Comment utiliser l’intelligence artificielle pour les formations à la sécurité et la prévention des accidents du travail ?

Les nouvelles technologies — exosquelettes, réalité virtuelle (RV) et réalité augmentée (RA) — conquièrent rapidement le monde du travail. Même les caméras intelligentes, initialement développées dans l’industrie militaire pour les casques des soldats d’infanterie, gagnent du terrain. Placée sur un poste de travail, une telle caméra pourrait contribuer à former le travailleur à l’exécution de ses tâches, mais aussi l’informer d’une situation dangereuse et arrêter la machine si la situation perdure. Si cette évolution rapide est rendue possible par une foule d’applications 5G, il ne s’agit pas là de la véritable révolution technologique du moment. La principale innovation reste l’intelligence artificielle (IA), élément indispensable à cette réinvention du monde du travail. En effet, ce sont les algorithmes qui fourniront à ces applications des informations toujours plus précises et adaptées à la situation des travailleurs.

Cette contribution se concentre sur l’intelligence artificielle dans le cadre des formations à la sécurité et à la prévision des accidents du travail. Une prochaine contribution sera consacrée à l’intelligence artificielle dans le cadre des audits et du contrôle d’exosquelettes.
Qu’est-ce que l’intelligence artificielle ?
Tout comme la sécurité et la culture de sécurité, il est très difficile de définir l’intelligence artificielle. Certaines définitions sont vagues et peu instructives, tandis que d’autres sont trop concrètes et donc réductrices. La définition la plus connue de l’intelligence artificielle est celle du mathématicien Alan Turing. Sa vie a inspiré le scénario du film The Imitation Game, mettant en scène le déchiffrage du code Enigma durant la Seconde Guerre mondiale. On doit à Alan Turing le fameux « test de Turing », qui permet d’évaluer la faculté de la machine de tromper l’homme. Le jour où elle parviendra à le convaincre qu’elle n’est pas une machine, l’intelligence artificielle aura pris le dessus.
McCarthy et al. définissent l’intelligence artificielle comme suit : « making a machine behave in ways that would be called intelligent if a human were so behaving » (permettre à une machine d’adopter un comportement qui serait considéré comme un signe d’intelligence chez l’humain) (McCarthy, 1955). Kaplan et al. définissent l’IA comme : « a systems ability to correctly interpret external data, to learn from such data, and to use those learning to achieve specific goals and tasks through flexible adaptation » (la faculté d’un système d’interpréter correctement des données externes, d’en tirer un apprentissage et de l’utiliser pour parvenir à un objectif et des résultats prédéfinis en modifiant son comportement) (Haenlein & Kaplan, 2019).
Cette définition de Kaplan se base donc sur :
  • les données externes d’une base de données
  • l’apprentissage
  • le renforcement de la sécurité (= objectif).
De manière générale, l’intelligence artificielle est subdivisée en trois niveaux :
  • Niveau 1 : l’intelligence artificielle faible. La machine réalise des analyses dans des sous-domaines restreints. Ses comportements semblent intelligents sans l’être réellement. La machine a pour but l’exécution de tâches définies et précises, comme des algorithmes de recherche et des systèmes experts.
  • Niveau 2 : l’intelligence artificielle normale. La machine est capable de réaliser différentes tâches types et de résoudre des problèmes d’ordre général. Elle s’améliore en permanence grâce à l’analyse d’une base de données qui s’étoffe constamment.
  • Niveau 3 : la super intelligence artificielle. La machine crée son propre logiciel et est capable de penser par elle-même et de résoudre de nouveaux problèmes. La machine fait preuve de créativité scientifique et présente des compétences sociales. Ce niveau relève à l’heure actuelle de la fiction.
Problèmes de l’intelligence artificielle
L’intelligence artificielle et la recherche qui l’entoure sont des sujets sensibles. Comme mentionné plus tôt, bon nombre de ses applications sont déjà mises à profit dans l’industrie militaire. Cette technologie soulève également des questions éthiques, comme la protection de la vie privée. Par conséquent, diverses réglementations (pour les drones ou les véhicules autonomes, par exemple) limitent l’application de l’intelligence artificielle. Pour les lieux de travail, l’OSHA a publié la contribution « La SST et l’avenir du travail : avantages et risques des outils d’intelligence artificielle sur les lieux de travail » (EU-OSHA).
L’intelligence artificielle dans les formations à la sécurité
Les premières applications de l’intelligence artificielle dans le cadre de la sécurité ont permis le développement de formations. Il y a déjà bien longtemps que des simulateurs sont utilisés pour la formation des pilotes ou du personnel de centrales nucléaires. Ces simulateurs sont de plus en plus « intelligents » grâce à l’application de l’IA. Des machines similaires existent également pour la manipulation de grues, l’accès à des espaces confinés ou la gestion de substances dangereuses. Il est évident que les programmateurs doivent être suffisamment formés ou expérimentés. S’ils se basent sur des informations incomplètes ou erronées, leur programme risque d’enseigner des procédures incorrectes aux conséquences désastreuses.
De très nombreuses études se sont déjà penchées sur le phénomène de l’apprentissage et sur sa modélisation. La typologie de Kolb (Kolb, 1983) repose sur l’apprentissage par l’expérience, ou « action learning », un concept largement utilisé par l’IA. Les styles d’apprentissages de Kolb se divisent en phases et étapes d’apprentissage (voir figure).
Kolb distingue quatre phases et quatre styles correspondants :
  • L’accommodateur se caractérise par une combinaison d’expérimentation et d’expérience. Il se met rapidement au travail et apprend par manipulation et essai et erreur.
  • Le divergent privilégie l’expérience concrète et la réflexion. Il aime apprendre par lui-même en mettant tout de suite la théorie en pratique. Il analyse les problèmes (de sécurité) sous tous les angles et trouve rapidement des solutions.
  • L’assimilateur associe l’observation réflexive et la conceptualisation abstraite. Il transforme ses observations en théories. Il raisonne, apprécie les tâches intellectuelles et travaille de manière autonome.
  • Le convergent est doué pour la conceptualisation abstraite et l’expérimentation active, qu’il privilégie. Il teste ses théories et expérimente. Il prend des initiatives et aborde les problèmes (de sécurité) de manière déductive et orientée solution. Il déploie son plein potentiel lorsqu’il reçoit des règles et principes clairs pour une tâche d’apprentissage, qu’il peut intégrer à la situation concrète.

