https://lib.uliege.be https://matheo.uliege.be

Mémoire de fin d'études : "L'architecture et l'intelligence artificielle - L'évolution

þÿ�d�e� �l�a� �m�a�î�t�r�i�s�e� �d�'�S�u�v�r�e� �a�v�e�c� �l�'�i�n�t�e�l�l�i�g�e�n�c�e� �a�r�t�i�f�i�c�i�e�l�l�e�"

Auteur : Billiemaz, François

Promoteur(s) : Gardier, Patricia; Seijkens, Nicolas

Faculté : Faculté d'Architecture

Diplôme : Master en architecture, à finalité spécialisée en art de bâtir et urbanisme

Année académique : 2020-2021

URI/URL : http://hdl.handle.net/2268.2/12543

Avertissement à l'attention des usagers :

Tous les documents placés en accès ouvert sur le site le site MatheO sont protégés par le droit d'auteur. Conformément

aux principes énoncés par la "Budapest Open Access Initiative"(BOAI, 2002), l'utilisateur du site peut lire, télécharger,

copier, transmettre, imprimer, chercher ou faire un lien vers le texte intégral de ces documents, les disséquer pour les

indexer, s'en servir de données pour un logiciel, ou s'en servir à toute autre fin légale (ou prévue par la réglementation

relative au droit d'auteur). Toute utilisation du document à des fins commerciales est strictement interdite.

Par ailleurs, l'utilisateur s'engage à respecter les droits moraux de l'auteur, principalement le droit à l'intégrité de l'oeuvre

et le droit de paternité et ce dans toute utilisation que l'utilisateur entreprend. Ainsi, à titre d'exemple, lorsqu'il reproduira

un document par extrait ou dans son intégralité, l'utilisateur citera de manière complète les sources telles que

mentionnées ci-dessus. Toute utilisation non explicitement autorisée ci-avant (telle que par exemple, la modification du

document ou son résumé) nécessite l'autorisation préalable et expresse des auteurs ou de leurs ayants droit.

1

UNIVERSITE DE LIEGE – FACULTE D’ARCHITECTURE

L’ARCHITECTE ET L’INTELLIGENCE ARTIFICIELLE

L’évolution de la maîtrise d’œuvre avec l’intelligence

artificielle

Travail de fin d’études présenté par François BILLIEMAZ en vue de l’obtention du grade de

Master en Architecture

Sous la direction de : Patricia SCHEFFERS & Nicolas SEIJKENS

Année académique 2020-2021

2

3

REMERCIEMENTS

Je souhaite remercier très chaleureusement ma promotrice Madame Patricia

SCHEFFERS, pour toute sa disponibilité qu’elle m’a démontrée lors de l’élaboration de ce

travail, depuis que le sujet lui a été donnée au cours de mon année de Master 1, et ce jusqu’à

l’aboutissement de celui-ci aujourd’hui. Je la remercie encore pour m’avoir partagé son point

de vue sur la recherche, la méthodologie et la façon de travailler un document qui se veut

scientifique.

Je souhaite également remercier mon co-promotteur Monsieur Nicolas SEIJKENS,

pour tout le temps qu’il a consacré pour mon travail, son aide précieuse pour la correction du

sujet et les précisions concernant le sujet. Il en va de même pour ses connaissances dans le

domaine me permettant d’appréhender et de mieux cerner le sujet qui est très vague.

Je les remercie encore une fois tous les deux pour leur aide à concevoir le sujet, qui au

départ se voulait très large, trop large. Merci pour m’avoir permis de recentrer le sujet tout en

gardant son intérêt.

Je remercie aussi Monsieur Stéphane DAWANS qui m’a orienté dès le départ vers

mes promoteurs et pour le grand intérêt qu’il porte sur le sujet, acceptant aussi d’être mon

lecteur.

Je remercie Madame Chloé RAILLARD qui a bien voulu être ma lectrice, et ce depuis

Paris.

Je tiens à remercier Monsieur Yves DELINCE, qui m’a accueilli lors de mon stage de

Master dans son bureau et avec qui j’ai pu échanger sur le sujet. C’était appréciable

d’argumenter sur le sujet avec un professionnel qui se montre réticent à l’arrivée de

l’intelligence artificielle dans le métier de l’architecte.

Je remercie aussi grandement mes amis, ma famille et mes proches qui m’ont soutenu

durant ce travail de recherche et de rédaction si passionnant mais à la fois si chronophage,

marqué par divers évènements notamment la pandémie de Covid-19.

Merci aussi à mes professeurs avec lesquels j’ai pu, pour certains, échanger sur le

sujet.

Merci à tous !

4

SOMMAIRE

1. INTRODUCTION 6

2. ETAT DE L’ART 10

3. PROBLEMATIQUE 12

4. METHODOLOGIE 13

4.1. DOMAINE D’ETUDE 13

4.2. OUTILS D’ANALYSE 13

4.3. LIMITE DE LA RECHERCHE 15

5. QUESTIONNAIRE 17

5.1. QUESTIONS TRAITEES 17

5.1.1. LA CONNAISSANCE DE L’IA PAR LES ARCHITECTES 18

5.1.2. LA CONNAISSANCE DE L’IA PAR LES ETUDIANTS 22

5.1.3. L’HYPOTHESE DES ARCHITECTES DES TACHES IMPACTEES PAR L’IA 24

5.1.4. L’HYPOTHESE DES ETUDIANTS DES TACHES IMPACTEES PAR L’IA 27

5.1.5. LES TACHES ACCOMPLIES SELON LES ARCHITECTES 30

5.1.6. LES TACHES LES PLUS CHRONOPHAGES SELON LES ARCHITECTES 31

5.2. CORRELATION DES TACHES 35

5.3. SYNTHESE 35

6. LES TÂCHES ADMINISTRATIVES EFFECTUEES PAR L’IA 36

6.1. LA COMPREHENSION DU LANGAGE 36

6.2. L’INTELLIGENCE ARTIFICIELLE DANS LE MONDE JURIDIQUE 39

6.2.1. COiN DE LA BANQUE JP MORGAN 39

6.2.2. L’IA DANS LE DOMAINE CONTRACTUEL 40

6.3. DISCUSSION : L’INTELLIGENCE ARTIFICIELLE EN JUSTICE 41

6.3.1. L’IA EN JUSTICE AU BRESIL 41

6.3.2. PREDICTION DES DECISIONS DE JUSTICE PAR L’IA 46

6.4. SYNTHESE 47

7. L’IA ET L’ANALYSE D’IMAGES 48

7.1. L’IA ET L’IMAGERIE MEDICALE 48

7.1.1. LE BIG DATA A L’HOPITAL 48

7.1.2. L’IMPACT DE L’IA EN ONCOLOGIE 50

5

7.1.3. LE SUCCES DE L’IA DANS LA DETECTION 52

7.2. L’IA ET LE DESSIN 55

7.2.1. LA TECHNOLOGIE DE NVIDIA 55

7.2.2. GENERATION DE PLAN 58

7.3. SYNTHESE 59

8. CONCLUSION 60

9. BIBLIOGRAPHIE 62

6

1. INTRODUCTION

« Il est demandé dès à présent aux étudiants de ne plus fréquenter les locaux de

l’Université de Liège. » Pierre WOLPER, 13 mars 2020. C’est par ces mots que le recteur de

l’Université de Liège a annoncé par mail, un premier pas vers le passage de l’enseignement en

numérique, sans toutefois être certain des directives gouvernementales sur ce qui allait

devenir un confinement généralisé.

Si commencer par cette phrase ne donne pas accès directement au sujet, et n’est pas la

motivation de ce mémoire par manque de recul sur la question, elle permet cependant

d’amener une nouvelle lecture de l’avancée de la numérisation dans la plupart des domaines

qui s’y prêtent. En effet, le confinement a obligé une progression presque instantanée dans les

logiciels de visio-conférences : « La digitalisation accélérée au sein des organisations, à un

rythme tel que nous avons fait autant en quelques mois qu’en plusieurs années auparavant »

témoigne Jean-Marie ARDISSON dans la revue « Question(s) de management », 2020/03

n°29. Elle a aussi permis l’émergence de logiciels et plateformes dédiés pour les entreprises et

les cours (confère la plateforme « Miro », utilisée par la Faculté d’Architecture de Liège dans

le cadre de certains des ateliers nécessitant un espace numérique en ligne et possédant une

interface graphique).

Le coronavirus a forcément eu un impact sur l’architecture et sa pratique, de travailler,

sur les relations entre collègues, avec les clients, avec l’administration…

Ne serait-ce que dans la vie quotidienne, les gens ont dû changer leurs attitudes, la façon dont

ils effectuent leurs taches. « A la mi-mars, une grande banque envoie un message à ses

milliers de petits fournisseurs. Elle est vraiment désolée. Mais pendant l'épidémie, elle

n'acceptera plus de factures en papier. Seuls les documents envoyés par courrier électronique

seront traités. » signe Jean-Marc VITTORI dans une chronique de « Les Echos »1, du 14 avril

2020 donnant un aspect du passage au tout numérique. L’éditorialiste ajoute que beaucoup ne

se voient pas revenir à la méthode « papier » comme avant l’épidémie.

1 J.M VITTORI : « Cette épidémie qui accélère la transition numérique », Les Echos, 2020.

https://www.lesechos.fr/idees-debats/editos-analyses/cette-epidemie-qui-accelere-la-transition-numerique-

1194534 [En ligne]

7

La communication et les échanges physiques se sont trouvés perturbés par la distanciation

sociale et physique à cause du confinement et du passage à l’échange par vidéos interposées.

Le tout amenant à tous de repenser à comment l’Homme gère ses relations, effectue ses tâches

et occupe l’espace.

C’est dans le contexte de la pandémie que la rédaction de ce mémoire évolue avec les

événements et accueille l’actualité dans la réflexion de la numérisation des tâches dans la

pratique architecturale. Cette augmentation de la numérisation constatée dans plusieurs

domaines depuis l’avènement de l’informatique a grandi et amène la question de ce qu’il

adviendra après. En effet après l’informatique tel qu’il est actuellement, une ébauche de ce

qu’elle pourrait être dans le futur existe d’ores et déjà avec les balbutiements de l’Intelligence

Artificielle2.

L’informatique est liée à l’architecture depuis plus de 50 ans et la discipline n’a pas

essayé de s’en passer. Elle a, au contraire, souhaité être accompagnée par l’ordinateur. Mais

cela vient aussi du passé qu’ont les architectes avec cette discipline via le modernisme, ou des

courants plus récents comme le futurisme ou le déconstructivisme. Dans les années 30,

l’architecture s’est intéressée à la modularisation, à la standardisation et à la rationalisation du

bâtiment, notamment à travers le modernisme (confère : Le Corbusier et son Modulor, ou W.

GROPIUS et le « Baukasten » signifiant la construction en kit). De cette posture découle

l’intérêt de la matrice, de la conception du module, prélude des futurs habitats comme

l’Habitat 67, ou l’architecture futuriste d’Archigram.

L’architecture assistée par ordinateur arrive pendant les années 70 avec les premiers

logiciels de dessin assisté par ordinateur (DAO). Depuis la fin des années 90 les bureaux

d’architecture se sont emparés de la DAO et de la conception assistée par ordinateur (CAO)

pour ne plus s’en passer. Mais le domaine architectural a longtemps été considéré comme

réfractaire à l’informatique comparativement aux industries aéronautiques ou automobiles

(Teicholz, 2013). Depuis peu, que ce soit en architecture ou dans l’industrie de la

construction, le BIM (Building Information Modeling, en anglais) apporte ce changement

2 Article d’Intel, une entreprise connue dans le domaine informatique : « Se préparer pour l'avenir de

l'informatique » https://www.intel.fr/content/www/fr/fr/business/resources/future-of-it.html

8

informatique dans la maitrise d’œuvre (Eastman et al., 2011) : « Cette approche, qui consiste

à organiser l’ensemble des activités d’un projet de construction autour d’une maquette

numérique tridimensionnelle, a reçu une attention considérable ces dernières années de la

part aussi bien des chercheurs que des professionnels de l’industrie » (Boton & Forgues,

2018).

« L’intelligence artificielle désigne en effet moins un champ de recherches bien défini

qu’un programme, fondé autour d’un objectif ambitieux : comprendre comment fonctionne la

cognition humaine et la reproduire ; créer des processus cognitifs comparables à ceux de

l’être humain. » donne, dans son rapport, Cédric VILLANI3 comme définition dont il prévient

que « définir l’intelligence artificielle n’est pas chose facile ». Spécifiant les processus

cognitifs comme moteur de l’intelligence, cette définition cadre la recherche sur la réflexion

et les processus mis en place par le cerveau pour effectuer des actions, permettant d’analyser

et de reproduire la démarche humaine dans un programme intelligent.

