3. APPLIQUÉE AUX INFRASTRUCTURES ROUTIÈRES
ET À LA MAINTENANCE PRÉDICTIVE
L’INTELLIGENCE
ARTIFICIELLE
PERSPECTIVES ET BESOINS DE R&D
Rédacteurs :
Fabien PALHOL
Directeur de la recherche et du développement
Cerema Infrastructures de transport et matériaux
Bruno DAUNAY
Data Lead
Leonard, groupe Vinci
Quentin PANISSOD
AI Lead
Leonard, groupe Vinci
JUIN 2020
4. Sommaire
Avant-propos 7
Introduction 8
Chapitre 1. Intelligence artificielle, les fondamentaux 10
1
3 types d’intelligence 11
Faire de l’IA : symbolique ou connexionnisme ? 13
De la reconnaissance de forme à l’IA 14
2
3
Apprentissage supervisé : apprendre à prédire 16
Apprentissage non supervisé : apprendre à résumer 16
L’IA dans notre quotidien 17
Chapitre 2. Data et Big data 18
1
Volume 20
Vitesse 20
Variété 20
Variabilité 20
Véracité 21
Validité 21
Vulnérabilité 21
Volatilité 22
Visualisation 22
Valeur 23
Chapitre 3. Exemples d’utilisation de l’intelligence artificielle 24
1
2
3
Chapitre 4. L’IA dans le domaine des réseaux routiers 30
1
2
3
5. 4
5
6
7
Maintenance courante de l’infrastructure 37
Maintenance courante des équipements 37
Viabilité hivernale, sécurité 37
Gros entretien et renouvellement 38
Exemples de technologies associées à la maintenance 39
8
Contrôle qualité, gestion des risques 41
Ressources humaines 41
Marchés et contrats 41
9
Le positionnement optimal des ressources 42
L’assurance d’être livré à temps 42
L’orchestration des livraisons 43
Le camion autonome 43
Chapitre 5. IA et maintenance des infrastructures routières 44
1
2
3
Chapitre 6. Les perspectives de R&D 48
Production de données / capteurs 49
Qualité des données 49
Traitement des données 50
Indicateurs 50
Algorithmique IA 51
Décision en temps réel 51
Besoins généraux et interdisciplinarité 52
Quelques enjeux politiques et sociétaux 54
L’intérêt des plateformes de données 55
Conclusion 56
Sources 57
Remerciements 58
Annexe 59
SOMMAIRE
6.
7. 7
Fantasmée par certains, décriée par d’autres,
de la part d’entreprises comme d’États, la
ses applications des secteurs importants de
notre économie : la santé, la sécurité des biens
et des personnes, les transports, les industries
probablement demain une part essentielle de
répercussions majeures sur les connaissances
par le comité d’orientation pour la recherche
cette étude apporte un début de réponse
pour accompagner sa transition écologique et
AVANT-PROPOS
Thibault Prévost
Service de la recherche et de l’innovation
Ministère de la Transition écologique
Avant-propos
«
8. 8
essentiel de l’industrie technologique, et la
certains traits tels que : la connaissance, le
encore la capacité de manipuler et de déplacer
et réagir comme les humains que si elles
cas d’Uber : l’entreprise américaine s’en sert
lancé des programmes de R&D sur la captation
Introduction
que la perception, le raisonnement,
[ Mc Kinsey 2018, An Executive’s Guide to AI ]
«
9. 9
économiques et de mobilité dans les décisions
les mécanismes de dégradations et les lois
méthodes de dimensionnement, diagnostic,
robotisation des tâches, notamment en milieu
En ce qui concerne l’organisation de la
maintenance conditionnelle anticipée au
Ce rapport aborde tout d’abord les bases
orientations de recherche souhaitables pour la
INTRODUCTION
10. 10 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
10 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Intelligence
artificielle,
les fondamentaux
Chapitre 1.
11. LES FONDAMENTAUX
11
PERSPECTIVES ET BESOINS DE R&D 11
PERSPECTIVES ET BESOINS DE R&D
1
« intelligence
Dartmouth summer research
« la construction de programmes
informatiques qui s’adonnent à des tâches
qui sont, pour l’instant, accomplies de façon
plus satisfaisante par des êtres humains car
elles demandent des processus mentaux
de haut niveau tels que : l’apprentissage
perceptuel, l’organisation de la mémoire
Dans la suite de ce rapport, seule
l’IA faible sera considérée.
1
3 types d’intelligence
La construction de programmes
tâches qui sont, pour l’instant, accomplies
l’organisation de la mémoire et le
[ Marvin Minsky ]
«
12. 12 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
L’intelligence générale
Illustration 1 : up or down ? (Source : internet... Cette illustration est utilisée dans ce contexte plusieurs milliers de fois depuis 2013, sans donnée précise
sur son origine).