La plupart des modèles d’apprentissage, y compris celui de Kolb, délaissent un aspect pourtant central, la compréhension du fonctionnement du cerveau humain, ou brain-based learning (Degen, Brain-based learning: The neurological findings about the human brain that every teacher should know, 2014). Ces théories ne s’intéressent en outre que rarement à la manière dont notre cerveau « oublie » ce qu’il a un jour appris. L’intelligence artificielle, elle, n’en est pas capable : elle peut stocker une quantité infinie d’informations sans limites dans le temps.
Tout comme Kolb, Ebbinghaus partait du principe que nous retenons mieux et oublions moins rapidement les informations utiles et répétées apprises au moyen d’aides visuelles et auditives lors de séances d’apprentissage courtes (Murre & Dros, Replication and analysis of Ebbinghaus Forgetting Curve, 2015). La réalité virtuelle et la réalité augmentée permettant la visualisation et l’exercice répété sont dès lors des techniques d’apprentissage intéressantes. Il ressort d’une étude scientifique menée par Leder (Leder et al., Comparing immersive virtual reality and powerpoint as methods for delivering safety training, 2019) que dans le cadre d’une formation en RV, les participants étaient plus impliqués et percevaient mieux les risques. Pour l’acquisition de connaissances, en revanche, aucune différence n’a été observée entre la RV et la présentation PowerPoint classique. Une autre étude indique que la formation en RV des ouvriers du bâtiment est bénéfique pour enseigner des procédures spécifiques, mais pas pour stimuler un comportement sûr général (Sacks et al., Construction safety training using immersive virtual reality, 2013).
Simulation
La simulation permet depuis longtemps déjà de reproduire des environnements divers aux fins de former les travailleurs, sans les exposer aux risques réels d’une centrale nucléaire ou d’un avion, par exemple. À l’heure actuelle, ces simulateurs n’emploient cependant pas les technologies de l’IA, ou très peu. À l’avenir, les algorithmes intégrés pourront non seulement informer le travailleur d’une situation dangereuse au moyen de caméras, mais aussi améliorer en permanence les conditions de simulation. Grâce à la connexion à diverses bases de données/mégadonnées, ces systèmes intelligents se perfectionneront et seront peu à peu en mesure d’apprendre par eux-mêmes.
Réalité virtuelle (RV) et réalité augmentée (RA)
Comme son nom l’indique, la RV est une recréation virtuelle d’un environnement tridimensionnel semblable à la réalité. Lors de formations reposant sur la RV, les travailleurs sont plongés dans cet environnement plus vrai que nature. La RA, ou réalité augmentée, consiste quant à elle à superposer par ordinateur des éléments virtuels à une image réelle. Elle convient mieux aux applications de sécurité. Les besoins croissants en supervision poussent de plus en plus d’organisations à se tourner vers la RA.
Les applications de réalité virtuelle et de réalité augmentée peuvent contribuer à renforcer la sécurité au travail. Des entreprises comme BASF, Duracell et AB InBev y ont déjà eu recours pour le développement de solutions.
Exemple : https://soulmade.media/portfolio/basf-safety-training/
Tant la RA que la RV présentent de nombreux avantages :
Elles sont très rentables, car une configuration 3D peut servir à l’infini. Une seule vidéo suffit et peut être mise à jour par la suite. Le coût s’élève à environ 20 000 euros.
  • L’expérience est réaliste, l’utilisateur a l’impression d’être effectivement sur son lieu de travail et peut interagir avec le système.
  • Ce type de formation peut être suivi à distance et permet de surmonter les barrières linguistiques.
  • Ces formations sont efficaces. Puisque le travailleur « vit » la situation, le processus d’apprentissage est actif (Wadee, Virtual reality systems enhance students achievements in engineering education, 2016; Thompson et al., Using 360-Degree Video for Immersive Learner Engagement, 2018). Enfin, l’enregistrement permet d’analyser son parcours par la suite et de recommencer la formation autant de fois que nécessaire.
Apprentissage automatique (AA) et apprentissage profond (AP)

