SafeTraffic Copilot, l’IA qui aide à prévenir les accidents routiers

Prévenir un accident plutôt que simplement en étudier les causes après coup : c’est l’ambition de SafeTraffic Copilot, un outil d’intelligence artificielle mis au point par des chercheurs de l’Université Johns Hopkins. Destiné aux ingénieurs de la circulation et aux responsables des infrastructures, le système cherche à transformer des données hétérogènes en indications exploitables sur les zones et les situations où le risque de collision pourrait être plus élevé aux États-Unis.

La sécurité routière est un problème particulièrement complexe à modéliser. Un accident ne résulte pas d’une seule variable facile à isoler. Les conditions météorologiques, l’aménagement d’une route, les flux de circulation et les comportements individuels peuvent se cumuler dans des proportions différentes. Selon le professeur Hao « Frank » Yang, malgré des décennies d’efforts pour réduire ce risque, les accidents continuent d’augmenter. L’enjeu de l’outil n’est donc pas de prétendre prévoir chaque collision, mais d’offrir aux professionnels une lecture plus fine des configurations dangereuses.

Un copilote pour les ingénieurs de la circulation

SafeTraffic Copilot est conçu comme un système d’assistance. Les ingénieurs et les décideurs conservent le rôle central : ils doivent interpréter les résultats, les confronter à leur connaissance du terrain et décider, ou non, d’une intervention. L’IA apporte ici sa capacité à traiter et à rapprocher rapidement de grands volumes d’informations de nature différente.

Cette précision est importante. En matière d’infrastructures, une prédiction n’est pas une décision. L’identification d’une zone potentiellement risquée peut conduire à examiner plus attentivement un carrefour, une portion de route ou des conditions de circulation particulières. Elle ne permet pas, à elle seule, de conclure à la cause d’un accident ni de déterminer automatiquement quel aménagement doit être réalisé.

Les chercheurs veulent notamment fournir des analyses utiles aux concepteurs d’infrastructures et aux responsables publics. L’objectif est de mieux cibler les interventions fondées sur des données, qu’il s’agisse de planifier une infrastructure ou de comprendre pourquoi certains facteurs, lorsqu’ils se rencontrent, semblent accroître la probabilité d’un accident.

Quelles données l’IA utilise-t-elle ?

La particularité de SafeTraffic Copilot tient à son approche multimodale. Au lieu de s’appuyer sur une seule base de chiffres, l’outil a été alimenté avec plusieurs catégories d’informations : des textes décrivant les conditions routières, des données numériques, des images satellites et des photographies prises sur place.

Parmi les données chiffrées figurent, par exemple, des valeurs telles que le taux d’alcoolémie. Ces mesures ne prennent tout leur sens qu’une fois replacées dans un ensemble plus large, avec les circonstances de l’accident, l’état de la route ou la situation de circulation. Les images satellites et les photographies de terrain peuvent, elles, apporter un contexte spatial et visuel que ne restitue pas un tableau statistique.

Cette diversité de données répond à une difficulté bien connue de l’analyse des accidents : les chiffres agrégés peuvent signaler qu’un problème existe, sans toujours expliquer quelles circonstances précises méritent d’être étudiées. En réunissant texte, données numériques et image, l’outil vise à examiner les facteurs de risque séparément, mais aussi dans leurs interactions.

Il faut néanmoins distinguer deux notions. Un système peut détecter qu’une combinaison de conditions est fréquemment associée à des accidents. Cela ne prouve pas automatiquement qu’un facteur est la cause directe de l’autre. Les résultats doivent donc être considérés comme des éléments d’enquête et de priorisation pour les experts, pas comme une démonstration définitive de causalité.

Le rôle des modèles de langage dans cette analyse

Au cœur du dispositif se trouvent des modèles de langage de grande taille, souvent désignés par l’acronyme anglais LLM. Ces modèles sont surtout connus du grand public pour les assistants conversationnels capables de rédiger ou de résumer un texte. Dans le cas de SafeTraffic Copilot, leur rôle est différent : ils servent à exploiter et à relier des informations complexes exprimées sous des formats variés.

Les descriptions écrites des conditions routières, par exemple, peuvent contenir des détails difficiles à réduire à quelques colonnes de tableur. Les LLM permettent de travailler sur ces formulations textuelles en parallèle des chiffres et des images intégrés au système. Cette capacité à rapprocher des sources multiples est au centre de la promesse de l’outil.

Le modèle cherche ainsi à répondre à des questions opérationnelles : quels facteurs semblent associés à un risque accru dans une situation donnée ? Que se passe-t-il lorsque plusieurs signaux se cumulent ? Quels secteurs devraient faire l’objet d’une attention prioritaire ? Les réponses fournies n’ont d’intérêt que si elles restent interprétables par les personnes qui devront agir sur le terrain.

