Developpement logiciel de vision par ordinateur : construire un systeme de vision en 2026

Daniel Reyes Principal Engineer, AI/ML, YuSMP Group · Construit des systemes de vision par ordinateur, de machine learning et de LLM en production pour des clients aux Etats-Unis et en UE

TL;DR — les faits cles

Qu'est-ce que le developpement logiciel de vision par ordinateur ?

Le developpement logiciel de vision par ordinateur est la conception et l'ingenierie d'applications qui extraient du sens des images et des videos — detecter et localiser des objets, lire du texte, classer une scene ou mesurer un defaut — a l'aide de modeles entraines sur des exemples visuels annotes plutot que sur des regles ecrites a la main. Le modele entraine n'est qu'une partie du systeme : autour se trouvent une chaine de donnees qui capture et annote les images, une boucle d'evaluation qui prouve que le modele est assez precis, et la couche de deploiement qui le fait tourner sur un serveur ou directement sur une camera de terrain.

C'est une branche specialisee du machine learning, et c'est la que se concentre une large part de nos services d'integration IA et vision par ordinateur. Un systeme de vision est probabiliste, pas deterministe — il a raison la plupart du temps, a une confiance qu'il rapporte —, si bien que tout ce qui le rend fiable reside dans les couches autour du modele : la qualite et la couverture des images d'entrainement, les metriques de precision auxquelles vous le tenez, et le monitoring qui detecte ses defaillances quand l'eclairage, les cameras ou les scenes changent. La plupart de ces systemes se batissent en Python, mais le langage compte bien moins que les donnees annotees et la cible de deploiement derriere.

La vision par ordinateur s'inscrit dans le champ plus large du developpement logiciel de machine learning et en partage les fondations de donnees, entrainement et evaluation — mais le travail quotidien est distinct. Au lieu de donnees tabulaires vous manipulez des pixels ; au lieu d'un tableur de features vous annotez des milliers d'images ; au lieu d'un endpoint REST vous livrez peut-etre sur une camera de quelques watts de calcul. C'est pourquoi la vision merite d'etre traitee comme sa propre discipline plutot que comme un projet "IA" generique.

Que peut-on construire avec la vision par ordinateur ?

Le logiciel de vision par ordinateur se range dans une poignee de schemas eprouves, et choisir le bon garde le perimetre honnete. Presque tout produit reel est une instance precise de l'un d'eux, liee a une decision metier concrete, pas une "camera qui comprend tout" ouverte.

• Detection et suivi d'objets — localiser et suivre des articles, des personnes ou des vehicules dans une image ; le moteur derriere l'analytique retail, la securite et les systemes de trafic.
• Classification d'images — attribuer une etiquette a une image entiere, du triage medical et de la moderation de contenu a la detection de maladies des cultures en agriculture.
• Inspection defauts et qualite — reperer des defauts sur une ligne de production dans l'industrie, l'agroalimentaire et la pharma, plus vite et plus regulierement que des controles manuels.
• Reconnaissance optique de caracteres (OCR) — lire du texte a partir de photos et de documents pour la capture de donnees, le traitement de factures et la verification d'identite.
• Reconnaissance et verification faciales — apparier ou verifier des visages pour le controle d'acces et l'onboarding ; a forte valeur mais fortement reglemente (voir risques).
• Analyse video — analyse en temps reel de flux en direct pour le comptage de personnes, la lecture de plaques d'immatriculation, ou la securite et la conformite EPI.

Le fil commun est que chaque schema est assez etroit pour etre mesure. Un bon premier projet de vision par ordinateur vise une decision a forte valeur et bien delimitee ou une reponse fausse est rattrapable — un modele qui signale des cas a la confirmation humaine, pas un systeme sans surveillance prenant des decisions irreversibles. Cette discipline de perimetre separe les produits qui sortent des demos qui restent bloquees sur un portable.

Vision par ordinateur vs logiciel traditionnel

La difference de fond est simple : dans le logiciel traditionnel un developpeur ecrit les regles et le programme les suit a l'exact, tandis qu'en vision par ordinateur les regles sont apprises d'images annotees, donc le comportement du systeme depend des exemples d'entrainement. Ce seul basculement se propage a tout le processus d'ingenierie — ou va l'effort, comment on teste et ce qui se passe apres le lancement.

