🤖 L’IA & la maintenance des systèmes de transport

L’intelligence artificielle (IA) peut-elle aider le secteur des transports à évoluer dans « l’espace sûr et juste » du modèle économique du « Doughnut » de Kate Raworth et donc à mieux respecter les limites planétaires et à accroître les bénéfices sociétaux ? En 2026, Futura-Mobility organise quatre sessions pour explorer cette question, avec une première séance en juin consacrée à l’IA et à la maintenance des systèmes de transport.

Au cours de cette réunion à distance, animée par Joëlle Touré, les membres du groupe de réflexion et une quarantaine d’invités ont pu débattre avec des intervenants venus du Japon, de Grèce et de France.

Pour résumer les principaux enseignements, cet article s’articule en deux parties : dans un premier temps, il examine comment l’IA est mise en œuvre pour améliorer la maintenance dans les transports ferroviaires, aériens et routiers ; dans un second temps, il offre une vision plus large des avantages que ces cas d’utilisation peuvent apporter, à la lumière de l’économie du « Doughnut », ainsi que des défis liés à la souveraineté et à la cybersécurité.

L’IA EN ACTION – DES CAS D’UTILISATION DANS LES SECTEURS FERROVIAIRE, AÉRIEN ET ROUTIER

🚈 Ferroviaire 

« Nous assistons à des progrès rapides dans le domaine de l’IA, avec une intelligence artificielle générale qui atteint, dans certains domaines, le niveau de l’intelligence humaine, puis une super-intelligence artificielle capable de surpasser les capacités humaines », note Chikara Hirai, directeur de la division TIC à l’Institut japonais de recherche technique ferroviaire (RTRI). Autre constat : au Japon aujourd’hui, certains opérateurs ferroviaires s’appuient encore sur des activités à forte intensité de main-d’œuvre, par exemple pour la surveillance des voies, avec des agents qui les parcourent à pied pour inspecter visuellement les composants, et avec d’autres agents qui vérifient visuellement l’état des voies et surveillent les vibrations depuis la cabine de conduite.

Dans ce contexte, « l’un des cas d’utilisation de l’IA dans le secteur ferroviaire est la maintenance et l’inspection digitales », explique le Dr Hirai. En effet, afin de rationaliser les travaux de maintenance ferroviaire, le RTRI mène des recherches associant données, smartphones et IA à des fins d’identification (par exemple, la détection de défauts) et d’exécution de tâches de maintenance.

Cette approche digitale de la maintenance et de l’inspection consiste à surveiller les vibrations et la position des trains à l’aide de smartphones équipés de capteurs intégrés, fixés sur la vitre avant de la cabine de conduite. Les données de l’état de la voie sont capturés et enregistrés par le smartphone. Ces données peuvent ensuite être vérifiées sur place à l’aide d’une application pour smartphone, puis importées dans LABOCS, un système de base de données développé par le RTRI et largement utilisé par les opérateurs ferroviaires japonais pour la gestion de la maintenance des voies.

« Grâce à cette technologie, le RTRI a déjà mis au point un système permettant de déterminer le degré de détérioration des traverses en bois, à partir d’images capturées sur les voies ferrées », souligne le Dr Hirai. « Chaque traverse est identifiée par un code couleur, ce qui permet d’identifier facilement celles qui sont détériorées. »

RESEARCH 2030, le plan directeur quinquennal du RTRI, vise à développer des technologies innovantes afin de mettre en place des systèmes ferroviaires tournés vers l’avenir, sûrs et sécurisés, intelligents (capteurs, IA, automatisation…), respectueux de l’environnement et durables. Les principaux axes de travail sont l’innovation, les technologies numériques et vertes, l’IA, la conduite autonome, les batteries et les énergies renouvelables. « Cette recherche repose sur la prospective, c’est à dire à partir des technologies actuellement utilisées, nous anticipons celles qui seront nécessaires dans un avenir proche – ainsi que sur l’imagination, c’est-à-dire en imaginant un système ferroviaire du futur », explique le Dr Hirai.

Il est également important de noter que les chercheurs prennent en compte les défis sociaux auxquels le Japon est confronté aujourd’hui, à savoir l’intensification des catastrophes naturelles (canicules, sécheresses, tremblements de terre), l’objectif d’atteindre la neutralité carbone d’ici 2050, les changements sociaux déclenchés par les pandémies (par exemple, le télétravail) et le déclin de la population en âge de travailler dans le pays.

« L’objectif global de nos travaux à venir est de développer des chemins de fer durables pour une société durable », conclut le Dr Hirai.

