Prédiction des incidents de sécurité par l'IA sur les chantiers de construction
La construction reste l'une des industries les plus dangereuses aux États-Unis, représentant environ 20 % de tous les décès professionnels tout en n'employant qu'environ 6 % de la main-d'œuvre. L'industrie a réalisé des progrès significatifs en matière de sécurité au cours des deux dernières décennies, mais la courbe d'amélioration s'est aplatie. Les mesures les plus évidentes — casques de chantier, protection contre les chutes et formation de base à la sécurité — ont déjà été mises en place. Toute amélioration supplémentaire nécessite d'identifier et de traiter des risques qui ne sont pas évidents avec les méthodes traditionnelles d'observation de la sécurité.
Ce que font réellement les modèles prédictifs de sécurité
La prédiction de sécurité par l'IA ne prédit pas des accidents spécifiques. Elle identifie des conditions et des combinaisons de conditions qui sont corrélées à un risque d'incident élevé. Ces facteurs de risque incluent des éléments tels que la combinaison de nouveaux travailleurs sur le chantier (moins de 30 jours sur le projet), des heures supplémentaires dépassant 50 heures par semaine, des activités simultanées dans la même zone impliquant différents corps de métier, et des transitions météorologiques de conditions sèches à humides.
Individuellement, chacun de ces facteurs augmente modestement le risque. En combinaison, ils créent des multiplicateurs de risque que les données historiques d'incidents révèlent clairement. Une analyse de la main-d'œuvre portant sur 40 000 incidents de construction a révélé que les projets présentant simultanément ces quatre conditions affichaient des taux d'incidents 4,2 fois supérieurs aux taux de référence.
Les modèles d'IA fonctionnent en surveillant continuellement ces facteurs de risque à travers des données que les entreprises de construction collectent déjà : systèmes de pointage, registres du personnel, calendriers de projet, services météorologiques et rapports d'observation de sécurité. Lorsque la combinaison de facteurs dépasse un seuil de risque, le système alerte l'équipe de sécurité sur des conditions spécifiques, à des dates spécifiques, dans des zones spécifiques du chantier.
Indicateurs avancés vs. indicateurs retardés
La gestion traditionnelle de la sécurité repose fortement sur les indicateurs retardés : taux d'incidents, taux DART et scores EMR. Ces métriques vous indiquent à quel point vous étiez en sécurité l'année dernière. Elles ne vous disent pas si demain sera une journée à haut risque.
La prédiction de sécurité par l'IA déplace l'attention vers les indicateurs avancés. Le nombre de rapports de quasi-accidents déposés cette semaine, le pourcentage de la main-d'œuvre qui est nouvelle sur le projet, le nombre d'activités simultanées dans des zones confinées, le nombre de jours depuis la dernière réunion de sensibilisation à la sécurité. Ce sont toutes des conditions mesurables qui sont corrélées aux incidents futurs, et non passés.
Un grand entrepreneur général du Sud-Est a mis en œuvre un système de prédiction de sécurité par l'IA sur 15 projets actifs. Sur 18 mois, ils ont comparé les prédictions du système aux incidents réels. Le modèle a correctement identifié 73 % des semaines où des incidents enregistrables se sont produits comme étant des semaines à haut risque. Plus important encore, lors des semaines identifiées comme à haut risque par le modèle, l'équipe de sécurité a augmenté sa présence sur site et ciblé ses observations sur les zones signalées. Le taux d'incidents enregistrables de l'entrepreneur a diminué de 31 % par rapport aux 18 mois précédant la mise en œuvre.
Analyse de la fatigue de la main-d'œuvre
La fatigue est l'un des prédicteurs les plus puissants des blessures dans la construction, et l'un des plus difficiles à mesurer directement. Les modèles d'IA utilisent des indicateurs indirects : le total d'heures travaillées au cours des 7 derniers jours, les jours consécutifs sans jour de repos, les schémas de travail posté et les distances de trajet estimées à partir du code postal du domicile du travailleur jusqu'au lieu du projet.
Les données de corrélation sont convaincantes. Les travailleurs ayant travaillé plus de 50 heures au cours de la semaine précédente ont 37 % plus de chances d'être impliqués dans un incident que les travailleurs à 40 heures. Les travailleurs n'ayant pas eu de jour de repos pendant 10 jours consécutifs ou plus présentent une élévation de 52 % du risque d'incident. Ce sont des statistiques au niveau de la population, pas des prédictions individuelles, mais elles permettent aux équipes de sécurité d'identifier les équipes et les périodes où le risque de fatigue est élevé.
