L’apprentissage automatique facilite la gestion de chantier, et évite des catastrophes.

Par Zach Mortice
- 27 Fév 2018 - 7 min De Lecture
machine learning construction project management Swinerton Builders
Avec l’aimable autorisation de Swinerton Builders.

Pour Dustin Hartsuiker, responsable des Solutions technologiques pour l’entreprise californienne Swinerton Builders, « chaque construction est un prototype » dans cette industrie du bâtiment fragmentée.

Loin de l’uniformisation et souvent assemblé à partir de composants sur mesure, chaque bâtiment est une expérience impitoyable et inefficace de la fabrication de produits, à cause de risques et d’incertitudes d’un degré qu’on ne rencontre jamais dans l’industrie manufacturière. Créer un prototype de toutes pièces implique inévitablement des erreurs et des faux départs.

Tout au long de chaque chantier d’envergure, les entrepreneurs compilent des centaines de notes, relevant des erreurs ici et là, telles que l’affleurement irrégulier d’un boulon sur un mur, un mauvais choix de revêtement de sol ou une absence de solin… Dans le cadre de la gestion d’un chantier, la hiérarchisation de ces problèmes est un processus manuel qui prend du temps.

machine learning construction project management COuntry Club Towers in progress
Swinerton Builders s’est servi de l’apprentissage automatique pour le chantier des Country Club Towers de Denver. Avec l’aimable autorisation de Swinerton Builders.

L’apprentissage automatique, qui permet aux ordinateurs de prendre des décisions sans que des humains aient besoin de les programmer manuellement, promet des économies de temps considérables dans l’automatisation d’un processus de hiérarchisation. Ce type d’intelligence artificielle n’est possible que si les ordinateurs disposent de gigantesques mines de données à trier, ce qui est largement à la portée d’Internet aujourd’hui.

Afin de fluidifier la transition souvent chaotique du rêve à la réalité d’un bâtiment, Swinerton Builders (fondée en 1888 par un immigré suédois au lendemain de la Ruée vers l’or) a mis à l’essai, pour la réalisation de ses Country Club Towers à Denver, une extension d’Autodesk BIM 360 Field dont le nom de code est Project IQ. Cette extension utilise l’apprentissage automatique dans le but d’identifier les problèmes de qualité et de sécurité d’un édifice, qui présentent le plus grand risque pour un chantier à un instant défini. Cela permet aux équipes d’agir rapidement, d’éviter des catastrophes et de se sortir d’une spirale de problèmes entraînant des coûts supplémentaires et des retards.

Sur un chantier, le facteur déterminant la réussite ou l’échec n’est pas simplement la quantité de problèmes auxquels un projet fait face, mais plutôt les types de problèmes et comment ils sont hiérarchisés. Refaire une couche de peinture bâclée avant l’emménagement du locataire est un plus, mais c’est bien moins important que de rectifier un solin de fenêtre mal posé et pouvant entraîner des fuites.

machine learning construction project management builders on the job
Tout au long du chantier, la documentation numérique a offert aux concepteurs et aux entrepreneurs un accès sans précédent aux informations du projet. Avec l’aimable autorisation de Swinerton Builders.

Imaginez maintenant que vous disposez d’un assistant numérique qui comprenne ce qui se passe sur le chantier et qui soit capable de récolter et de hiérarchiser les informations fournies par une équipe via un logiciel de gestion de chantier. Une telle utilisation de l’apprentissage automatique permet aux responsables et aux chefs de chantier d’aborder les risques par une « approche plus proactive que réactive, » explique Dustin Hartsuiker. Pour proposer une comparaison simple, nous pourrions prendre l’exemple d’un système sophistiqué de gestion du courrier électronique. Si à votre retour de vacances vous vous retrouvez face à des milliers d’e-mails non lus, un tel système pourrait isoler les 20 messages nécessitant votre attention en priorité.

L’atout principal est de vous « aider à identifier les zones de risque qui peuvent ne pas être si évidentes. La capacité à détecter et à mettre en évidence le risque automatiquement est très précieuse aux yeux de n’importe quelle société de BTP, quel que soit le projet », précise-t-il.

