Alexandre Mihalache
Le « Machine Learning » (ML) ou en français « Apprentissage Automatique » est l’une des disciplines que les laboratoires de recherches Autodesk ont déjà investi.
C’est pendant l’évènement annuel Autodesk University 2017 que Mehdi Nourbakhsh, Sr. Research Scientist, Autodesk Research, nous a présenté le « Machine Learning » ainsi quelques applications pratiques mis en place chez Autodesk. C’est au travers d’exercices qu’il nous a fait toucher du doigt ce qu’est cette technologie et surtout ce qu’elle peut nous apporter.
Je vous propose de vous faire un résumé de cette présentation.
Le « Machine Learning » est une branche de l'intelligence artificielle (IA), concerne la conception, l'analyse, le développement et l'implémentation de méthodes permettant à une machine (au sens large) d'évoluer par un processus systématique, et ainsi de remplir des tâches difficiles ou problématiques par des moyens algorithmiques plus classiques (définition Wikipédia).
A l'heure actuelle beaucoup de société investissement dans le ML car celui-ci est la technologie qui permet d’exploiter pleinement le potentiel du Big Data.
Rappel : Big Data est un ensemble de données devenu si volumineux qu'il dépasse l'intuition et les capacités humaines d'analyse et même celles des outils informatiques classiques de gestion de base de données ou de l'information (définition Wikipédia)..
Le ML est apparu dans les années 1950 (en 1951 plus précisément) mais l’un des exemples le plus connu au monde, c’est en 1997 lorsque Deep Blue (superordinateur spécialisé dans le jeu d'échecs) a battu Gary Kasparov.
Bien souvent, cette technologie fait peur car elle est synonyme de suppression d’emplois (Analystes) mais il faut savoir que cela n’est pas un outil magique et qu’il faut des informaticiens derrière tout cela.
Vous trouvez ci-dessous des exemples de sociétés ou des technologies qui utilisent déjà le ML mais pourquoi pas l’appliquer au domaine de l’Architecture, Ingénierie et de la Construction (AEC).
C’est donc tout naturellement que la société Autodesk à mis en place quelques solutions AEC faisant appel au « Machine Learning ».
1 – Le « Generative Design » :
Nous avons déjà écrit de nombreux articles sur le sujet que vous pouvez consulter (ici, ici et ici). En quelques mots : c’est à partir de la définition de contraintes (géométriques, mécaniques, thermiques, comportements…) qu’un algorithme organique permet de trouver un ensemble de solutions remplissant toutes les fonctionnalités demandées. C'est parce que ce processus fait appel à de grosses capacités de calculs que tout naturellement, la puissance cloud est mise à contribution.
Un des exemples chez Autodesk est le « Project Fractal », voir notre article ici sur le sujet.
2- Atténuation de risque (Risk Mitigation) :
La réduction (ou suppression) des erreurs lors de la construction d’un bâtiment est l’un des postes clé car cela permet de réaliser de substantielles économies.
Effectivement, avec le nombre de sous-traitants croissants, des changements quotidiens peut gravement augmenter le nombre d’erreurs sur chantier. C’est là que le ML vient à notre rescousse !
Notamment Autodesk BIM 360 Field (Solution cloud de contrôle de qualité et rapports quotidiens) permet de comprendre le contexte dans lequel ont été créé chaque problème, de réaliser la supervision de ceux-ci, de prioriser les tâches, et de les assigner aux responsables. Cela nécessite une collaboration interactive entre la machine et l’homme de l’art au travers d'un algorithme qui apprend à comprendre les desiderata et par la suite réplique cette connaissance (extrapolation).
Par exemple, si l’utilisateur n’est pas d’accord sur la classification d’un problème, il peut la changer et l’algorithme va propager la modification et revoir l’échelle de risque. En conséquence, cette connaissance est directement réinjectée dans le modèle mathématique pour construire un nouveau modèle plus proche des attentes de l’utilisateur.
3- La sécurité sur le chantier :
La sécurité est aussi un des points importants sur le chantier. Nous essayons de comprendre le comportement de la sécurité, de savoir quelle est la part de déterminisme et de hasard au travers des différents problèmes enregistrés.
Toujours dans le domaine de la sécurité, nous pouvons être aidé par l’utilisation de technologies telles que :
- Smartphones, tablettes,
- Casques intelligents (Réalité mixte),
- Appareils photos,
- Drones.
Dans ce domaine, Autodesk collabore avec la société Smartvid.Io dont la technologie permet à partir de photos et de films de détecter la présence humaine, le lieux, les attitudes, les objets. L’analyse de ces données permet d’envoyer des alertes (par exemple, travail en altitude sans système de sécurité).
4- Management de projet :
Le but de cette partie est de se servir des résultats chantier au travers des demandes d'information (RFI = Requests For Information) afin de d’alimenter la maquette BIM. C'est de pouvoir profiter des retours de la gestion du projet et de remonter ceux-ci jusqu'à la phase de conception.
Les requêtes peuvent aider à établir une documentation de qualité et à répondre exactement aux interrogations chantier, afin de limiter celles-ci au strict minimum.
Encore une fois, l'idée est de savoir s’il est possible d’établir un lien entre les résultats des projets et les retours qualité, c’est là que le ML peut nous aider à synthétiser toutes les informations .
Ensuite Monsieur Nourbakhsh, nous a présenté au travers de cinq exemples ce que signifie le « Machine Learning », en voici un rapide résumé.
Après avoir rappelé quelques définitions (données, valeurs d’entrée/ sortie, variables, attributs…), il a introduit un algorithme très simplifié du ML, représenté par l’apparition de la création d’un modèle d’étude.
Ensuite, il a présenté les deux types de ML, à savoir :
- « Supervised learning» : comprenant deux catégories (« Classification » et « Regression »),
- « Unsupervised learning»,
De façon plus pragmatique, cet exemple illustre les différents cas :
Lorsque que l’on rentre dans le détail le « Machine Learning » se décompose en six étapes :
Toujours sur le même exemple, il nous a expliqué comment organiser les données afin d’avoir un « arbre » de décisions simplifié.
Ensuite, il nous a donné la définition d’un réseau neuronal artificiel (Artificial Neural Network).
Ce qui se traduit par le schéma simplifié ci-dessous :
Nota : « Activation function » permet de prendre en compte la non-linéarité du modèle.
Lorsque plusieurs couches de réseaux neuronaux sont utilisées (comme par exemple les sociétés Netflix, Google…), le modèle change de forme et se traduit sous la forme du diagramme ci-dessous :
Le réseau neuronal peut se décomposer en trois couches :
- Entrée,
- Cachée,
- Sortie,
La convergence du modèle est obtenue par le calcul d'une erreur minimum.
Afin de compléter cette démonstration, il nous a fait la présentation du logiciel open source appelé Weka qui permet d’appliquer plusieurs types de réseaux neuronaux à des données.
Si vous voulez en savoir plus, je vous conseille de visualiser la présentation en cliquant sur le lien ci-dessous :
BLD119555L: Introduction to Machine Learning for Building Design and Construction
De plus, vous trouvez ci-dessous des présentations connexes au sujet du « Machine Learning ».
CS125672: Industry Panel: Making Construction Smarter Using AI and Machine Learning.
CS125114: The Rise of the AI: Impact of AI and Machine Learning in Construction.