La consequence pratique est qu'un logiciel de vision par ordinateur n'est jamais "fini" au lancement comme l'est une fonctionnalite traditionnelle. Un moteur de regles se comporte pareil jusqu'a ce que quelqu'un l'edite ; un modele de vision empire discretement quand une camera est deplacee, qu'un nouveau produit apparait, ou que les saisons changent l'eclairage. C'est pourquoi le monitoring et le reentrainement font partie du build, pas d'un ajout tardif — et pourquoi les equipes qui traitent un projet de vision comme une appli web ordinaire, l'interface d'abord, decouvrent souvent trop tard que le modele ne peut pas atteindre le niveau de precision en conditions reelles.

Comment fonctionne la vision par ordinateur : la chaine

Un systeme de vision par ordinateur en production est une boucle, pas une ligne droite, et comprendre la boucle est la facon de raisonner sur le cout, le delai et le risque. Le modele est une etape dans un cycle qui commence et finit par les images, et l'essentiel de l'ingenierie reside dans les etapes de part et d'autre de l'entrainement.

• Capture d'images et de videos — sourcer les donnees visuelles dont le modele apprend et sur lesquelles il tournera, des flux de cameras existants a une collecte dediee.
• Annotation et etiquetage — dessiner les cadres, masques ou etiquettes de classe qui indiquent au modele la bonne reponse ; l'etape la plus laborieuse en vision.
• Pretraitement et augmentation — redimensionner, normaliser et faire varier synthetiquement les images (rotation, eclairage, recadrages) pour que le modele generalise au-dela du jeu d'entrainement.
• Entrainement du modele — ajuster un reseau — un reseau de neurones convolutif, un vision transformer, ou un detecteur comme YOLO — aux images annotees.
• Evaluation — mesurer precision, rappel et mean average precision (mAP) sur des images que le modele n'a jamais vues, avant que quiconque lui fasse confiance.
• Deploiement et monitoring — servir le modele dans le cloud ou sur un appareil edge, puis surveiller la perte de precision et reinjecter des images fraiches dans l'entrainement.

Le signal a tirer de la boucle est ou se concentre reellement le travail : capture d'images, annotation et evaluation, pas choix du modele. En pratique 2026, le travail sur les donnees — et l'annotation en particulier — est regulierement le poste le plus sous-estime, consommant une estimation de 20–40 % du budget d'un projet de vision. Une equipe qui passe ses premieres semaines a debattre du detecteur a utiliser, plutot que de savoir si les images peuvent soutenir la decision tout court, optimise la mauvaise etape.

Le processus de developpement en vision par ordinateur

Le logiciel de vision par ordinateur se batit dans les memes phases disciplinees que tout produit serieux, avec deux phases que le logiciel ordinaire n'a pas : une etude de faisabilite en amont et une boucle d'evaluation tout du long. En sauter l'une est la ou la plupart des projets de vision echouent en silence — soit en batissant ce que les images ne soutiennent pas, soit en livrant ce que personne n'a mesure face a une cible.

1. Cadrage du probleme et faisabilite. Traduire un objectif metier en tache visuelle precise, convenir de la metrique de precision qui definit le succes, et confirmer que les images disponibles peuvent reellement la soutenir. Environ 2 a 4 semaines.
2. Collecte et annotation des donnees. Rassembler des images et des videos representatives et les annoter avec justesse ; en general la phase la plus longue et la plus sous-estimee d'un build de vision. Environ 4 a 10 semaines.
3. Developpement et evaluation du modele. Choisir une architecture, l'affiner ou l'entrainer, et la mesurer sur images de test face a la metrique convenue. Environ 3 a 6 semaines.
4. Build applicatif et integration. Envelopper le modele dans du vrai logiciel et le raccorder aux cameras, a vos systemes, a l'interface et aux workflows. En general 4 a 8 semaines.
5. Deploiement et optimisation. Livrer le modele dans le cloud ou sur un appareil edge, en l'optimisant pour le materiel cible, avec logging, detection de derive et chemin de reentrainement. Environ 2 a 4 semaines.
6. Monitoring et iteration. Surveiller precision et cout sur des images reelles et reentrainer sur images fraiches — les systemes de vision se reglent apres le lancement, ils ne s'y achevent pas.

