1 déc. 202412 min de lecture

FarmSafeAI et l'orchestration des projets IA dans le secteur de l'agriculture avec haute vigilance pour la protection des données personelles

Dernière mise à jour : 17 déc. 2024

Structure d’un Jeu de Données Analytique Avancé pour l’IA dans l’Industrie Horticole : Briser les Silos de Données

Introduction

Dans un monde où l’agriculture et l’horticulture sont des secteurs cruciaux pour l’économie et l’environnement, l’intégration des données devient une nécessité. Claude_Mutual, Continuum, PooC et AgriSafeAI, des initiatives issues de la convergence entre la technologie IA et les principes de santé et sécurité au travail (SST), offrent une opportunité unique pour améliorer la prévention des accidents et la gestion des risques dans le secteur agricole et horticole au Québec.

Inspirée des standards des régulations québécoises (LSST, RSST) et enrichie par les innovations technologiques comme celles proposées par GenAI Safety, cette approche vise à transformer les silos de données en un hub collaboratif et analytique.

1. Claude_Mutual : L’Expert en Gestion SST

Claude_Mutual est une solution d’intelligence artificielle spécialisée dans la gestion de la santé et de la sécurité au travail (SST). Inspirée par les principes des Mutuelles de Prévention au Québec, cette plateforme est conçue pour assister les entreprises membres des mutuelles de prévention à:

Anticiper les risques grâce à des analyses prédictives basées sur les données historiques et en temps réel.
Améliorer la conformité avec les normes et règlements québécois, comme la LSST et le RSST.
Optimiser les actions préventives en identifiant les zones critiques et les comportements à risque.

Principaux Atouts de Claude_Mutual :

Audits Automatisés : Génération de check-lists et rapports de conformité personnalisés.
Visualisation des Données : Tableaux de bord interactifs pour suivre les performances SST.

2. Continuum : L’Approche Collaborative pour la Gestion des Risques

Continuum est une méthodologie intégrée qui relie les différents acteurs de la SST dans un écosystème de prévention collaboratif. Il vise à :

Centraliser les données issues des systèmes de gestion SST, des inspections, et des programmes de prévention.
Créer des synergies entre les entreprises, les experts SST, et les régulateurs, comme la CNESST.
Favoriser l’amélioration continue grâce à un échange constant de bonnes pratiques et de résultats.

Principales Caractéristiques de Continuum :

Hub de Données : Regroupe des informations provenant des inspections, formations, EPI, et programmes de prévention.
Apprentissage Mutuel : Partage des données anonymisées entre les parties pour optimiser les actions.
Normes et Règlements Alignés : S’assure que les pratiques respectent les standards québécois et internationaux.

3. FarmSafeAI : L’Intelligence Artificielle au Service de l’Agriculture

AgriSafeAI

Acheter

FarmSafeAI est une solution innovante conçue pour améliorer la sécurité au travail et la durabilité dans les secteurs agricoles et horticoles. Propulsée par des technologies comme le Machine Learning, les IoT, et la biométrie, elle transforme la prévention des risques en une approche proactive et personnalisée.

Fonctionnalités Clés de FarmSafeAI:

Prédictions des Risques : Anticipe les incidents comme les renversements de tracteurs ou les expositions chimiques.
Surveillance en Temps Réel : Utilise des capteurs IoT pour suivre les conditions environnementales et biométriques.
Recommandations Personnalisées : Fournit des mesures de prévention adaptées à chaque travailleur et situation.

GenAISafety : Proof of Concept (PoC)
Le Proof of Concept (PoC) de GenAISafety vise à démontrer comment l’intelligence artificielle (IA) peut transformer la gestion de la santé et sécurité au travail (SST) dans des environnements complexes, tels que l’horticulture et l’agriculture. En s’appuyant sur les données multi-sources (biométriques, IoT, réglementaires, et environnementales), GenAISafety teste des solutions innovantes pour anticiper les risques et améliorer la prévention.

