Article
L’essor de l’intelligence artificielle et du machine learning dans le domaine de la construction

Le secteur de la construction est bien placé pour tirer parti de l’apprentissage automatique et de l’intelligence artificielle (IA). En tant que membre de l’équipe du projet IQ avec BIM 360 chez Autodesk, j’ai eu le privilège de participer à l’incursion d’Autodesk dans l’apprentissage automatique pour la construction.

Cet article résume les développements de cette technologie et présente plusieurs moyens de s’y préparer afin d’en maximiser la valeur, notamment à travers une vaste étude portant sur l’impact de diverses applications de l’IA et de l’apprentissage automatique dans la construction. Ces processus apportent des changements dans différents domaines, comme la gestion des risques, des calendriers et des sous-traitants, la surveillance des chantiers et la sécurité, pour ne citer que quelques exemples.

IA et apprentissage automatique dans la construction

Que faut-il entendre par IA ?

Quand on parle d’intelligence artificielle, la perception du grand public se situe généralement entre deux extrêmes : il y a ceux qui pensent que l’IA est en passe de diriger le monde et ceux qui la perçoivent comme une pure fantaisie qui n’a pas sa place dans une conversation sérieuse. En fait, la réalité se situe à mi-chemin, l’IA étant très loin d’être une super-intelligence, mais plutôt une discipline très prometteuse qui agit comme un moteur important des applications dans la technologie d’aujourd’hui.

Définir l’IA a toujours été problématique. Le mot « artificielle » est le plus facile à définir, car il peut simplement s’entendre comme « quelque chose qui n’existe pas à l’état naturel ». En revanche, le terme « intelligence » a donné du fil à retordre aux chercheurs. En général, l’IA désigne un large éventail de disciplines scientifiques englobant différents sujets tels que l’informatique, la psychologie, la philosophie ou encore la linguistique. L’objectif principal de l’IA est de confier aux ordinateurs des tâches qui nécessitent normalement une intelligence humaine. Cette série d’articles propose une réflexion plus approfondie sur la définition et l’histoire de l’intelligence artificielle.

L’IA au sens large englobe différents domaines d’application, mais j’aimerais aborder ici les deux plus connus : l’apprentissage automatique et l’apprentissage profond. L’apprentissage automatique est un sous-domaine qui repose sur l’écriture d’algorithmes qui permettent aux ordinateurs d’« apprendre » à partir de données sans être explicitement programmés. Par exemple, vous pouvez créer un algorithme pour identifier des spams : il faudra pour cela entraîner l’algorithme en lui soumettant de nombreux exemples d’e-mails qui ont été manuellement étiquetés comme étant ou non des spams. L’algorithme « apprend » à identifier les modèles, comme l’occurrence de certains mots ou des combinaisons de mots, qui déterminent la probabilité qu’un e-mail soit un spam.

Dans la famille des méthodes d’apprentissage automatique, l’apprentissage profond désigne un ensemble de techniques spécialisées qui ont été développées plus récemment et qui reposent sur des réseaux neuronaux, un type d’algorithme d’apprentissage automatique qui simule les neurones du cerveau humain. L’apprentissage profond a apporté plusieurs innovations dans les domaines du traitement de l’image et du langage, rendant ainsi possibles des applications avancées comme les assistants domotiques et les voitures sans conducteur.

 

Facteurs de déclenchement

En tant que discipline académique, l’IA existe depuis longtemps : la première conférence sur ce sujet a eu lieu en 1956. Mais c’est au cours de la dernière décennie qu’elle a gagné en notoriété. Cela peut s’expliquer par plusieurs améliorations importantes apportées récemment. Toute forme d’IA requiert des volumes importants de données pour générer des informations exploitables. Au cours des dernières années, cette quantité de données a véritablement explosé. Selon un blog d’IBM publié il y a quelques années, 90 % des données disponibles avaient été créées au cours des deux dernières années et il est probable que ce chiffre ait atteint les 95 % aujourd’hui. Par ailleurs, la puissance de calcul servant à analyser ces données a augmenté de façon exponentielle, alors que son coût a baissé. Aujourd’hui, la quasi-totalité des données réside dans le cloud. Grâce aux ressources de traitement mises à notre disposition, nous avons assisté à une explosion des applications visant à améliorer la prise de décisions reposant sur les informations exploitables générées par ces analyses.