Le fil conducteur est que la maturite des donnees images et le nombre de cycles d'experimentation, pas les ecrans du front-end, decident le delai. Le chemin le plus rapide vers la production est de restreindre fortement le premier release — une decision, une position de camera, un humain qui confirme la sortie et un niveau de precision concret mesure des la premiere semaine — puis d'etendre une fois ce niveau atteint sur l'usage reel. C'est la meme discipline de perimetre que nous appliquons a tout build d'ingenierie produit.

Stack technique de vision par ordinateur en 2026

Une application de vision par ordinateur moderne ressemble a un systeme logiciel normal avec un sous-systeme images-et-modele au milieu, donc l'essentiel de la stack est familier et seules quelques pieces sont propres a la vision. L'objectif est une combinaison ennuyeuse et bien supportee que votre equipe peut exploiter des annees, pas une collection des depots de recherche les plus recents.

• Bibliotheques cles — OpenCV pour le traitement d'images classique et le pre/post-traitement, avec Python comme langage par defaut dans tout le domaine.
• Framework de deep learning — PyTorch avec torchvision pour entrainer reseaux de neurones convolutifs et vision transformers ; PyTorch domine desormais la recherche en vision et la plupart des nouvelles sorties de modeles.
• Modeles de detection — Ultralytics YOLO (YOLO11 en 2026) pour la detection d'objets en temps reel, le standard quand la vitesse sur video en direct compte, parce qu'il note l'image entiere en une seule passe.
• Modeles pre-entraines et de fondation — Hugging Face Transformers pour ViT, CLIP et SAM, pour affiner un solide modele de base au lieu d'entrainer de zero — en general 3 a 5 fois moins cher.
• Outillage d'annotation et de jeux de donnees — des plateformes comme Roboflow ou CVAT pour etiqueter, versionner et gerer les jeux d'images ; la colonne vertebrale de l'etape la plus couteuse.
• Runtimes de deploiement et edge — NVIDIA TensorRT, OpenVINO ou TFLite pour optimiser les modeles pour appareils edge, avec Docker, Kubernetes et MLflow ou Weights & Biases pour le serving, le suivi et le monitoring.

Les outils comptent moins que la forme : une chaine d'images propre, un harnais d'evaluation mesurable et du monitoring autour d'un modele servi qui peut vivre dans le cloud ou sur une camera. Le schema le plus courant en 2026 est un detecteur pre-entraine affine sur vos propres images annotees, deploye avec un runtime edge optimise la ou la latence l'exige — un utile rappel que le centre de gravite de la stack est les donnees annotees et le deploiement, pas la marque du modele.

Combien coute le developpement logiciel de vision par ordinateur en 2026 ?

En 2026, le developpement logiciel de vision par ordinateur coute typiquement d'environ 20 000 USD pour un build cible de classification d'images ou de detection simple sur donnees propres jusqu'a 300 000 USD ou plus pour de l'analyse video avancee ou des systemes critiques pour la securite, la plupart des projets metier sur mesure se situant entre 60 000 et 150 000 USD. Ou atterrit un projet depend surtout de la complexite de la tache visuelle, de la maturite des donnees images et de la cible de deploiement, pas des heures de developpement brutes. Des analyses de prix independantes 2026 situent les fourchettes a peu pres a ces niveaux :

Pour donner des reperes, les projets reels en 2026 se regroupent ainsi : un self-checkout retail avec reconnaissance de produits coute en general 80 000–150 000 USD, un systeme de detection de defauts en usine 50 000–120 000 USD, et un outil d'imagerie medicale qui lit radios ou IRM 150 000–300 000 USD. Le levier de cout propre a la vision, c'est l'annotation — etiqueter des images peut couter de 0,05 a 2 USD par image, si bien qu'un grand jeu de donnees a lui seul chiffre en dizaines de milliers. Deux autres couts surprennent les equipes : le calcul GPU pour l'entrainement, et la depense continue d'inference, de monitoring et de reentrainement qu'une appli traditionnelle n'a jamais. Pesez tout cela face a la valeur de la decision que le modele automatise.

Combien de temps faut-il pour construire ?

