Le NLP au service de la gestion de la sécurité chez Downer Group

Les principaux défis du secteur

La sécurité est l'un des quatre piliers de Downer. Partie intégrante de sa culture, la gestion des risques liés à la santé, à la sécurité, à l'environnement et à la communauté, ou principe Zero Harm, est aussi un élément fondamental de sa réussite. Comprendre et gérer les risques en permanence, intervenir en cas d’incident et en tirer des enseignements, tous ces éléments jouent un rôle clé dans la réalisation de l’objectif « Zero Harm ». Pour améliorer les performances, il est essentiel d'exploiter les données sur la santé, la sécurité et les activités et incidents liés à l'environnement. Le programme intégré de gestion des risques critiques de Downer met l'accent sur les éléments suivants :

• Comprendre les risques les plus importants et leurs causes
• Savoir comment gérer au mieux les risques critiques et se concentrer sur le travail qui compte le plus
• S'assurer que le travail permettant de gérer les risques critiques est execute
• S'assurer de l’efficacité des mesures prises pour gérer les risques critiques

Ce programme a généré une analyse approfondie de 320 risques importants pour lesquels 16 000 contrôles (les mesures prises pour gérer les risques) ont été documentés. L'étape suivante de ce programme a consisté à comparer les analyses au système de gestion de la santé, de la sécurité et de l'environnement de Downer. L'équipe a ensuite amorcé la rationalisation et l’optimisation des processus pour l'ensemble du groupe. Le volume même des informations de contrôle et de la documentation du système de gestion rend cette mission extrêmement délicate.

Jo Flitcroft, directrice générale des systèmes et projets de sécurité du Downer Group, et Mathew Hancock, directeur général de Zero Harm Risk, partagent la même vision : rendre les choses simples et claires pour les personnes intervenant en première ligne. « Notre entreprise accorde beaucoup d’importance à l'absence d'effets nocifs (Zero Harm). Nous voulons que chaque jour nos employés rentrent chez eux saufs et en bonne santé », explique le Dr Hancock. « Nos systèmes doivent aider nos employés et leur permettent de travailler en toute sécurité et de manière productive. » Désireuse de conserver sa position d'avant-garde en remettant continuellement en question le statu quo, l'équipe « Zero Harm » du Downer Group s’est intéressée à la technologie pour piloter l’optimisation de sa gestion des risques critiques et préparer les bases d'un système d'aide à la décision « Zéro Harm » basé sur l’IA.

Objectifs

Le Downer Group vise à développer une plateforme de gestion Zéro Harm simple permettant au personnel de première ligne d'accéder rapidement et facilement aux informations nécessaires pour travailler en toute sécurité. L'intelligence artificielle y jouera un rôle clé. « Nous voulons nous assurer qu'il soit vraiment simple pour notre personnel sur le terrain de savoir ce qu'il doit faire, quand il doit le faire et de quelle façon. Si nous pouvons aider les gens à vérifier que le travail correct a été effectué, puis à contrôler, à l'aide de systèmes intelligents, si ce qu'ils font est opérationnel, une telle approche pourrait vraiment changer la donne », estime le Dr Hancock.

La vision de l'équipe Downer :

• Améliorer de façon significative la capacité à catégoriser, analyser et rendre compte des données afin de mieux hiérarchiser les actions correctives et preventives
• Améliorer la planification et
  la prise de décision en première ligne à l'aide de l'analyse de données et de l'IA
• Générer des actions correctives ciblées en temps réel pour prévenir les incidents avant qu'ils ne se produisent

L'équipe de Downer élabore un cadre d'harmonisation destiné à cartographier, interpréter et intégrer des milliers d'exigences de contrôle pour l'ensemble de leur système de gestion. Ce cadre couvre tout, depuis les normes et les procédures du groupe jusqu’aux méthodes/instructions de travail sécurisées de première ligne. Ce travail permettra à Downer d'améliorer l'information transmise en première ligne et d'exploiter de grands volumes d'informations dans son lac de données. Une telle approche permettra de générer de nouveaux éclairages, notamment sur les sujets couverts par ses documents, systèmes et analyses de risques, leurs redondances et leurs lacunes.

Bruno Beltran, data scientist de Crayon, qui a dirigé le projet avec Downer, donne un exemple de l’évolution possible de cette approche. « Imaginons qu'un ouvrier utilise un échafaudage pour poser un revêtement spécial sur un mur. Une telle tâche l’exposerait bien sûr à certains risques, liés notamment au travail en hauteur et à l'utilisation de différents types d'équipements. Le traitement du langage naturel (NLP) et l'analyse des corrélations permettent d’identifier les types de contrôles généralement appliqués dans ce type de situation. Ici, il s'agirait par exemple de la mise en place de barrières adéquates, de l'interdiction de passer sous un échafaudage, etc. »
Crayon a contribué au développement d’une solution permettant à l'équipe de sécurité du Downer Group d’identifier ces contrôles.