« L’intelligence artificielle (IA) est un ensemble de techniques permettant à des

machines d’accomplir des tâches et de résoudre des problèmes normalement réservés aux

humains et à certains animaux. » énonce Yann LECUN4 dans un article pour le compte du

Collège de France. Les mots clés sont ici, « ensemble de techniques » qui une fois compris et

analysé permettent de reproduire numériquement les « tâches » et les « problèmes »

« réservés » pour le vivant. Ces mots paraphrasés sont importants pour montrer l’action que

s’efforce de faire le cerveau pour constituer une tâche et ainsi permettre à l’ensemble du corps

de se coordonner pour permettre l’action, donnant une définition cadrée pour une forme

d’intelligence. Une fois cette compréhension faite, il est possible de la reproduire

numériquement pour accéder à cette intelligence artificielle.

3 Cette phrase est la définition que Cédric VILLANI donne dans son rapport confié par le premier ministre E.

PHILIPPE de septembre 2017 à mars 2018 « Donner un sens à l’intelligence artificielle : pour une stratégie

nationale et européenne ». https://www.enseignementsup-recherche.gouv.fr/cid128577/rapport-de-cedric-villani-

donner-un-sens-a-l-intelligence-artificielle-ia.html/

4 Yann LECUN est titulaire de la chaire Informatique et Sciences numériques du Collège de France, spécialiste

de la question sur l’intelligence artificielle et écrit un article « Recherches sur l'intelligence artificielle » paru en

2016. https://www.college-de-france.fr/site/yann-lecun/Recherches-sur-l-intelligence-artificielle.htm/

9

Ces deux définitions amènent le questionnement du processus cognitifs pour effectuer

une tâche grâce aux techniques mises en œuvre pour les résoudre. Ce questionnement est,

semble-t-il, ce qui doit permettre une réflexion (humaine) sur le sujet pour appréhender une

présence déjà insérée dans la vie quotidienne. D’autant que les Intelligences Artificielles se

développent par l’augmentation des données disponibles, des espaces de stockage de

mémoire, de la vitesse de calcul des ordinateurs (confère les ordinateurs quantiques), et

deviennent de plus en plus puissantes, notamment dans les voitures autonomes, la finance ou

la médecine, dans laquelle elle devient un outil d’analyse en diagnostiquant maladie ou

cancers (INSERM – Intelligence artificielle et santé, 2018). Comme dans ces domaines, l’IA

finira par arriver elle aussi dans l’architecture : « L’intelligence artificielle va bouleverser les

métiers du bâtiment et de l’immobilier. Dans le domaine de l’architecture, elle ouvre de

nouvelles frontières avec la conception de formes jusqu’alors inexplorées. Les tâches

répétitives où la valeur ajoutée de l’architecte est la plus faible seront traitées par des

machines, laissant le professionnel se concentrer sur le cœur de sa mission : l’arbitrage des

contraintes et la synthèse des solutions. Des garde-fous seront toutefois nécessaires pour

protéger les droits d’auteur et la propriété intellectuelle des créateurs ».5

5 S. LUTARD, « Architecture et intelligence artificielle », sept. 23, 2020.

https://www.architectes.org/architecture-et-intelligence-artificielle pour l’ordre des architectes français

10

2. ETAT DE L’ART

Mais tous ces champs d’études viendront progressivement à moyen terme et sont peut-

être un peu prématurés dans l’articulation actuelle ou proche des métiers de la construction.

D’autant que le bouleversement de l’IA dans le bâtiment risque d’être aussi important que

l’arrivée de l’informatique dans le métier. Ce travail de fin d’étude va donc s’intéresser à des

éléments plus temporellement rapprochés ; la suite directe de la technologie du BIM : « dont

le niveau d’adoption semble avoir atteint le point de non-retour (Forgues et al., 2014). De

plus en plus implémentée par les principales firmes d’architecture, d’ingénierie et de

construction, l’utilisation de l’approche BIM a même été rendue obligatoire par plusieurs

gouvernements et agences gouvernementales à travers le monde (États-Unis, Royaume-Uni,

Singapour, etc.) et une directive de l’Union européenne (directive 2014/24/EU) encourage

fortement les pays membres à aller dans ce sens » (Boton & Forgues, 2018), qui se fait déjà

rattraper par les nouvelles solutions qu’offre (offrira) l’IA pour aider l’architecte (exemple des

GAN, du Big Data, etc.).

Il est possible de faire des analogies avec d’autres disciplines où l’IA commence à

remplacer certaines tâches effectuées par les humains. Un groupe d’informaticiens français

travaillant au sein l’INRIA a créé une IA nommée CamemBERT (dont le programme se base

sur des modèles de type BERT) capable de détecter les différences des mots dans leur

contexte, leurs natures grammaticales, les noms propres et leurs types. L’IA analyse ensuite

les mots et est capable d’en tirer des conclusions selon les paramètres qui lui sont définis

(Louis Martin et al, 2019). Si l’IA a la possibilité de comprendre le langage naturel et de

pouvoir le retranscrire comme le font déjà certaines IA en écrivant des romans : « 1 The

Road », Ross Goodwin, 2017, alors elle pourrait remplir des formulaires, des documents à

destination de l’administration ou des clients. De plus un système d’assurance au Japon utilise

d’ailleurs une intelligence artificielle pour calculer les payements dus aux clients (The

Guardian, 2017). L’IA auraient finalement la capacité de remplir des tâches administratives,

ce qui pourrait être un gain de temps pour l’architecte.

11

Dans le domaine médical, l’IA semble très douée pour tout ce qui est analyse de

situation et comparaison, l’attention se porte sur le dernier point. En effet, elle est donc

capable de faire preuve de thérapies ciblées, et donc de s’adapter pour correspondre à chaque

patient. Le fait d’adapter est important puisqu’en architecture il faut constamment s’adapter.

Mais elle est capable de détecter facilement divers symptômes grâce à sa banque de donnée :

« Dans le domaine de l’imagerie médicale notamment, des algorithmes permettent déjà de

détecter des anomalies sur neuro-imagerie avec une précision équivalente, voire supérieure à

celle des radiologues. A également été conçu un algorithme aussi performant qu’un

dermatologue expérimenté pour identifier les maladies de peau et distinguer les tumeurs

bénignes des cancers. L’IA ouvre aussi la voie à des thérapies beaucoup plus ciblées, parce

qu’adaptées à chaque patient. » (Bourdaire-Mignot & Gründler, 2018). En utilisant l’analyse

d’images (de plans) et en fournissant des bases de données à l’intelligence artificielle, il est

possible d’envisager d’utiliser un programme effectuant les métrés et relevés à partir d’image

ou de plans et donnant les matériaux. De la même manière que peut le faire le BIM mais à

partir de simple plan tout en donnant une irréfutabilité au métré vis-à-vis des entrepreneurs,

du client ou de l’administration.

12

3. PROBLEMATIQUE

Le but de ce mémoire n’est pas d’imaginer remplacer l’architecte par une machine

intelligente, mais au contraire d’avertir et de renseigner les acteurs de l’Architecture

(architectes, étudiants en architecture et les métiers s’y gravitant autour) que, si l’intelligence

artificielle fait son entrée dans beaucoup de domaine, il ne faut pas avoir peur mais au

contraire l’étudier et l’accompagner pour que cette dernière devienne un atout pour la

profession et non un antagoniste.

C’est donc dans cette optique que j’ai choisi de traiter le sujet de l’intelligence

artificielle dans le métier de l’architecture et plus exactement dans la maitrise d’œuvre. J’ai

souhaité comprendre comment l’IA peut faire son entrée dans la discipline et de quelle

manière. Mais pour spécifier une possibilité de son impact, je me suis demandé la manière

dont elle fonctionne parmi les tâches qu’elle est d’ores et déjà capable d’accomplir dans le

quotidien. Ce sont certes des balbutiements, mais il semble qu’à court et moyen terme, sa

présence se fera de plus en plus sentir. Autant se l’approprier en amont pour ne pas être

possiblement pris au dépourvu.

Je me suis donc renseigné sur les tâches qu’elle peut faire et me suis demandé sur

lesquelles l’intelligence artificielle pourrait travailler et aider l’architecte dans sa propre

discipline, m’amenant à la problématique suivante :

« Quelles seront les tâches de la maitrise d’œuvre impactées par l’intelligence artificielle ? »

13

4. METHODOLOGIE

4.1. DOMAINE D’ETUDE

Afin d’aborder le sujet de mon questionnement, j’ai développé mon plan d’écriture à

partir des tâches que l’architecte en sa qualité de maitre-d ’œuvre effectue mais que le

numérique et en particulier l’intelligence artificielle commence déjà à toucher : « Peu importe

les scénarios, les architectes se doivent d’être acteurs de l’intelligence artificielle en étant

associés aux recherches des éditeurs de logiciels ! Cela commence aussi par s’emparer dès

aujourd’hui du BIM qui n’est qu’un des ancêtres de l’intelligence artificielle »6.

D’autant plus dans le cadre actuel de la crise sanitaire qui affecte le travail présentiel et

demande une dématérialisation des rencontres.

La première analyse étudiera les résultats quali-quantitativement d’un questionnaire

auxquels ont répondu un échantillon exploitable de 383 architectes.

La deuxième analyse comportera la recherche documentaire de ce qui se fait dans

d’autres disciplines

4.2. OUTILS D’ANALYSE

RECOLTE DE DONNEES : QUESTIONNAIRE

Le point de départ, consiste en un questionnaire portant sur plusieurs sujets dont deux

questions générales sur l’intelligence artificielle qui me permettront d’extrapoler des résultats

qualitatifs et quantitatifs par des statistiques portant sur la perception des architectes de

l’intelligence artificielle et le métier de l’architecte. Le questionnaire « Analyse statistique de

la perception des architectes » réalisé en mars 2020 auprès de 383 architectes, mais aussi de

413 étudiants de la Faculté d’architecture de Liège, sous la direction de Manon MASSIN,

Patricia SCHEFFERS, Nicolas SEIJKENS dans le but de mieux connaitre la perception des

6 S. LUTARD, « Architecture et intelligence artificielle », sept. 23, 2020.

https://www.architectes.org/architecture-et-intelligence-artificielle pour l’ordre des architectes français

14

architectes (et des étudiants) sur le métier de l’architecte, sur ses tâches, son temps de travail

ou encore sur sa connaissance de l’intelligence artificielle.

Le lien questionnaire a été envoyé par mail aux architectes et aux étudiants que

certains ont ensuite répondu. Les données du questionnaire sous forme d’un « Google Form »7

ont pu être récupéré directement sous forme d’un tableau « Excel ». Chaque question a

ensuite été dissociée dans un fichier « Excel » indépendant pour une facilité de traitement.

Les données ont été trié permettant d’éviter les doublons ou les réponses « test ».

Ensuite les réponses ont été analysées en fonction des tâches que les architectes ont donné et

par rapport au tableau que l’ordre des architectes belges fourni sur les missions de

l’architecte8. Pour les questions sur les tâches ; j’ai choisi d’utiliser des notions générales

représentant les tâches et permettant de les regrouper, ainsi avec l’exemple de la notion

« administratif », elle reprend des termes comme « Les tâches administratives »,

« Secrétariat », « Routine administrative » ou encore « Gestion des formalités

administratives ».

Sur base des résultats, je pourrais ensuite essayer d’aller plus loin dans l’exercice pour

analyser des tâches équivalentes dans d’autres disciplines ou l’intelligence artificielle exerce.

RECHERCHE DOCUMENTAIRE

La continuité analytique, par rapport à la recherche documentaire que j’effectue sur

l’intelligence artificielle, consiste à se renseigner et analyser les données que d’autres

disciplines possèdent d’ores et déjà. En effet certaines d’entre elles ont une longueur d’avance

sur l’architecture et l’érection d’un édifice. Comme c’est le cas pour la médecine notamment

dans le cadre de l’imagerie médicale ou plusieurs recherches montrent que l’IA est plus à

même de diagnostiquer des cancers à partir de radio avec moins d’erreur qu’un humain

(Bourdaire-Mignot & Gründler, 2018). Dans l’étude d’imagerie médicale nous nous

7 Voici le lien du questionnaire :

https://docs.google.com/forms/u/0/d/1495qXiY9NmQmQA5NUZoFdUQ1mOkNgsaUvgeyhn6W6x8

8 Voir le tableau des tâches fourni par l’ordre des architectes belge :

https://www.ordredesarchitectes.be/files/documents/ODA2469-

04_2020_De%CC%81pliant_Missions_Architecte_SITE.pdf

15

intéresserons aux processus cognitifs que l’humain effectue pour réaliser les tâches

d’identifications ainsi que celles que l’IA utilise.