Applications de l’IA

Pour mieux comprendre l’étendue de ses applications, il suffit de constater à quel point l’IA est devenue omniprésente. Vous recevez probablement plusieurs e-mails chaque jour et même si vous y consacrez plus de temps que vous ne le souhaiteriez, avez-vous remarqué que le nombre de spams a considérablement baissé ? Il y a 5 ans, vous auriez reçu au moins un e-mail par semaine vous annonçant que vous aviez gagné au loto. La détection de spams est l’une des applications les plus anciennes et les plus connues de l’apprentissage automatique. En analysant des milliers d’e-mails, les programmes informatiques ont « appris » à identifier les spams. Ils peuvent comprendre que l’expéditeur n’est pas une personne susceptible de vous écrire ou que le contenu d’un e-mail est certainement frauduleux. Ce n’est qu’un exemple parmi tant d’autres de traitement du texte.

Analyse des images

L’analyse des images est un autre domaine en cours de développement. Ici, les problèmes peuvent se résumer à deux catégories principales : l’identification de ce que l’image représente et l’identification de l’emplacement exact d’un objet dans une image. Par exemple, y a-t-il un chat sur cette photo ? Et comment détecter l’emplacement précis de ce chat sur l’image ?

Avec le développement de l’apprentissage profond, ce domaine a connu plusieurs avancées. Ainsi, les nouveaux modèles d’iPhone sont dotés d’une fonctionnalité de déverrouillage par reconnaissance faciale. Les algorithmes peuvent analyser rapidement les moindres détails d’une photo de sorte que ces informations peuvent être exploitées pour prendre des décisions en temps réel. Si les algorithmes pouvaient détecter la présence de chats sur des photos, ils sont désormais capables d’indiquer s’il s’agit du même chat sur chaque photo.

En associant ces algorithmes de reconnaissance et de détection d’images à d’autres formes d’IA, on obtient des applications fascinantes comme les voitures sans conducteur, capables d’analyser leur environnement et d’utiliser les informations obtenues par capteur à des fins de déplacement. Il est très difficile d’analyser les objets d’un environnement, leurs différences de comportement et de fonctionnement, mais aussi de comprendre les règles qui régissent cet environnement. L’image ci-dessous illustre la vue d’une voiture sans conducteur : le système de navigation est capable de faire la distinction entre les personnes, les voitures et les objets immobiles. Il doit comprendre la signification d’un feu rouge ou d’un panneau de circulation à sens unique. Il peut estimer la distance entre les objets et utiliser ces informations pour prendre des décisions. Cet article décrit de manière détaillée et interactive la fabrication et la technologie de ces voitures.

Différents points de données

Le cerveau humain peut traiter 3 ou 4 points de données lors d’une prise de décision. Il s’agit d’un autre domaine de progression de l’intelligence artificielle. Si le cerveau humain peut traiter 3 ou 4 dimensions de données, les algorithmes d’IA n’ont pas de limites. Lorsque vous regardez l’intégralité d’une série recommandée par Netflix, le moteur de recommandations a probablement pris en compte plusieurs éléments : votre âge, si vous êtes un homme ou une femme, ce que d’autres personnes ayant le même profil aiment regarder, les programmes que vous avez vus, les avis sur les programmes, la participation des autres utilisateurs et bien d’autres aspects.

Pour chacun de ces éléments, l’exigence commune est la grande quantité de données nécessaires à l’apprentissage de ces algorithmes. L’IA fournit une recommandation ou une solution basée sur les données reçues. Par conséquent, sa qualité dépend de celle des données. Pour exploiter pleinement les atouts de cette technologie, il a fallu optimiser l’organisation des données collectées et leur gestion dans l’ensemble des produits. Dans le monde de l’IA, on parle souvent du concept GIGO (Garbage In, Garbage Out) : si les données sont inexactes, les résultats seront erronés.

Quels sont les changements apportés par l’IA dans la construction ?

Au cours des dernières années, de nombreux investissements ont été réalisés dans les technologies de la construction et une grande partie a été consacrée à la numérisation des différentes étapes du workflow de construction. Les modèles BIM ont changé la façon dont les bâtiments sont conçus. Les processus de gestion des projets et des problèmes ont été déplacés dans le cloud. La gestion des opérations fait de plus en plus appel aux données obtenues par capteur et à l’automatisation. Grâce à la disponibilité des données, les applications basées sur l’IA sont de plus en plus pertinentes pour le secteur de la construction.

Conception générative

La conception générative (ou Generative Design) est une technologie reproduisant la dimension évolutive de l’environnement naturel. Les experts informatiques ont trouvé des moyens de faciliter le processus de conception des bâtiments. Il faut d’abord définir des objectifs de conception, puis explorer toutes les variantes afin de déterminer la meilleure option. Voici un exemple.

