Un jumeau numérique pour supporter la connaissance de la situation et la prise de décision en gestion de crise

Aurélie Congès1, Audrey Fertier2

1 Centre Génie Industriel, IMT Mines Albi, France

aurelie.conges@mines-albi.fr

2 Centre Génie Industriel, IMT Mines Albi, France

audrey.fertier@mines-albi.fr

Mots-clés : Jumeau numérique, Gestion de crise, Aide à la décision, Réalité virtuelle, Connaissance de la situation.

1 Introduction

Le domaine de la gestion de crise évolue rapidement, notamment avec la quantité de données qui sont maintenant disponibles. Ces données peuvent provenir de différentes sources (capteurs sur site, caméras, drones, réseaux sociaux...), et peuvent être de plusieurs type (texte, image, vidéo...). Si elles offrent la possibilité d'apporter des informations cruciales à la gestion de crise, encore faut-il pouvoir les analyser et les comprendre rapidement et sans erreur afin d'en tirer une image de la situation qui soit fidèle, pertinente et à jour. Cette image de la situation (Common Operational Picture) est indispensable aux gestionnaires de crises pour comprendre ce qui se passe et prendre les meilleures décisions possibles [1–3]. Le projet PICADORS a pour objectif d'aider les pompiers du SDIS 62[1] à comprendre et utiliser les données qu'ils récupèrent du terrain. Dans ce contexte, le projet propose d'utiliser le jumeau numérique R-IOSUITE afin d'améliorer leur connaissance de la situation et leur processus de prise de décision. R-IOSuite utilise l'intelligence artificielle pour analyser le flux de données terrain, transformer ces données en information et mettre à jour en temps réel une image collaborative de la situation. Comme le montre la Figure 1, le flux de données entre le terrain physique de la crise et le jumeau numérique de la crise est continu. Des données provenant de web services tels que les réseaux sociaux ou l'open data sont intégrées par le jumeau numérique qui les transforme en information et les utilise pour proposer un modèle de situation et un processus de réponse à la crise. Ce processus est composé d'une succession de tâches attribuées aux différents acteurs de la gestion de crise, et qui leurs sont envoyées au moment où elles doivent être réalisées. La réalisation de ces tâches entraîne des conséquences qui transforment la situation et provoquent un nouveau flux de données utilisé pour mettre à jour le modèle de situation dans R-IOSuite.

FIG. 1 – Cycle de la donnée lors d'une crise

2 Présentation du jumeau numérique R-IOSuite appliqué à PICADORS

2.1 Scénario d'utilisation

Dans le cadre du projet PICADORS, nous proposons le scénario d'utilisation suivant : un rassemblement sauvage sur la base aérienne abandonnée de Calais, concernant 30 000 personnes qui se réunissent au milieu du mois d'Août pour faire la fête. Cet événement entraine l'apparition d'un certain nombre de risques tels que des blessures dues à la foule, des malaises causés par la chaleur ou la consommation d'alcool ou de drogue, ou encore des départs de feux causés par des installations électriques non-vérifiées. Plusieurs acteurs seront donc impliqués dans la gestion de cette crise : les pompiers du SDIS 62, la Police, la Préfecture de Cambrais ou encore la Croix Rouge.

2.2 Application de R-IOSuite à ce scénario d'utilisation

Le jumeau numérique R-IOSuite a pour but de faciliter la gestion de cette crise en s'appuyant sur 5 fonctionnalités principales :

- Collecte d'information : pour décrire la situation, des informations sont stockées dans une base de connaissance orientée graphes. Ces informations peuvent être stockées avant le début de la crise. Dans le cadre de PICADORS, il peut par exemple s'agir d'informations génériques comme les acteurs présents dans la zone de la base aérienne de Cambrais et capable d'intervenir si une crise survient, ainsi que leurs compétences. Par exemple, les pompiers du SDIS 62 sont à même d'intervenir sur ce site en cas de besoin, et ils savent éteindre des feux, prodiguer des soins aux blessés potentiels ou encore mettre en place une cellule de crise terrain. La Police de Cambrais peut également intervenir, et elle sait mettre en place des périmètres de sécurité.

- Collecte de données terrain : les données qui remontent du terrain peuvent être interprétées de deux manières, soit via système de gestion des événements complexes (CEP) (experts interrogés pour définir des règles de traitement des données par cas d'application), soit via Machine Learning (entrainé sur des bases de données publiques et adapté à chaque cas d'application). Combinée avec les données déjà présentes dans la base de connaissance, ces données peuvent être interprétées et analysées pour mettre à jour le modèle de la situation. Par exemple, une photo ou une vidéo d'un drone utilisé par les pompiers peut permettre d'estimer le nombre de personne présentes. Des capteurs de fumée dans les bâtiments peuvent détecter un départ de feu. Toutes les informations déduites par R-IOSuite sont labellisées et ne sont ajoutées définitivement à la base de connaissance qu'après avoir été confirmées par un utilisateur.