Un autre volet sera le processus des GAN (generative adversiale network) dans leur mise en

œuvre pour la création d’images de synthèse ou de multiplier les propositions en fonction des

paramètres indiqués.

Le droit sera un volet important pour comprendre comment l’IA peut impacter des tâches

administratives et contractuelles. Comme le fait la banque JP Morgan avec son intelligence

artificielle COiN. Ou bien l’impact de l’IA dans le domaine juridique avec des prévisions de

décision de justice sur certains cas, pouvant alors permettre d’extrapoler leur utilité dans la

résolution de conflit entre architectes et entrepreneurs ou clients.

4.3. LIMITE DE LA RECHERCHE

Le champ d’études que donne cet espace sur l’intelligence est très vague. Il peut

amener une multitude, si ce n’est une infinité, de questionnements de recherche et il convient

de le limiter.

Il pourrait être envisagé de traiter la façon dont les IA sont capables de concevoir et

d’organiser des plans via des processus de génération d’espace en utilisant les Big Data et les

GAN (Generative Adversarial Networks ou réseaux adverses génératifs en français), et ainsi

d’en générer plusieurs dizaines de millier (NAGY & VILLAGGI, 2020). Par exemple

l’intelligence artificielle ALICE9 qui est une plateforme de simulation générative pour la

construction, a créé 66 millions de possibilités lors de la conception d’un centre de santé à

Denver (J. CAULFIELD - bbcnetwork, 2018) avec pour objectif de réduire le temps et le coût

de construction en fonction des paramètres induits (ascenseurs, forme…) permettant de sauver

84 jours des 540 prévus initialement.

De même, la manière dont l’IA mettrait en lien sa programmation et son système

d’apprentissage avec quelque chose d’aussi complexe que les émotions humaines, serait un

9 ALICE Technologies est un site proposant principalement des réponses à la planification des étapes du projet et

de la construction. Le programme optimise les solutions et les méthodes de construction permettant de gagner un

nombre d’heure en termes d’ingénierie. Le logiciel propose aussi des variantes de conception tout en générant

des modélisations numériques. https://www.alicetechnologies.com/

16

sujet intéressant puisqu’il concerne une partie du métier d’architecte ; celui de créer une

émotion dans l’espace vécu par l’utilisateur. Ce sujet est traité dans un mémoire d’une

étudiante de l’Ecole Nationale d’Architecture Paris Val de Seine (Architecture sensorielle,

2019, Barbara ARAQUE P.).

La dimension éthique de l’IA et de sa responsabilité en ferait aussi un axe de

recherche, bien que plus philosophique. En effet, quid de la responsabilité décennale dans le

cas où une IA prendrait en charge l’entièreté de la maitrise d’œuvre ? Des débats ont lieux et

la question des limitations et responsabilités de l’IA se pose, notamment dans le cas de

diagnostics médicaux. Mais la situation est analogue à celle de la responsabilité décennale qui

impacte la santé d’une personne. Le magazine Forbes résume une conférence de l’Inseec U à

Lyon en juin 2019 sur l’IA et l’éthique où il en sort qu’il : « appartiendra à ces Hommes de

faire en sorte que dans la conception même des technologies utilisant une intelligence

artificielle, d’intégrer en amont des valeurs comme la transparence, l’honnêteté… Avec en

point de mire une vision humanisée et un usage responsable de l’IA, qui vise à amplifier les

capacités et l’ingéniosité humaine. » (P. MONTAGNON pour Forbes, 2019)10. Le constat est

similaire pour la concertation publique à Montpellier en 2017 pour le CNIL.

10 P. MONTAGNON, « Intelligence artificielle : l’Ethique au cœur du débat »,Forbes 2019. :

https://www.forbes.fr/technologie/intelligence-artificielle-lethique-au-coeur-du-debat/ [En ligne]

17

5. QUESTIONNAIRE

Sur base d’un questionnaire « Analyse statistique de la perception des architectes »

réalisé en 2020 auprès d’architectes belges et d’étudiants de la Faculté d’Architecture de

Liège par le laboratoire PAPier, sous l’égide de Patricia SCHEFFERS, Manon MASSIN et

Nicolas SEIJKENS, nous avons pu récolter diverses informations notamment concernant

plusieurs sujets de mémoire dont la formation d’architecte, l’emploi d’architecte, les tâches à

réaliser et celles qui prennent le plus de temps dans la pratique du métier. Nous avons aussi pu

interroger les architectes exerçants et les étudiants de la Faculté d’Architecture de Liège sur la

connaissance de l’intelligence artificielle et son potentiel impact sur les tâches du métier.

L’échantillon d’architectes ayant répondu au questionnaire comprend 387 réponses

exploitables pour un total de 393 entrées.

Un questionnaire similaire a été fourni aux étudiants de bachelier (de la première à la

troisième année d’études) de la Faculté d’Architecture de Liège, dont 413 réponses

exploitables pour un total de 426 entrées.

L’analyse de quatre questions du questionnaire fournit aux architectes et de leurs

résultats me permettra d’en tirer des tâches qui possèdent des similitudes avec des tâches

effectuées par l’intelligence artificielle dans d’autres disciplines. Par ailleurs le but n’est pas

de remettre en question les réponses indiquées par les architectes mais de les prendre telles

quelles pour en tirer les conclusions par rapport aux choix des tâches qui se font dans les

autres disciplines. Pour deux des questions étudiées, une analyse de résultats de ces mêmes

questions posées aux étudiants sera mise en rapport avec le questionnaire des architectes.

5.1. QUESTIONS TRAITEES

J’ai choisi de traiter trois questions parmi la trentaine de points que le questionnaire

proposait aux architectes. En effet ces trois questions me semblent essentielles pour pouvoir

en tirer une conclusion sur les tâches importantes pour l’architecte. Importantes soit par le

18

temps qu’elles prennent dans leur emploi du temps, soit par leur mise en avant par le

professionnel.

5.1.1. LA CONNAISSANCE DE L’IA PAR LES ARCHITECTES

La première question qui me semble pertinente concerne la connaissance de

l’architecte sur le sujet de l’intelligence artificielle

Sous « Connaissez-vous certains aspects de l'intelligence artificielle ? », nous

demandions aux architectes de nous transmettre par un simple « oui » ou « non » leur réponse

sur le sujet. Le but était de savoir si l’architecte a connaissance du sujet présent dans

l’informatique qui s’étend à d’autres disciplines et qui pourrait un jour s’attacher à

l’architecture (pour être juste l’intelligence artificielle fait déjà ses premiers pas dans le

domaine architectural11)

Le résultat de l’enquête montre qu’une majorité d’architecte ne semble pas connaitre

l’intelligence artificielle.

Étiquettes de lignes Nombre de Connaissez-vous certains aspects de l'intelligence artificielle ?

Non 235

Oui 152

Total général 387 Tableau 1 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?"

On peut observer ci-

contre, le résultat de la question

sous forme d’un camembert qui

permet de mieux appréhender

le pourcentage de personne ne

connaissant pas de manière

général les aspects de

l’intelligence artificielle, soit

61 % (c’est-à-dire 235 réponses

sur les 387).

11 Confère la technologie ALICE, citée dans l’introduction

Figure 1 Résultat de la même question sous forme de camembert.

19

Comme je fais mon mémoire sur le sujet de l’intelligence artificielle, j’avais pris pour

acquit que la majorité des gens connaissent au moins de nom ou ont entendu parler de

l’intelligence artificielle. Cependant, au vu de ce résultat il semble que ce ne soit pas le cas.

J’ai par ailleurs souhaité comprendre si ce résultat avait un biais dû à une

représentation plus nombreuse de certaines catégories d’âge qui de manière « cliché » aurait

pu être moins instruites du sujet.

J’ai donc analysé en détail les réponses à cette question en fonction de la tranche d’âge

des architectes par l’année de diplôme qu’ils ont indiqué lors du remplissage du

questionnaires. J’ai mis en place des tranches d’âge de 10 ans, hormis pour les diplômés ayant

beaucoup d’expérience qui se sont trouvés au final, les moins nombreux à répondre, pour

quelques raisons que ce soit.

La première tranche d’années de diplôme correspondant aux architectes étant sortis

des études de 1966 à 1979 :

Tableau 2 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?" pour les diplômés entre

1966 et 1979

Figure 2 Résultat de la même question sous forme de camembert pour les diplômés

de 1966 à 1979

20

La deuxième tranche d’années de diplôme correspondant aux architectes étant sortis

des études de 1980 à 1989 :

Tableau 3 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?" pour les diplômés entre

1980 et 1989

La troisième tranche d’années de diplôme correspondant aux architectes étant sortis

des études de 1990 à 1999 :

Tableau 4 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?" pour les diplômés entre

1990 et 1999

Figure 3 Résultat de la même question sous forme de camembert pour les diplômés

de 1980 à 1989

Figure 4 Résultat de la même question sous forme de camembert pour les diplômés

de 1990 à 1999

21

La quatrième tranche d’années de diplôme correspondant aux architectes étant sortis

des études de 2000 à 2009 :

La dernière tranche d’années de diplôme correspondant aux architectes étant sortis des

études de 2000 à 2009 :

Figure 5

Figure 5 Résultat de la même question sous forme de camembert pour les diplômés

de 2000 à 2009

Tableau 5 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?" pour les diplômés entre

2000 et 2009

Tableau 6 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?" pour les diplômés entre

2010 et 2019

Figure 6 Résultat de la même question sous forme de camembert pour les diplômés

de 2010 à 2019

22

En somme, à travers les Figures 2 à 7, on constate que la moyenne de personnes

connaissant l’intelligence artificielle avoisine les 40% de l’échantillon et ceux pour chaque

tranche d’âge. La seule différence notable est au niveau de la tranche de diplômés des années

1990 à 1999 avec « seulement » 35,14% d’architectes étant avertis sur l’IA.

Une hypothèse que je formule pour expliquer ce niveau de connaissance est que les

architectes (se) sont informés sur l’IA par curiosité, par intérêt ou par méfiance, mais qu’en

aucun cas elle découle de l’enseignement ou de la formation. En effet, parmi les cours

proposés à la Faculté d’Architecture de Liège, aucun ne concerne le futur du métier ou de

l’impact des technologies sur celui-ci12.

5.1.2. LA CONNAISSANCE DE L’IA PAR LES ETUDIANTS

Nous avons posé la même question aux étudiants des trois premières années d’études

de la Faculté d’Architecture de Liège.

On constate que sur la moyenne des trois années, seul 31,23% (soit 129 étudiants sur

les 413) connaisse l’intelligence artificielle. En comparant avec la moyenne pour les

architectes diplômés qui est de 39%, la baisse est significative, de près de 10%. Je n’ai pas de

certitude en ce qui concerne la cause de cette baisse, et ce n’est pas le but de l’étude mais il

semble que cela ne fait qu’ajouter un point sur l’hypothèse que j’ai formulé plus haut, à savoir

qu’il semblerait que cette connaissance viendrait d’un attrait plutôt que de la formation.

12 Voir l’ensemble des cours proposés au cours de la formation d’architecte à la Faculté d’Architecture de Liège :

https://www.archi.uliege.be/cms/c_5634606/fr/archi-bachelier et

https://www.programmes.uliege.be/cocoon/20212022/programmes/T2UARC01_C.html

Il en va de même pour une autre université belge, la Faculté d’Architecture de la Cambre Horta :

https://www.ulb.be/fr/programme/2020-ba-arch#programme et https://www.ulb.be/fr/programme/2020-ma-

arch#programme

Tableau 7 Résultat de la question "Connaissez-vous certains aspects de

l'intelligence artificielle ?" pour l’ensemble des étudiants des trois premières

années d'études

23

Les étudiants de première année (Bac 1) connaissant l’intelligence artificielle

représentent 27,12% contre 72.88% de non connaisseurs. Les deuxièmes années sont

respectivement 34,48% et 65,32%. Ainsi que 33,93% et 66,07 pour les étudiants de troisième

année (confère Figure 8 et Tableau 9).

Tableau 8 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?" pour les étudiants des

trois premières années d'études

Figure 7 Résultat de la question "Connaissez-vous certains aspects de l'intelligence artificielle ?" pour les étudiants des trois

premières années d'études

24

On constate une légère augmentation de la connaissance de l’intelligence artificielle

dans les deux années supérieures constituant le bachelier mais au vu du fort pourcentage de

ceux n’ayant pas de notions sur le sujet, il semble que cela apporte un point supplémentaire à

l’hypothèse que j’ai formulé, laquelle prône une perception de l’intelligence artificielle via la

curiosité plutôt que la formation. Par ailleurs, on peut conjecturer que l’augmentation de 6 à

7% respectivement entre la deuxième année d’étude et la troisième par rapport à la première

année viendrait de la culture générale que l’étudiant acquière de lui-même en plus de sa

formation.