Une équipe d’Autodesk à Toronto a emménagé dans de nouveaux bureaux créés au moyen d’un nouveau processus de conception. Les chercheurs ont eu recours à la conception générative pour concevoir le bâtiment idéal qui répondrait à tous leurs besoins. Dans un premier temps, il a fallu analyser tous les paramètres importants pour les occupants de ces bureaux : proximité, style de travail préféré, niveau de distraction, productivité, lumière du jour et vues de l’extérieur.

De gauche à droite, chaque plan est superposé avec une simulation des paramètres suivants : proximité, style de travail préféré, niveau de distraction, productivité, lumière du jour et vues de l’extérieur.
From left to right, each plan is overlaid with a simulation of the following parameters: adjacency preference, work style preference, buzz, productivity, daylight, and views to outside.

Ces données ont permis d’alimenter un système informatique qui a analysé ces paramètres de conception ainsi que les exigences d’emplacement physique. L’algorithme a ensuite généré plusieurs variantes qui tenaient compte de ces besoins et l’architecte a pu choisir la meilleure option en fonction du style et d’autres critères. Ce processus étant très rapide, plusieurs itérations ont pu être facilement réalisées et la conception finale a été générée suite à diverses discussions. Comme détaillé dans cet article, la conception générative permet non seulement de relever des défis complexes sur le plan pratique, mais aussi d’optimiser l’efficacité et les coûts du processus global de développement, grâce à des conceptions qui améliorent la planification et la coordination entre les intervenants.

Réduction des risques

Sur les chantiers, les risques doivent être évalués et gérés au quotidien pour en limiter l’impact. Des centaines de sous-traitants issus de différents corps de métier doivent travailler en même temps. Il faut traiter des milliers de problèmes et une multitude de changements. Le projet IQ avec BIM 360 avait pour objectif principal d’analyser les défis que doivent relever au quotidien les directeurs des travaux de construction, les responsables de projet et les chefs de chantier, afin d’améliorer le processus grâce à l’IA. Après avoir discuté avec plusieurs chefs de chantier, visité les sites sur lesquels ils travaillaient, puis analysé les données générées, notre constat a été clair : pour optimiser l’efficacité, les problèmes devaient être priorisés en fonction des risques.

 

Grâce à l’IA, et notamment à l’analyse du langage de la construction, il a été possible d’attribuer automatiquement des priorités aux problèmes. Les algorithmes permettent d’analyser et d’anticiper des événements complexes, par exemple, si un problème peut causer des infiltrations s’il n’est pas résolu. Le système utilise les descriptions et les observations réalisées par les responsables de la qualité lors du suivi de leurs projets.

Par exemple, si un responsable de la qualité détecte le survitrage incomplet d’une fenêtre et l’enregistre dans BIM 360 Field, les algorithmes d’IA analysent ces données et signalent automatiquement un problème potentiel lié à l’eau. Le chef de chantier sera alors informé de ce risque lorsqu’il passera en revue les problèmes sur le tableau de bord. Ce système est actuellement disponible en version pilote pour tous les utilisateurs des produits BIM 360.

Le système va encore plus loin en intégrant tous les risques liés aux problèmes posés par chaque sous-traitant : différents facteurs sont pris en compte, notamment leurs méthodes de gestion des problèmes sur des projets précédents, leur charge de travail actuelle et l’importance des problèmes dont ils sont responsables. L’algorithme peut ensuite attribuer un « score de risque » à chaque sous-traitant qui participe au projet. Cette mesure indique le niveau de risque pour le projet afin que les directeurs des travaux de construction puissent mieux gérer leur temps et leurs priorités, et collaborer avec ces équipes.

Sécurité

Dans le secteur de la construction, la sécurité sur les chantiers est la priorité numéro 1. Dans le cadre du projet IQ avec BIM 360, nous avons analysé les comportements et le contexte autour des problème de sécurité afin d’en informer les responsables de la sécurité. L’application IQ analyse automatiquement tous les problèmes de sécurité sur un chantier et les étiquette afin d’indiquer s’ils seraient susceptibles de provoquer un accident mortel. L’agence gouvernementale OSHA (Occupational Safety and Health Administration) a révélé dans une étude qu’environ 67 % de tous les décès sur les chantiers en 2015 étaient dus à des problèmes liés aux « Fatal Four » (4 causes de décès) : chute, collision avec un objet, blocage entre deux objets et électrocution. Les algorithmes d’IQ classent les problèmes de sécurité qui peuvent entraîner ces 4 types de situations mortelles.

L’application IQ répertorie les sous-traitants d’un projet et une répartition des problèmes de sécurité pour chaque catégorie correspondant aux « Fatal Four ».
The IQ application shows a list of subcontractors on a project and a breakdown of their safety issues by the “fatal four” categories.

