Les algorithmes d’apprentissage automatique excellent à traiter des questions fermées qui supposent des réponses par oui ou non. Ils pourront par exemple balayer une quantité massive de données et nous dire si l’utilisation d’une carte de crédit semble frauduleuse ou si telle photo contient un chat. Mais ce n’est pas tout : ils peuvent aussi répondre à des questions complexes et subtiles.
Aujourd’hui, les algorithmes d’intelligence artificielle peuvent détecter plus de 100 types (a) de tumeurs cancéreuses avec une fiabilité supérieure à celle d’un œil humain expérimenté (a). De quoi nous donner des idées : et si l’apprentissage automatique pouvait nous aider à mieux localiser les populations et à en savoir plus sur leur habitat ? Dans les villes à l’expansion galopante et exposées aux catastrophes naturelles, pourrions-nous savoir si le mur d’une maison risque de s’effondrer durant un tremblement de terre ou un toit de s’envoler en cas d’ouragan ?
Bien trop souvent, nous attendons qu’une catastrophe se produise pour passer à l’action, au lieu d’anticiper et d’investir dans la réduction des risques. Un phénomène remarquablement décrit par le célèbre chirurgien Denis P. Burkitt : « Quand des gens tombent régulièrement d’une falaise, vous avez deux choix : soit vous mettez des ambulances au bas de la falaise, soit vous construisez un parapet en haut de la falaise. »
On estime que chaque dollar investi dans l’atténuation des risques permet d’en économiser quatre (a) dans le relèvement et la reconstruction. Pourtant, les États préfèrent encore envoyer des ambulances plutôt que construire des garde-fous. Entre 1991 et 2010, une partie marginale (12,7 %) seulement des dépenses mondiales imputables aux catastrophes naturelles (3 300 milliards de dollars) était consacrée à la réduction des risques, le reste (87,3 %) allant aux interventions d’urgence, à la reconstruction et à la réhabilitation. Sachant que la majeure partie de ces dépenses concernaient les dommages aux habitations.
D’un point de vue technique, les mesures de prévention qui permettent de renforcer les habitations sont bien connues. Ajout d’une poutre continue, cloisons supplémentaires et/ou plancher en béton armé, etc. : des améliorations structurelles simples peuvent réduire de moitié le risque d’effondrement d’une habitation. Mais alors, pourquoi ne le fait-on pas ?
Parce que le simple fait de repérer les habitations concernées nécessite plusieurs mois et des dizaines de géomètres. Identifier « manuellement » ces bâtiments à risque est aussi une entreprise coûteuse compte tenu du nombre grandissant d’habitats précaires.
C’est là que l’intelligence artificielle rentre en jeu : aujourd’hui, grâce aux images numériques et à l’apprentissage automatique, ce travail peut être accompli en quelques semaines seulement. À l’aide d’une caméra installée dans un véhicule, d’un drone, d’un ordinateur portable et d’algorithmes élaborés, il est désormais possible de mesurer la hauteur de chaque bâtiment, détecter le matériau de sa toiture et rassembler des informations sur sa façade. Cette approche permet de « balayer » un quartier et de créer une base de données riche et détaillée sur les différents types d’habitations à risque.
Comment l’intelligence artificielle pourrait-elle être utilisée dans la prévention des séismes ?
Le séisme de magnitude 7,6 qui a frappé Gorkha, au Népal, a entraîné des besoins de financement estimés à près de 6,7 milliards de dollars pour la reconstruction, dont la moitié environ concernait des habitations (a) (3,3 milliards de dollars). Combien de pertes auraient pu être évitées si ces bâtiments avaient été repérés et mis aux normes avant la catastrophe ?
À Guatemala City, les prises de vues et les algorithmes ont permis de localiser les bâtiments de deux étages ou plus dont la structure du rez-de-chaussée était faible. Après avoir balayé 4 967 habitations, l’ordinateur a repéré 503 bâtiments de ce type, avec une précision de 85 %. De même qu’un médecin peut identifier un cancer en s’aidant de l’apprentissage automatique, un ingénieur structures pourra signaler les habitations qui sont à risque et qui requièrent une inspection plus poussée.
Il en va de même pour les ouragans.
Après le passage de l’ouragan Maria sur la Dominique l’année dernière, 90 % du parc de logements était endommagé et le coût de la remise en état et de la reconstruction estimé à 519,75 millions de dollars (soit 38 % du budget total). Les besoins de financement représentaient 89 % du PIB du pays. Et si l’on avait pu connaître, avant le passage de l’ouragan, les habitations nécessitant probablement un renforcement ainsi que leur valeur de remplacement ?
Il est de fait possible d’éviter des coûts de cette ampleur. Pour le démontrer, nous avons recouru aux drones et à l’apprentissage automatique à Sainte-Lucie, autre État insulaire des Antilles exposé aux ouragans. À partir d’un inventaire géolocalisé de plus de 10 000 bâtiments indiquant la forme, le matériau et l’état des toitures, nous avons estimé les dommages et pertes susceptibles d’être causés par un ouragan de catégorie 5. La production automatique de données sur les ménages permet aux pouvoirs publics, aux propriétaires immobiliers et au secteur privé de disposer des informations de référence dont ils ont besoin pour prendre des décisions.
L’utilité de cette approche va au-delà de la réduction du risque de catastrophe. À Bogota, en Colombie, nous avons mis au point un modèle pour mettre en corrélation les caractéristiques des bâtiments tirées des algorithmes avec la valeur des biens immobiliers, et pour mesurer la croissance verticale de plus de 15 000 habitations. En croisant ces informations avec les données de recensement et d’occupation des sols, nous pouvons évaluer les besoins de relogement, d’amélioration de l’habitat ou de régularisation.
On pourrait en outre exploiter l’apprentissage automatique pour l’évaluation des dommages et des besoins après une catastrophe. Si l’on dispose d’informations sur la hauteur, les matériaux et la forme de chaque bâtiment, il est ensuite possible, avec les mêmes capteurs, de relever les changements intervenus après la survenue d’une catastrophe, comme la quantité de décombres ou le nombre d’habitations ayant perdu leur toiture.
Enfin, les algorithmes d’apprentissage automatiquepeuvent aussi reconnaître l’usage qui est fait d’une habitation et détecter par exemple si elle abrite une activité commerciale. Au Guatemala, nous avons élaboré un algorithme qui permet de reconnaître les enseignes et logos et de déceler ainsi les petits commerces.
Les algorithmes d’intelligence artificielle transforment déjà les secteurs de l’éducation, de l’industrie, du commerce et de la santé, il est plus que temps d’intégrer ces nouveaux instruments dans les projets portant sur le logement et l’habitat . En alliant des algorithmes complexes à des aménagements de construction simples, on peut rendre les habitations plus sûres et plus résilientes face aux catastrophes naturelles et aux conséquences des changements climatiques.
Nous nous y employons activement dans le cadre de notre Programme mondial pour un logement résilient, en poursuivant un objectif clair : aider les villes et les habitants des pays en développement à non seulement « reconstruire en mieux », mais aussi « construire mieux avant ».
Prenez part au débat