efficace en terme de fonctionnement et nuit fortement à la productivité.
Notre solution : faire du machine learning
Nous avons donc décider d’utiliser Enfocus Switch pour faire du machine learning en amont de l’envoi aux systèmes d’épreuves. Nous avons donc développé un flux qui va analyser le fichier pour déterminer quelles sont les tons directs présents dans le document puis va comparer chaque encre par rapport à deux tables de base de données, l’une contenant les encres à conserver, l’autre les encres à convertir (et dans quelle séparation process).
Le fichier envoyé au système d’épreuve est donc traité par notre script et les informations de conversion ou conservation sont ajoutées en métadonnées à notre job.
Mais que se passe-t-il quand une nouvelle encre est utilisée et qu’elle n’est présente dans aucune des deux tables ? Le fichier sera envoyé à un client Switch, et il sera demandé à un opérateur de choisir pour chaque encre inconnue s’il est nécessaire de la conserver ou de la convertir (et dans ce cas, de quelle manière). Suite aux réponses données par l’opérateur, les informations de chaque encre inconnue seront alors stockées soit dans la table de conservation, soit dans celle de conversion – elle n’est donc plus inconnue !
Le fichier repart en analyse, et toutes les encres sont maintenant connues, donc l‘ensemble des informations de conversion et de conservation est écrit dans les métadonnées du job, transmettant alors à l’outil de traitement PDF les instructions nécessaires. A l’aide d’un profil PDF contenant des variables, le fichier sera donc traité conformément à la demande pour l’envoi en épreuvage !
Le prochain fichier contenant ces mêmes encres pourra alors être directement traité par le système sans intervention de l’opérateur. La machine sait maintenant ce qu’il faut faire – elle est devenue plus intelligente, grâce au processus de machine learning !
Au fil du temps, de moins en moins de fichiers contiennent des encres inconnues, et l’intervention de l’opérateur diminue jusqu’à complètement disparaître… jusqu’au nouveau fichier où quelqu’un aura eu une nouvelle idée de nommage 😉
Des gains de fiabilité et de productivité immédiats
Notre client nous confirmé que les gains de fiabilité et de productivité étaient immédiats, et que la gestion de ces encres techniques n’est aujourd’hui plus un problème. Le machine learning a réussi à rendre le processus intelligent 🧠
Vous aussi êtes intéressés par ce convertisseur intelligent à intégrer dans votre flux d’épreuvage ? Contactez-nous !
Vous avez encore des questions ? N’hésitez pas à mettre un commentaire ci-dessous et nous nous ferons un plaisir de répondre à vos interrogations !