13. 1
LES FONDAMENTAUX
13
PERSPECTIVES ET BESOINS DE R&D
La « super intelligence »
illustration 1
« Est-ce que le chat
Faire de l’IA : symbolique ou connexionnisme ?
machine learning, deep learning
voir illustration 2
14. 14 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
De la reconnaissance de forme à l’IA
machine learning
Apprentissage supervisé
• Why did you do that?
• Why not something else?
• When do you succeed?
• When do you fail?
• When can I trust you?
• How do I correct an error?
Training Data Learned Function Output Use with a Task
Today
This is a cat
(p =.93)
Learning
Process
Training Data Explainable Model Explanation
Interface
User with a Task
Tomorrow
• I understand why
• I understand why not
• I know when you’ll succeed
• I know when you’ll fail
• I know when to trust you
• I know why you erred
This is a cat
• It has fur, whiskers,
and claws
• It has this feature:
New Learning
Process
What are we trying to do?
15. 1
LES FONDAMENTAUX
15
PERSPECTIVES ET BESOINS DE R&D
Apprentissage non supervisé
Apprentissage par renforcement
2
deep learning
voir illustration 3
Illustration 3 : Schéma de la structure d’un neurone formel. (Source : Wikipédia)
16. 16 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
3
Apprentissage supervisé : apprendre à prédire
Régression
Apprentissage non supervisé : apprendre à résumer
Catégoriser (clustering)
Association (réduction de données)
L’illustration4
Illustration 4 : Les principales méthodes de machine learning. (Source : Olivier Ezratty)
labelliser des images
données avec label
(pixels) -> (label)
supervisé non supervisé
consommation électrique
données chiffrées
prévoir (y) en fonction de (x)
régression
clients
détecter toute bizarrerie
données sans label
(x, y, z...)
entre des données
données sans label
(x, y, z...)
17. 1
LES FONDAMENTAUX
17
PERSPECTIVES ET BESOINS DE R&D
L’IA dans notre quotidien
Optimiser :
Augmenter :
Anticiper :
Automatiser :
Software :
Hardware :
Data :
18. 18 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Data
et Big data
Chapitre 2.
19. 2
DATA ET BIG DATA
19
PERSPECTIVES ET BESOINS DE R&D
« Data is the new soil, because for me, it
1
« Le Big data désigne des ensembles de données dont la taille dépasse la capacité des
»
[ David McCandless ]
«
20. 20 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Volume
Vitesse
Variété
Variabilité
21. 2
DATA ET BIG DATA
21
PERSPECTIVES ET BESOINS DE R&D
Véracité
Validité
illustration 5
3%
5%
4%
9%
19%
60%
What data scientists spend
the most time doing
Vulnérabilité
22. 22 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Volatilité
Visualisation
’illustration 6
treemaps sunbursts
microsoft.com et circos.ca)
23. 2
DATA ET BIG DATA
23
PERSPECTIVES ET BESOINS DE R&D
Valeur
24. 24 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Exemples d’utilisation
de l’intelligence
artificielle
Chapitre 3.
25. 3
EXEMPLES
25
PERSPECTIVES ET BESOINS DE R&D
Sécurité :
Productivité :
Expérience utilisateur :
Développement durable :
Ville du futur :
1 e
Route de 5e
génération
Forever Open Road
illustration 7
26. 26 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
26 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
2
éolienne
silencieuse
dalles
piézoélectriques
recharge statique sans contact
+ stockage d’énergie
couche de roulement poreuse,
silencieuse et dépolluante,
potentiellement issue de la biomasse
signalisation
horizontale
dynamique
unité de bord de voie
télécommunications
panneaux solaires organiques
piste cyclable solaire
bus ou tramway en site propre
rechargé par infrastructure
structure
modulaire
préfabriquée
et décarbonnée
corps de chaussée
à structure réservoir
échanges thermiques
réversibles
énergie électrique
eaux valorisées
réseau de froid
réseau de chaleur
eaux usées
déchets
réseaux intégrés
Illustration 7 : exemples de technologies mises en œuvre dans la route de 5e
génération. (Source : Ifsttar)
27. 3
EXEMPLES
27
PERSPECTIVES ET BESOINS DE R&D 27
PERSPECTIVES ET BESOINS DE R&D
illustration 8
Illustration 8 : Exemple de bâtiment généré par réseaux neuronaux Antagonistes génératifs (GANs). (Source : Stanislas Chaillou)
28. 28 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
28 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
3
illustration 9
29. 3
EXEMPLES
29
PERSPECTIVES ET BESOINS DE R&D 29
PERSPECTIVES ET BESOINS DE R&D
d’électricité circulant sur le réseau »
RTE (entreprise de service qui gère le réseau public de transport
d’électricité haute tension en France) équipe les lignes de capteurs,
Les capteurs envoient en temps réel des données sur la température,
sur des pannes éventuelles ainsi que sur des risques de congestion
passer plus d’électricité lorsque c’est possible, sans compromettre
remonte une telle quantité d’informations aux salles de dispatching
qu’il devient difficile de les traiter et d’optimiser la distribution
va absorber les données issues des capteurs, les analyser grâce à
son algorithme et les utiliser de la même façon que le ferait le pilote
de routine chronophages, détecter les anomalies, et s’il rencontre un
économiques
30. 30 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
30 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
L’IA dans le domaine
des réseaux routiers
Chapitre 4.
