GC SafeSite AI — Prédiction des risques sur chantier
- Date : 2026
- Intelligence artificielle
- Terminé
Développement d’un système d’IA qui prédit les risques de sécurité sur les chantiers à partir de données opérationnelles et de rapports d’inspection, avec un tableau de bord d’aide à la décision.
Aperçu
Projet de data mining et d’intelligence artificielle réalisé pour Carthage Assurances : un système intelligent de prédiction des risques de sécurité sur les chantiers de construction, à partir de données opérationnelles et de rapports d’inspection textuels.
L’objectif : détecter, analyser et classer les situations à risque pour aider les décideurs à anticiper les accidents, mieux piloter la sécurité sur site et renforcer la prévention.
L’outil s’adresse aux responsables sécurité, aux chefs de chantier et aux assureurs : il intègre l’intelligence artificielle directement dans un processus décisionnel concret.
Chiffres clés
- niveaux de risque classés (faible → critique)
- 4
- niveaux de risque classés (faible → critique)
- familles de modèles comparées
- 5
- familles de modèles comparées
Technologies
Python
pandas
Scikit-learn
XGBoost
Matplotlib
Seaborn
Streamlit
TALN (NLP)
NLTK
spaCy
MLPProblème
Les accidents de chantier coûtent cher aux ouvriers, aux entreprises et aux assureurs, alors que les signaux d’alerte sont dispersés entre données opérationnelles et rapports d’inspection en texte libre, difficiles à exploiter à la main.
Solution
Un pipeline complet de data mining — analyse exploratoire, nettoyage, ingénierie des variables, gestion du déséquilibre des classes (SMOTE, oversampling), puis comparaison de la régression logistique, des forêts aléatoires, des SVM, des réseaux de neurones et des modèles d’ensemble — intégré dans un tableau de bord Streamlit interactif qui évalue le niveau de risque d’un chantier et déclenche des alertes.
Ma contribution
Conception de bout en bout du pipeline : exploration et nettoyage des données, feature engineering, entraînement, évaluation et optimisation des modèles, interprétation et comparaison des résultats, puis développement du tableau de bord Streamlit.
Résultats
Le modèle final atteint une précision élevée et classe les niveaux de risque de façon fiable ; ses alertes et recommandations en font un véritable outil d’aide à la décision. Avec l’IIT-Team, le projet a remporté la 2e place de la compétition « Leveraging AI in Civil Engineering » organisée par l’ISET de Sfax.
Fonctionnalités
- Classification du risque en quatre niveaux : faible, moyen, élevé, critique
- Exploitation conjointe des données structurées du chantier et des rapports d’inspection
- Gestion du déséquilibre des classes par SMOTE et oversampling
- Comparaison de plusieurs modèles (régression logistique, forêts aléatoires, SVM, réseaux de neurones, ensembles)
- Tableau de bord Streamlit pour simuler des scénarios réels et évaluer le risque d’un chantier
- Alertes en temps réel et recommandations de sécurité pour l’aide à la décision