Intelligence artificielle : 6 projets sélectionnés pour être expérimentés dans les services publics
Détecter des constructions illégales grâce à la reconnaissance visuelle d’images satellitaires. Améliorer les traitements post-opératoires grâce à l’analyse sémantique de comptes rendus médicaux… Découvrez les 6 projets utilisant l’intelligence artificielle qui vont être développés et expérimentés pendant 10 mois dans les services publics !
Partager
Le secrétaire d’Etat chargé du Numérique, Mounir Mahjoubi, a annoncé mercredi 21 novembre les projets lauréats de l’appel à manifestation d’intérêt (AMI) lancé par la DINSIC et la DITP en juin 2018 , dans le cadre du programme d’investissement d’avenir.
Témoignant d’une mobilisation importante, 52 projets avaient déposés par des administrations variées : centrale et déconcentrées, opérateurs, établissements publics, rectorats, universités, cours de justice, hôpitaux… Parmi ceux-ci, 6 ont été sélectionnés par un jury d’experts.
Pendant 10 mois, ces 6 projets vont être développés et expérimentés au sein des services publics, avec l’aide des équipes de la direction interministérielle du numérique et du système d’information et de communication de l’État (DINSIC) et la direction interministérielle de la transformation publique (DITP).
L’intelligence artificielle dans les services publics : comment, pourquoi ?
Cela commence par l’identification de données
- Données internes à l’administration
- Données ouvertes publiées sur data.gouv.fr
- Données externes obtenues dans le cadre du projet
Les faire travailler pour les rendre intelligentes
- Analyse sémantique
- Reconnaissance visuelle
- Détection d’anomalies
- Modèles prédictifs
Pour améliorer le service rendu et le quotidien des agents
- Gain de temps
- Tâches moins répétitives
- Concentration sur les tâches à valeur ajoutée
- Économies
Les 6 projets lauréats
Détecter les occupations irrégulières des sols
Direction départementale des territoires et de la mer de l’Hérault
L’objectif : lutter contre bâtis, hangars, décharges sauvages et constructions illégales dans les milieux sensibles
Les données de départ
Des images satellites et photographies aériennes
L’intelligence artificielle
Basée sur la reconnaissance visuelle, elle permet l’automatisation par comparaison d’images satellitaires de la détection de nouveaux objets — caravanes, mobil-homes, bâtis, hangars agricoles, dépôts de déchets, etc. — dans les milieux sensibles
Les gains
- Moins de temps passé à détecter les anomalies
- Davantage de temps sur le terrain à effectuer des contrôles pertinents
Détecter les restaurants présentant des risques sanitaires à partir des commentaires client
Direction générale de l’alimentation, ministère de l’Agriculture et de l’Alimentation
L’objectif : optimiser les contrôles dans le domaine de la sécurité sanitaire des aliments en ciblant les établissements à plus fort risque
Les données de départ
Les commentaires et avis présents sur les plateformes et réseaux sociaux
L’intelligence artificielle
Basée sur l’analyse sémantique, elle reconnaît les avis négatifs et peut établir des probabilités de risques sanitaires potentiels
Les gains
- Priorisation des contrôles pour les agents
- Moins de temps perdu sur la détection des établissements
- Davantage de temps à faire des contrôles terrain
Mieux maîtriser les risques et activités nucléaires
Autorité de sûreté nucléaire
L’objectif : mieux identifier les éléments à contrôler lors d’une visite pour mieux protéger les travailleurs, les patients, le public et l’environnement des risques liés à l’utilisation du nucléaire
Les données de départ
Les 20 000 lettres de suite rédigées après chaque inspection
L’intelligence artificielle
Basée sur une analyse sémantique, elle détecte les points de vigilance dans les lettres de suite pour les faire émerger
Les gains
Une plus grande vigilance sur des éléments détectés pour un contrôle plus pointu sur les zones de risques
Améliorer les contrôles de la police de l’environnement
Agence française pour la biodiversité, ministère de la Transition écologique et solidaire
L’objectif : cibler les contrôles, améliorer leur efficacité et mieux accompagner les suites des contrôles non conformes
Les données de départ
Des données environnementales comme les données sur la qualité de l’eau
L’intelligence artificielle
À partir de l’analyse des données, elle construit des modèles capables de prédire des contrôles non conformes
Les gains
- Moins de temps passé à faire des contrôles qui sont in fine conformes
- Plus de temps pour accompagner les suites et les résolutions des contrôles non conformes
Améliorer les traitements post-opératoires
Centre hospitalier universitaire (CHU) de Toulouse
L’objectif : aider au diagnostic et optimiser les réunions de concertations médicales d’experts à partir de données déjà structurées
Les données de départ
Des comptes rendus médicaux et des dossiers médicaux volumineux et désorganisés
L’intelligence artificielle
Basée sur l’analyse sémantique, elle fera l’extraction des concepts médicaux issus des textes libres et structurera les données complexes des dossiers médicaux pour réaliser des résumés standardisés
Les gains
- Optimisation de la recherche d’information médicale
- Gain de temps des médecins
- Amélioration de la cohérence des dossiers patients
Répondre rapidement aux questions des usagers grâce à un « voice bot »
Centre national Chèque emploi associatif, agence centrale des organismes de sécurité sociale
L’objectif : apporter des réponses administratives rapidement aux associations concernant l’utilisation du chèque emploi associatif
Les données de départ
Des questions simples et récurrentes de la part des associations
L’intelligence artificielle
Une compréhension naturelle du langage et une synthèse vocale améliorée à force d’entraînement lui permettra de répondre directement à certaines questions ou de rediriger vers un interlocuteur plus pertinent
Les gains
- Des réponses de qualité dans un temps moindre
- Prolongement naturel du canal téléphonique
- Travail des agents focalisé sur les questions complexes pour une expertise plus pointue et un travail plus qualitatif
La méthode et l’accompagnement
Ces six projets bénéficieront de la part des équipes de la DINSIC et la DITP, pendant dix mois :
- d’un accompagnement technique pour développer un proof of concept (POC) sur la problématique identifiée et monter en compétence sur les technologies d’intelligence artificielle.
- et d’un accompagnement stratégique pour appréhender la transformation du métier associée au développement de ce POC : impacts induits sur le métier des agents, les processus, conduite du changement…
À la fin de cette période, une évaluation sera menée — à l’appui des retours des tests utilisateurs, de la maturité de l’IA, de l’appréhension des impacts métier induits, etc. — pour déterminer si le proof of concept a fait ses preuves et a vocation à être déployé.
Des experts (instituts de recherche, associations, prestataires privés) en données, IA et impact du numérique sur les métiers seront mobilisés pour conduire l’accompagnement. En plus de l’accompagnement, la DITP et la DINSIC favoriseront les échanges entre les acteurs participant à l’AMI, les rencontres avec des acteurs publics déjà avancés sur des projets d’intelligence artificielle, et avec des acteurs spécialisés sur le sujet dans le domaine de la recherche et de l’industrie.
Lire aussi :