Un systeme de vision par ordinateur cible met environ 2 a 4 mois a atteindre la production, un systeme de complexite moyenne 4 a 8 mois, et une plateforme d'analyse video avancee ou critique pour la securite 9 a 18 mois ou plus — les memes fourchettes que la table des couts, car le temps et l'argent avancent ensemble sur un build de vision. Ce qui etire un delai, ce n'est rarement l'interface ; c'est la collecte et l'annotation des images, et le nombre de cycles d'experimentation menes avant que le modele soit assez precis et stable pour qu'on lui fasse confiance en conditions reelles.

Le chemin le plus rapide vers la production est de restreindre fortement le premier release : une tache visuelle, une position de camera, un humain qui verifie la sortie, et un niveau de precision concret mesure des la premiere semaine. Les equipes qui specifient toute capacite en amont et disparaissent un an reviennent souvent avec un modele qui impressionne sur un jeu de test soigne et defaille sur des images en direct. Livrez une version delimitee, prouvez qu'elle atteint le niveau en production, puis etendez — la vision par ordinateur recompense l'iteration bien plus que les lancements big-bang.

Edge ou cloud : ou le modele doit-il tourner ?

Faites tourner la vision par ordinateur a l'edge — sur la camera ou un appareil proche — quand vous avez besoin de faible latence, devez travailler hors ligne, traitez de nombreux flux video a la fois, ou devez garder les images sur site pour la confidentialite ; faites-la tourner dans le cloud quand les modeles sont volumineux, le materiel centralise ou le debit modeste. Cette seule decision faconne votre budget materiel, votre plafond de precision et votre posture de conformite, ce qui explique qu'elle appartienne au debut du projet, pas a la fin.

Le deploiement edge optimise le modele avec des runtimes comme NVIDIA TensorRT, OpenVINO ou TFLite et le fait tourner sur des appareils comme NVIDIA Jetson, en echangeant un peu de precision et de commodite de mise a jour contre de la vitesse, de la resilience et la maitrise des donnees — les images ne quittent jamais le site. Le deploiement cloud garde les modeles volumineux et faciles a mettre a jour mais ajoute latence, cout de bande passante, et le poids de confidentialite et de reglementation lie au streaming de video hors site. En pratique, beaucoup de systemes en production sont hybrides : inference a l'edge pour les decisions en temps reel, avec entrainement, agregation et monitoring dans le cloud. Les puces d'inference edge et la pression reglementaire — des cameras d'aide a la conduite aux obligations d'inspection en pharma et agroalimentaire — sont une raison majeure de la croissance continue des budgets de vision en 2026.

Risques et defis a anticiper

Les modes de defaillance du logiciel de vision par ordinateur sont bien compris en 2026, ce qui les rend planifiables plutot que surprenants. Les nommer tot separe une equipe qui livre un systeme fiable d'une equipe qui eteint des incendies apres le lancement.

• Cout et qualite de l'annotation. Les images annotees sont le carburant et la plus grosse facture ; une annotation incoherente ou clairsemee plafonne la precision quelle que soit la qualite du modele. Budgetez-la d'abord, et auditez la qualite des etiquettes.
• Precision dans le monde reel. Un modele qui note bien sur un jeu de test propre peut defaillir sur des images en direct avec mauvais eclairage, occlusion, flou de mouvement ou angles inhabituels. Testez tot en conditions reelles, pas sur des images soignees.
• Derive du modele. La precision se degrade quand les cameras bougent, que les produits changent ou que les saisons decalent l'eclairage. Monitoring et chemin de reentrainement doivent etre concus des le depart, sinon le systeme empire en silence.
• Confidentialite et reglementation. La video de personnes est une donnee personnelle au titre du RGPD, et l'usage biometrique ou de reconnaissance faciale est traite comme a haut risque par le reglement europeen sur l'IA (EU AI Act), qui entre en vigueur au fil de 2026. Controles de donnees, limites de retention et documentation appartiennent a la conception.
• Contraintes du materiel edge. Un modele qui tourne dans le cloud peut etre trop lourd pour une camera basse consommation ; planifiez le compromis precision-vitesse et l'appareil cible avant l'entrainement, pas apres.

Aucun de ces points n'est une raison d'eviter la vision par ordinateur ; ce sont les raisons qui en font une discipline d'ingenierie et non une demo. Un partenaire qui parle ouvertement d'annotation, de tests en conditions reelles et de confidentialite avant de parler d'architecture de modele est un partenaire qui a deja livre cela.