5.1.3. L’HYPOTHESE DES ARCHITECTES DES TACHES IMPACTEES PAR

L’IA

En second, et découlant de la première question, la pertinence par rapport au sujet du

mémoire voulait que nous demandions aux architectes les tâches qui seraient, selon eux

impactées par l’intelligence artificielle.

Si la question originelle était « Si oui, quelles sont les tâches que vous remplissez

actuellement et qui pourraient être impactées d'après vous ? Indiquez une tâche par ligne. »,

il convient de noter que certaines des réponses données dont les entrées sont comptées ont été

mise après qu’un architecte ait répondu « non » à la question précédente (à savoir

« Connaissez-vous certains aspects de l'intelligence artificielle ? »). 7 entrées « non » ont

remplis des tâches que j’ai choisi de prendre en compte dans la somme des tâches

potentiellement impactées.

Tableau 9 Résultat de la question "Connaissez-vous

certains aspects de l'intelligence artificielle ?" pour

les étudiants des trois premières années d'études

avec les pourcentages

25

A travers l’ensemble des réponses à la question par les architectes, j’ai classé les

réponses dans des catégories communes en essayant d’être le plus « réaliste » possible par

rapport à ce que les architectes donnaient comme indications et par rapport au tableau des

tâches fournit par l’ordre des architectes belges. Certaines catégories englobent plusieurs

sous-notions que les architectes ont développé :

▪ La notion « Administratif » reprend ce que les architectes appellent par la rédaction

automatique de documents, la mise en forme d’un dossier et l’envoi des courriers

nécessaire, l’encodage administratif (permis d’urbanisme et sa soumission à

l’administration), mais aussi le secrétariat.

▪ La notion « Représentation graphique » reprend ce que les architectes appellent par le

fait de laisser à l’intelligence artificielle la réalisation du dessin, les mises en pages, la

modélisation, et les images de synthèses, de documents techniques...

▪ La notion « Métrés / relevés » est utilisée lorsque l’intelligence artificielle travaillera

avec l’architecte notamment générant le métré sur base des dessins de l’architecte, ou

encore le relevé d’un bâtiment existant, voir par drone remplaçant le relevé manuel. Le

choix de regrouper ces deux notions vient du fait que beaucoup d’architectes les ont

notés ensemble.

▪ La notion « Conception » reprend les cas où l’intelligence artificielle ferait « Les choix

en termes d'efficacité et de perfection de la construction (la matrice possède une base

de données infinie que l'architecte n'a pas) », nous explique un architecte en réponse à

la question. Mais aussi la conception spatiale avec la création d’espace intérieur selon

un volume, un programme et un style associé. En somme les paramètres du projet.

Certains parlent de conception paramétrique, dans l’idée d’une conception, peut-être,

plus organique comme le permet les outils de conception architectural paramétriques

actuels.

▪ La notion « Suivi de chantier » représente la rédaction des procès-verbaux des

chantiers, l’organisation de réunion, l’état d’avancement, les problèmes et leur

régularisation au fil de l’avancement…

▪ La notion « Maquette » reprend les représentations 3D d’un projet dans leur création

physique (notamment via imprimante 3D).

26

▪ La notion « Vérification » englobe aussi bien la vérification d’erreurs sur dossier,

structurelles ou techniques, que celles sur chantier, la précision des données présentes

ou encore d’erreurs administratives.

▪ La notion « Gestion » reprend les cas où l’intelligence artificielle s’occuperait de la

gestion d’équipes dans un bureau ou sur un chantier, mais aussi des documents, des

mails…

▪ La notion « Finance » reprend l’idée que l’intelligence artificielle libèrerait

l’architecte des suivis d’échéance par rapport à l’avancée du chantier, mais aussi des

déclarations de revenu ainsi que du versement des salaires (dans le cas d’employés).

▪ La notion « BIM » semble être ce qui sera l’ancêtre des futures intelligences

artificielles éventuellement associées à l’architecte et la coordination auprès des

différents acteurs que le métier côtoie.

Selon les réponses des architectes à ce questionnaire, les tâches qui seraient le plus

impactées sont premièrement les tâches administratives avec 43 entrées. Puis la représentation

Figure 8 Résultat de la question "Si oui, quelles sont les tâches que vous remplissez actuellement et qui pourraient être

impactées d'après vous ?" du questionnaire des architectes trié en fonction du nombre d'itération par tâche

27

graphique avec 37 entrées. La partie du métré / relevé vient en troisième position avec 33

entrées, la partie conception en quatrième position avec 31 entrées. Ainsi que la partie du

suivi de chantier avec 22 entrées.

Je me limite aux tâches avec le plus grand nombre d’entrées pour un soucis de

simplifications de recherche et d’analyse des tâches effectuées par l’IA dans d’autres

disciplines.

Je ne compte pas dans les tâches « majeures » que les architectes ont estimé être

impactées par l’IA les réponses de l’entrée « non applicable », qui comprend quatre

architectes ayant répondu « non » à la première question sur la connaissance de certains

aspects de l’IA. Ces quatre architectes pensent que l’intelligence artificielle ne peut

s’appliquer à la discipline. Vingt architectes, ayant répondu « oui » à la première question, ont

estimé que l’IA ne pouvait pas s’appliquer à l’architecture. Une des réponses : « Je lutte

contre ça quelle que soit sa forme éventuelle » montre que certains se sentent menacés par

l’arrivé de programme intelligent et indépendant, ou sont inquiets sur le sujet. Une autre

remarque est : « radicalement opposé à l'intervention de l'intelligence artificielle dans la

conception du projet ». Il semble que la partie conception du projet tienne beaucoup à cœur

pour l’architecte. Pour la majorité des justifications liées à la non applicabilité de l’IA dans le

métier, « le cœur de notre travail reste "humain" » et la partie émotionnelle, physique

(rencontre en personne, sentiment – « feeling » vis-à-vis du client et de l’architecte, le contact

avec les entrepreneurs…) sont des facteurs qui feraient que l’IA ne peut pas « remplacer »

l’architecte.

5.1.4. L’HYPOTHESE DES ETUDIANTS DES TACHES IMPACTEES PAR L’IA

Nous avons posé la même question aux étudiants de la Faculté d’Architecture de

Liège. Et si je ne me baserai pas sur leur réponse pour l’étude de l’analyse des tâches, je pense

qu’il est important de comprendre le regard d’étudiants en début de leur formation sur les

tâches qui composent le métier.

Le classement des réponses dans des catégories communes a essayé d’être le plus

égalitaire possible. Cependant certaines catégories englobent plusieurs sous-notions.

28

▪ La notion « Calcul » reprend ce que les élèves appellent par les calculs structurels, de

dimensions, de topographie, des matériaux (résistance thermique / acoustique, leur

nombre) mais aussi les calculs énergétiques et d’optimisation.

▪ La notion « Conception » reprend ce que les élèves appellent par le fait de laisser à

l’intelligence artificielle le choix de créer les caractéristiques spatiales du projet.

▪ La notion « Partenaire de travail » est utilisée lorsque l’intelligence artificielle

travaillera en binôme avec l’architecte. L’humain et la machine seront de pair.

▪ La notion « Gestion » reprend les cas où l’intelligence artificielle s’occupera de la

gestion d’équipes dans un bureau ou sur un chantier, mais aussi des documents, des

mails…

▪ La notion « Maquette » reprend les représentations 3D d’un projet, aussi bien

informatique que leur création physique (notamment via imprimante 3D).

▪ La notion « Représentation Graphique » comprend la création de plans normalisés, de

croquis, de documents techniques à destination des autres corps de métier du bâti,

mais aussi des rendus 2D ou 3D pour les concours ou les clients.

▪ La notion « Suivi de chantier » représente la rédaction des procès-verbaux des

chantiers, l’organisation de réunion, l’état d’avancement, les problèmes et leur

régularisation au fil de l’avancement…

▪ La notion « Traduction » se voit comme la traduction linguistique de document mais

aussi la traduction aux différents formats et langage qu’utilisent les différents corps de

métier.

▪ La notion « Vérification » englobe aussi bien la vérification d’erreurs sur dossier,

structurelles ou techniques, que celles sur chantier, la précision des données présentes

ou encore d’erreurs administratives.

▪ La notion « Enseignement » regroupe ce que les étudiants sous-entendent par la

connaissance générale sur l’architecture, de donner cours, de créer des synthèses et de

mieux visualiser le cours de projet avec des méthodes technologiques (aide à la

compréhension des attentes des professeurs).

▪ Par « réponse non utilisable » sont comprises des réponses comme « entretient

pelouse » ou « l’ordinateur » que j’ai préféré ne pas classer dans une catégorie de

tâches relatives à l’architecture.

29

On constate, via la Figure 10, que la représentation graphique arrive en première

position avec 55 itérations, la notion de maquette suit avec 51 entrées. Puis vient le calcul et la

conception avec respectivement 40 et 35 réponses. Et enfin l’enseignement avec 12

occurrences.

Par rapport au questionnaire fournit aux architectes, on remarque que la tâche

principale à laquelle les étudiants pensent consiste en la représentation graphique du projet.

Alors que pour les architectes, elle arrive en seconde position, après l’administratif que les

étudiants n’ont pas du tout envisagés dans leurs réponses. La conception est un point commun

aux deux études que les étudiants et architectes placent en quatrième position.

Une autre différence majeure est le placement de la notion « calcul » tandis que les

architectes parlent plutôt d’un métré / relevé. La différence, je suppose vient de la pratique du

métier car les architectes savent que le métré / relevé leur incombe tandis que le calcul et le

dimensionnement structurel ou la Performance Énergétique des Bâtiments (PEB) sont le

ressort d’indépendants extérieurs que l’architecte côtoie13.

13 Voir le tableau des tâches fournit par l’ordre des architectes belges dans lequel l’ordre indique que « Les

missions techniques concernent les tâches d’interventions, pour certaines obligatoires, confiées par le maître

d’ouvrage à des intervenants spécifiques. L’architecte assiste le maître d’ouvrage dans la désignation de ces

intervenants. Et il veille à la bonne coordination de ces missions techniques et d’interventions spécifiques. Si

l’architecte se voit confier des tâches visées à la colonne ‘MT’, il ne les exécute pas en sa qualité d’architecte » :

https://www.ordredesarchitectes.be/files/documents/ODA2469-

04_2020_De%CC%81pliant_Missions_Architecte_SITE.pdf

Figure 9 Résultat de la question "Si oui, quelles sont les tâches que vous remplissez actuellement et qui pourraient être

impactées d'après vous ?" du questionnaire des étudiants trié en fonction du nombre d'itération par tâche

30

5.1.5. LES TACHES ACCOMPLIES SELON LES ARCHITECTES

Une des questions posées, qui m’intéresse, pour pouvoir comprendre les tâches et

missions de l’architecte vécues par des professionnels comme témoignage direct de la

pratique, est la question portant sur le maximum de tâches que l’architecte peut citer.

Sous la question : « Pouvez-vous citer un maximum de tâches que vous devez accomplir dans

le cadre de votre travail actuel, correspondant à votre dernier emploi ? », nous avons pu

réunir un grand nombre de données. Mais il faut aussi prendre les données avec des

précautions. Celles-ci peuvent en effet être en partie biaisées par le fait que certains

architectes ont pu voir la question comme parlant du dernier « projet » ou de la dernière

« mission » qu’ils auraient conduit.

Si les tâches sont différentes en fonction de chacun, de ses missions des choix que le

bureau fait pour pratiquer le métier, il en ressort certaines tâches communes qui semble

inhérentes à la profession.

Tableau 10 Résultat de la question : "Pouvez-vous citer un maximum de tâches que vous devez accomplir dans le cadre de

votre travail actuel, correspondant à votre dernier emploi ?" avec le nombre d'itérations par tâche

31

D’après le Tableau 10, les tâches les plus mis en avant par les architectes sont : le

suivi de chantier avec 378 entrées, les tâches administratives avec 245 entrées, financières

avec 231 entrées, de gestion avec 228 entrées, de contact avec 227 entrées et la réalisation de

documents graphique avec 208 entrées.

On peut, d’ores et déjà, constater que certaines tâches ne sont pas représentées de la

même manière entre la question sur l’impact de l’IA dans les tâches. Les tâches de

« contact », de « gestion » et de « finance » qui sont ici représentées de manière significative,

le sont bien moins dans l’estimation sur leur remplacement. Ces tâches sembleraient ne pas

être, selon les architectes, parmi celles qui seront transformées par l’arrivée de l’IA.

5.1.6. LES TACHES LES PLUS CHRONOPHAGES SELON LES ARCHITECTES

La dernière question auprès des architectes qui me semble pertinente pour pouvoir

cibler des tâches à étudier sont les tâches qui consomment un certain temps, peut-être trop de

temps, pour les professionnels praticiens.

