Partager sur facebook
Partager sur twitter
Partager sur linkedin
Partager sur email

L’IA : décryptage de cette innovation pour la prévention

À l’heure où tout va de plus en plus vite, où les innovations ne cessent d’envahir notre quotidien, l’intelligence artificielle prend une place très importante dans la digitalisation des processus industriels : l’industrie 4.0.

Vous ne le savez peut-être pas, où vous ne vous en rendez peut-être pas compte, mais l’intelligence artificielle est omniprésente autour de nous. C’est l’avenir pour plusieurs entreprises qui doivent sans cesse innover pour s’assurer une compétitivité toujours plus importante.

L’objectif de cet article est de vulgariser l’intelligence artificielle, pour qui que vous soyez, amateur des nouvelles technologies ou non, vous puissiez comprendre ce que l’on appelle IA et comment elle est utilisée au service de la prévention des risques.

# L’histoire de l’Intelligence Artificielle

Contrairement à ce que l’on pourrait penser, l’Intelligence Artificielle n’est pas une technologie récente : ses premières utilisations ont été réalisées, il y a plus de 70 ans !

Certes, ce n’était qu’un niveau basique d’utilisation, mais dans les années cinquante, cette technologie était déjà un procédé de pointe à l’époque ou internet n’existait pas encore.

Émergence des sous-domaines de l’IA (www.penseeartificielle.fr)

Ce que l’on appelle aujourd’hui Intelligence Artificielle est composé de plusieurs sous-domaines, tous dépendant les uns des autres, avec un niveau d’intervention de l’Homme différent :

1. L’intelligence artificielle (IA)

Cette première application de l’IA est aussi la plus ancienne. Née en 1950, grâce à Alan TURING, pionnier de l’intelligence artificielle qui met en place un algorithme « SI…ALORS…SINON. À l’époque, son objectif était d’imiter les réponses d’un être humain, de la façon la plus précise possible.

Le plus simple est de prendre un exemple.

Un programme qui viendrait à nous dire si une voiture roule vite (en lui donnant sa vitesse) est déjà une intelligence artificielle, sans qu’elle soit réellement intelligente : elle ne fait qu’appliquer un ensemble de règles fixées et définit.

2. L’apprentissage Machine (Machine learning / ML)

Imaginons que vous vouliez créer une IA qui va vous donner le prix d’une maison (avec sa localisation et sa superficie).

Le programme pour obtenir un résultat dans les années cinquante aurait été : si la superficie est supérieure à 30 m² et que la maison se situe à Marseille, alors elle vaut 92 000 €. Ou alors un résultat mathématique simple prix en € = superficie * prix d’un m²

Représentation visuelle de la logique SI…ALORS…SINON – Eyes’R

Mais tout le monde le sait (et notamment ceux qui ont déjà acheté une maison), le prix du m² change, à la fois en fonction du temps, mais aussi en fonction de la ville, et même en fonction de chaque quartier dans chaque ville ! La logique des années cinquante ne fonctionne donc pas, sauf si vous souhaitez obtenir un résultat très éloigné de la réalité.

Il faut donc ajouter une approche statistique : c’est la naissance du Machine Learning

Ce sous-domaine comprend de très nombreux algorithmes mathématiques, chacun donnant une approximation du prix de la maison différent. Notre objectif ici, n’étant pas de rentrer dans le détail, vous pouvez consulter cet article qui rentre plus en profondeur dans le machine learning.

Un exemple plus concret, entre 1996 et 1997, Deep Blue, un supercalculateur développé par IBN a réalisé 6 parties d’échecs contre le champion du monde russe Garry Kasparov. Le 11 mai 1997, Garry Kasparov s’incline face à Deep Blue ! (pour les amateurs d’échecs, tous les résultats sont consultables ici).

Récemment, Garry Kasparov disait

L’intelligence artificielle nous rendra plus humains

L’apprentissage Profond (Deep learning / DL)

Même si beaucoup de failles ont été détectées, pendant longtemps, le machine learning suffisait à estimer de nombreux résultats, dont le prix de la maison que l’on veut acheter. Mais le principal inconvénient réside dans le fait qu’un expert Humain doit traiter de très grande quantité de données pour que la machine puisse estimer le résultat.

Peut-être que selon votre œil d’acheteur, l’exposition au soleil, l’âge de l’ancien propriétaire ou que sais-je, la couleur de la pelouse n’ont aucune incidence sur le prix, il n’est donc pas nécessaire de dire à la machine de prendre en compte ces informations.

Autre exemple, comment faite vous pour reconnaître une personne simplement en voyant son visage ? Est-ce que le détail qui vous saute aux yeux est l’écart entre sa bouche et son nez ? La couleur de ses yeux ? Un détail sur son front ? Autant d’informations que vous pourriez donner à la machine, mais sans être certain d’obtenir un résultat satisfaisant.

