必赢体育

L鈥橧A a transform茅 les industries du monde entier, et le secteur de la construction ne fait pas exception. De l鈥檕ptimisation de la logistique 脿 l鈥檃m茅lioration des contr么les de conformit茅, l鈥橧A fa莽onne l鈥檈nvironnement b芒ti d鈥檜ne mani猫re jusqu鈥檃lors inimaginable.

Karoliina Torttila, directrice de l'IA chez Trimble (Photo : Trimble)

Par exemple, les outils de conception bas茅s sur l鈥橧A peuvent automatiser les flux de travail, ce qui acc茅l猫re les d茅lais des projets tout en r茅duisant les erreurs. Les syst猫mes de maintenance pr茅dictive exploitent l鈥橧A pour identifier les pannes potentielles des 茅quipements avant qu鈥檈lles ne surviennent, garantissant ainsi la s茅curit茅 des travailleurs et minimisant les temps d鈥檃rr锚t. En outre, l鈥橧A transforme la gestion des ressources, aidant les entreprises de construction 脿 allouer les mat茅riaux de mani猫re plus efficace et plus durable.

Ces avanc茅es s鈥檃ccompagnent toutefois de d茅fis, notamment en mati猫re de biais. Pour explorer ce sujet, Construction Europe s鈥檈st entretenu avec Karoliina Torttila, directrice de l鈥橧A chez Trimble. Forte de sa vaste exp茅rience dans le d茅veloppement de l鈥橧A, Torttila nous offre un aper莽u des causes des biais, de leurs implications pour le secteur et des solutions potentielles.

Comprendre les biais dans l鈥橧A

芦 Le biais est un concept essentiel dans le d茅veloppement de l鈥橧A 禄, explique Torttila. 芦 Alors que les d茅bats soci茅taux pr茅sentent souvent les biais de mani猫re n茅gative, en IA, un certain niveau de biais inductif est n茅cessaire au fonctionnement des mod猫les d鈥檃pprentissage automatique. 禄 Elle explique que le biais inductif permet aux mod猫les d鈥橧A de formuler des hypoth猫ses bas茅es sur des donn茅es d鈥檈ntra卯nement, ce qui leur permet de se concentrer sur des sc茅narios plausibles au lieu d鈥櫭猼re submerg茅s par des possibilit茅s infinies.

Mais le probl猫me se pose avec les biais pr茅judiciables d茅coulant de donn茅es d鈥檈ntra卯nement incompl猫tes ou biais茅es. 芦 Prenons l鈥檈xemple de la cartographie g茅ospatiale 禄, explique-t-elle. 芦 Si les donn茅es d鈥檈ntra卯nement ne repr茅sentent pas les zones recul茅es ou certains continents, les mod猫les d鈥橧A peuvent produire des cartes de moindre qualit茅, ce qui conduit 脿 une planification inad茅quate des infrastructures ou 脿 une mauvaise allocation des ressources. 禄

Elle cite 茅galement comme exemple les algorithmes de conformit茅. S鈥檌ls sont form茅s 脿 partir de donn茅es provenant d鈥檜ne seule juridiction, ces mod猫les pourraient signaler 脿 tort ou n茅gliger des probl猫mes en raison de disparit茅s r茅glementaires r茅gionales, pr茅vient-elle.

Biais dans les mod猫les linguistiques

Torttila se penche sur les nuances des biais dans les grands mod猫les linguistiques (LLM), qui sont de plus en plus utilis茅s dans tous les secteurs. 芦 Les biais peuvent intervenir 脿 plusieurs stades du d茅veloppement, de la phase de pr茅-formation, o霉 les mod猫les apprennent des mod猫les linguistiques, 脿 la phase de r茅glage fin, o霉 l鈥檃pport humain introduit des pr茅f茅rences subjectives. 禄

Par exemple, la t芒che humaine consistant 脿 classer les r茅sultats des mod猫les en fonction de leur qualit茅 introduit intrins猫quement des biais. 芦 M锚me les directives strictes pour les annotateurs sont bas茅es sur l'interpr茅tation de quelqu'un 禄, note-t-elle. Torttila souligne 茅galement les d茅fis li茅s 脿 l'alignement de la s茅curit茅, o霉 les efforts visant 脿 emp锚cher les r茅sultats nuisibles peuvent parfois entra卯ner une surcorrection. Il existe des exemples de mod猫les de g茅n茅ration d'images produisant des r茅sultats inattendus en raison de ces corrections.