Figure 10 Résultat de la question : "Pouvez-vous citer un maximum de tâches que vous devez accomplir dans le cadre de

votre travail actuel, correspondant à votre dernier emploi ?" avec le pourcentage d'itérations par tâche

32

En leur demandant : « Parmi ces tâches, pouvez-vous identifier les trois tâches qui

monopolisent le plus de temps et indiquer pour chacune d'entre elles le pourcentage de votre

temps de travail qu'elles représentent ? » nous souhaitions connaitre les tâches qui selon eux

sont impactantes sur leur temps de travail.

Nous avons reclassé les tâches indiquées en mettant un numéro devant : 1- « Nom de

la tâche » pour la tâche la plus chronophage, 2- « Nom de la tâche » pour la seconde, et 3-

« Nom de la tâche » pour la moins monopolisatrice.

Parmi les tâches les plus chronophages (Tableau 11) citées par les architectes nous

avons :

▪ L’administratif arrive en première position avec 94 itérations,

▪ Le suivi de chantier avec 49 répétitions,

▪ La conception (42 réponses),

▪ La réalisation de documents graphiques avec 32 réponses,

▪ La gestion avec 24 récurrences.

Tableau 11 Résultat de la question "Parmi ces tâches, pouvez-vous identifier les trois tâches qui monopolisent le plus de

temps et indiquer pour chacune d'entre elles le pourcentage de votre temps de travail qu'elles représentent ?" pour les tâches

en 1

33

Sur les tâches amenées en second (Tableau 12) par les praticiens en réponse à la

question, on observe que :

▪ Le suivi de chantier prend la première place avec 59 répétitions,

▪ La gestion avec 40 occurrences

▪ L’administratif suit avec 39 réponses,

▪ La conception avec 27 itérations,

▪ Les demandes de permis, soit 26 occurrences.

Tableau 12 Résultat de la question "Parmi ces tâches, pouvez-vous identifier les trois tâches qui monopolisent le plus de

temps et indiquer pour chacune d'entre elles le pourcentage de votre temps de travail qu'elles représentent ?" pour les tâches

en 2

34

Enfin, les tâches utilisant le moins de temps parmi les plus chronophages citées on

retrouve :

▪ L’administratif avec 54 réponses,

▪ Le suivi de chantier avec 46 répétitions,

▪ La conception avec 37 itérations,

▪ La gestion avec 28 occurrences,

▪ La communication et le contact avec tous deux 15 réponses.

A travers les trois tableaux, on peut constater une part importante de l’administratif

dans les heures de travail effectuées par l’architecte. Vient ensuite le suivi de chantier. Puis la

conception et la gestion qui sont les tâches monopolisant une grande part du temps de travail.

Tableau 13 Résultat de la question "Parmi ces tâches, pouvez-vous identifier les trois tâches qui monopolisent le plus de

temps et indiquer pour chacune d'entre elles le pourcentage de votre temps de travail qu'elles représentent ?" pour les tâches

en 3

35

5.2. CORRELATION DES TACHES

Parmi les questions étudiées, j’ai fait un constat sur certaines tâches qui sont les plus

citées par les architectes dans leurs réponses à ces dites questions.

En effet dans la question sur les tâches impactées par l’IA dans l’architecture, on

s’aperçoit que l’administratif se trouve en première position (43 réponses), de même que pour

la question sur les tâches monopolisant le plus de temps (94 réponses). L’administratif obtient

la seconde place dans l’ensemble des tâches citées par les architectes (7%).

Le suivi de chantier est mentionné de manière très importante dans les deux questions

sur le temps des tâches et sur la question de donner un maximum de tâches (respectivement

deuxième position et 10% des réponses). Pourtant il n’arrive qu’en cinquième position avec

22 occurrences sur l’impact de l’IA. On peut dès lors supposer que les architectes estiment

que l’IA ne peut pas remplacer (facilement et à juste titre ?) l’architecte sur le suivi de

chantier.

La réalisation de documents graphiques et la conception occupent une place

d’importance dans le métier de l’architecte et parmi les tâches citées : 6% et 5%. Il en va de

même dans le temps que cette tâche prend. Et il semble que les architectes considèrent que

l’IA a de grande chance d’apparaitre dans ces deux tâches (soit 37 réponses pour les

documents graphiques et 31 occurrences pour la conception).

La gestion du bureau ou d’équipe fait partie des tâches les plus citées avec 6%, de

celles monopolisant le plus de temps. Mais pour autant, selon les architectes, elle semble

moins impactée par l’IA avec « seulement » 18 occurrences.

5.3. SYNTHESE

Avec la corrélation des tâches consommant du temps de travail et celles qui seraient

impactées par l’IA selon les architectes on remarque que les tâches administratives, de

réalisation de documents graphique, de conception et de gestion sont celles ou l’IA serait la

plus à même d’impacter la profession.

Pour autant le suivi de chantier, le contact avec les clients ou les entrepreneurs semblent à ce

stade l’apanage exclusif de l’architecte par sa dimension sociale et de responsabilité.

36

6. LES TÂCHES ADMINISTRATIVES EFFECTUEES PAR L’IA

En partant des tâches que les architectes ont estimé être impactées par l’intelligence

artificielle et celles prenant le plus de temps, on peut s’intéresser aux tâches que l’IA effectue

dans des disciplines différentes pour en conclure une éventuelle association aux tâches

administratives que l’architecte doit effectuer comme les demandes de permis, l’établissement

d’une convention et de formalisation de l’accord, la collecte des informations auprès des

services urbanistiques et autres administrations impliquées.

6.1. LA COMPREHENSION DU LANGAGE

Dans un premier temps, nous allons tâcher de comprendre sur quoi repose le langage

qui permet à l’homme de comprendre et d’analyser des éléments de plus en plus complexe

(contrat, loi, etc…). Grace à cette compréhension et de son apprentissage, le programme

intelligent peut alors se positionner pour comprendre le langage naturel et de pouvoir le

retranscrire comme le font déjà certaines IA en écrivant des romans : « 1 The Road », Ross

Goodwin, 2017, elle peut alors remplir des formulaires, des documents à destination de

l’administration ou des clients.

La faisabilité de la tâche donnée se fait par la compréhension entre les individus du but

à obtenir. Pour l’homme l’acquisition du langage se fait très tôt : « Le langage fait partie

intégrante de nos vies, il nous semble aussi naturel que de respirer ou de marcher (Clark,

2003). Mais les bébés passent beaucoup de temps à apprendre à parler, l’acquisition de leur

langue maternelle commençant même avant la naissance. En effet, l’oreille du fœtus est

fonctionnelle dès le cinquième mois de gestation (Lecanuet et al., 1995) et laisse passer

principalement les fréquences basses correspondant aux informations prosodiques (175-500

Hz). Après la naissance, les nouveau-nés vont manifester un certain nombre de capacités et

de préférences pour les sons de leur environnement (Mehler et al., 1986) et leur progression

dans l’acquisition des sons de leur langue maternelle va évoluer très rapidement au cours de

la première année, tant au niveau de la perception que de la production. Après avoir dominé

les sons de leur langue(s) maternelle(s), ils vont devoir en maîtriser les différents mots et

constructions, les différentes modalités, tout en réussissant à se faire comprendre par leur

37

entourage et à comprendre les productions des autres. »14. Cette acquisition se fait à force

d’expérience et de temps pour l’humain. Pour l’intelligence artificielle cette démarche est

différente dans la rapidité du traitement et de l’apprentissage.

Un groupe d’informaticiens français travaillant au sein l’INRIA a créé une IA nommée

CamemBERT (dont le programme se base sur des modèles de type BERT) capable de

détecter les différences des mots dans leur contexte, leurs natures grammaticales, les noms

propres et leurs types. L’IA analyse ensuite les mots et est capable d’en tirer des conclusions

selon les paramètres qui lui sont définis (Louis Martin et al, 2019). L’intérêt de cette IA se

base sur la langue française et non sur l’anglais comme la plupart de la recherche dans ce

domaine (les bases de données étant majoritairement en anglais). L’entrainement de l’IA a été

fait suivant différents corpus de textes en français tirés : « du sous-corpus français du corpus

multilingueOSCAR extrait de Common Crawl (Ortiz Suárez et al., 2019), un autre corpus

extrait de Common Crawl nommé CCNET (Wenzek et al., 2019) et un snapshot récent de la

Wikipedia française »15.

Lors de l’étude, les auteurs ont préparé plusieurs objectifs auquel le programme

CamenBERT devait répondre, dont une démarche de masquer au hasard les mots d’un texte

que l’IA devait compléter en retrouvant le mot original. L’utilisation de reconnaissance

d’entités nommées (NER)16 permet d’étiqueter les mots d’un texte à l’aide de paramètres

prédéfinis pour que l’IA puisse comprendre le sens du paragraphe. Ils ont évalué : «

CAMEMBERT dans cette utilisation sous forme de plongements lexicaux dans des tâches

d’étiquetage morpho-syntaxique, d’analyse de dépendance et en NER »17

L’exercice de plongement lexical fourni par l’IA consiste à vectoriser (convertir sous forme

de vecteur) les mots d’un dictionnaire sous forme binaire simplifiant la puissance de calcul

14Enfance et langage : voix, corps et discours C. DODANE et A. DEL RE

https://doi.org/10.4000/praxematique.4742

15« CamemBERT: a Tasty French Language Model » L. MARTIN & al 2020 - https://arxiv.org/abs/1911.03894

(Article de colloque)

16 La reconnaissance d’entités nommées consiste en l’extraction de mots ou groupe de mots pouvant être

catégorisé comme le noms géographique, de personnes, les concepts d’argent, de temps et de lieux, etc…

https://www.cairn.info/revue-i2d-information-donnees-et-documents-2015-2-page-70.htm

17 Les modèles de langue contextuels CAMEMBERT pour le français : impact de la taille et de l’hétérogénéité

des données d’entrainement » L. MARTIN & al 2020 - https://hal.archives-ouvertes.fr/hal-02784755/file/151.pdf

(Article de revue)

38

Figure 11 Résultat obtenu des plongements lexicaux par l'équipe travaillant sur CamemBERT

nécessaire à l’IA pour déduire le mot manquant d’après les autres termes façonnant le

contexte de la phrase.18

Via la Figure 11, on observe que le programme arrive, dans les différents corpus de

texte choisis lors de l’expérience (GSD, Sequoia, Spoken, ParTUT, Average) à bien traiter le

contexte des paragraphes et à compléter de manière assez juste et cohérente les mots ou

groupes de mots manquants. L’équipe constate : « Un résultat inattendu de nos expériences

est que le modèle CAMEMBERT standard, entraîné sur l’ensemble des 138Go de texte

d’OSCAR, ne surpasse pas massivement le modèle entraîné « uniquement » sur l’échantillon

de 4Go. Dans les configurations où le modèle de langue est utilisé comme plongements, le

modèle entraîné sur 4Go conduit plus souvent à de meilleurs résultats que le CAMEMBERT

standard entraîné sur 138Go, bien que les différences de scores soient rarement frappantes.

Dans les configurations fine-tuning, le CAMEMBERT standard fonctionne généralement

mieux que celui entraîné sur 4Go, mais là encore les différences sont toujours faibles. ». Il

semblerait donc qu’un corpus de texte minimal soit suffisant « lorsque les modèles sont

entraînés sur des corpus tels que OSCAR et CCNET, hétérogènes en termes de genre et de

style, 4Go de texte non compressé constitue un corpus de pré-entraînement suffisamment

volumineux pour atteindre l’état de l’art avec l’architecture BASE » permettant ainsi de

pouvoir entrainer l’intelligence artificielle à toutes les langues et à toutes les formes de

langages thématiques d’un travail (comme celui de l’architecture, ou des normes officielles).

En somme, ce programme, qui n’est qu’un exemple parmi d’autre, il existe aussi

FlauBERT (French Language Understanding via Bidirectional Encoder Representations from

18 La définition est ici simplifiée, et est issu de Wikipedia ( https://fr.wikipedia.org/wiki/Word_embedding )

39

Transformers), possède la réflexion nécessaire pour analyser un texte et répondre à des

demandes spécifiques. Il est possible d’envisager à l’avenir différentes applications dans le

monde professionnel pour remplir les cases de documents contractuels ou administratif à

partir de critères définis et d’une base d’expérience.