Comment choisir une societe de developpement vision par ordinateur

Choisissez une societe de developpement logiciel de vision par ordinateur sur des systemes livres en production, pas sur des prototypes soignes — n'importe qui peut affiner un detecteur sur un jeu de donnees public, mais tres peu le rendent precis, surveille et abordable sur des cameras en direct. Cette checklist separe un partenaire qui vous remet un systeme de confiance d'un partenaire qui apprend la vision sur votre budget.

1. Une experience de vision en production, pas des notebooks

Demandez a voir des systemes de vision par ordinateur qu'ils ont mis en production et maintenus, avec de vraies cameras et un vrai monitoring. Une equipe qui a livre de la vision parle couramment d'annotation, de derive, d'optimisation edge et d'evaluation — les parties qui n'apparaissent qu'une fois un modele en ligne sur le terrain.

2. Une approche donnees d'abord

Exigez qu'ils commencent par vos images — leur qualite, leur couverture et leur annotation — avant de promettre un modele. Si une societe annonce une precision figee avant d'avoir vu vos images, continuez a chercher ; des services serieux de developpement logiciel de vision par ordinateur traitent la maturite des donnees images comme la premiere question, pas un detail d'implementation.

3. Une cible de deploiement claire

Demandez tot si le modele tournera dans le cloud ou a l'edge, et faites-leur le justifier face a vos besoins de latence, de confidentialite et de cout. Un partenaire qui opte par defaut pour le cloud sans questionner vos cameras et vos contraintes n'a pas reflechi a l'endroit ou votre systeme vit reellement.

4. Un vrai plan d'evaluation et de monitoring

Demandez comment ils mesureront le succes et garderont le modele sain apres le lancement : la metrique, le jeu de test, le monitoring et le chemin de reentrainement — le meme test que nous appliquons dans notre guide sur comment choisir une societe de developpement logiciel. Si le seul livrable propose est un modele fini a partir d'un brief vague, on vous vend, on ne vous conseille pas.

Tendances de la vision par ordinateur en 2026

Le basculement marquant de 2026 est que la vision par ordinateur est passee de la recherche a la base operationnelle, et les gagnants sont les equipes qui l'industrialisent, pas celles au modele le plus astucieux. Le marche le reflete : des analyses independantes valorisent la vision par ordinateur a environ 20–33 milliards USD en 2026 et projettent une croissance d'environ 15 % par an jusqu'au debut des annees 2030. Pour les responsables qui commandent du logiciel de vision, trois tendances comptent le plus :

• La vision edge se generalise. Des puces d'inference edge moins cheres et la pression sur la confidentialite poussent la detection en temps reel sur cameras et appareils, faisant de la cible de deploiement une decision de conception de premier plan plutot qu'un apres-coup.
• Les modeles de fondation reduisent les besoins en donnees. Des backbones pre-entraines comme CLIP et SAM, affines sur un jeu annote modeste, atteignent desormais une precision de production avec bien moins d'annotation qu'un entrainement de zero l'exigeait il y a quelques annees.
• La gouvernance devient une exigence de build. A mesure que le reglement europeen sur l'IA (EU AI Act) entre en vigueur au fil de 2026, les cas d'usage biometriques et de surveillance portent des obligations de documentation, de transparence et d'evaluation des risques qui appartiennent a la conception, pas a un ajout tardif avant un audit.

Sous les tendances, les fondamentaux tiennent : un produit de vision par ordinateur reussit par la qualite des images annotees, une cible de precision claire et l'exploitation qui le garde sain sur des cameras en direct. Les modeles gagnent en capacite chaque annee, mais l'ecart entre un systeme de confiance et une demo qui decoit reste l'ingenierie autour du modele — c'est precisement pourquoi un developpement logiciel de vision par ordinateur discipline compte plus en 2026, pas moins.

FAQ

Qu'est-ce que le developpement logiciel de vision par ordinateur ?

Le developpement logiciel de vision par ordinateur est la conception et l'ingenierie d'applications qui extraient du sens des images et des videos — detecter des objets, lire du texte, classer des scenes ou mesurer des defauts — a l'aide de modeles entraines sur des exemples visuels annotes plutot que sur des regles ecrites a la main. En pratique cela signifie une chaine image et video (capturer, annoter, entrainer, evaluer) enveloppee dans du vrai logiciel et maintenue precise en production par le monitoring et le reentrainement. C'est une branche specialisee du machine learning axee sur les donnees visuelles, et elle peut tourner dans le cloud ou sur une camera a l'edge.