En France, chez SNCF Voyageurs, la branche voyageurs du groupe SNCF, le matériel roulant constitue l’outil de travail essentiel de l’entreprise et, à ce titre, « un atout primordial », explique Philippe de Laharpe, chef de projet R&D en diagnostic à distance et intelligence artificielle. « Nous comptons 22 000 personnes réparties dans tout le pays qui se consacrent à l’entretien de ce matériel roulant [15 000 trains circulant chaque jour]. »

Le travail s’articule autour de trois axes principaux : la maintenance industrielle, qui réalise les révisions majeures et les projets de rénovation, tels que le renouvellement à mi-vie des trains régionaux ; un département d’ingénierie comptant environ 2 000 spécialistes ; et un programme de maintenance prédictive couvrant plus de 1 000 trains, ainsi qu’une surveillance en temps réel de plus de 2 500 trains.

« L’IA permettant d’augmenter la puissance des algorithmes, elle ouvre de nouvelles perspectives en matière de maintenance prédictive », explique M. de Laharpe. En effet, l’IA permet de transmettre les données des capteurs et les journaux d’activité en temps réel, quotidiennement ou hebdomadairement. Les équipes de maintenance peuvent ainsi s’adapter à ce qui va se passer et à l’état réel des pièces et des wagons, ce qui, selon M. de Laharpe, « a un impact considérable sur la planification, les performances et la logistique ». « Car lorsque l’on transforme une tâche imprévue en une tâche prévisible, on peut s’y préparer et optimiser les pièces, les ressources humaines et le suivi de la maintenance. Pour nous, l’IA est donc véritablement un levier de performance. »

En matière de maintenance prédictive basée sur l’IA, les cas d’utilisation dépendent largement de la disponibilité des données nécessaires à l’apprentissage automatique des modèles d’IA.

« Les données sur les pannes d’équipements sont assez bonnes, grâce aux registres de maintenance et à la facturation, ce qui permet de disposer de traces », souligne M. de Laharpe. « En revanche, comme les pannes en service du matériel roulant sont trop rares (du point de vue d’un data scientist, bien sûr), par exemple, les données sont insuffisantes (en volume et en qualité) pour un apprentissage automatique supervisé. De plus, la qualité des données non vérifiées qui sont collectées est souvent insuffisante pour une utilisation efficace. » Ces ensembles de données restreints expliquent pourquoi l’apprentissage automatique sur les pannes en service des trains, lancé en 2015, n’a pas répondu aux attentes. « Avec moins de 500 incidents concernant diverses fonctions du matériel roulant, la capacité d’apprentissage était insuffisante », reconnaît M. de Laharpe. « Par conséquent, l’IA ne nous a pas beaucoup aidés à en savoir plus sur les défaillances fonctionnelles. »

Forts de cette expérience, les ingénieurs se sont recentrés en 2019 sur l’apprentissage automatique pour la réparation du matériel roulant, car, avec 15 000 à 20 000 pièces à réparer chaque année, de vastes ensembles de données sont assurément disponibles. L’un des enseignements tirés a été que si le modèle d’IA apprend à partir d’une cible imprécise (un événement qui se produira entre la première et la cinquième réparation), il produit des résultats imprécis. En 2021, ces travaux sur l’apprentissage automatique appliqués aux réparations se sont poursuivis, en intégrant cette fois-ci des sources de données plus détaillées : des instantanés de l’état du système et des données de capteurs associées aux événements d’exploitation. « Mais le modèle d’IA, bien qu’il soit performant, ne converge pas suffisamment sur les données pour être viable à l’échelle industrielle », concède M. de Laharpe.

Néanmoins, SNCF Voyageurs a déployé l’IA à l’échelle industrielle pour aider à optimiser les fonctions de soutien à la maintenance, à savoir la chaîne d’approvisionnement, la recherche de pièces et le contrôle qualité.

Compte tenu du nombre considérable de pièces utilisées chaque jour et chaque semaine, la chaîne d’approvisionnement bénéficie de données très abondantes. « Grâce à toutes ces données, nous pouvons valider les commandes d’approvisionnement en nous appuyant sur l’historique des commandes passées », explique M. de Laharpe. « Cela permet également d’éviter la surstockage et, plus important encore, de réduire le nombre d’alertes à traiter par nos équipes d’approvisionnement. » Il en résulte une amélioration des performances et une réduction de la charge administrative. À ce jour, l’optimisation de la chaîne d’approvisionnement a été entièrement automatisée pour les commandes pouvant être validées sans risque significatif (quantité limitée ou article couramment utilisé).

La recherche de pièces représente pour SNCF Voyageurs une activité coûteuse, tant en temps qu’en argent. Le gaspillage de stock constitue également un problème, environ 10 % des pièces envoyées en réparation étant mal étiquetées. Pour y remédier, l’entreprise a lancé une solution pilote multimodale, assistée par l’IA, pour la reconnaissance des pièces de train. Entraînée à partir de millions de descriptions et d’images de pièces industrielles issues des catalogues des fournisseurs, elle répond à une requête en proposant les cinq pièces les plus probables. « Ce modèle de vision par IA s’est révélé extrêmement efficace, avec une très forte probabilité de trouver la bonne pièce », s’enthousiasme M. De Laharpe. « Outre les économies de temps et d’argent, il améliore la fiabilité des stocks et optimise la gestion des inventaires. » L’industrialisation de ce système et un appel d’offres sur le sujet sont en cours.