Objectif du PoC GenAISafety

Le PoC a pour but de :
- Valider la faisabilité technique : Tester la capacité des algorithmes IA à analyser en temps réel des données croisées (biométriques, environnementales, opérationnelles).
- Mesurer l’impact potentiel : Évaluer les bénéfices pour la sécurité des travailleurs, la réduction des accidents, et l’optimisation des ressources.
- Créer un modèle évolutif : Tester un prototype capable d’être déployé à plus grande échelle.

Pourquoi ces Solutions Sont Complémentaires

Les trois systèmes se complètent pour créer un écosystème complet et intégré :

Claude_Mutual fournit une expertise ciblée en conformité et gestion des risques SST.
Continuum établit une plateforme collaborative pour centraliser et partager les données.
AgriSafeAI ajoute une couche d’intelligence prédictive pour prévenir les accidents avant qu’ils ne surviennent.

Exemple d’Application

Une exploitation agricole pourrait utiliser ces trois solutions de manière synchronisée :

Claude_Mutual identifie les risques critiques liés aux équipements et aux procédures non conformes.

Continuum centralise ces observations et les partage avec les parties prenantes.

FarmSafeAI surveille en temps réel les conditions environnementales et émet des alertes pour prévenir les incidents.

Les Fondations d’un Hub Analytique pour l’Industrie Horticole

Le secteur horticole, sujet à des risques variés (TMS, accidents liés aux équipements, risques chimiques), exige un modèle de données capable d’intégrer des sources diversifiées :

Données règlementaires : LSST, LATMP, RSST
Données opérationnelles : Inspections, formations, audits SST, mutuelles de prévention,
Données biométriques et environnementales : Fréquence cardiaque, niveaux de bruit, conditions météorologiques.
Données des SGSST : Programmes de prévention, gestion des EPI, résultats d’inspections.
Données publiques et scientifiques : Statistiques CNESST, rapports IRSST.

Le DataHub Preventera propose une méthodologie claire pour orchestrer ces données, reliant les indicateurs de performance, les alertes prédictives et les recommandations correctives.

(VOIR Arborescence Intégrée avec les Données SGSST plus bas)

Étapes Clés du Modèle FarmSafeAI

Collecte des Données

Utilisation de capteurs IoT, des données des inspections terrain et des rapports SST pour constituer un entrepôt centralisé.

Normalisation et Croisement

Établir des liens entre les indicateurs biométriques (p. ex., fatigue identifiée via fréquence cardiaque) et les risques opérationnels (p. ex., équipement mal maintenu).

Prédiction des Risques

Modèles d’IA pour anticiper les risques liés aux chutes, à l’épuisement ou à l’exposition chimique.

Mise en Œuvre des Recommandations

Actions correctives basées sur les recommandations des analyses IA, avec suivi des indicateurs tels que la réduction des accidents ou l’amélioration des conditions de travail.

Visualisation et Partage

Intégration de tableaux de bord dynamiques pour permettre aux superviseurs et décideurs de suivre les KPIs, les tendances et les alertes en temps réel.

Indicateurs de Performance (KPIs)

Sécurité au travail : Taux d’accidents, taux d’utilisation des EPI, réduction des incidents grâce aux alertes.
Santé des travailleurs : Niveau de fatigue détecté, prévalence des TMS.
Formation : Taux de participation, efficacité mesurée par des tests post-formation.
Environnement : Réduction des risques chimiques et des accidents environnementaux.

Projets Prioritaires pour la Mise en Œuvre: 5 projets de preuve de concept (PoC)

Voici 5 projets de preuve de concept (PoC) pertinents pour le développement et l'implémentation de FarmSafeAI, basés sur les données croisées et historiques de Claude-Mutual ainsi que les besoins spécifiques du contexte québécois en matière d'accidents de travail dans le secteur agricole :

1. Système de Prédiction et de Prévention des Renversements de Tracteurs

Contexte :

La moitié des décès liés à la machinerie agricole au Québec impliquent des tracteurs.
Les terrains agricoles inégaux augmentent considérablement les risques de renversement.