Combien coute le developpement logiciel de vision par ordinateur en 2026 ?

En 2026, le developpement logiciel de vision par ordinateur coute typiquement d'environ 20 000 USD pour un build cible de classification d'images ou de detection simple sur donnees propres jusqu'a 300 000 USD ou plus pour de l'analyse video avancee ou des systemes critiques pour la securite, la plupart des projets metier sur mesure se situant entre 60 000 et 150 000 USD. L'annotation des donnees est le levier de cout propre a la vision : etiqueter un grand jeu d'images (100 000+ images) peut couter a lui seul 30 000 a 100 000 USD, souvent 20–40 % du budget. Utiliser un modele pre-entraine comme YOLO, ResNet ou CLIP et l'affiner est environ 3–5 fois moins cher que d'entrainer de zero.

Quelle est la difference entre vision par ordinateur et machine learning ?

Le machine learning est la discipline large consistant a batir des systemes qui apprennent des motifs a partir de donnees ; la vision par ordinateur est la branche du machine learning qui travaille specifiquement sur images et videos. Un systeme de vision utilise les memes fondations — donnees, entrainement, evaluation — mais ajoute des preoccupations propres a la vision : annotation des images, modeles comme les reseaux de neurones convolutifs et les vision transformers, metriques comme la mean average precision, et deploiement sur cameras et appareils edge ou la latence et la bande passante comptent. Une equipe forte en developpement logiciel de machine learning peut batir des systemes de vision, mais le travail sur les donnees et le deploiement est distinct.

Combien de temps faut-il pour construire un systeme de vision par ordinateur ?

Un systeme de vision par ordinateur cible met environ 2 a 4 mois a atteindre la production, un systeme de complexite moyenne 4 a 8 mois, et une plateforme d'analyse video avancee ou critique pour la securite 9 a 18 mois ou plus. Le delai depend surtout de la maturite des donnees images et de l'annotation : environ 2–4 semaines de cadrage et faisabilite, 4–10 semaines de collecte et d'annotation des donnees, 3–6 semaines de developpement et evaluation du modele, 4–8 semaines de build applicatif et integration, et 2–4 semaines de deploiement et d'optimisation.

Un modele de vision par ordinateur doit-il tourner a l'edge ou dans le cloud ?

Faites tourner la vision par ordinateur a l'edge — sur la camera ou un appareil proche — quand vous avez besoin de faible latence, devez travailler hors ligne, traitez de nombreux flux video, ou devez garder les images sur site pour la confidentialite ; faites-la tourner dans le cloud quand les modeles sont volumineux, le materiel centralise ou le debit modeste. Le deploiement edge utilise des runtimes optimises comme NVIDIA TensorRT, OpenVINO ou TFLite sur des appareils comme NVIDIA Jetson, en echangeant un peu de precision et de commodite de mise a jour contre de la vitesse et la maitrise des donnees. Beaucoup de systemes en production sont hybrides : inference a l'edge, entrainement et monitoring dans le cloud.

Que fait une societe de developpement logiciel de vision par ordinateur ?

Une societe de developpement logiciel de vision par ordinateur construit le systeme complet autour d'un modele de vision : elle cadre le probleme, collecte et annote les donnees images, selectionne et entraine les modeles, les enveloppe dans du logiciel de production, les integre aux cameras et aux systemes metier, et deploie dans le cloud ou a l'edge avec monitoring et reentrainement. Les meilleurs services de developpement logiciel de vision par ordinateur commencent par vos donnees et une cible de precision mesurable plutot que par une demo, et traitent l'annotation, l'evaluation et le deploiement comme de l'ingenierie centrale. Choisissez-en une sur des systemes livres en production, pas des preuves de concept.

Derniere mise a jour le 7 aout 2026. Les chiffres de cout, delai et marche refletent des analyses de prix independantes 2026 du developpement en vision par ordinateur et des rapports de marche pour des clients US et UE ; les prix reels varient selon le perimetre, la maturite des donnees images, la complexite du modele, les integrations, la cible de deploiement et l'usage. Ces chiffres sont une orientation generale, pas un devis — demandez une proposition delimitee pour votre situation.