L’intelligence artificielle joue également un rôle dans les ateliers de SNCF Voyageurs en optimisant le contrôle qualité des pièces réparées. En 2024, la mise en place d’un banc de contrôle visuel automatique, reposant sur l’association de l’œil humain et de l’IA, « donne d’excellents résultats pour l’inspection des balais de contact », rapporte M. de Laharpe.

Composants mécaniques montés sous les trains, les balais de contact nécessitent de nombreuses réparations car ils subissent une forte usure. En effet, SNCF Voyageurs répare 15 000 balais par an. « Nous avions déjà un taux de non-conformité assez faible pour cette pièce réparée, inférieur à un sur mille lors des contrôles effectués uniquement par des personnes, mais grâce à l’inspection visuelle automatisée, nous n’avons plus aucun défaut », se réjouit M. de Laharpe.

Cette application d’inspection sur mesure, basée sur la caméra, est actuellement testée pour détecter les trappes non sécurisées sur les trains.

✈️ Aviation

Le transport aérien partage un objectif commun avec le rail : maintenir ses actifs essentiels, à savoir les avions, dans les airs autant que possible plutôt que sur le tarmac. D’où l’importance cruciale d’optimiser les opérations de maintenance afin de réduire les conséquences – en termes de temps et d’argent, mais aussi pour le personnel et les passagers – des retards opérationnels.

« Nous souhaitons évoluer vers une maintenance prédictive à grande échelle afin de nous appuyer davantage sur l’état réel des avions, plutôt que sur les programmes de maintenance préventive traditionnels, fondés sur des statistiques », explique Fabrice Villaumé, responsable du portefeuille de produits chez le prestataire de services numériques Skywise. Lancée en 2026 par Airbus, à la suite de la fusion de sa plateforme de données Skywise et de son unité d’exploitation des vols Navblue, cette nouvelle entité Skywise est conçue pour optimiser les opérations des compagnies aériennes en partageant et en combinant l’expertise des constructeurs aéronautiques, les données, le savoir-faire numérique, l’intelligence artificielle et d’autres technologies de pointe.

Dans le but précis d’améliorer la maintenance programmée, à intervalles fixes et prédictive des avions, Skywise a développé une plateforme dédiée d’intelligence artificielle et d’analyse destinée aussi bien aux flottes Airbus qu’aux flottes non-Airbus. Baptisée « Skywise Core Platform », cette boîte à outils interconnecte les données provenant des avions (par exemple, des rapports et des ensembles de données de haute fidélité, des séries chronologiques et des instantanés) et des systèmes d’information de maintenance de ses compagnies aériennes clientes, ainsi que les données techniques fournies par Airbus. « Des boîtiers avioniques dédiés [systèmes électroniques] sont notamment déployés pour surveiller l’activité des systèmes embarqués », ajoute M. Villaumé. « Toutes les informations recueillies à partir de ces différentes sources sont transmises à la Core Platform, qui les analyse en continu à l’aide de l’IA et d’autres types d’approches de modélisation. »

Les clients de la plateforme centrale peuvent accéder à une gamme de modules de services opérationnels dédiés, tels que Skywise Reliability, Health Monitoring et Fleet Performance+.

Ils peuvent par exemple utiliser Health Monitoring pour vérifier l’état technique de leurs flottes, afin d’assurer des opérations plus prévisibles, plus efficaces et plus résilientes (face à des circonstances imprévues). « Cela permet de lever les obstacles afin de faciliter la prise de décisions de maintenance fondées sur les données », résume M. Villaumé.

L’intelligence artificielle et les outils d’analyse utilisés par Skywise dans son module « Fleet Performance+ » se concentrent sur trois horizons temporels clés : la mise en service immédiate des appareils grâce à la détection et à la résolution des défaillances dès leur apparition ; la disponibilité à court terme des appareils grâce à la prévision des pannes une à deux semaines à l’avance ; et la fiabilité à long terme des appareils grâce à l’analyse des tendances au sein des flottes individuelles et mondiales, afin d’améliorer la fiabilité et la planification de la maintenance.

Skywise a également mis en place un modèle économique collaboratif baptisé « Digital Alliance ». Ce partenariat industriel, qui réunit des compagnies aériennes disposant d’un savoir-faire technique approfondi et des fournisseurs d’équipements et de systèmes, développe des solutions intégrées d’analyse numérique et de maintenance prédictive visant à optimiser les opérations techniques afin d’avoir un impact positif sur l’exploitation des réseaux aériens. Les cinq partenaires actuellement impliqués sont Airbus, Delta TechOps, GE Aerospace, Liebherr-Aerospace, and Collins Aerospace. « Grâce à cette alliance, nous avons réuni des ressources d’ingénierie et des outils d’analyse prédictive au sein d’un cadre unique », explique M. Villaumé.

