C. LE RECOURS À L'IA DANS LA GESTION DU RISQUE ET DES CRISES
Au-delà des enjeux de connaissance de l'environnement et d'adaptation, le recours à l'IA peut également s'avérer précieux pour la gestion de crise. C'est le cas par exemple face au risque de submersion marine ou d'incendie de forêt.
· Réagir à un risque de submersion lorsque le temps est un enjeu critique
Au titre de l'appui à la gestion de crise, le BRGM a développé un outil d'aide à la décision fondé sur la définition de scénarios de risques de submersion à l'échelle de collectivités.
Traditionnellement, les modèles de « risque submersion » sont complexes et consomment un temps de calcul important. En temps de crise, l'approche par métamodèles prédéfinis permet de contrer la relative lenteur des modèles physiques et de fournir aux cellules de crise des réponses sur les niveaux de risques.
Cette méthode a été testée récemment sur la côte Aquitaine48(*) : il s'agit d'un atlas de simulations numériques de submersion sur le bassin d'Arcachon obtenu par du machine learning non supervisé et des méthodes statistiques très avancées.
L'IA permet ici non seulement de renforcer la finesse de l'analyse mais aussi la réactivité grâce à un gain de temps considérable.
· Intervenir précocément en cas d'incendie
Des développements encourageants sont également en cours pour orienter l'usage de l'IA vers la détection de départs de feu de forêt afin de rendre la plus précoce possible l'intervention des services de secours.
En partenariat avec le service départemental d'incendie et de secours (SDIS) du département de l'Ardèche, l'association Pyronear propose depuis 2023 un système expérimental associant des caméras de vidéosurveillance à un micro-ordinateur équipé d'un logiciel d'apprentissage profond.
Source : https://pyronear.org/
Celui-ci a été entraîné à reconnaître des départs d'incendie sur des dizaines de milliers d'images de feux de forêt, avec des données provenant initialement de caméras situées dans les parcs nationaux américains et en libre accès.
Sous réserve de nouvelles évolutions permettant de réduire les faux positifs et d'affiner la capacité de détection et de prédiction, d'autres domaines tels que la détection d'inondations, de fortes crues ou encore d'avalanches pourraient être concernés par des techniques similaires.
D. L'IA ET LES ASSURANCES : COMMENT ASSURER LA CATASTROPHE ?
Face à l'intensification et à la multiplication des événements extrêmes, le modèle assurantiel actuel, combinant assurances privées et interventions publiques, est-il suffisamment robuste ?
En renforçant la précision des prévisions, les systèmes d'alerte précoce et la résilience des territoires, les techniques d'IA pourraient contribuer à l'adaptation du système d'assurance.
« Imaginez un jumeau numérique pour une propriété côtière qui surveille en permanence l'élévation du niveau de la mer, les conditions météorologiques et l'intégrité structurelle, ce qui permet d'alerter rapidement en cas de risque d'inondation et d'effectuer les travaux de maintenance préventifs.
Les jumeaux numériques permettent une évaluation et une atténuation proactives des risques. Les assureurs peuvent affiner les modèles de risque, personnaliser la couverture et proposer des primes compétitives sur la base de données en temps réel. »
Michel de La Bellière et Jochen Papenbrock, « IA et IA Générative : l'assurance est-elle à la veille d'une transformation fondamentale dans la couverture et la gestion des risques ? », L'Argus de l'assurance, 2023
Le prototype de jumeau numérique pour la gestion des risques d'inondation développé par le CNES et QuantCube va jusqu'à fournir une estimation du risque financier associé aux inondations dans les zones de test sélectionnées. Ces informations pourront être utilisées par les gouvernements et d'autres acteurs intéressés parmi lesquels les assureurs.
* 48 Cet atlas cartographique de scénarios de submersion marine concerne les 10 communes littorales du bassin pour un ensemble de conditions météo-marines fictives mais inspirées de la réalité. Des scénarios ont été construits à partir d'une analyse statistique des conditions de forçage (vent, vagues, etc.) et des techniques de modélisation numérique. Ils représentent une large palette d'évènements possibles, d'intensité et de fréquence variables. Un algorithme de machine learning non supervisé a été utilisé pour sélectionner 50 conditions de tempêtes permettant de représenter une diversité de combinaisons possibles. Le modèle a été validé sur 4 tempêtes historiques : Klaus (2009), Xynthia (2010), Emma (2018) et Justine (2020). Au-delà de son utilité pour définir des plans d'action pour la gestion de crise, la constitution de la base de données offre des perspectives d'utilisation complémentaires, par exemple dans le cadre du projet ANR ORACLES visant à développer des modèles d'IA capables de produire des prévisions d'ensemble en temps quasi réel : https://brgm.hal.science/hal-04527015v1/file/Outil%20d%20aide%20%20%20la%20gestion%20de%20crise%20pour%20la%20mission%20RDI33%20%20%20Atlas%20de%20scenarios%20de%20submersion%20sur%20le%20bassin%20d%20Arcachon.pdf