Ainsi en 2010 est né le Deep Learning ou Apprentissage profond.

L’objectif ? S’inspirer de comment marche notre cerveau et nos neurones, pour pousser l’analyse encore plus loin et permettre à la machine d’extraire les données pertinentes par elle-même !

Il n’est pas simple de voir, comment l’on passe d’un usage des statistiques à un réseau de neurones, mais pour faire simple, un algorithme d’apprentissage profond va renforcer ou détruire des liaisons entre les neurones en appliquant… Des méthodes statistiques, ce qui aura une influence sur le résultat de sortie.

Revenons une seconde à notre achat immobilier : dans un réseau de neurones, si l’on rentre comme information 30 (correspondant à la superficie de la maison dans la partie sur l’intelligence artificielle), le prix sera très proche de 92 000

Comme pour le machine learning, plusieurs méthodes sont utilisées dans l’apprentissage profond, nous n’allons pas non plus les détailler, mais vous pouvez toujours lire cet article qui donne plus d’informations sur le sujet.

➡️ Pour approfondir les sous-domaines de l’IA avec des exemples concrets de programme informatique, cet article donne toutes les pistes.

# Et concrètement, dans quels cas l’IA est utilisée ?

Comment nous le disions en introduction, l’IA est partout, sans que nous nous en rendions compte. De l’analyse de données en très grande quantité à l’analyse d’images et de vidéos, les usages sont multiples.

Dans l’industrie, avec la maintenance prédictive pour anticiper les pannes des machines ou dans la gestion des entrepôts logistique pour optimiser l’espace et ainsi stocker plus dans moins d’espace (et donc réduire les coûts pour les entreprises).

La médecine a aussi su intégrer l’IA, et cela, a pris tout son sens pendant la crise du #Covid-19 : il est possible pour une IA, d’après une radio des poumons, de détecter la présence d’un cas de Covid ou non. Même si le médecin est capable de le faire, certainement bien plus que la machine, l’utilisation de l’IA permet d’aller plus vite pour faire un prédiagnostic et prendre des actions de confinement plus rapide. Charge au médecin de valider ensuite.

L’automobile marque également une très belle avancée, notamment grâce à Tesla qui utilise l’IA dans son AutoPilot pour rendre les véhicules autonomes (du SmartSummon pour quitter sa place de parking tout seul à la conduite autonome sur Autoroute).

Enfin, un autre secteur qui commence à utiliser très largement cette innovation : le secteur du rétail et de la grande distribution.

Amazone, grâce à ses magasins Amazon Go permet à ses clients de rentrer et de sortir du magasin sans passer par l’étape de la caisse. La boutique est équipée de plusieurs caméras qui reconnaissent en temps réel ce que le client prend/repose dans les rayons, l’ajoute à votre panier et vous facture automatiquement lorsque vous sortez.

Le but ? Simplifier l’expérience client en supprimant le passage à la casse et ainsi rendre ses achats beaucoup plus rapides.

Magasin Amazon Go – generation-nt.com

Et les domaines d’applications sont encore très nombreux, certains d’entre eux n’existent même pas aujourd’hui.

L’avenir de l’IA est donc certain, et cette innovation sera encore plus utilisée dans les années à venir et dans des domaines dans lesquels nous ne l’imaginions même pas.

https://alexpachulski.com/generation-ia/
📖 Alexandre Pachulski, co-fondateur de Talentsoft, a publié « Génération IA », un livre qui reprend et décrypte plus de 80 usages de l’IA au travers des films et des séries en vogue

# Appliquer l’intelligence artificielle au monde de la prévention des risques

Avec tous ces cas d’usages qui développent continuellement de nouveaux usages, pour simplifier l’expérience client où nous assister dans nos tâches de la vie courante, vous vous demandez certainement, est-ce qu’il existe des cas d’usages permettant de protéger le capital Humain des entreprises, à savoir ses collaborateurs.

La réponse est oui.

Il est possible en utilisant notamment la vision par ordinateur (computer vision pour les habitués du terme anglais), d’apporter une brique technologique du monde de la prévention, pour digitaliser les process et capitaliser sur l’Humain.

Nous évoquions plus tôt l’usage dans la médecine avec la crise sanitaire, c’est une utilisation qui pourrait rentrer dans la prévention des risques, à savoir la prévention contre la contamination !