6.2. L’INTELLIGENCE ARTIFICIELLE DANS LE MONDE JURIDIQUE

6.2.1. COiN DE LA BANQUE JP MORGAN

La banque JP MORGAN a, dans son rapport annuel de 201619, indiqué qu’elle a

investi dans un programme d’intelligence artificielle permettant d’automatiser les taches

d’analyse de contrats et d’accord de crédit commercial avec les lois. En utilisant COiN,

acronyme pour Contract intelligence platform, la banque obtient l’analyse de 12 000

documents annuel en quelques secondes. Le temps de travail que les juristes doivent fournir

pour analyser en une année, le même travail est estimé à 360 000 heures. COiN réduirait

d’approximativement 80% les erreurs de crédit d’emprunt, toujours selon ce même rapport

annuel.

Selon une publication du cabinet d’avocat international CMS20, le CEO de JP Morgan,

Jamie DIMON est très porté sur l’avenir de l’intelligence artificielle et a investi plus de onze

milliards de dollars. La banque aurait aussi employé cinquante mille spécialistes de la

technologie.

COiN peut extraire 150 attributs pertinents des données de chaque contrat, c’est-à-

dire : des points clefs et des clauses de ces contrats. Le programme utilise l’apprentissage

19 JP Morgan, rapport annuel 2016 – p49 : https://www.jpmorganchase.com/content/dam/jpmc/jpmorgan-chase-

and-co/investor-relations/documents/2016-annualreport.pdf

20 La publication est parue sur le site de CMS, qui eux-mêmes s’intéressent à utiliser l’IA dans leurs services.

Par B. BRADLEY, R. BROWN, R. FREE, K, GANDHI, C. KERRIGAN, D. TURNER en 2019 : « Banking on

AI in financial services » : https://cms.law/en/gbr/publication/banking-on-ai-in-financial-services

40

pour parfaire ses erreurs et la reconnaissance d’image pour effectuer un comparatif entre les

différents attributs du contrat21.

6.2.2. L’IA DANS LE DOMAINE CONTRACTUEL

Une autre intelligence artificielle s’est faite remarquer dans le domaine contractuel

d’accord de non-divulgation (NDA : Non-Disclosure Agreements en anglais). LawGeex, nom

du programme intelligent, a concouru contre vingt juristes / avocats en 2018 sur l’analyse de 5

contrats pour identifier et mettre en évidence les points clefs problématiques. Les avocats

devaient utiliser un menu déroulant contenant différents problèmes à identifier.

Le rapport de l’étude22, nous explique que l’IA a été entrainé sur une douzaine de

types de contrat légal dont des dizaines de milliers de fois sur les accords de non-divulgation.

Pour répondre aux besoins de la tâche, les concepteurs ont mis en place un modèle de

« traitement de langage légal » (Legal Language Processing) et un modèle de

« compréhension de langage légal » (Legal Language Understanding). En outre, l’IA a

fonctionné via l’observation de concepts plutôt que la recherche de mots clés.

Les résultats ont été calculé sur la performance des participants sur trois points : un

problème a été manqué, un problème a été mal identifié, un problème a été correctement

identifié.

Figure 12 Résultats entre l'IA et les avocats de l'analyse des accords de non-divulgation

La Figure 12, ci-dessus, montre une moyenne pour les vingt avocats de 85% de

réussite, et 94% pour l’intelligence artificielle. Le temps moyen des avocats pour étudier les

21 Article de T. DAVENPORT pour Forbes : https://www.forbes.com/sites/tomdavenport/2019/11/12/ai-at-

jpmorgan-chasebreadth-depth-and-change/?sh=1f4d28a110bb 22 « Comparing the Performance of Artificial Intelligence to Human Lawyers in the Review of Standard Business

Contracts » Fevrier 2018 -https://images.law.com/contrib/content/uploads/documents/397/5408/lawgeex.pdf

Ce document a été trouvé depuis un moteur de recherche, il n’est plus disponible sur le site officiel de LawGeex.

41

cinq contrats est de 92 minutes tandis que celui de l’IA est de 26 secondes. Le gain de temps

par l’utilisation de l’IA est assez conséquent et pourrait permettre de traiter plus rapidement

des données. Notamment dans le cas de litige entre le client, l’architecte et/ou l’entrepreneur.

6.3. DISCUSSION : L’INTELLIGENCE ARTIFICIELLE EN JUSTICE

6.3.1. L’IA EN JUSTICE AU BRESIL

« L'intelligence artificielle insérée au système judiciaire est fascinante peut-être parce

qu'elle a la possibilité de réaliser l'un des plus anciens rêves de droit: un droit sans l’État, un

droit qui se caractérise notamment par un positivisme exagéré qui se confond à une machine

sans technique, un droit qui s'applique par lui-même et n'a pas d'administration, pas de sens

de la justice, un droit totalement manipulateur, que ne dépendant ni de la coutume ni de la

culture, un droit qui peut être confondu avec la science » conclu Giulia DE ROSSI

ANDRADE, avocate, membre du Centre de recherche sur les politiques publiques et le

développement humain de la Pontifice Université Catholique de Paraná dans « Les défis de

l'utilisation de l'intelligence artificielle dans le système judiciaire brésilien »23. Cette avocate

s’intéresse à l’intelligence artificielle dans le système judiciaire brésilien puisque la présidente

de la cour suprême fédérale de justice (Brazilian Supreme Court, STF) Carmen LUCIA (2016

– 2018), a sous son mandat donné l’impulsion à une IA nommé VICTOR, traitant les requêtes

que la cour suprême reçoit, pour connaitre et approfondir les connaissances de l’IA pour une

application judiciaire.

« L'objet de la recherche et du développement de ce projet est d'appliquer les

méthodes du « machine learning » pour utiliser ses potentiels dans la reconnaissance de

formes dans les processus juridiques liés aux jugements de répercussions générales du STF.

De manière pragmatique, cela vise à développer un système composé d'algorithmes de « deep

learning » permettant l'automatisation de analyses textuelles des processus juridiques »

23 DE ROSSI ANDRADE, Guilia. Les défis de l'utilisation de l'intelligence artificielle dans le système judiciaire

brésilien. Revue Internationale de droit des données et du numérique, [S.l.], v. 6, p. 75-88, avril. 2020. ISSN

2553-6893. Disponible à l'adresse : https://ojs.imodev.org/index.php/RIDDN/article/view/341

42

[traduction libre]24 explique F. M. DE SANCTIS dans un article paru en 202. La fonction du

« robot » est de classifier et séparer les cas. Contrairement aux serveurs spécialisés qui traitent

actuellement chaque dossier en trente minutes, VICTOR le fait en cinq seconde permettant

d’utiliser les serveurs pour d’autres tâches nécessaires au fonctionnement du STF.

Le « robot » a aussi comme but d’identifier les thèmes les plus courants des « general

repercussion » (concept de la justice brésilienne qui s’assure que seuls les cas vraiment

importants soient entendus par la STF25), en aidant à résoudre environ dix milles recours

spéciaux que doit traiter chaque année la cour suprême brésilienne.

La base de données de VICTOR comprend près de sept-cent-mille documents (environ

4,6 millions de pages) dont quarante-cinq-mille recours sous forme de PDF. Les chercheurs

ont mis au point trois forme de VICTOR contenant plus ou moins de données : Big VICTOR

(BVic) avec toutes les « data », Medium VICTOR (MVic) après un filtrage de certains

documents et Small VICTOR (SVic) contenant cent exemples de chaque type de cas que la

STF traite, avec environ cent-mille documents pour trois-cent-quarante-mille pages26.

Pour tester l’efficacité de l’intelligence artificielle, les chercheurs ont essayé

différentes architectures du mode de réflexion du programme.

Deux méthodes « Bag-of-words », consistant à chercher des mots dont au moins 50%

de fréquences de mots retrouvés sur la page pour un minimum de deux pages. Le vocabulaire

a été réduit aux 70 000 mots les plus fréquents.

24 « The object of research and development of this project is to apply machine learning methods to use its

potentials in pattern recognition in legal processes related to judgments of general repercussions of the STF.

Pragmatically, it aims to develop a system composed of deep machine learning algorithms enabling the

automation of textual analyses of these legal processes » p2

F. M. De Sanctis, « Artificial Intelligence and Innovation in Brazilian Justice », Int. ann. criminol., vol. 59, no 1,

p. 1-10, mai 2021, doi: 10.1017/cri.2021.4.

25 Explication du concept sur : https://www.mondaq.com/brazil/constitutional-administrative-law/57864/the-

supreme-federal-tribunal-and-the-general-repercussion-requirement

26 P. H. Luz de Araujo, Teófilo Emídio de Campos, Fabricio Ataides Braz, Nilton Correia da Silva, N. Correia da

Silva, T. Emidio De Campos, et F. Ataides Braz, « VICTOR: a Dataset for Brazilian Legal Documents

Classification », vol. Proceedings of the 12th Language Resources and Evaluation Conference, p. 1449 1458,

mai 2020.

43

Une première méthode consiste à utiliser un « Naïve Bayes Classifier » qui est un

algorithme utilisant les probabilités (théorème de Bayes) pour trouver le résultat en se basant

sur plusieurs variables indépendamment les unes des autres. La deuxième méthode utilisée est

le « SVM » (support vertor machine) dont le but est de séparer les données en différentes

classes avec une frontières. Les vecteurs de support sont les données les plus proches de la

frontière. En classant les données, le programme intelligent peut ensuite répondre au but

demandé.

La troisième méthode utilise les réseaux de neurones convolutifs (Convolutional

Neural Network, CNN), qui fonctionne de manière similaire à des connections neuronales

biologique en créant des filtres (des catégories) pour analyser l’objet (très souvent une image).

Chaque neurone fonctionne indépendamment mais se chevauche partiellement permettant aux

neurones de travailler ensemble tout en ne traitant qu’une partie de l’information.

L’architecture que les chercheurs ont

employée (confère Figure 13) se base sur le

modèle proposé dans un article « Proceedings

of the 15th Conference of the European

Chapter of the Association for Computational

Linguistics »27. Elle consiste à entrer le texte,

puis à la convertir sous forme vectoriel d’une

manière similaire à ce que fait l’IA

CamemBERT, puis l’analyse passe dans la

phase de réflexion au sein du réseau neuronal

(convolution), qui synthétise la réflexion

(concatenate), pour ensuite réduire le champ

d’action et cibler le résultat voulu.

La dernière méthode employée est le « Bidirectional LSTM Network » (Long Short-

Term Memory pour mémoire à court et long terme). C’est aussi une forme de réseau neuronal

dont les entrées sont indépendantes les unes des autres. Utilisant un réseau neuronal récurent

27 Conneau, A., Schwenk, H., Barrault, L., and Lecun, Y. (2017). « Very deep convolutional networks for text

classification ». In « Proceedings of the 15th Conference of the European Chapter of the Association for

Computational Linguistics »: Volume 1, Long Papers, pages 1107–1116, Valencia, Spain, April. Association for

Computational Linguistics.

Figure 13 Architecture CNN utilisée par les chercheurs via l'IA

VICTOR

44

(Recurrent neural networks, RNN) qui maintient une mémoire basée sur l’histoire de

l’information d’entrée, le LSTM Network fonctionne par des cellules qui traite l’information

tout en gardant une connexion entre la cellule précédant et l’actuelle. Le système

bidirectionnel rajoute une ligne permettant d’avoir à la fois la mémoire de la cellule

précédente et la fois celle de la cellule future28.

On retrouve, Figure 14, l’importation du texte dans

le programme, puis la vectorisation du texte avant de

le traiter avec le système LSTM (Forward et

Backward, avant et arrière) et puis le résumé

permettant de sortir le résultat.

Les résultats de l’expérience (Figure 15) montrent que les systèmes utilisant le CNN

ou le Bi-LSTM évalués avec le dateset MVic performent bien mieux que les deux autres,

même si le système SVM les suit de près. Pour le dataset SVic, le modèle SVM et le CNN ont

le mieux performés. Au final sur les deux database, le modèle CNN est le plus performant, les

chercheurs ont donc choisi d’utiliser un champ aléatoire conditionnel sur ce modèle

28 Z. Huang, W. Xu, et K. Yu, « Bidirectional LSTM-CRF Models for Sequence Tagging », arXiv:1508.01991

[cs], août 2015, http://arxiv.org/abs/1508.01991

J’ai trouvé l’explication du fonctionnement du système LSTM sur ce document, mais d’autres ressources

indiquent un mode de fonctionnement similaire.

Figure 14 Architecture du Bi-LSTM Network

utilisée par les chercheurs via l'IA VICTOR

Figure 15 Résultats des différents systèmes de réflexion utilisés par les chercheurs lors de l'étude

45

Pour améliorer les sorties de données, l’utilisation d’un champ aléatoire conditionnel

(conditional random fields, CRF) en post-traitement des méthodes de réflexions choisies,

permet de prendre en compte l’interaction des variables proches sémantiquement. Dans le cas

de l’étude le CRF traite le document non pas page par page, mais d’un ensemble de page

puisque « intuitivement, une page est plus probablement suivie d’une autre page de même

type »29 [traduction libre]

Une augmentation non négligeable de 6.29% sur les résultats du modèle CNN après le

post-traitement CRF dans le cas de la base de données MVic est une amélioration de

l’efficacité du programme ; utile pour valider la mise en place effective de son utilisation par

la justice brésilienne.