- Déduction du processus : à partir des informations de la base de connaissance (contexte, acteurs et ressources disponibles...) et du modèle de situation, R-IOSuite déduit un processus de réponse à la crise composé de tâches qui doivent être accomplies dans un certain ordre et par des acteurs précis. Ce processus est proposé aux décideurs qui peuvent le modifier, l'adapter à la situation telles qu'ils la comprennent, puis le valider.

- Orchestration du processus : lorsque le processus est validé, les tâches sont envoyées aux différents acteurs pour leur faire savoir ce qu'ils doivent faire et à quel moment. Ils reçoivent ces tâches sur des tablettes ou sur leur téléphone et peuvent mettre à jour le statut de la tâche (acceptée, complétée, en retard, annulées...). Par exemple, dans le scénario PICADORS, les policiers reçoivent la tâche de mettre en place un périmètre de sécurité, puis celle d'évacuer les participants.

- Détection et adaptation : les conséquences des actions suivant les tâches sont monitorées par R-IOSuite, ce qui permets aux décideurs de suivre l'évolution de la situation. En cas de divergence entre la situation attendue (si le processus se déroule comme prévu) et la situation réelle (connue via les données remontées du terrain), une alerte est levée, ce qui permet aux décideurs de vérifier qu'il y a bien une divergence, et le cas échéant, s'ils le souhaitent, de déduire un nouveau processus. Par exemple, si le processus indique qu'à un moment donnée la foule doit avoir été évacuée, mais que les caméras de surveillance indiquent qu'il y a toujours du monde sur place, une divergence est détectée et le processus doit être redéduit afin de réintégrer une tâche d'évacuation de la foule.

Le fonctionnement de R-IOSuite peut être rattachée à la Figure 1 : les fonctionnalités de R-IOSuite permettent le flux de données constant entre le terrain physique et l'environnement numérique, ce qui en fait effectivement un jumeau numérique.

3 Conclusions et perspectives

R-IOSuite constitue donc un jumeau numérique dédié à la gestion de crise, qui permet d'une part de proposer un modèle de la situation fidèle et mis à jour en temps réel à partir des données terrain, et d'autre part de proposer un processus de réponse à la crise qui a pour but d'améliorer la prise de décision. A chaque étape où une intelligence artificielle est utilisée (collecte de données terrain, déduction du processus et détection de divergences), l'utilisateur doit valider les résultats fournis par l'IA. Les IA facilitent la perception et la compréhension de la situation mais la décision finale revient toujours aux décideurs. Plusieurs pistes sont envisagées pour améliorer ce jumeau numérique et le rendre plus efficace et pertinent. L'utilisation d'intelligences artificielles conversationnelles telles que Google Bard ou Chat GPT est par exemple étudiée pour facilité le remplissage de la base de connaissance, particulièrement dans le cas d'une évolution imprévue de la crise pour laquelle la base de connaissance doit être mise à jour rapidement. L'IA pourrait alors proposer des rôles ou des fonctions qui pourraient être incluses dans la résolution de la crise. Nous aimerions également accentuer l'aspect immersif du jumeau numérique en ajoutant une surcouche de réalité virtuelle. Cette surcouche offrirait de nouvelles manières de visualiser l'information plus immersives et plus intuitive, notamment avec la notion d'immersive analytics. De plus, la réalité virtuelle pourrait apporter de nouvelles fonctions qui n'existent pas encore.

Le jumeau numérique R-IOSuite peut être utilisé à tout niveau de la chaine de commande. Pour aller plus loin, il pourrait être intéressant d'ajouter d'autres modèles comme une image tactique (Common Tactical Picture) ou des modèles d'anticipation afin de prévoir les évolutions possibles de la crise et en tenir compte lors de la résolution.

4 Références

1. (2015) Sendai Framework for Disaster Risk Reduction 2015-2030 | UNDRR. http://www.undrr.org/publication/sendai-framework-disaster-risk-reduction-2015-2030. Accessed 7 Dec 2023

2. Steen-Tveit K, Radianti J, Munkvold BE (2020) Using Audio-Logs for Analyzing the Development of a Common Operational Picture in Multi-agency Emergency Response. In: HICSS 2020-53rd Hawaii International Conference on System Sciences

3. Endsley MR (2016) Designing for Situation Awareness: An Approach to User-Centered Design, Second Edition, 2nd ed. CRC Press