Certaines plateformes d'IA s'intègrent aux données biométriques provenant de dispositifs portables qui mesurent la variabilité de la fréquence cardiaque, un indicateur physiologique de fatigue et de stress. Les travailleurs portant ces dispositifs fournissent des données de fatigue en temps réel que le modèle d'IA utilise en complément des indicateurs indirects basés sur le temps. Les données biométriques améliorent la précision des prédictions d'environ 15 % par rapport aux indicateurs temporels seuls, selon des études du National Institute for Occupational Safety and Health.
Évaluation des risques environnementaux
Les conditions météorologiques et environnementales affectent le risque de sécurité de manières qui vont au-delà de l'évidence. Oui, la pluie rend les surfaces glissantes et le vent rend les opérations de grue dangereuses. Mais les schémas moins évidents comptent aussi. Le premier jour chaud après une période fraîche provoque plus d'incidents liés à la chaleur qu'une vague de chaleur prolongée, car les travailleurs ne se sont pas encore acclimatés. L'après-midi suivant une pluie matinale présente un risque de glissade élevé car les surfaces qui semblent sèches peuvent encore être glissantes. Les jours de forte concentration de pollen sont corrélés à une augmentation des blessures mineures, possiblement parce que les symptômes d'allergie réduisent l'attention.
Les modèles d'IA entraînés sur des données d'incidents couplées à des données météorologiques peuvent quantifier ces facteurs de risque environnementaux subtils et les inclure dans les évaluations quotidiennes des risques. Les entrepreneurs utilisant l'analyse de sécurité de construction pilotée par l'IA reçoivent des scores de risque quotidiens qui tiennent compte des conditions météorologiques, des schémas de main-d'œuvre et des activités planifiées de manière combinée.
Détection des conflits d'activités
Certaines des conditions les plus risquées sur les chantiers de construction surviennent lorsque plusieurs corps de métier travaillent simultanément dans la même zone. L'électricien en hauteur et le plombier au niveau du sol travaillant dans le même couloir. Le grutier faisant pivoter des charges au-dessus d'une zone où la finition du béton est en cours. L'équipe de démolition cassant du béton au-dessus de l'étage où l'installation brute des réseaux MEP est en cours.
Les modèles d'IA qui s'intègrent au calendrier du projet peuvent identifier les conflits d'activités à venir et les signaler comme présentant un risque élevé. L'équipe de sécurité peut alors planifier des mesures de séparation supplémentaires, des séquences de travail modifiées ou une surveillance accrue pendant la période de chevauchement.
Cette capacité comble une lacune dans la planification traditionnelle de la sécurité. Les plans de tâches préalables se concentrent généralement sur les dangers d'une seule activité. Les risques qui émergent de l'interaction de plusieurs activités simultanées dans le même espace sont plus difficiles à anticiper et passent souvent entre les mailles des plans de sécurité des différents corps de métier.
Confidentialité et préoccupations de la main-d'œuvre
La prédiction de sécurité par l'IA soulève des préoccupations légitimes en matière de confidentialité. Les travailleurs peuvent s'opposer à ce que leurs heures, leurs localisations et potentiellement leurs données biométriques soient surveillées et analysées. La frontière entre la surveillance de sécurité et la surveillance intrusive n'est pas toujours claire.
Les entrepreneurs mettant en œuvre ces systèmes ont besoin de politiques claires sur les données collectées, leur utilisation et les personnes qui y ont accès. Les mises en œuvre les plus réussies se concentrent sur le risque au niveau de l'équipe et de la zone plutôt que sur le risque individuel du travailleur. Informer un chef d'équipe que les indicateurs de fatigue de son équipe sont élevés est différent de cibler un travailleur spécifique.
L'engagement syndical est important dans les environnements de travail syndiqués. Plusieurs entrepreneurs ont constaté que présenter le système de sécurité par l'IA comme un outil qui protège les travailleurs plutôt qu'un outil qui les surveille change considérablement la réception. Lorsque le comité de sécurité syndical est impliqué dans la conception du système et a son mot à dire sur la façon dont les alertes sont utilisées, l'acceptation par la main-d'œuvre augmente considérablement.
L'utilisation éthique de la technologie de prédiction de sécurité est une conversation en constante évolution dans l'industrie. Ce qui ressort clairement des données, c'est que ces outils peuvent réduire les blessures lorsqu'ils sont mis en œuvre de manière réfléchie. L'industrie de la construction perd environ 1 000 travailleurs par an à cause de blessures mortelles aux États-Unis seulement. Les outils qui réduisent significativement ce nombre méritent une considération sérieuse, tout comme une attention sérieuse aux questions de confidentialité et d'éthique qu'ils soulèvent.