Toutes ces données combinées peuvent identifier les sous-traitants à risque qu’il faut garder à l’œil. « S’ils présentent plus de problèmes et plus d’autres facteurs résultant en une augmentation du risque que tous les autres, leur statut de risque est légèrement incrémenté », poursuit Dustin Hartsuiker, expliquant que le processus répond généralement à une négligence excessive par une attention augmentée. Les délais non respectés font monter le niveau de risque et le système traite le texte des rapports afin d’identifier les parties du chantier qui présentent intrinsèquement plus de risques.

« Si j’ai deux problèmes et que l’un est identifié comme “Rectifier la rayure dans le bassin des jets d’eau” et l’autre comme “Risque de fuite d’eau dans le mur”, on constate que les deux mentionnent la présence d’eau mais l’apprentissage automatique sera assez intelligent pour dire que “Rectifier une rayure n’est pas une priorité, tandis que réparer une fuite l’est”. Il sait donc qu’entre ces deux problèmes, le problème B est plus important que le problème A, et il contribuera à faire remonter l’information jusqu’au niveau où ce problème sera traité avec plus d’attention et plus rapidement » conclut-il. S’il est tout d’abord induit en erreur par la présence de l’eau dans l’autre problème et que suite à cela les ouvriers doivent baisser manuellement le niveau de priorité de la paroi rayée, le système apprend de cette erreur et ajuste son algorithme en conséquence.

machine learning construction project management towers initial phase
Chaque bâtiment est une sorte de prototype, en raison de niveaux de risque auxquels la fabrication de produits n’est jamais confrontée. Avec l’aimable autorisation de Swinerton Builders.

Project IQ exploite également l’apprentissage automatique pour identifier les comportements présentant un risque élevé pour la sécurité, le plus souvent à travers des listes de contrôle ou des observations. Il recherche les « récidivistes », des sous-traitants qui font sans cesse les mêmes erreurs et les signale avec des niveaux de risque plus élevés. Mais à l’avenir, les directeurs de projets pourraient utiliser les données de façon à proposer la carotte aussi bien que le bâton.

Dustin Hartsuiker envisage même un système grâce auquel les notes d’évaluation du risque seraient accessibles sous forme de code couleur par l’ensemble des équipes du projet et des sous-traitants, un peu comme si les notes d’examen du premier semestre étaient affichées à l’entrée de la classe. Quand une sorte de panneau d’affichage des notes mis à jour quotidiennement accueille les ouvriers à l’entrée du chantier, « c’est clairement comme une carotte pour dire “Mon gars, on essaie de rester dans le vert et de maintenir le niveau de qualité au plus haut”. Cela met en exergue les projets réussis autant que les projets ratés », fait-il remarquer.

machine learning construction project management looking up at the towers
L’apprentissage automatique peut hiérarchiser les parties de l’ouvrage les plus à risque tels que les éléments structurels ou l’étanchéité. Avec l’aimable autorisation de Swinerton Builders.

Les catégories potentielles de signalement comprennent la nature de l’erreur, l’entité chargée d’y remédier et parfois la façon d’y remédier. L’une des étapes de la compilation d’une base de référence pour l’algorithme, autrement dit les ensembles de priorités d’évaluation du risque sur lesquels s’appuie le système, était la recherche de sous-traitants qui présentent des résultats particulièrement bons et qui appliquent des procédures de rétro-ingénierie. Quelles sont les qualités qu’ils partagent et que l’algorithme pourrait rechercher parmi les autres sous-traitants ? Une fois ces qualités identifiées, elles peuvent être utilisées pour ajuster les niveaux de risque et d’urgence en conséquence.

La documentation numérique de chantier a offert aux concepteurs et aux entrepreneurs un accès inattendu à l’information et aux données tout au long du chantier. À présent, l’étape suivante est de transformer cet océan d’informations en une base de données accessible du bout du doigt. Si les sociétés de BTP disposaient d’un outil fiable pour faire le tri dans cette avalanche de données, elles seraient alors en mesure d’anticiper le prochain problème peut-être aussi simplement et aussi clairement qu’elles consultent les prévisions météo sur leurs smartphones.

Sur le même sujet…

Accès validé !

Merci!

Découvrez le « Future of Making »

Abonnez-vous à notre newsletter