Comment l'IA analyse les rapports de quasi-accidents pour prévenir les blessures graves
Un rapport de quasi-accident arrive dans la boîte mail du responsable sécurité : un morceau de cornière est tombé de 3 étages depuis un plancher ouvert et a atterri à 1,2 mètre d'un ouvrier en contrebas. Le responsable sécurité l'examine, envoie un rappel sur la protection contre les chutes d'objets, et classe le dossier. Trois semaines plus tard, un quasi-accident similaire à un autre étage du même projet. Deux mois plus tard, un objet en chute frappe réellement un ouvrier sur un chantier de l'autre côté de la ville. Le schéma était visible dans les données, mais personne n'a fait le lien jusqu'à ce que quelqu'un soit blessé.
Le problème du volume
Les grandes entreprises de construction génèrent des milliers de rapports de quasi-accidents par an. Un entrepreneur avec 20 projets actifs peut recevoir 50 à 100 rapports de quasi-accidents par semaine en période de forte activité. Chaque rapport est examiné par le responsable sécurité du projet, et les rapports significatifs sont remontés à la hiérarchie. Mais les schémas qui s'étendent sur plusieurs projets, plusieurs périodes et plusieurs auteurs de rapports sont quasiment impossibles à détecter pour un seul examinateur humain.
Le volume est en réalité un indicateur positif. Les entreprises ayant une forte culture de la sécurité signalent davantage de quasi-accidents parce que leurs travailleurs sont formés à les documenter. Un taux élevé de signalement de quasi-accidents est un indicateur avancé de maturité en matière de sécurité. Mais la valeur de ces rapports dépend de la capacité à les analyser systématiquement pour en dégager des tendances.
Une entreprise nationale de construction de 8 000 employés a mis en œuvre l'analyse textuelle par IA sur sa base de données de quasi-accidents comprenant plus de 12 000 rapports sur trois ans. L'IA a identifié 34 groupes de schémas distincts qui n'avaient pas été signalés lors du processus d'examen manuel. Sept de ces groupes représentaient des conditions récurrentes ayant par la suite entraîné des blessures réelles. Dans chaque cas, le schéma était visible dans les données de quasi-accidents des mois avant que la blessure ne survienne.
Comment l'analyse textuelle par IA fonctionne sur les rapports de sécurité
Les rapports de quasi-accidents sont généralement des descriptions en texte libre rédigées par les ouvriers ou les superviseurs de terrain. Ils varient énormément en termes de détail, de qualité rédactionnelle et de terminologie. Un ouvrier écrit qu'une planche est tombée d'un échafaudage. Un autre écrit que du bois est tombé de la plateforme d'échafaudage. Un troisième écrit qu'un chevron a été délogé d'une surface de travail temporaire. Les trois décrivent essentiellement le même danger, mais une recherche par mots-clés ne les relierait pas.
Les modèles de traitement du langage naturel comprennent le sens sémantique du texte plutôt que de simplement faire correspondre des mots-clés. Ils identifient que les trois rapports décrivent la même catégorie de danger : des chutes d'objets depuis des surfaces de travail temporaires en hauteur. Ils peuvent également extraire les facteurs contributifs mentionnés dans le récit : conditions de vent, plateformes de travail surchargées, plinthes de protection inadéquates et stockage de matériaux non sécurisé.
L'IA regroupe les rapports similaires en clusters et suit la fréquence des clusters au fil du temps. Un cluster de rapports sur les chutes d'objets depuis les échafaudages dont la fréquence augmente signale un risque émergent. Un cluster sur les risques de trébuchement liés aux câbles électriques qui apparaît de manière constante sur tous les projets indique un problème systémique de gestion des câbles plutôt qu'un problème spécifique à un projet.
Relier les rapports entre les projets
L'une des capacités les plus précieuses est la détection de schémas inter-projets. Un quasi-accident impliquant une pelleteuse heurtant une conduite de gaz non signalée sur le Projet A, combiné à un quasi-accident concernant des repérages de réseaux incomplets sur le Projet B, et un rapport sur des marquages de réseaux effacés sur le Projet C, forment un schéma qui suggère que le processus de vérification de localisation des réseaux de l'entreprise présente une lacune.