Objectif du PoC :

Développer un système basé sur l’IA et les capteurs IoT pour :

Prédire les risques de renversement en analysant les données en temps réel (inclinaison, vibrations, vitesse).
Notifier le conducteur d’un risque imminent via des alertes sonores et visuelles.

Indicateurs Clés de Réussite (KPI) :

Réduction de 25 % des incidents liés aux tracteurs dans les zones pilotes.
Temps de réponse des conducteurs aux alertes (idéalement < 2 secondes).

2. Analyse Multimodale des Risques dans les Serres

Contexte :

Les serres présentent des risques environnementaux (chaleur, humidité élevée) et mécaniques (outils, échelles).
Des conditions extrêmes augmentent les incidents de glissades, blessures et troubles respiratoires.

Objectif du PoC :

Créer un tableau de bord intégrant :

Données environnementales : Température, humidité, qualité de l’air.
Données biométriques : Fatigue et rythme cardiaque des travailleurs.
Données opérationnelles : Localisation des travailleurs et inventaire des outils.

Indicateurs Clés de Réussite (KPI) :

Réduction de 30 % des incidents dans les zones expérimentales.
Taux de conformité des serres aux normes de sécurité (RSST).

3. Système de Détection Automatique des Comportements Dangereux

Contexte :

Les comportements à risque, comme le travail sans EPI ou les mouvements répétitifs incorrects, contribuent à une large part des accidents.
La surveillance manuelle est coûteuse et peu efficace.

Objectif du PoC :

Déployer des caméras intelligentes et des algorithmes de vision par ordinateur pour :

Détecter en temps réel les travailleurs sans EPI.
Identifier les postures incorrectes causant des troubles musculo-squelettiques.
Envoyer des alertes automatiques aux superviseurs.

Indicateurs Clés de Réussite (KPI) :

Réduction de 20 % des troubles musculo-squelettiques déclarés.
Augmentation de 50 % du respect des règles d’utilisation des EPI.

4. Outil de Gestion des Expositions aux Pesticides

Contexte :

Les pesticides représentent un risque chimique majeur pour les travailleurs agricoles.
Les symptômes d’exposition sont souvent détectés tardivement, augmentant les cas de maladies professionnelles.

Objectif du PoC :

Développer une plateforme qui :

Centralise les données SIMDUT sur les produits utilisés.

Croise les données environnementales (vent, humidité) avec les données opérationnelles pour planifier les périodes de traitement.

Propose des recommandations personnalisées sur les EPI nécessaires.

Indicateurs Clés de Réussite (KPI) :

Réduction de 40 % des expositions signalées aux pesticides.
Augmentation de la conformité SIMDUT dans les exploitations pilotes.

5. Plateforme d’Optimisation des Interventions SST Basée sur l’IA

Contexte :

Les inspections et interventions SST actuelles sont souvent réactives et peu ciblées.

Les données des programmes de prévention et des audits ne sont pas toujours exploitées efficacement.

Objectif du PoC :

Créer une plateforme IA qui :

Analyse les données historiques (accidents, inspections) pour prioriser les zones à risque.
Génère des rapports automatisés pour les inspecteurs.
Suit l’implémentation des mesures correctives via un tableau de bord dynamique.

Indicateurs Clés de Réussite (KPI) :

Réduction de 20 % du temps nécessaire pour planifier et réaliser une inspection.
Amélioration de 15 % du taux de résolution des risques identifiés dans les délais.

Résumé des Projets PoC pour FarmSafeAI

Parmi les projets proposés pour FarmSafeAI, ceux nécessitant une haute vigilance dans l'esprit du "no fault" (responsabilité sans faute) et en conformité avec la Loi 25 (modernisation des dispositions en matière de protection des renseignements personnels) sont principalement ceux qui touchent directement les données personnelles des travailleurs, les données biométriques et les analyses comportementales. Voici l’analyse détaillée :

Projets nécessitant une haute vigilance

1. Système de Détection Automatique des Comportements Dangereux

Pourquoi une vigilance accrue ?