« Avec la plateforme Skywise Core, nous adoptons de plus en plus ce que nous appelons une approche “low-code, no-code” », souligne M. Villaumé. « Cela permet non seulement à nos propres développeurs, mais aussi aux clients qui utilisent notre plateforme, de développer leurs propres applications assez facilement. C’est une sorte d’approche “Do It Yourself” ».

« En fin de compte, la vision de Skywise, qui est désormais une réalité, a toujours été de fournir un environnement améliorant la collaboration en matière de données entre les différents acteurs de l’écosystème aéronautique, à savoir les compagnies aériennes, les prestataires de maintenance, les bailleurs, etc. », conclut-il.

🚗 Sur les routes

Avec le développement et la mise en œuvre d’outils basés sur l’intelligence artificielle, les travaux d’entretien des autoroutes entrent dans une nouvelle ère, passant essentiellement d’une approche réactive à une approche proactive. En combinant réalité augmentée, capteurs, données, robotique et intelligence artificielle, le projet HERON financé par l’Union européenne s’est attelé, entre 2021 et 2025, à favoriser cette transformation.

Au cours de ces quatre années, le consortium a mis au point un système automatisé intégré destiné aux travaux d’entretien et de rénovation routière. Ces travaux vont du colmatage des fissures et du rebouchage des nids-de-poule à la régénération de l’enrobé et aux inspections visuelles.

La modélisation destinée aux inspections visuelles s’est appuyée sur des technologies et des modèles d’IA. Les modèles d’IA ainsi obtenus peuvent être utilisés pour créer des inventaires automatisés des infrastructures routières et effectuer des patrouilles rapides et à grande échelle en vue de l’enregistrement de ces infrastructures, à l’aide à la fois de véhicules de patrouille traditionnels et de drones.

Le passage d’une approche traditionnelle de l’entretien routier, fondée sur des relevés visuels et des estimations, à des patrouilles reproductibles utilisant des modèles d’IA, fournit des indicateurs précis sur la dégradation des infrastructures. Les modèles d’IA créent une boucle de rétroaction continue dans laquelle la route est surveillée en permanence par des capteurs fixes ou mobiles. Les informations recueillies sont transmises aux systèmes centralisés des responsables de l’entretien routier, qui les utilisent pour planifier les missions et intervenir de manière plus éclairée et optimisée. « Se contenter d’identifier la présence d’un petit défaut, comme une fissure, ne suffit pas », ajoute le coordinateur du projet, Nikos Bakalos, ingénieur de recherche à l’Université Technique Nationale d’Athènes. « Il faut également un indice de gravité pour indiquer leur ampleur, car la géométrie d’un tel défaut, la profondeur d’un nid-de-poule ou la façon dont la fissure s’est formée à la surface de la chaussée entraînent des conséquences totalement différentes. Notre système utilise des indices de gravité générés par l’IA. »

Le projet s’est également concentré sur les phases pré et post-intervention de l’entretien routier – depuis la surveillance et la planification des missions jusqu’à la sécurisation de la zone d’intervention à l’aide de cônes de signalisation, en passant par la remise en état de la route pour un fonctionnement normal. « Il est important de noter que nous avons travaillé sur l’analyse et sur l’intervention afin de combler le fossé entre la détection et la réparation », précise M. Bakalos. Ici, le système robotique de HERON destiné aux tâches d’entretien, composé d’un véhicule terrestre sans pilote intégré à une voiture robotisée, comble le fossé entre le moment effectif de la détection et les travaux de réparation mécanique qui s’ensuivent. Grâce à cette approche basée sur l’IA, les responsables du projet sont convaincus que les gestionnaires routiers seront en mesure d’optimiser l’allocation des ressources afin de déployer soit des composants robotiques, soit des travailleurs humains sur les défauts les plus prioritaires, en fonction des scores de gravité générés par les modèles d’IA.

À l’instar de SNCF Voyageurs dans le secteur ferroviaire, HERON s’est heurté, lors de l’entraînement de ses modèles d’IA, au défi posé par la disponibilité, la qualité et la quantité des données. Le manque de données sur les défauts de la chaussée ralentissait le développement des solutions technologiques du projet. Pour surmonter cet obstacle, parallèlement à l’utilisation de jeux de données open source et propriétaires, l’équipe a également eu recours à l’IA générative afin de créer des bibliothèques plus vastes de défauts. « Cela nous a permis d’entraîner les modèles sur davantage d’exemples et de leur faire gérer des scénarios sans attendre qu’ils se produisent dans la réalité sur les routes », explique M. Bakalos. « De cette manière, nous avons pu simuler des scénarios pour tester à la fois les capacités de détection et les capacités de planification et d’intervention de notre système. »

En termes d’impacts, l’entretien routier basé sur l’IA et les données implique de passer des estimations aux données réelles. Il s’agit d’une approche plus agile, permettant de mener des interventions à très petite échelle, plutôt que d’attendre que les défauts s’aggravent et de devoir fermer des routes, ce qui est coûteux et perturbateur. Pour les agents d’entretien, le temps consacré à la préparation et à la mise en place des travaux est réduit au minimum, et leur exécution est accélérée. Une réduction des perturbations de la circulation et une sécurité accrue, tant pour les agents d’entretien que pour les usagers de la route, constituent d’autres avantages attendus. « Grâce à la détection par IA et à la planification en temps réel, les travaux peuvent être programmés automatiquement pendant les périodes de faible trafic », précise M. Bakalos.