Ce type d'analyse inter-projets est essentiellement impossible par examen manuel. Chaque responsable sécurité de projet ne voit que ses propres rapports. L'équipe sécurité du siège reçoit des synthèses mais ne lit généralement pas chaque rapport en détail. L'IA lit chaque rapport, comprend le contenu et établit des connexions qu'aucun examinateur humain ne ferait parce qu'aucun individu n'a de visibilité sur l'ensemble des données.
Les entreprises qui utilisent l'analytique de sécurité construction pilotée par l'IA constatent que les informations inter-projets conduisent souvent à des améliorations de sécurité plus impactantes que les examens d'incidents individuels. Modifier un processus à l'échelle de l'entreprise sur la base d'un schéma identifié sur 8 projets prévient davantage de blessures que de traiter un seul incident sur un seul projet.
Prédiction de la gravité à partir des caractéristiques des quasi-accidents
Tous les quasi-accidents ne présentent pas le même potentiel de dommages graves. Un marteau tombé de 1,2 mètre a un potentiel de gravité différent d'un marteau tombé de 12 mètres. Les modèles d'IA peuvent évaluer la gravité potentielle des quasi-accidents en fonction des caractéristiques décrites dans le rapport : hauteur de chute, masse de l'objet, proximité des travailleurs, énergie impliquée et type de danger.
Ce score de gravité aide les équipes sécurité à prioriser leur réponse. Un schéma à haute fréquence et faible gravité comme des trébuchements mineurs sur des rallonges électriques peut justifier un changement de procédure. Un schéma à faible fréquence et haute gravité comme des défaillances de connexions structurelles peut justifier un examen d'ingénierie immédiat et un éventuel arrêt des travaux même si seulement 2 ou 3 rapports existent.
Le score de gravité n'est pas précis, car les rapports de quasi-accidents manquent souvent du détail nécessaire pour un calcul exact de la gravité. Mais il fournit une différenciation suffisante pour aider les responsables sécurité à consacrer leur temps limité aux schémas les plus susceptibles d'entraîner des blessures graves ou des décès s'ils ne sont pas maîtrisés.
Améliorer la qualité des signalements
Un avantage inattendu de l'analyse des quasi-accidents par IA est l'amélioration de la qualité des signalements. Lorsque l'IA identifie que certaines informations manquent dans les rapports, comme la hauteur d'une chute, l'activité spécifique en cours ou les conditions météorologiques, l'équipe sécurité peut fournir un retour aux déclarants sur les détails importants. Au fil du temps, la qualité des rapports s'améliore, ce qui améliore encore la capacité de l'IA à trouver des schémas.
Certaines plateformes fournissent un retour en temps réel aux ouvriers qui remplissent des rapports de quasi-accidents sur leur téléphone. Au fur et à mesure que l'ouvrier tape la description, l'IA demande les détails manquants : quelle était la hauteur approximative, combien de travailleurs étaient dans la zone, la zone était-elle balisée. Ce format de signalement guidé capture des données plus utiles sans obliger l'ouvrier à remplir de longs formulaires.
Résistance organisationnelle
La mise en œuvre de l'analyse des quasi-accidents par IA rencontre parfois une résistance de la part du personnel sécurité au niveau des projets, qui a le sentiment que son jugement est remis en question par une machine. La manière de présenter les choses compte. L'IA ne remet pas en cause la réponse du responsable sécurité du projet aux rapports individuels. Elle analyse les données agrégées pour trouver des schémas qu'aucun examinateur individuel ne pourrait détecter parce que les schémas s'étendent sur trop de rapports sur une période trop longue.
Partager les réussites aide. Lorsque l'IA identifie un schéma qui conduit à une amélioration significative de la sécurité, documenter ce cas et le partager dans toute l'organisation démontre la valeur en termes concrets. Les responsables sécurité qui résistaient initialement deviennent souvent les plus fervents défenseurs une fois qu'ils voient l'IA faire émerger un schéma qu'ils pressentaient intuitivement mais ne pouvaient pas prouver à partir des seules données.
L'objectif n'est pas d'automatiser la gestion de la sécurité. L'objectif est de donner aux professionnels de la sécurité de meilleurs outils pour la reconnaissance de schémas qui est essentielle à la prévention des incidents graves. Les données de quasi-accidents que les entreprises de construction collectent déjà contiennent des renseignements exploitables. L'IA est le moyen pratique de les extraire à grande échelle.