Des prévisions accompagnées d’un niveau de confiance

SafeTraffic Copilot ne se contente pas de produire une alerte ou une prédiction binaire. Les chercheurs indiquent que les LLM employés peuvent aussi évaluer la fiabilité d’une prévision. Dans un scénario réel, l’outil pourrait ainsi estimer qu’une prédiction présente 70 % de chances d’être juste.

Ce chiffre doit être lu avec prudence. Il s’agit d’un exemple de niveau de confiance associé à un scénario, et non d’un taux global de performance établi pour toutes les routes, tous les types d’accidents et toutes les situations. La qualité d’une prévision dépend nécessairement des données disponibles, du contexte analysé et de la manière dont le modèle a été entraîné et évalué.

L’intérêt d’une telle estimation est pratique. Une équipe chargée de la sécurité routière n’alloue pas les mêmes ressources à un signal incertain qu’à un risque jugé plus crédible. Afficher l’incertitude permet donc de mieux hiérarchiser les investigations et les mesures envisagées, plutôt que de donner l’illusion qu’une IA est infaillible.

SafeTraffic Copilot intègre également une boucle d’apprentissage continu. À mesure que de nouvelles données sur les accidents sont introduites, sa performance prédictive est censée progresser. Cette évolution permanente peut être utile, car les réseaux routiers, les usages et les conditions locales changent. Elle impose aussi de contrôler régulièrement la qualité du système : un modèle actualisé doit rester fiable et cohérent avant d’influencer des décisions à fort enjeu.

Pourquoi cette approche diffère des méthodes classiques

Les méthodes plus traditionnelles de prévision reposent souvent sur des statistiques agrégées. Elles restent essentielles pour établir des tendances, repérer des concentrations d’accidents ou mesurer les effets d’une politique publique. Mais elles peuvent être moins adaptées lorsqu’il faut interpréter simultanément des récits, des indicateurs numériques et des éléments visuels propres à un lieu.

SafeTraffic Copilot cherche précisément à compléter cette lecture. Son apport attendu ne réside pas seulement dans la quantité de données traitées, mais dans sa faculté à faire ressortir des combinaisons de paramètres. Pour un ingénieur, savoir qu’un problème apparaît surtout dans certaines conditions de trafic et d’environnement peut être plus actionnable qu’une moyenne à l’échelle d’une ville ou d’un État.

Cette approche ne dispense toutefois pas des méthodes établies. Une bonne décision publique nécessite de confronter l’analyse de l’IA aux observations de terrain, aux connaissances des ingénieurs, aux contraintes budgétaires et aux conséquences possibles pour les usagers. Le système peut signaler une priorité, mais il ne connaît pas seul les réalités locales ni les arbitrages à effectuer.

Une IA à utiliser avec prudence dans un domaine sensible

Les accidents de la route touchent directement à la sécurité humaine et à la santé publique. Dans ce domaine, les concepteurs de SafeTraffic Copilot soulignent la nécessité d’une intégration responsable de l’IA. L’une des principales difficultés concerne le caractère parfois opaque des modèles : les utilisateurs peuvent recevoir une prédiction sans comprendre pleinement comment elle a été produite.

Cette question de la « boîte noire » est décisive. Si un outil recommande d’examiner une zone donnée, les responsables doivent pouvoir disposer d’éléments compréhensibles sur les facteurs pris en compte. Sans cela, il devient difficile de discuter la recommandation, de repérer une erreur ou de justifier une décision auprès des citoyens.

Les données utilisées constituent un autre point de vigilance. Leur qualité, leur actualisation et leur représentation des différents contextes routiers influencent directement les résultats. Des informations incomplètes ou mal interprétées risquent de conduire à de mauvaises priorités. L’étude met donc l’accent sur la recherche de synergies entre les capacités humaines et les LLM, plutôt que sur l’automatisation intégrale de la décision.

Ce qu’il faut surveiller pour la suite

Les auteurs de l’étude souhaitent poursuivre leurs travaux afin de mieux comprendre comment employer les modèles d’IA de façon responsable dans les contextes à haut risque. La prochaine étape ne se limite pas à améliorer la puissance de calcul ou à ajouter davantage de données. Elle consiste aussi à vérifier que les recommandations restent utiles, interprétables et conformes à des valeurs sociales partagées.

Pour SafeTraffic Copilot, les questions déterminantes seront donc concrètes : les ingénieurs comprennent-ils les résultats ? Les niveaux de confiance aident-ils réellement à prioriser les actions ? Les prédictions se traduisent-elles par des interventions mieux ciblées ? Et surtout, l’outil permet-il d’améliorer la sécurité sans déplacer les risques ni écarter le contrôle humain ?

Si ces conditions sont réunies, l’IA pourrait devenir un appui précieux pour passer d’une logique largement réactive, qui analyse les accidents après leur survenue, à une démarche davantage préventive. Sur les routes, cette ambition ne se mesurera pas à la sophistication d’un modèle, mais à sa capacité à aider les professionnels à prendre des décisions plus éclairées et plus sûres.