Mais, il est également possible de détecter :

  • le non-port des EPI : gant, gilets haute visibilité, casque ou même le masque (plutôt utile lorsqu’il est obligatoire partout)
  • un risque de chute : flaque de liquide sur une allée piétonne, collaborateur qui ne tiendrait pas la rambarde d’un escalier
  • la mauvaise utilisation d’outils comme un collaborateur qui se servirait d’une échelle pour travailler en hauteur, à la place d’un échafaudage
  • le mal empilage de cartons dans un entrepôt qui risqueraient de tomber sur un collaborateur se situant en dessous ou le mauvais rangement de produit inflammable
  • la proximité trop proche entre un piéton et un engin de manutention ou de chantier qui risquerait un écrasement, ou la proximité avec une machine à risques
Quelques cas d’usages de l’IA en prévention des risques – Eyes’R

1. La prévention des risques de TMS par l’IA

Les TMS, un terme bien connu des acteurs de la prévention. Ce sont les Troubles Musculo-Squelettiques, autrement dit les mauvaises postures qui causent des pathologies et des douleurs lors de certains mouvements. Ces troubles peuvent être aggravés par l’activité professionnelle, notamment si les postes de travail sont mal conçus ou si les gestes qui y sont effectués ne sont pas conçus pour éviter ces risques.

Kimea, un produit développé par Moovency a pour objectif d’utiliser l’IA pour accompagner les services HSE dans la prévention de ces risques de TMS.

En quelques mots, ils utilisent une caméra, qui couplée à des algorithmes d’IA permet d’estimer la posture du collaborateur à son poste de travail, et d’estimer, à l’aide des recommandations, si un risque de blessure sur le long terme est possible.

L’outil met ensuite à disposition, une interface qui permet de visualiser ce risque en temps réel, mais qui peut également fournir des conseils pour corriger ou atténuer cette position contraignante pour l’opérateur.

Idéal quand l’on sait que les TMS sont la première cause de maladie professionnelle, avec plus de 42 000 cas recensés en 2017 !

Présentation de la solution KIMEA – Moovency

2. Une quantité de données analysées pour piloter son activité HSE

Aujourd’hui, la donnée est une denrée très importante et très précieuse, à tel point que des réglementations sont mises en place pour éviter que son usage en soit détourné ou abusée.

La quantité de données stockée, qui n’est jamais utilisée est un réel coût pour les entreprises. Dans le cas de la vidéo-surveillance, les enregistrements ne servent qu’au moment du cambriolage, en dehors de cela, elles sont conservées sans être utilisées. Entre 3 et 30 milliards d’euros de perte par an pour les entreprises !

Eyes’R avec son assistant digital de prévention des risques, permet d’utiliser cette vidéo pour détecter les situations à risques et notifier avant que celle-ci ne se transforme en accident, plus grave.

La vidéo qui n’était donc pas utilisée se transforme en donnée analysée, qualifiée, interprétée qui peut être utilisée pour piloter son activité en générant des graphiques ; pour mettre à jour son document unique ou ses plans de prévention ; ou encore pour afficher dynamiquement sur un écran l’évolution de l’accidentalité dans votre entreprise.

Détecter et comprendre l’origine des accidents sont des étapes importantes dans une démarche de prévention, elles permettent non seulement de former, mais également de tout mettre en œuvre pour éviter que cela ne se reproduise. C’est valable aussi pour les presqu’accidents qui sont un fléau à recenser et à comprendre sans informations précises.

Exemple de tableau de bord des données mises à disposition par Eyes’R

Au travers de cet article vous l’aurez compris, l’intelligence artificielle est un réel atout de digitalisation, dans de très nombreux secteurs d’activité. Mais son usage dans la prévention des risques, permet d’obtenir des résultats significatifs dans ses démarches internes.

  • Prévenir les risques de TMS (avec l’outil KIMEA de Moovency)
  • Détecter le manque d’équipements de protection ou le mauvais usage d’un outil de travail
  • Interpréter des grandes quantités de données, qui ne sont aujourd’hui pas utilisées pour piloter son activité HSE
  • Centrer sa démarche de prévention sur l’Humain et sur ses ressources humaines.

L’utilisation de cette innovation, avec tous les avantages qu’elle apporte doit cependant être réglementée.

En effet, les normes sur la protection des données encadrent différents usages autour de la vidéo-surveillance, notamment pour des problématiques de surveillance des opérateurs sur leurs postes de travail.

Comment utiliser l’IA tout en respect le côté éthique et les données personnelles liées à la vidéo ? C’est une question importante qui doit être au centre de la discussion quand une démarche comme celle-ci est initiée.

📰 Pour continuer la lecture, nous vous proposons un autre article sur les 7 moyens efficaces pour réduire la fréquence et la gravité de  vos accidents du travail.

Abonnez-vous à la Préventive

Une newsletter dédiée prévention des risques et innovation