Notre Solution

Downer a demandé à notre équipe de l'aider à utiliser le NLP pour placer des balises dans ses rapports et ses documents de sécurité, là où des contrôles de sécurité étaient mentionnés. (Le NLP ou traitement du langage naturel est une branche de l'IA qui permet aux ordinateurs de comprendre le langage humain.) Un modèle de machine learning recueille des informations à partir du lac de données (Azure) et une interface de programmation d'applications (API) rend les informations accessibles aux utilisateurs.

« Il y a deux choses que Downer suit de très près : les risques auxquels ses travailleurs sont exposés et les contrôles censés les atténuer. Lorsqu'un utilisateur saisit des informations sur le travail de la journée, ou lorsque nous examinons rétrospectivement des rapports d'incidents, ce qui serait vraiment utile serait d’avoir un modèle NLP dans Azure Machine Learning. Ce modèle devrait être capable de repérer automatiquement dans tous ces documents les risques et les contrôles », explique le Dr Beltran, data scientist de Crayon qui a travaillé sur le projet du Downer Group.

Le NLP simplifie la rationalisation et l'optimisation du système de gestion de l'équipe « Zero Harm » Ils ont mis en place des « communautés de pratiques » afin de réunir des experts pour des types spécifiques de risques de sécurité. Ces experts utilisent des outils construits au-dessus des bases NLP fournies par Crayon pour améliorer systématiquement les normes, les procédures, les pratiques de travail en première ligne et la formation. La principale difficulté au départ pour la construction d'un tel outil a été la création d'une structure logique et le regroupement des contrôles. L'objectif était de permettre à de nombreux experts, spécialisés dans différents domaines, de collaborer dans un seul espace partagé. En utilisant des modèles de langage naturel basés sur un transformateur avancé, nous avons permis à Downer d'améliorer grandement sa capacité à organiser le contenu non structuré en se basant uniquement sur la « similarité sémantique ».

Grâce à la plateforme Azure Machine Learning Studio, nous avons construit un modèle de machine learning supervisé exploitant la technologie NLP sémantique. Ce modèle a permis à l'équipe Downer d’analyser sa documentation. L’équipe a pu disposer de listes hiérarchisées de suggestions relatives au mode de liaison entre le contenu et la bibliothèque des contrôles. Ces listes ont permis de corriger tout lien inexact et d’ajouter de nouvelles entrées à la bibliothèque. Cette approche permet d'intégrer de plus en plus rapidement la documentation du système de gestion dans un framework harmonisé exploitant toute la puissance de l’IA.

Les résultats

Un modèle qui a permis d'atteindre une précision de 80 % lors de l'identification des contrôles dans la documentation du système de gestion, et ce en seulement cinq semaines.

Au cours de notre premier parcours de cinq semaines, les équipes de Downer et Crayon ont travaillé ensemble au déploiement de la première itération du modèle. Même dans ce court laps de temps, l'itération s'est révélée capable d'identifier des concepts sémantiquement similaires, avec un chevauchement minimal des mots utilisés. Les équipes ont pu harmoniser le contenu, même lorsque chacune des parties de l'entreprise utilisait des terminologies différentes.

Le gain de temps a été significatif pour le personnel. Le modèle, qui actuellement offre une précision impressionnante d’environ 80 % avec un entraînement minimal, va s'améliorer au fur et à mesure que d'autres personnes l'utilisent.Cette solution permet de mettre en place une série d'outils, développés en interne par Downer, qui vont transformer le mode de gestion de la santé, de la sécurité et de l'environnement pour l'ensemble du groupe. Dans le futur, peut-être les employés du Downer Group pourront-ils simplement parler à une application pour recevoir les bonnes pratiques correspondant à la tâche qu'ils s'apprêtent à effectuer. Ils pourront gérer les risques liés à cette tâche, tout ceci grâce à une plateforme de gestion de la sécurité basée sur l'intelligence artificielle.

Les résultats du projet ont reçu, de la part du client et de Microsoft, des appréciations systématiquement positives. «Il est impressionnant de constater qu'en cinq semaines, nous avons non seulement construit le modèle, mais nous sommes arrivés au point où nous pouvons l’utiliser par nous-mêmes, et même créer de nouveaux modèles.
Ce n’est pas seulement pêcher pour nous et nous donner du poisson, mais nous apprendre à pêcher en cinq semaines, ce qui est tout simplement phénoménal », souligne le Dr Hancock. Mme Flitcroft constate quant à elle : «L’outil NPL a considérablement amélioré notre capacité à traiter d'importants volumes d'informations. Le temps gagné grâce à cet outil est inestimable, il a changé la donne ».