L’application fournit également des informations exploitables sur la nature du risque à l’origine de l’incident potentiel et présente une répartition selon 39 risques différents.

Ce graphique illustre un sous-ensemble des risques que l’application IQ peut détecter dans un problème de sécurité.
A subset of the hazards that the IQ application can detect in a safety issue.

Les responsables de la sécurité peuvent ainsi avoir une meilleure vision des efforts nécessaires en matière de planification et de formation, et observer plus attentivement certains problèmes lors de leur parcours de sécurité.

De nos jours, de nombreuses photos et vidéos sont prises chaque jour sur les chantiers. Chaque ouvrier dispose d’un téléphone muni d’une caméra et il est désormais très courant de prendre des photos des problèmes. Les drones sont de plus en plus répandus et sont souvent utilisés pour les prises de vues aériennes ou pour des tâches plus avancées comme l’évaluation de la progression. Les caméras GoPro et les casques intelligents sont également devenus monnaie courante. La quantité de photos créées est énorme et la plupart des applications n’ont pas encore comblé leur retard à cet égard. À l’heure actuelle, il n’existe pas de solution satisfaisante pour gérer ces photos ou les exploiter afin d’obtenir de meilleures informations exploitables.

La start-up technologique Smartvid.io a mis au point une solution. Grâce à une plate-forme intégrant d’autres fournisseurs de technologies, toutes les images peuvent être centralisées dans un même emplacement. La start-up va encore plus loin en exploitant l’IA pour analyser le contenu des images. Comme nous l’avons vu précédemment dans l’exemple des voitures sans conducteur, il est possible d’isoler et d’analyser différents objets dans une image. Smartvid.io a créé des « étiquettes intelligentes » qui permettent d’améliorer la catégorisation et la recherche des photos.

Dans cette image d’un ouvrier du bâtiment qui descend d’une échelle, Smartvid.io peut ajouter automatiquement les étiquettes affichées à gauche de l’image.
In this image of a construction worker stepping off a ladder, Smartvid.io can automatically add the tags shown on the left to the image.

 

Grâce à cette analyse de concepts plus avancés de la construction, Smartvid.io peut proposer des recherches plus intelligentes. L’image ci-dessus montre toutes les images d’un projet obtenues pour une requête « au-dessus du plafond ».
Since Smartvid.io understands higher level concepts in construction, it provides for smarter searches. The above image shows all the images in a project for the query ‘above ceiling.’

Comment exploiterons-nous les atouts de l’IA pour le secteur de l’AEC ?

L’application IQ avec BIM 360 a été le premier produit d’IA d’Autodesk axé sur la qualité pour le secteur de la construction et nous poursuivons nos efforts dans ce domaine. Nous avons créé des applications spécialement pensées pour relever les défis en matière de qualité et de sécurité rencontrés par les professionnels de la construction. La prochaine étape consistera à adopter une approche similaire pour optimiser la gestion des projets grâce à l’IA.

Plate-forme de données

Dans le secteur de la construction, plusieurs fournisseurs de technologies proposent des solutions de gestion des données, mais elles sont rarement compatibles. Afin d’exploiter pleinement la puissance des solutions basées sur l’IA, toutes les sources de données doivent être connectées. Pour répondre à ce besoin, Autodesk travaille également à la création d’une plate-forme de données qui permettrait l’intégration d’applications tierces afin que différentes sociétés de construction puissent y centraliser leurs données, tout en accédant aux mêmes fonctionnalités d’analyse. Autodesk y intégrera également d’autres sources de données (ERP, gestion de projets, etc.) et collaborera avec d’autres entreprises spécialisées dans le traitement des données de construction comme Smartvid.io, Triax Technologies ou SmartBid.

Architecture conceptuelle de la nouvelle plate-forme de données BIM 360
Conceptual architecture of the new BIM 360 data platform.

Anand Rajagopal est expert en données chez Autodesk et fait partie de l’équipe BIM 360. Dans le cadre de son poste actuel, il collabore étroitement avec les clients pour créer, tester et déployer des modèles d’apprentissage automatique pour la construction.

Cours complémentaire

The field of construction is well placed to benefit from the advent of machine learning and artificial intelligence. As part of the BIM 360 Project IQ Team at Autodesk, I've had the privilege of being a part of Autodesk's foray into machine learning for construction. This talk will focus on summarizing the developments in this space, and we'll cover some ways in which one can prepare to maximize value from this technology. The class has 2 sections. The first part provides a broad survey of some...

Partager l'article

Commentaires