31. 4
L’IA DANS LE DOMAINE DES RÉSEAUX ROUTIERS
31
PERSPECTIVES ET BESOINS DE R&D 31
PERSPECTIVES ET BESOINS DE R&D
l’intelligence automatisée
l’intelligenceassistée
l’intelligence augmentée
l’intelligence autonome
1
32. 32 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
32 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
…
…
…
…
…
2
illustration 10
33. 4
L’IA DANS LE DOMAINE DES RÉSEAUX ROUTIERS
33
PERSPECTIVES ET BESOINS DE R&D 33
PERSPECTIVES ET BESOINS DE R&D
illustration 11
34. 34 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
34 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
3
Illustration 12 : Exemple de l’utilisation du Generative design pour un projet de centre des congrès. (Source : Autodesk)
Focus : IA et véhicule autonome
autonome pour la capture de données et l’entraînement de pilotes autonomes
Dans le futur, les algorithmes d’IA (apprentissage par renforcement notamment)
pourraient permettre de piloter collectivement des flottes de véhicules voire
Dès lors, les infrastructures routières deviennent indispensables : pour permettre
le déploiement de nouveaux services ; assurer la liaison et la connectivité avec les
Les business models des concessions routières et les services du futur, épaulés
35. 4
L’IA DANS LE DOMAINE DES RÉSEAUX ROUTIERS
35
PERSPECTIVES ET BESOINS DE R&D 35
PERSPECTIVES ET BESOINS DE R&D
illustration 13
4
36. 36 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
36 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
5
sécurité
6
7
37. 4
L’IA DANS LE DOMAINE DES RÉSEAUX ROUTIERS
37
PERSPECTIVES ET BESOINS DE R&D 37
PERSPECTIVES ET BESOINS DE R&D
Maintenance courante de l’infrastructure
Maintenance courante des équipements
Viabilité hivernale, sécurité
38. 38 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
38 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Gros entretien et renouvellement
39. 4
L’IA DANS LE DOMAINE DES RÉSEAUX ROUTIERS
39
PERSPECTIVES ET BESOINS DE R&D 39
PERSPECTIVES ET BESOINS DE R&D
Exemples de technologies associées à la maintenance
40. 40 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
40 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
8
Supervised
learning
Machine learning
Unsupervised
learning
• Commercial excellence
…
…
…
• Operational excellence
…
Decision trees, random forest
…
…
…
• Stakeholder management
…
• Talent retention
…
Gaussian mixture models
• Business development
…
Gaussian mixture models
• Recruiting
…
41. 4
L’IA DANS LE DOMAINE DES RÉSEAUX ROUTIERS
41
PERSPECTIVES ET BESOINS DE R&D 41
PERSPECTIVES ET BESOINS DE R&D
Contrôle qualité, gestion des risques
Ressources humaines
turn-over
Marchés et contrats
42. 42 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
42 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
9
machine learning
Le positionnement optimal des ressources
L’assurance d’être livré à temps
43. 4
L’IA DANS LE DOMAINE DES RÉSEAUX ROUTIERS
43
PERSPECTIVES ET BESOINS DE R&D 43
PERSPECTIVES ET BESOINS DE R&D
L’optimisation de la flotte de moyens de transports
L’orchestration des livraisons
Le camion autonome
44. 44 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
IA et maintenance
des infrastructures
routières
Chapitre 5.