Cependant VICTOR ne prend pas de décisions n’y ne juge. Cela reste le ressort de

l’humain. Mais la machine peut aider les responsables pour analyser les procédures, au final

l’intention est d’aider et non de remplacer, d’après une interview de Luiz Fux, président du

STF depuis 2020, que madame DE SANCTIS, auteure de l’article, site (F. M. DE

SANCTIS « Artificial Intelligence and Innovation in Brazilian Justice » mai 2021).

29 « Intuitively, a page is more likely to be followed by another of the same type » (page 1453 de « VICTOR: a

dataset for Brazilian legal documents classification »)

Figure 16 Performance avant et après le post-traitement CRF sur les tests

précédents

46

6.3.2. PREDICTION DES DECISIONS DE JUSTICE PAR L’IA

En 2016, une équipe de chercheurs de l’University College London30 publie un article

(« Predicting judicial decisions of the European Court of Human Rights: a Natural Language

Processing ») sur une intelligence artificielle étant capable de prédire les décisions des juges

de la Cour Européenne des Droits de l’Homme (CEDH).

L’algorithme utilise un système SVM, qui après avoir analysé environ six-cent affaires

de la CEDH, correspondant à trois articles de la Convention européenne des droits de

l’homme : l’article 3 (« Nul ne peut être soumis à la torture ni à des peines ou traitements

inhumains ou dégradants »), l’article 6 (« Toute personne a droit à ce que sa cause soit

entendue […] par un tribunal »), et l’article 8 (« Toute personne a droit au respect de sa vie

privée et familiale, de son domicile et de sa correspondance »)31, prédit le jugement et le

compare au jugement donné par le juge.

L’intelligence artificielle prédit un jugement identique à celui du juge 79% du temps

sur la moyenne des trois articles.

Mais Boris BARRAUD32, dans un article, critique l’analyse que l’étude des

chercheurs anglais exprime: « pose la question d'une évolution des professions judicaires non

vers un remplacement des magistrats par des machines «intelligentes» disant le droit

automatiquement mais vers une association des magistrats et de ces machines «intelligentes»,

30 N. Aletras, D. Tsarapatsanis, D. Preoţiuc-Pietro, et V. Lampos, « Predicting judicial decisions of the European

Court of Human Rights: a Natural Language Processing perspective », PeerJ Computer Science, vol. 2, p. e93,

oct. 2016, doi: 10.7717/peerj-cs.93 .

31 Articles issus de la Convention européenne des droits de l’homme :

https://www.echr.coe.int/Pages/home.aspx?p=basictexts&c=fre

32 Barraud Boris, « Un algorithme capable de prédire les décisions des juges : vers une robotisation de la justice

? », Les Cahiers de la Justice, 2017/1 (N° 1), p. 121-139. DOI : 10.3917/cdlj.1701.0121. URL :

https://www.cairn.info/revue-les-cahiers-de-la-justice-2017-1-page-121.htm

Figure 17Résultats obtenus par l'IA sur l'exactitude de ses prédictions

47

laquelle pourrait permettre des gains de temps et des économies de moyens

considérables. » en effet car celle ne prédit que « les mêmes choix que les juges-humains dans

huit cas sur dix ». L’auteur nous amène ensuite à se questionner sur la justesse d’une

intelligence artificielle qui rendrait les jugements. Si en effet elle opérera de manière à

respecter les articles de loi par rapport aux faits qui lui sont apportés, le juge humain possède

une liberté par rapport à l’application stricte des lois par l’interprétation qu’il en fait : « Peut-

être les 21 % d'erreurs sont-ils plus intéressants que les 79 % de réussites. Si la prise de

décision juridictionnelle obéissait à une stricte logique formelle, les chercheurs auraient pu

parvenir à construire un juge algorithmique s'accordant plus systématiquement avec le juge

humain. »

6.4. SYNTHESE

L’intelligence artificielle d’analyse de langage (CamemBERT) pourrait aussi être

bénéfique pour des pays comme la Belgique où il existe plusieurs communautés linguistiques

et politiques, pour peut-être gagner du temps sur la partie administrative et l’échange des

documents dans différentes langues. L’intérêt y est aussi européen si l’on envisage une

traduction automatique des contrats et autres démarches administratives (lors de la demande

de permis de construire par exemple) valable pour l’ensemble des pays membre de l’Union

Européenne.

Les intelligences comme COiN et Lawgeex seraient utiles dans les tâches

contractuelles et peut-être notariales que le client et l’architecte doivent fournir à

l’administration publique.

Les modèles d’intelligence comme VICTOR pourrait permettre aux administrations

communales de traiter plus rapidement les demandes de permis en fonction de leur règlement

d’urbanisme et donner un gain de temps et d’argent pour le client et l’architecte.

En outre, il est possible d’imaginer qu’un jour les dossiers de soumissions et les

demandes de permis d’urbanisme pourront être remplis automatiquement par un programme

intelligent similaire en fonction de données que nous lui transmettrions.

48

7. L’IA ET L’ANALYSE D’IMAGES

A travers l’études de cas présent en médecine comme l’analyse d’image (radiologie)

nous essayerons de voir si l’intellige artificielle est capable d’analyser d’une manière similaire

les plans et documents (photos ou graphiques) que l’architecte pourrait lui fournir et en sortir

des données pertinentes, comme par exemple un métré ou bien un rapport de chantier.

Un autre moyen d’analyse d’image et d’interprétation par l’intelligence artificielle

permet par une reconnaissance de forme de créer une image de synthèse réaliste. C’est ce que

développe l’entreprise NVIDIA avec son IA : GauGAN.

7.1. L’IA ET L’IMAGERIE MEDICALE

7.1.1. LE BIG DATA A L’HOPITAL

« L'avènement du big data à l'hôpital a proposé un changement de paradigme par le

passage d'une approche centrée patient à une centrée sur les données ; cette nouvelle façon

de traiter l'information est une première étape au développement de l'intelligence artificielle

(IA). Cette grande quantité d'images médicales, rendue disponible grâce au big data, offre un

grand potentiel pour l'entraînement de réseaux de neurones et, en particulier, du deep

learning. »33 (A. Nerot et I. Bricault. 2020). Par ces mots, les deux chercheurs du service

d’imagerie du Centre Hospitalier Universitaire de Grenoble commencent leur explication du

fonctionnement de l’intelligence artificielle dans l’analyse d’imageries médicale. Ils

préviennent à ce titre sur le jeu de la sécurité des données médicales qui devront être

« partagés » à l’IA, mais ce n’est pas le but de ce mémoire.

Le big data, dans l’imagerie médicale, comme l’explique les chercheurs, correspond à

la multiplication des quantités de données. Ils précisent que le big data peut se traduire en 5

points, les « cinq V du big data ».

33 A. Nerot et I. Bricault, « Introduction au big data en radiologie et initiation en autonomie à

l’intelligence artificielle », J. Imag. Diagn. Interv. , août 2020, doi:

10.1016/j.jidi.2020.05.016.

49

▪ Le volume (quantité) : la quantité de données peut devenir astronomique dans ce

domaine de recherche. Intel, dans un article de 2019, concernant les besoins en

matériel, imposés par les recherches en intelligence artificielle, estime à 3000 Go le

volume de données créé par un « smart-hôpital » chaque jour [9] ;

▪ La vélocité correspond à la vitesse d'accumulation des données, provenant d'une

multitude d'origines possibles. De tels volumes de données limitent la possibilité

d'analyse sur la totalité et pousse à s'intéresser à des échantillons pour représenter

l'ensemble ;

▪ La variété fait référence au caractère hétérogène des données en rapport avec leur

type (imagerie, administratives, médicales, courriers. . .), leur caractère structuré ou

non (données prédéfinies telles que la date en format JJMMAAAA, contrairement à

une imagerie dont le nombre d'images et leur qualité est variable) et leur quantité (un

patient peut passer zéro, un ou plusieurs scanners) ;

▪ Le besoin de véracité : les données stockées doivent être certaines et utilisables ;

▪ La valeur : les données elles-mêmes n'ont que peu de valeur sans la capacité à en tirer

des informations34.

J’ai choisi de reprendre tel quel leur explication des 5 points du big data puisqu’ils

sont certes généraux par rapport au domaine, mais sont ici agrémentés de précisions

concernant l’imagerie médicale, ce qui semble utile dans le cadre de l’analyse de

l’intelligence artificielle dans le domaine médical.

Ils expliquent ensuite la structure du fichier « DICOM » (Digital Imaging and

Communications in Medicine) qui est le nom que prend la forme de stockage de l’imagerie

médicale d’après un standard international permettant de transmettre un ensemble

d’informations et de les afficher ensuite sur l’ensemble des différents appareils d’imagerie

médicale (différentes marques de constructeurs). D’autant que les sources d’images sont aussi

différentes s’il s’agit de scanners, radiologies, échographies, etc…

Selon eux, les données que l’on fournit au logiciel ne sont pas le problème principal.

Celui-ci se trouverait dans les données enrichies, c’est-à-dire les rapports (radiologiques dans

le cas présent) qui sont rédigés sous forme de texte très souvent non structurés. En aparté, si

34 A. Nerot et I. Bricault, « Introduction au big data en radiologie et initiation en

autonomie à l’intelligence artificielle », page 67

50

l’on voulait développer une IA s’appliquant à la rédaction des rapports de réunions (de

chantier) ou des procès-verbaux de réception de travaux, celle-ci aurait des difficultés en

utilisant le système du big data puisque la rédaction de ces documents ne sont pas soumis à

une forme structurée pour l’ensemble des architectes.

7.1.2. L’IMPACT DE L’IA EN ONCOLOGIE

Dans un article35 portant sur l’intelligence artificielle dans l’oncologie, qui est la

spécialité traitant l’études, le diagnostic et le traitement des cancers, et plus précisément dans

la partie diagnostique avec la radiologie, les auteurs proposent une perspective du métier dans

un proche avenir, qui semble s’être déjà mis en marche.

L’apport de l’IA impacterait la détection d’anomalies, la caractérisation et le suivit

d’évolution en évaluant les risques pour le patient. Ces tâches demanderaient différentes

compétences comme la détection et le diagnostique de la maladie mais aussi la capture et le

traitement des radiographies.

Lors de la détection, les radiologues doivent se focaliser sur les cellules défectueuses

d’après des images, se reposant sur leur éducation, leur expérience et leur compréhension des

radiographies.

Pour la caractérisation le radiologue doit noter la taille, l’extension et la texture interne de

l’anomalie. Ce qui selon les auteurs de l’étude serait problématique en tant que tâche

routinière car « les humains ne sont pas capables de comptabiliser plus d’une poignée de

caractéristiques qualitatives » [Traduction libre].

La surveillance de ces tumeurs est essentielle pour pouvoir émettre un diagnostique, qui

demande une radiographie constituée de plusieurs « scans » alignés, suivi par une évaluation

de leur taille.

35 A. Hosny, C. Parmar, J. Quackenbush, L. H. Schwartz, et H. J. W. L. Aerts, « Artificial intelligence in

radiology », Nat Rev Cancer, vol. 18, no 8, p. 500 510, août 2018, doi: 10.1038/s41568-018-0016-5.

51

Le schéma ci-dessus « Artificial intelligence impact areas within oncology imaging »

(les zones d’impact de l’intelligence artificielle dans l’imagerie oncologique) nous explique le

déroulement des tâches dans l’acquisition et le traitement de radiologies dans lesquels l’IA

aurait un impact important.

Voici la traduction de la légende, la première partie est explicitée dans le paragraphe

précédent :

▪ a/ Le déroulement des opérations comprend les étapes suivantes : prétraitement des

images après leur acquisition, les tâches cliniques basées sur l'image (qui impliquent

généralement la quantification de caractéristiques en utilisant soit des

caractéristiques élaborées avec le machine learning traditionnel ou le deep learning),

la communication des résultats par la génération de rapports radiologiques textuels

et, enfin, l'intégration des informations sur le patient provenant de plusieurs sources

de données. [Traduction libre]

▪ b/ L'IA devrait avoir un impact sur les tâches cliniques basées sur l'image, notamment

la détection d'anomalies ; la caractérisation d'objets dans les images à l'aide de la

Figure 18 Les zones d’impact de l'intelligence artificielle dans l'imagerie oncologique

52

segmentation, le diagnostic et la hiérarchisation ; et le suivi des objets pour le

diagnostic et l'évaluation de la réponse au traitement. [Traduction libre]

En somme la machine aiderait sur les tâches répétitives mais le radiologue serait

toujours présent pour vérifier ainsi qu’avoir le contact avec le patient pour lui expliquer le

diagnostique et le traitement à suivre. L’intelligence artificielle permettrait de gagner du

temps en obtenant les résultats et en traitant ou prétraitant les données toujours plus

nombreuses qui suivent chaque patient.