Données impliquées : Vidéos des travailleurs, analyses comportementales, respect des EPI.
Risques légaux et éthiques :
- Surveillance intrusive pouvant être perçue comme une atteinte à la vie privée.
- Risque de discrimination indirecte ou de mauvaise interprétation des comportements.
Exigences de la Loi 25 :
- Consentement explicite : Les travailleurs doivent être informés et donner leur accord pour être filmés.
- Minimisation des données : Collecter uniquement les informations nécessaires pour prévenir les risques.
- Transparence : Communication claire sur l’utilisation des données et accès des employés à leurs propres données.

2. Analyse Multimodale des Risques dans les Serres

Pourquoi une vigilance accrue ?

Données impliquées :
- Biométriques (fréquence cardiaque, fatigue).
- Localisation des travailleurs et suivi en temps réel.
Risques légaux et éthiques :
- Gestion des données biométriques, particulièrement sensibles selon la Loi 25.
- Anonymisation obligatoire pour éviter tout usage abusif ou malveillant.
Exigences de la Loi 25 :
- Chiffrement : Les données biométriques doivent être sécurisées à chaque étape (collecte, stockage, transmission).
- Consentement renforcé : L’utilisation de capteurs de fatigue ou de localisation nécessite un accord éclairé.

3. Gestion des Expositions aux Pesticides

Pourquoi une vigilance accrue ?

Données impliquées :
- Historique des traitements chimiques, profils des travailleurs (sensibilité aux produits, santé respiratoire).
- Conditions environnementales (température, humidité, direction du vent).
Risques légaux et éthiques :
- Stockage de données sur les expositions chimiques pouvant affecter la vie privée des employés.
- Respect des réglementations SIMDUT et obligation d’informer en cas de risques détectés.
Exigences de la Loi 25 :
- Responsabilité du Responsable des Données (RPRP) : Obligatoire pour surveiller les pratiques et garantir la sécurité des données.
- Accessibilité et droit de rectification : Les travailleurs doivent pouvoir consulter et corriger leurs données personnelles.

Projets nécessitant une vigilance modérée

1. Système de Prédiction et de Prévention des Renversements de Tracteurs

Pourquoi une vigilance modérée ?

Données impliquées : Analyse IoT en temps réel (inclinaison, vitesse).
Risques légaux et éthiques :
- Peu de données personnelles, mais une vigilance est nécessaire pour sécuriser les données IoT.
Exigences de la Loi 25 :
- Sécurisation des dispositifs IoT : Protection contre les intrusions ou la modification malveillante des données.

2. Plateforme d’Optimisation des Interventions SST Basée sur l’IA

Pourquoi une vigilance modérée ?

Données impliquées : Données historiques d'accidents, audits SST, recommandations générées par IA.
Risques légaux et éthiques :
- Faible risque pour la vie privée des travailleurs si les données sont bien anonymisées.
Exigences de la Loi 25 :
- Anonymisation complète : Les rapports générés par IA ne doivent pas contenir d’informations identifiables.

Priorités pour la Conformité

1. Mettre en place des pratiques solides pour la gestion des données sensibles

Établir un Responsable de la Protection des Renseignements Personnels (RPRP).
Utiliser des outils de chiffrement et anonymisation pour toutes les données biométriques et comportementales.
Effectuer des analyses d’impact sur la vie privée (PIA) pour chaque projet.

2. Favoriser la transparence avec les travailleurs

Informer clairement sur les données collectées, leur usage, et les droits des employés.
Offrir des options pour refuser ou limiter l’utilisation des données personnelles.

3. Suivre les principes de la Loi 25 : Minimisation, Transparence et Consentement

Limiter les données collectées aux informations strictement nécessaires pour prévenir les risques SST.
Fournir des interfaces ou des outils aux employés pour qu’ils puissent consulter ou supprimer leurs données personnelles.