Deux partenaires ont actuellement accès aux algorithmes de vision développés par HERON.

« La prochaine étape, en s’appuyant sur notre travail de ces quatre dernières années, serait de passer des actifs statiques aux jumeaux numériques », espère M. Bakalos. « Grâce à ces jumeaux, nous pourrions générer et mettre à jour en continu l’état de la route concernée, simuler les dégradations futures, consulter l’historique d’utilisation et, surtout, planifier et optimiser les interventions. »

Optimiser la planification grâce aux jumeaux numériques

En France, le projet, piloté par l’organisme public français Cerema, mise en effet sur les jumeaux numériques pour transformer l’entretien routier, avec pour objectif spécifique l’optimisation de la planification.

Son consortium, composé de six entreprises, quatre universités et seize gestionnaires d’infrastructures, développe un système dynamique de cartographie et de numérisation 3D mobile permettant de créer des jumeaux numériques précis (Jumeau Numérique de l’Infrastructure Routière, JNIR) des routes et de leur environnement. Les utilisateurs finaux, à savoir les responsables de l’entretien, leurs équipes et leurs techniciens, peuvent utiliser cet outil pour réaliser des inventaires automatisés, évaluer l’état des infrastructures et optimiser la planification de l’entretien routier sans perturber la circulation.

Pour créer un tel jumeau numérique, les données sont collectées à l’aide d’un système mobile de cartographie laser installé à l’intérieur d’un véhicule porteur, une fourgonnette Citroën Jumpy. Les relevés sont effectués alors que la circulation se déroule normalement et la précision de localisation (X, Y, Z) est mesurée au centimètre près. Une analyse automatisée des données collectées permet de dresser un inventaire des infrastructures (chaussées, panneaux de signalisation, glissières de sécurité, accotements, trottoirs, etc.) et d’évaluer l’état de chaque élément.

« Pour mettre cette solution en service, l’IA doit cesser d’être une boîte noire et fournir des journaux de prise de décision transparents », explique Jonatan Plantey, directeur des projets numériques au Cerema. « Nous devons apprendre aux modèles à faire preuve de robustesse face aux aléas humains (cybersécurité) et environnementaux (mauvaise visibilité, par exemple) ; il faut créer des flux de travail hybrides combinant une surveillance pilotée par l’IA et des processus de maintenance manuels. »

Les cas d’utilisation du système vont au-delà de la simple gestion du patrimoine routier pour inclure des aspects connexes et l’environnement environnant : prévention des risques liés aux mouvements de terrain, aux chutes de pierres et aux falaises ; sécurité routière concernant des aspects tels que la réglementation et la visibilité ; ouvrages d’art, par exemple les ponts ; et urbanisme.

CereMap3D s’inscrit dans le cadre d’une initiative encore plus vaste de « jumeau numérique » en France, lancée en avril 2026 par l’Institut national de l’information géographique et forestière (IGN). Ce programme national de jumeau numérique pour les territoires français bénéficie du soutien du plan d’investissement « France 2030 », doté d’un budget de 40 millions d’euros. « Le JNIR développé par CereMap3D sera intégré à JUNN, ce qui ouvrira la voie à de nouvelles capacités de simulation et d’anticipation pour aider les territoires à faire face aux conséquences du changement climatique, par exemple en matière de prévention des risques naturels, de planification du développement durable, de lutte contre les épidémies, d’adaptation des forêts, etc. », s’enthousiasme M. Plantey.

L’IA et humains : à qui cela profite-t-il et comment ?

Salariés des entreprises, usagers du rail et de l’aviation, usagers de la route… L’utilisation de l’IA pour la maintenance des systèmes de transport présente-t-elle de réels avantages pour la société ?

Au Japon, le déclin de la population en âge de travailler est une source de préoccupation tant pour le secteur ferroviaire que pour le RTRI, qui a intégré cette tendance dans son plan directeur « RESEARCH 2030 ». « Nous devons maintenir le niveau de qualité du service ferroviaire, mais le nombre de travailleurs diminue », explique le Dr Hirai. « Afin de maintenir ce niveau en leur absence, aujourd’hui et dans les années à venir, nous allons devoir mettre en œuvre de nombreuses technologies de pointe, dont l’IA. »

Par exemple, dans une étude de cas menée par le RTRI en collaboration avec une compagnie ferroviaire, la maintenance du système d’aiguillage nécessitait généralement que des travailleurs effectuent quatre contrôles manuels par an. « Désormais, grâce à l’analyse des données par l’IA, ce nombre est passé de quatre à trois contrôles par an, et devrait être ramené à seulement deux dans un avenir proche », ajoute le Dr Hirai.