L’apprentissage automatique, ou machine learning, désigne la capacité d’un ordinateur d’identifier des répétitions et des modèles en utilisant un algorithme pour ensuite effectuer une tâche similaire plus efficacement. Cette technique est déjà utilisée pour la reconnaissance vocale et visuelle, mais aussi pour le ciblage publicitaire en ligne. Dans le cadre de l’apprentissage profond, ou deep learning, l’algorithme modélise de façon abstraite des données par analogie avec des réseaux neuronaux tel que celui du cerveau. Le terme « profond » renvoie au nombre de couches de réseaux de neurones artificiels (RNA).
Prévenir les accidents du travail grâce aux données
Les données collectées lors d’accident accidents permettent de prévenir, et donc d’éviter, que des situations similaires se reproduisent. À l’avenir, l’utilisation combinée de surveillance caméra et d’IA gagnera en importance et permettra de prévoir les conséquences des actes posés et d’éviter des accidents du travail (Ayhan et al., Predicting the outcome of construction incidents, 2019). Une évolution qui ne peut qu’être accueillie positivement. La collecte de données est ici un élément-clé. Celles-ci aident à identifier les accidents avec lésions les plus fréquents, leurs causes et les travailleurs/équipes particulièrement vulnérables.
Une base de données de ce genre existe déjà pour les chantiers et, selon Ayhan, des réseaux neuronaux pourraient être utilisés pour les prévisions (voir ci-après). Un système d’alerte précoce, early warning system, a aussi été mis en place pour les secteurs du pétrole et du gaz (Zaranezhad et al., Development of prediction models for repair and maintenance-related accidents at oil refineries using artificial network, fuzzy system, genetic algorithm and ant colony optimization algorithm, 2019).
D’autres études se sont penchées sur l’apprentissage automatique dans le cadre des chutes de plain-pied (Matias et al., A machine learning methodology for the analysis of workplace accidents, 2008).
Une étude dirigée par Hajabari (Hajabari et al., A new scoring system for assessing the risk of occupational accidents: a case study using data mining techniques with Iran’s Ministry of Labor data, 2014) a démontré qu’un simple algorithme basé sur quelques données simples de l’organisation (secteur, âge des travailleurs, proportion hommes-femmes, nombre de travailleurs, etc.) est en mesure de prévoir les accidents.
Les services d’inspection norvégiens ont développé une méthode d’inspection sur la base d’un algorithme d’apprentissage automatique. Celui-ci utilise un modèle de régression sur les données des 35 000 inspections précédentes. Les prévisions s’affinent à mesure que le nombre d’inspections augmente. L’algorithme s’adapte sur la base du feed-back (prévisions correctes ou erronées) pour les inspections futures (Ridemar, Decision support for SWEA inspections, 2018).

Publié 02-03-2020

  13