45. 5
IA ET MAINTENANCE DES INFRASTRUCTURES ROUTIÈRES
45
PERSPECTIVES ET BESOINS DE R&D
curative
préventive
prédictive
prescriptive
autonome
temporelle
46. 46 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
46 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
natural language processing
computer vision
d’extraire de nouvelles informations
1
2
47. 5
IA ET MAINTENANCE DES INFRASTRUCTURES ROUTIÈRES
47
PERSPECTIVES ET BESOINS DE R&D 47
PERSPECTIVES ET BESOINS DE R&D
3
48. 48 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Les perspectives
de R&D
Chapitre 6.
49. 6
LES PERSPECTIVES DE R&D
49
PERSPECTIVES ET BESOINS DE R&D
Production de données / capteurs
Qualité des données
50. 50 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
50 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Traitement des données
Indicateurs
51. 51
PERSPECTIVES ET BESOINS DE R&D
6
LES PERSPECTIVES DE R&D
51
PERSPECTIVES ET BESOINS DE R&D
Algorithmique IA
Décision en temps réel
52. 52 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
52 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Besoins généraux et interdisciplinarité
53. 53
PERSPECTIVES ET BESOINS DE R&D
6
LES PERSPECTIVES DE R&D
53
PERSPECTIVES ET BESOINS DE R&D
Une interdisciplinarité indispensable
scientifiques et technologiques pointait déjà un besoin crucial
d’interdisciplinarité au sein des domaines « classiques » de l’IA,
sans compter les interactions nécessaires avec les autres champs
«
54. 54 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
54 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Quelques enjeux politiques et sociétaux
illustration 2
55. 55
PERSPECTIVES ET BESOINS DE R&D
6
LES PERSPECTIVES DE R&D
55
PERSPECTIVES ET BESOINS DE R&D
L’intérêt des plateformes de données
versus
57. 57
PERSPECTIVES ET BESOINS DE R&D
Autodesk. 9p.
Buchanan B. G. p. 53-60.
Chaillou Stanislas. 95p.
Defense Advanced Research Projects Agency (DARPA).
52p.
European Commission. 140p.
Ezratty Olivier. 624p.
Fédération française du bâtiment. 40p.
350p
France Stratégie. 90p.
Heudin Jean-Claude.
p. 93-105.
INRIA. 82p.
McCulloch W. S., Pitts W. Bulletin
p. 115-133.
McKinsey Global Institute.
156p.
Mc Kinsey Analytics. 12p.
MINnD. Rapport de l’UC5-7 :
90p.
273p.
Pôle interministériel de Prospective et d’Anticipation des Mutations économiques.
33p.
Pwc. 63p.
58. 58 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
58 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Thibault Prevost
Marie-Thérèse Goux
Pierre Charbonnier
… Adel Abdallah
… Pierre Benning
… Laurent Bouillaut
… David Chupin
… Raphaël Goudard
… Pierre Hankach
… Amine Ihamouten
… Grégory Labrousse
… Cédric Le Bastard
… Nicolas Manzini
… André Orcési
… Claude Rospars
… Franziska Schmidt
… Jean-Michel Simonin
… Pascal Tebibel
59. 59
PERSPECTIVES ET BESOINS DE R&D 59
PERSPECTIVES ET BESOINS DE R&D
Maintenance courante de l’infrastructure
…
…
…
…
…
…
…
…
60. 60 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
60 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
…
…
…
…
…
…
…
Maintenance courante des équipements
…
›
›
›
›
›
›
…
…
…
…
…
61. 61
PERSPECTIVES ET BESOINS DE R&D 61
PERSPECTIVES ET BESOINS DE R&D
…
…
…
…
…
Viabilité hivernale, sécurité
…
…
…
…
…
62. 62 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
62 L’INTELLIGENCE ARTIFICIELLE appliquée aux infrastructures routières et à la maintenance prédictive
Gros entretien et renouvellement
…
…
…
…
…
…
…
64. Objet d’investissements parfois considérables de la part d’entreprises comme
d’Etats, la recherche-développement en (IA)
la santé, la sécurité des biens et des personnes, les transports, les industries
enIA,toussecteursconfondus,dépendraprobablement demain une partessentielle
«Travaux publics »
Si l’IA y occupe une place marginale, elle promet d’avoir, dans les prochaines
décennies, des répercussions majeures sur les connaissances et pratiques du
C’est pour éclairer ces « promesses »
par le comité d’orientation pour la recherche appliquée en génie civil et soutenue par
le service de la recherche et de l’innovation du ministère de laTransition écologique,
cette étude apporte un début de réponse aux multiples questions que peuvent se
Que recouvre-t-elle ? Quel en est le potentiel,
Éditions du Cerema
Cité des mobilités
25 avenue François Mitterrand
CS 92803
69674 Bron Cedex
www.cerema.fr
Le Cerema est un établissement public qui
et techniques ainsi que des solutions
9 782371 804739