Dans les années à venir, les emplois dans le secteur ferroviaire japonais devraient également être affectés par la mise en place de l’exploitation ferroviaire autonome, dans laquelle le train ou le réseau ferroviaire lui-même, s’appuyant en partie sur les capacités de reconnaissance de l’IA, dispose d’une intelligence propre et est capable de prendre des décisions. « Nous menons des recherches sur l’exploitation autonome sur des lignes ferroviaires existantes afin d’atteindre un niveau d’automatisation de niveau 3, voire supérieur, sans conducteur en cabine », précise le Dr Hirai. « De plus, le RTRI vise à mettre en place une exploitation autonome grâce à un système qui assumera le rôle de régulateur du trafic ferroviaire. »

Ces recherches en cours au RTRI exigent que chaque train soit capable de contrôler de manière autonome les passages à niveau et les aiguillages, ainsi que de reconnaître et d’évaluer diverses situations affectant l’exploitation ferroviaire. Une partie des travaux visant à atteindre ce niveau d’autonomie nécessite le développement de technologies permettant de détecter les obstacles situés devant le train. Pour y parvenir, les chercheurs ont combiné des caméras et plusieurs capteurs LiDAR afin de détecter la présence de personnes sur les voies ferrées la nuit (ce qui est difficile avec des caméras ordinaires). Ils explorent également des technologies permettant aux trains de déterminer, indépendamment de l’intervention humaine, les tronçons de voie ferrée sur lesquels ils peuvent circuler et les endroits où ils doivent s’arrêter.

« Des trains sans conducteur ont déjà été mis en service sous conditions à des fins commerciales, mais j’espère que les technologies présentées ici seront appliquées dans un avenir proche afin de permettre l’exploitation automatisée des trains sur les lignes existantes, qui présentent de nombreuses contraintes infrastructurelles », conclut le Dr Hirai.

Chez SNCF Voyageurs, l’adoption de pratiques de maintenance prédictive basées sur l’IA représente « un énorme changement de mentalité pour nos équipes », admet M. de Laharpe. « Avant, on les envoyait réparer des équipements en panne, ce qui leur semblait logique. Désormais, on leur demande d’entretenir des équipements qui fonctionnent encore. » Pourtant, d’après les retours d’expérience, une fois que ces agents de la SNCF ont compris et constaté les avantages des méthodes basées sur l’IA – l’opportunité de travailler plus efficacement, avec de meilleurs résultats et moins de pression –, ils se montrent plus enthousiastes.

Quant aux emplois humains eux-mêmes, M. de Laharpe ne voit pas de menace majeure se profiler à l’horizon. Et cela tient en grande partie à la détection de petits problèmes, plus fréquente et plus précoce. « Pour être tout à fait honnête, ce que nous constatons, c’est un besoin de plus d’entretien et de meilleurs résultats, plutôt que moins d’entretien et des licenciements. »

La maintenance prédictive basée sur l’IA peut également apporter des avantages aux usagers du rail : par exemple, pour les systèmes de chauffage, de ventilation et de climatisation (CVC), les réparations sont anticipées et programmées à l’avance. Ce modèle d’exploitation devrait éviter toute incidence sur la qualité du service, c’est-à-dire que le système ne tombe pas en panne pendant les trajets.

Sur les routes, l’utilisation de technologies basées sur l’IA dans les années à venir devrait contribuer à réduire les risques d’accidents impliquant les agents d’entretien. « Nous aurons besoin de davantage d’agents travaillant en dehors des routes pour analyser les données, et moins sur le terrain, en première ligne, ce qui réduira le risque d’accidents », prévoit M. Plantey, du Cerema.

Néanmoins, il est probable que les humains et les technologies basées sur l’IA continueront de coexister dans le domaine de l’entretien routier, au moins pendant les prochaines années. « Je pense que dans un avenir très proche, nous verrons apparaître une approche hybride associant humains et IA », déclare M. Bakalos. « Moins de travailleurs sur les routes, certes, mais davantage travaillant à la planification et à la gestion en dehors des chantiers. »

L’une des pistes explorées par le projet HERON concernait la manière d’intégrer son approche et ses technologies dans les systèmes et pratiques actuels de gestion routière. L’équipe a conclu que la meilleure voie à suivre consistait à aider les travailleurs à s’adapter aux nouvelles méthodes de travail. « Ils doivent être accompagnés dans ce processus de transition – des tâches manuelles traditionnelles vers un rôle plus qualifié impliquant l’utilisation des outils et des modèles HERON dans leurs interventions », recommande M. Bakalos. Concrètement, cette approche alliant l’ancien et le nouveau impliquera la création de flux de travail hybrides intégrant les méthodes d’entretien utilisées aujourd’hui sur les routes aux aspects les plus aboutis de la technologie développée par HERON.