Le contexte industriel

Dans le secteur de la construction, les implications des biais peuvent 锚tre importantes. Les applications d鈥橧A de Trimble impliquent souvent des donn茅es sur les actifs de l鈥檈nvironnement b芒ti, tels que les b芒timents et les ponts, plut么t que des informations personnelles. Cette distinction n鈥櫭﹍imine pas les biais, mais en change la nature. 芦 Des donn茅es inad茅quates sur les mat茅riaux les plus r茅cents ou les r茅gions sous-repr茅sent茅es peuvent entra卯ner des erreurs qui affectent des projets entiers 禄, explique Torttila.

Elle souligne que le secteur doit aborder les pr茅jug茅s avec un 茅tat d'esprit constructif. 芦 Traquer les pr茅jug茅s et punir les 茅checs ne favorise pas l'am茅lioration 禄, affirme-t-elle. Au contraire, favoriser la collaboration entre les parties prenantes peut favoriser le progr猫s.

芦 L鈥檜n des d茅veloppements positifs dans le secteur du b芒timent, tant en Europe qu鈥櫭� l鈥櫭ヽhelle mondiale, est le nombre croissant de consortiums r茅unissant diff茅rentes parties prenantes. Cela refl猫te une compr茅hension commune selon laquelle les d茅fis auxquels nous sommes confront茅s sont trop importants pour qu鈥檜ne seule entit茅 puisse les relever seule. 禄

Interrog茅e sur les solutions possibles, Torttila est claire : la qualit茅 et la transparence des donn茅es sont essentielles. 芦 L鈥檌nclusion d鈥檈nsembles de donn茅es diversifi茅s et de haute qualit茅 est un 茅l茅ment essentiel pour att茅nuer les biais 禄, d茅clare-t-elle. Elle souligne 茅galement l鈥檌mportance de cr茅er des syst猫mes autour de mod猫les d鈥橧A qui incluent des mesures de protection telles que la surveillance humaine ou des contr么les secondaires de l鈥橧A.

La r茅glementation est un autre domaine qui, selon elle, jouera un r么le cl茅. 芦 La loi europ茅enne sur l'IA est une 茅tape importante, mais il est crucial de trouver le bon 茅quilibre 禄, conseille-t-elle.

Une r茅glementation excessive pourrait freiner l鈥檌nnovation, limitant le d茅veloppement de l鈥橧A aux seules entreprises les plus grandes et les mieux financ茅es. 芦 Seules des entreprises comme Microsoft, Google, OpenAI et quelques autres qui d茅veloppent cette technologie seront capables de la g茅rer. Les petites startups, les organisations 脿 but non lucratif ou m锚me les universit茅s pourraient alors ne pas y parvenir en raison du fardeau r茅glementaire trop lourd. 禄

芦 Je pense que le progr猫s risque d'锚tre entrav茅 si la r茅glementation n'est pas abord茅e de mani猫re r茅fl茅chie. C'est pourquoi il faut commencer par l茅gif茅rer et r茅glementer au bon niveau, quel qu'il soit 禄, d茅clare-t-elle.

La dynamique homme-machine

Torttila souligne l鈥檌mportance de l鈥檌nteraction entre les humains et les machines pour att茅nuer les biais. L鈥橧A ne fonctionne pas de mani猫re isol茅e. La plupart des industries, y compris la construction, n鈥檈n sont pas encore au point o霉 elles se sentent 脿 l鈥檃ise avec des syst猫mes enti猫rement autonomes qui prennent des d茅cisions. La supervision humaine reste essentielle, que ce soit comme point de contr么le final ou dans le cadre d鈥檜ne boucle de r茅troaction plus large.

Elle aborde 茅galement la question de la responsabilit茅, un sujet controvers茅 en mati猫re d鈥櫭﹖hique de l鈥橧A. 芦 La responsabilit茅 est partag茅e entre les d茅veloppeurs, les utilisateurs et la soci茅t茅 dans son ensemble 禄, affirme-t-elle. La transparence et la d茅finition d鈥檃ttentes r茅alistes sont essentielles. 芦 La perfection est inaccessible, mais nous allons commencer quelque part, apporter de la valeur et ensuite, esp茅rons-le, nous allons collectivement am茅liorer les choses. 禄

Les r茅flexions de Torttila r茅v猫lent 脿 la fois les d茅fis et les opportunit茅s li茅s 脿 la lutte contre les biais de l'IA dans le secteur de la construction. 脌 mesure que l'IA s'int猫gre de plus en plus dans l'environnement b芒ti, des approches r茅fl茅chies en mati猫re de donn茅es, de r茅glementation et d'interaction homme-machine seront essentielles. Bien que le chemin 脿 parcourir soit complexe, favoriser la collaboration et maintenir un 茅tat d'esprit constructif peut garantir que l'IA continue d'apporter des avantages transformateurs 脿 la soci茅t茅 et 脿 la construction.