Résumé

Projet	Niveau de Vigilance	Exigences Clés (Loi 25)
Détection des Comportements Dangereux	Haute	Consentement explicite, minimisation des données, transparence sur la surveillance.
Analyse Multimodale dans les Serres	Haute	Chiffrement des données biométriques, anonymisation, gestion des données sensibles en temps réel.
Gestion des Expositions aux Pesticides	Haute	Transparence sur les données SIMDUT, accès des travailleurs à leurs données d’exposition.
Prédiction des Renversements de Tracteurs	Modérée	Sécurisation des dispositifs IoT, suivi des normes d’intégrité des données.
Optimisation des Interventions SST	Modérée	Anonymisation complète des données historiques et des rapports générés.

Les trois premiers projets (Détection des Comportements, Analyse Multimodale, et Gestion des Expositions) nécessitent une vigilance maximale pour respecter la vie privée des travailleurs et garantir la conformité aux exigences réglementaires.

Arborescence Intégrée avec les Données SGSST

Voici une visualisation des interrelations dans le modèle SGSST, incluant les relations principales et croisées entre les catégories (Lois et Règlements, Données Biométriques, Données IoT, etc.) et leurs sous-catégories.

Les flèches indiquent les liens de dépendance ou d’influence entre les éléments. Cette représentation permet de mieux comprendre les interactions complexes dans la gestion SST.

100 Indicateurs de Performance pour AgriSafeAI

1. Métriques de Sécurité au Travail (15)

Taux d’accidents de travail :Taux d’Accidents=Nombre d’accidentsHeures travailleˊes×1,000,000\text{Taux d'Accidents} = \frac{\text{Nombre d'accidents}}{\text{Heures travaillées}} \times 1,000,000Taux d’Accidents=Heures travailleˊesNombre d’accidents×1,000,000
Taux de gravité des accidents :Taux de Graviteˊ=Nombre total de jours perdusNombre d’accidents\text{Taux de Gravité} = \frac{\text{Nombre total de jours perdus}}{\text{Nombre d'accidents}}Taux de Graviteˊ=Nombre d’accidentsNombre total de jours perdus
Réduction moyenne des accidents : Variation en pourcentage avant/après l’implémentation.
Temps moyen d’intervention après un incident signalé.
Taux d’incidents signalés par les travailleurs.
Taux d’incidents non signalés détectés par IA :Incidents Non Signaleˊs=Incidents deˊtecteˊs par IAIncidents totaux×100%\text{Incidents Non Signalés} = \frac{\text{Incidents détectés par IA}}{\text{Incidents totaux}} \times 100\%Incidents Non Signaleˊs=Incidents totauxIncidents deˊtecteˊs par IA×100%.
Nombre de blessures mineures évitées grâce aux alertes IoT.
Taux d’accidents par catégorie de risque (chimique, mécanique, ergonomique).
Fréquence des inspections SST.
Nombre moyen de risques identifiés par inspection.
Proportion d’inspections respectant les normes RSST.
Temps moyen pour corriger une déviation identifiée.
Taux de conformité aux EPI pendant les inspections.
Écart moyen entre les normes réglementaires et les pratiques observées.
Taux de satisfaction des employés sur les inspections SST.

2. Métriques d’Utilisation des Équipements (15)

Taux d’utilisation des EPI :Taux d’Utilisation=Employeˊs utilisant EPITotal employeˊs×100%\text{Taux d'Utilisation} = \frac{\text{Employés utilisant EPI}}{\text{Total employés}} \times 100\%Taux d’Utilisation=Total employeˊsEmployeˊs utilisant EPI×100%.
Taux d’utilisation correcte des EPI.
Fréquence des inspections des équipements.
Taux d’équipements non conformes détectés.
Taux de réparation des équipements signalés défectueux.
Temps moyen pour réparer un équipement défectueux.
Taux d’utilisation des systèmes de protection collectifs (EPC).
Proportion de machines agricoles munies de SPR.
Taux d’entretien préventif respecté pour les tracteurs.
Temps moyen entre deux inspections de machines.
Taux de défaillances évitées grâce à la maintenance préventive.
Taux d’adoption des recommandations d’entretien issues des inspections.
Nombre de mises à jour des équipements après une alerte SST.
Taux de formation des utilisateurs sur l’utilisation des équipements de sécurité.
Taux d’utilisation des solutions technologiques SST (IoT, AI).