À long terme, cependant, la phase d’inspection de l’entretien routier devrait rapidement être automatisée. Toutefois, même si les interventions elles-mêmes peuvent très bien faire appel à des outils ou des solutions ne nécessitant pas la présence de travailleurs humains sur place, ceux-ci pourraient tout de même être nécessaires (en marge ou à distance) pour superviser les travaux. « D’un point de vue technologique global, nous sommes encore loin de ne plus avoir aucun être humain travaillant sur les routes », estime M. Bakalos. « Et en ce qui concerne la robotique en particulier, tant sur le plan réglementaire que technique, nous ne verrons pas de sitôt des robots d’entretien sur les autoroutes. »

Respecter les limites planétaires

L’entretien des infrastructures et des actifs ferroviaires, aériens et routiers est coûteux en énergie, en eau et en ressources matérielles. Il a également un impact sur la biodiversité et génère des émissions de CO₂. Pour contribuer à maintenir le secteur des transports dans les limites planétaires définies par le modèle économique du « Doughnut », ces travaux d’entretien doivent adopter des pratiques plus durables et plus économes en ressources.

La septième limite planétaire franchie : un signal d’alerte

En proposant aux compagnies aériennes des outils basés sur l’IA pour la surveillance de l’état technique et la maintenance prédictive, Skywise affirme que ses clients peuvent effectivement adopter une approche plus durable dans l’exploitation et la maintenance de leurs avions. La surveillance en temps réel de l’état de la flotte, par exemple, permet de détecter les problèmes à un stade précoce, évitant ainsi une consommation de carburant supplémentaire due à la traînée mécanique ou à des défaillances des systèmes. L’optimisation de la consommation de carburant contribue à réduire l’empreinte carbone des avions.

Sur les routes, en permettant des interventions prédictives et optimisées plutôt que des réparations réactives, l’IA peut aider les responsables à réparer les infrastructures avant que les dégâts ne deviennent graves. Cela permet ainsi de réduire le recours aux fermetures de routes prolongées et aux travaux de reconstruction à grande échelle. En termes de ressources et d’impacts environnementaux, une telle approche peut contribuer à réduire les embouteillages, la marche au ralenti des véhicules, la consommation de carburant et les émissions de gaz à effet de serre associées causées par les détours et les retards. Les systèmes d’IA peuvent en outre intégrer des indicateurs environnementaux — tels que l’utilisation des ressources, les émissions et les impacts écologiques — dans la planification de la maintenance afin d’optimiser le calendrier et la répartition des interventions.

L’intelligence artificielle pourrait bien apporter des solutions pour que l’entretien des réseaux de transport soit plus respectueux de la planète, mais quel est l’impact de cette technologie elle-même sur les limites planétaires ? En effet, les centres de données hébergeant l’IA consomment d’énormes quantités d’électricité, d’eau et de terres. À ce jour, il n’existe pas de données ni de chiffres sur cette question en ce qui concerne l’entretien des réseaux de transport. Il est donc difficile d’évaluer véritablement les avantages et les inconvénients concrets. La question reste de savoir comment exploiter le potentiel de l’IA pour la maintenance des systèmes de transport tout en protégeant les ressources les plus précieuses de la planète.

Intelligence artificielle et environnement sont-ils vraiment incompatibles ?

La gouvernance et la propriété

Dans un monde multipolaire de plus en plus dominé par les données et l’IA, tous les secteurs d’activité, y compris celui des transports, s’interrogent sur la collecte, la propriété et la gouvernance des données, la dépendance vis-à-vis des fournisseurs de technologies et les risques liés à la cybersécurité.

En tant qu’acteur mondial comptant parmi ses clients des compagnies aériennes du monde entier, Skywise exerce ses activités sous différentes juridictions et doit s’assurer de se conformer à chacune d’entre elles. « En Europe, la loi européenne sur les données est désormais pleinement en vigueur », souligne M. Villaumé. « En Chine, par exemple, où 3 000 avions opèrent quotidiennement, il existe des règles extrêmement strictes régissant les exportations de données. » Face à des contextes réglementaires aussi divers, Skywise doit relever le défi d’exploiter une plateforme hébergée en Europe, et donc de s’assurer qu’elle respecte les règles en vigueur ici, tout en n’étant pas autorisée à exporter des données hors de Chine. Pour y répondre, l’entreprise adopte une approche globale et modulaire. « Chez Skywise, nous pensons que l’époque de la “solution globale unique” est bel et bien révolue. C’est du passé », concède M. Villaumé. « Aujourd’hui, nous devons développer des applications modulaires, reposant sur une architecture globale, qui permettent d’adapter les solutions au niveau local. Cette approche “local pour local” nous permettra de répondre aux exigences régionales spécifiques et de nous conformer à la réglementation du pays concerné. »

Les compagnies aériennes clientes conservent la propriété des données qu’elles autorisent sur la plateforme Core. Elles décident également quelles informations elles sont disposées à partager. « Il est essentiel de nous assurer que nous disposons des droits nécessaires pour traiter, interconnecter et utiliser les données sur notre plateforme », insiste M. Villaumé. « Pour nous, il n’y a pas de place pour le compromis sur ce point. » Skywise partage d’elle-même certaines de ses propres données par défaut ; toutefois, l’entreprise peut également décider de ne pas partager certaines informations qu’elle considère comme des secrets d’affaires ou des informations commercialement sensibles. « Pour toutes les parties concernées, c’est une question de choix », résume M. Villaumé.