3. Métriques de Santé des Travailleurs (15)

Prévalence des troubles musculo-squelettiques (TMS) :Preˊvalence TMS=Cas TMSTotal employeˊs×100%\text{Prévalence TMS} = \frac{\text{Cas TMS}}{\text{Total employés}} \times 100\%Preˊvalence TMS=Total employeˊsCas TMS×100%.
Taux de travailleurs signalant une fatigue excessive.
Proportion de travailleurs avec des signes de stress élevé.
Fréquence cardiaque anormale détectée :Freˊquence Cardiaque Anormale=Travailleurs avec anomaliesTravailleurs surveilleˊs×100%\text{Fréquence Cardiaque Anormale} = \frac{\text{Travailleurs avec anomalies}}{\text{Travailleurs surveillés}} \times 100\%Freˊquence Cardiaque Anormale=Travailleurs surveilleˊsTravailleurs avec anomalies×100%.
Durée moyenne de repos des travailleurs.
Nombre de malaises évités grâce aux alertes IoT.
Réduction des TMS après mise en œuvre de recommandations ergonomiques.
Taux de travailleurs suivant un programme de bien-être (exercice, santé mentale).
Temps moyen de réponse après une alerte de santé (biométrique).
Taux de travailleurs satisfaits des conditions ergonomiques.
Fréquence des évaluations de santé biométriques.
Nombre de jours d’absence liés à des blessures ergonomiques.
Proportion de travailleurs exposés à des risques respiratoires.
Nombre d’interventions réussies grâce à la détection biométrique.
Amélioration de la santé globale des travailleurs (indices composites).

4. Métriques de Formation et Sensibilisation (15)

Taux de participation aux formations SST.
Proportion de formations spécifiquement adaptées aux risques agricoles.
Score moyen des évaluations post-formation.
Fréquence des formations par employé par an.
Nombre de formations spécifiques sur les EPI.
Taux de satisfaction des employés envers les formations SST.
Proportion des nouveaux employés formés dans les 30 jours.
Réduction des incidents après une formation spécifique.
Nombre de simulations pratiques effectuées.
Proportion d’employés certifiés après une formation.
Taux de renouvellement des certifications SST.
Nombre de sessions de sensibilisation tenues par mois.
Taux d’amélioration des comportements dangereux après sensibilisation.
Proportion de superviseurs formés en gestion SST.
Temps moyen pour organiser une formation après une demande.

5. Métriques d’IA et Prédictions (15)

Précision des modèles prédictifs.
Taux de faux positifs :Taux de Faux Positifs=Faux positifsTotal alertes×100%\text{Taux de Faux Positifs} = \frac{\text{Faux positifs}}{\text{Total alertes}} \times 100\%Taux de Faux Positifs=Total alertesFaux positifs×100%.
Taux de faux négatifs :Taux de Faux Neˊgatifs=Faux neˊgatifsCas reˊels×100%\text{Taux de Faux Négatifs} = \frac{\text{Faux négatifs}}{\text{Cas réels}} \times 100\%Taux de Faux Neˊgatifs=Cas reˊelsFaux neˊgatifs×100%.
Nombre moyen de jours avant qu’un risque ne devienne critique (anticipation).
Taux d’alertes pertinentes validées par les superviseurs.
Proportion des zones critiques détectées correctement.
Taux de conformité après mise en œuvre des recommandations IA.
Temps moyen pour exécuter une recommandation IA.
Taux de risques réduits grâce aux prédictions.
Proportion des risques identifiés via analyse vidéo IoT.
Réduction des incidents critiques grâce à l’IA.
Nombre de nouvelles zones de risques identifiées.
Temps moyen pour intégrer de nouvelles données dans le système.
Taux d’adoption des recommandations issues des alertes IA.
Efficacité des algorithmes de clustering pour les risques.