Pour le projet HERON, les règles et réglementations relatives à l’intégration de ses résultats et solutions dans des situations routières réelles constituent un obstacle majeur. « Par exemple, la mise en œuvre de la phase d’inspection, au cours de laquelle notre robot évoluerait librement sur les routes, n’est actuellement pas autorisée par la législation européenne », regrette M. Bakalos. « De plus, la réglementation actuelle est très stricte en matière d’utilisation des drones. » Par ailleurs, les réglementations diffèrent d’un État membre de l’UE à l’autre et s’avèrent rigides ou évoluent rapidement, selon le pays concerné. « Cette disparité souligne la nécessité de modèles de gouvernance flexibles pour les interventions routières », insiste M. Bakalos. « Nous avons besoin d’interopérabilité et de normes ouvertes afin que les flottes de robots et les outils de diagnostic basés sur l’IA puissent fonctionner de manière transparente sur l’ensemble des réseaux routiers régionaux et nationaux », recommande-t-il.

Exposition aux cybermenaces et dépendance technologique

Dans le domaine de la maintenance des transports, l’introduction de capteurs connectés, de plateformes cloud, de systèmes d’intelligence artificielle et du partage de données en temps réel peut apporter des avantages opérationnels et en termes de performances, mais elle élargit également la « surface d’attaque », c’est-à-dire le nombre de points d’entrée possibles pour les cybercriminels. Les nombreuses conséquences possibles vont de la perturbation des travaux de maintenance, à la réduction de la disponibilité des actifs, en passant par la perte ou le vol de données, jusqu’à la perturbation de la chaîne d’approvisionnement, la perte de confiance du public et les risques pour la sécurité (retards ou erreurs dans l’identification des défauts pouvant entraîner des accidents).

« Dès que vous créez des flux de données, vous êtes, par nature, exposé. C’est une réalité », observe M. Villaumé de Skywise. « Pour éviter toute situation problématique aux clients qui utilisent notre plateforme Core et échangent des informations avec nous, nous faisons preuve d’une extrême vigilance en matière de cybersécurité. Nous déployons d’importants efforts pour nous protéger, par exemple en surveillant de près la gestion des accès et en recourant à l’authentification multifactorielle. »

Sur les routes, le renforcement des capacités autonomes en matière d’entretien, grâce à l’utilisation de l’IA, accroît non seulement les menaces de cybersécurité d’origine humaine (piratage de données), mais aussi les risques liés à la sécurité et à la sûreté d’origine environnementale : par exemple, une faible visibilité ou des conditions météorologiques défavorables peuvent nuire au bon fonctionnement des outils pilotés par l’IA. « Compte tenu de cela, nous devons disposer d’une “robustesse face aux menaces” », affirme M. Bakalos. « Concrètement, cela signifie apprendre à nos modèles à être suffisamment robustes face à des conditions défavorables, qu’elles soient d’origine humaine ou environnementale, face à des manipulations de données ou à tout autre élément susceptible d’induire en erreur une intervention autonome. » Jonatan Plantey, du Cerema, abonde dans ce sens : « Nous devons apprendre à nos modèles CereMap3D à être robustes face aux problèmes d’origine humaine (cybersécurité) et environnementaux (mauvaise visibilité, par exemple). »

Avec les progrès rapides de l’IA dans un monde géopolitiquement instable, le rôle, le pouvoir et l’influence des entreprises fournissant cette technologie (modèles d’IA, outils cloud, infrastructure d’entreprise) constituent une préoccupation croissante pour les clients. La dépendance des entreprises vis-à-vis des fournisseurs d’IA engendre des risques tels que la dépendance vis-à-vis d’un fournisseur unique, les failles de sécurité des données et la hausse des coûts. Cette dépendance est-elle gérable, ou deviendra-t-elle l’un des risques majeurs de l’IA à l’avenir ?

Skywise collabore avec des fournisseurs de technologies pour déployer à grande échelle ses solutions d’IA et d’analyse de données. L’entreprise a également conclu plusieurs contrats-cadres pour l’hébergement et la puissance de calcul, mais « nous voulons conserver une certaine flexibilité », insiste M. Villaumé. Par conséquent, l’entreprise structure ces contrats de manière à se réserver la possibilité de changer de fournisseur, si elle le souhaite, à leur expiration. Cependant, déplore M. Villaumé, dans certains cas, tout dépend de ce qui est disponible sur le marché. « Pour les plateformes d’IA et d’analyse de données, par exemple, il n’existe actuellement aucune véritable alternative aux technologies américaines à l’échelle mondiale. »

L’impact des mobilités sur le Donut