« Car les chiffres sont là. « En 2010, il fallait trois ans et demi pour que la quantité de

données médicales soit multipliée par deux. En 2020, il ne faut plus que 72 jours », observe le

directeur médical de GE Healthcare Europe, Mathias Goyen. Et l'imagerie y contribue

largement. Elle est non seulement utilisée pour le diagnostic dans un nombre croissant de

situations, mais aussi pour le suivi des traitements et même leur réalisation avec l'essor de la

radiologie interventionnelle. » nous explique Catherine Ducruet dans un article de Les

Echos36

7.1.3. LE SUCCES DE L’IA DANS LA DETECTION

Paul PARIZEL, professeur du département d’imagerie médicale à l’Hôpital

Universitaire d’Anvers, a participé en tant que membre du jury à un concours organisé en

2018 en Chine entre une intelligence artificielle et des spécialistes d’analyse d’imageries

neuronales sur l’identification de tumeur sur des radios37.

Les 15 docteurs avaient trente minutes pour identifier chacun 15 tumeurs et en donner

un seul diagnostique qui devait être le plus juste possible. L’IA, nommé BioMind a quant à

elle trouvé 196 bonnes réponses sur les 225 radiologies (elle a tout analysé), en moins de

quinze minutes. Le pourcentage de bonne réponse de l’IA est de 87% contre 66% pour les

spécialistes.

36C. Ducruet « L'imagerie médicale à l'heure de l'intelligence artificielle », 2019, Les Echos :

https://www.lesechos.fr/industrie-services/pharmacie-sante/limagerie-medicale-a-lheure-de-lintelligence-

artificielle-1156756 [En ligne]

37 P. Parizel « I’ve seen the future: a competition between physicians and AI », 2018,

https://www.myesr.org/article/1840 [En ligne] – Attention aux informations, si les mérites de ce professeur ne

sont pas remis en cause, les sources des résultats proviennent de sources journalistiques non vérifiables.

53

Un deuxième concours avec un groupe de docteurs différent ou les compétiteurs devaient

prédire l’évolution de l’expansion d’un hématome intracérébrale. L’IA a prédit de manière

correcte 83% des cas tandis que le groupe de docteur n’est arrivé « qu’à » 63%38

Cependant la réussite de l’intelligence artificielle dans ce domaine est attestée par la

publication dans le journal mensuel Radiology d’un article sur l’augmentation de la fréquence

de détection du cancer du sein via les mammographies avec l’aide de l’IA : « Improving

Breast Cancer Detection Accuracy of Mammography with the Concurrent Use of an Artificial

Intelligence Tool »39

Les auteurs de l’études expliquent que 30% à 40% des cancers du sein peuvent être

manqués lors des analyses de radiologies. Le but de leur démarche est de démontrer

l’amélioration de la découverte de cancer du sein grâce à l’utilisation d’un outil d’analyse

d’image avec l’intelligence artificielle.

Les données ont été collecté durant une période s’étalant sur trois ans, et seuls les

examens de femmes ne présentant aucuns symptômes cliniques ont été inclus. Des catégories

ont été créé : « vrai positif », « faux négatif », « vrai négatif » et « faux positif ». Ces

catégories correspondent après l’évolution des cas au cours du temps par les femmes :

▪ Les « vrai positif » sur les radiologies ont été vérifié par histopathologie (étude

microscopique des tissus). Et sont donc les radiologies ou une tumeur à bien été

détecté.

▪ Les « faux positif » ont aussi été vérifié par une biopsie (prélèvement d’une petite

partie d’organe ou de tissus en vue d’examen), la radiologie montrait une tumeur alors

qu’il n’y en avait pas.

▪ Les « vrai négatif » sont les femmes ne présentant aucun cancer sur les radiologies

après une vérification 18 mois plus tard.

38 CCTV Video News Agency, 2018, «AI Excels Human Doctors in Neuroimaging Recognition Contest in

Beijing » https://www.youtube.com/watch?v=qmHL6T9_NAs

Attention aux informations, je n’ai pas trouvé de documents scientifiques sur le sujet, hormis des articles

journalistiques sans sources. En outre la chaine Cctv est une télévision d’état chinoise fortement lié au pouvoir

en place.

39 S. Pacilè, J. Lopez, P. Chone, T. Bertinotti, J. M. Grouin, et P. Fillard, « Improving Breast Cancer Detection

Accuracy of Mammography with the Concurrent Use of an Artificial Intelligence Tool », Radiology: Artificial

Intelligence, vol. 2, nᵒ 6, p. e190208, nov. 2020, doi: 10.1148/ryai.2020190208.

54

▪ Les « faux négatif » sont définit par la radiologie ou aucune tumeur apparait, mais

qu’après 18 mois, il s’avère que les femmes avaient une tumeur.

La base de données contient 240 cas de patientes, dont l’âge moyen est de 59 ans

(pour une échelle de 37 à 85 ans). 80 cas étaient des « vrai positif », 40 des « faux négatif »,

80 des « vrai négatif » et 40 « faux positif ».

Le système d’IA utilisé a été créé par une entreprise française, Therapixel, basée à

Nice du nom de MammoScreen V1. Elle est conçue pour identifier des régions suspicieuses à

travers un assemblage digital en deux dimensions en utilisant un système de réseau neuronal

de convolution profond (deep convolutional neural networks – Deep CNN).

Pour évaluer la performance de l’IA, l’équipe a pris un échantillon de 14 radiologistes

et a comparé leur diagnostique avec l’analyse de l’IA, puis l’évolution de leur performance

dans leur diagnostique en étant aidée par l’IA.

Figure 19 Figure tirée de l'étude

Le graphique (A) représente la moyenne des courbes de fonction d’efficacité du

récepteur (c’est un système de représentation graphique pour classer les mesures de

performances) des radiologues en jaune, en vert celle des radiologues avec l’aide de l’IA et en

pointillés, l’IA seule.

Le graphique (B) représente la même donnée pour la performance de l’IA dans la

découverte de lésions des tissus mous en jaune et en rouge, la calcification.

55

On constate une amélioration moyenne de la performance moyenne des radiologues

dans le graphique (A). D’après les résultats de l’études, il y aurait une augmentation moyenne

de 18% dans la découverte de cas « faux négatif » et pour les « faux positif », la fausse

détection aurait baissé en moyenne de 25%.

Figure 20 Graphique tiré de l'étude, pour chaque radiologues, l'augmentation (en vert) ou la diminution (en rouge) de sa

performance dans la détection de cancer avec l'aide de l'IA

Selon le graphique ci-dessus, il semblerait que sur une grande majorité (11 sur 14) de

radiologues, l’aide de l’IA dans la lecture de radiologie soit bénéfique et améliore leur

performance. L’étude ne propose pas d’explication pour les trois radiologues ayant eu une

baisse de performance.

7.2. L’IA ET LE DESSIN

7.2.1. LA TECHNOLOGIE DE NVIDIA

NVIDIA a développé une IA nommée GauGAN4041 en hommage au peintre Paul

GAUGAIN et des GAN qui sont son mode de réflexion, qui arrive à créer des images de

synthèse réalistes à partir de plage de couleurs prédéfinies.

40 NVIDIA, GauGAN : https://www.nvidia.com/en-us/research/ai-playground/

56

Cette IA serait « à l’origine pensé pour les architectes, urbanistes et concepteurs de

jeux vidéo souhaitant rapidement créer des images au rendu réaliste » nous dit un article écrit

sur le sujet42

L’utilisation du logiciel est pour le moment assez intuitive. Des outils : pinceau, pot de

peinture, une pipette ainsi que des plages de couleurs correspondant à des éléments de

décors : arbres, montagne, ciel, mer, pont, maison etc…

Figure 21 Interface de la démo

Une « démo » est disponible sur le site de NVIDIA pour tester les outils. L’interface

est très simple et utilise la Beta de l’IA GauGAN

On peut voir sur la Figure 19 un dessin que j’ai réalisé avec un aplat de couleur

correspondant de haut en bas : au ciel, aux montagnes, à de la forêt, à de l’herbe, et à la mer.

Le logiciel a ensuite traité l’image pour en

proposer une image synthétique se basant sur des

photos réalistes en lissant et connectant des textures

pour rendre le tout vraisemblable. Cependant la

version web du programme n’est pas très abouti, les

textures sont un peu floues et cette version ne semble

41 Vidéo explicative de NVIDIA sur YouTube : https://www.youtube.com/watch?v=p5U4NgVGAwg&t=1s 42P. Nicoue, 2019 «Nvidia GauGAN : l’IA qui transforme des croquis en images photoréalistes »

https://www.lense.fr/news/nvidia-gaugan-lia-qui-transforme-des-croquis-en-images-photorealistes/ [En ligne]

Figure 22 Jonction entre la mer et l'herbe qui

n'est pas encore géré de manière sensible

57

pas gérer correctement la jonction de texture pour le rendre réaliste :

Il y a une application bureau, Canvas, qui semble plus poussée, mais je ne peux pas

l’étudier, mon ordinateur ne possède pas de carte graphique suffisamment récente pour

exécuter le logiciel

Sur la figure ci-dessus, on peut voir l’interface43 qui semble plus avancé que celui

disponible sur navigateur. Le logiciel semble aussi plus doué que celui de la version

navigateur.

Pour arriver à ces résultats44, le logiciel s’est entrainé sur une base de données de

dizaines de milliers d’images comprenant des classes sémantiques permettant à l’IA

d’apprendre à reproduire des rendus réalistes en fonction des données qui lui sont fournies par

l’utilisateur.

43 L’application bureau de l’IA GauGAN par NVIDIA : https://www.nvidia.com/en-us/studio/canvas/ [En ligne]

44 T. Park, M.-Y. Liu, T.-C. Wang, et J.-Y. Zhu, « Semantic Image Synthesis with Spatially-Adaptive

Normalization », arXiv:1903.07291 [cs], nov. 2019, [En ligne]. Disponible sur: http://arxiv.org/abs/1903.07291

Figure 23 Interface de l'application Canvas

58

Figure 24 Comparaison de l'image de synthèse obtenue en fonction de différentes bases de données sur un thème urbain

En fonction des bases de données fournis au logiciel, les chercheurs ont analysé la

qualité du rendu que l’IA conçoit d’après une image labelisée, c’est-à-dire qui est dessinée en

plages de couleurs correspondant à des mots clefs. L’image labelisé correspond à une

transformation d’une image réelle pour pouvoir établir une comparaison. Par ailleurs les

chercheurs ont établi leur propre base de données (nommée « Ours », soit « notre ») et qui

semble être une des plus performante par rapport aux autres bases de données.

7.2.2. GENERATION DE PLAN

Pour la conférence annuelle de l’association pour le design assisté par ordinateur en

architecture, ACADIA (Annual Conference of the Association for Computer Aided Design in

Architecture), une équipe de deux étudiants a choisi de modéliser une intelligence artificielle

utilisant les generatives adversiale network pour générer des plans d’appartements45.

Ils ont utilisé la même méthode que pour l’IA Gaugan avec la labélisation des données

en fournissant à l’IA une base de données

45W. Huang et H. Zheng, « Architectural Drawings Recognition and Generation through Machine Learning »,

http://papers.cumincad.org/cgi-bin/works/paper/acadia18_156

59

Figure 25 Gauche : Dessin du plan. Milieu : image labelisée. Droite : règle de labélisation

Une fois l’intelligence artificielle suffisamment entrainée à déduire les images

labélisées à partir des plans, il a été possible de lui apprendre à créer des plans à partir

d’images labelisées.

Les auteurs concluent l’étude en ouvrant une hypothèse sur le fait qu’il est possible

que d’ici peu, l’IA soit facilement capable de générer des plans à partir de paramètres que

l’architecte choisira. Lui permettant d’augmenter l’exploration de solutions créatives de

manière fonctionnelle ou formelle.

7.3. SYNTHESE

L’analyse d’images par l’intelligence artificielle pourrait permettre aux architectes de

gagner du temps sur des tâches répétitives ou contraignantes, et simplifier le métré ou le

relevé d’un bâtiment. On pourrait aussi envisager la détection de défauts de construction au

travers les photos de l’architecte pour aider à la rédaction du compte-rendu de chantier et

éviter au maximum les vices cachés.

Pour la création de plan et de rendu, il est possible de les envisager à court terme avec

l’élaboration de ces intelligences artificielles qui apprennent à dessiner.

60

8. CONCLUSION

A travers l’études des cas de disciplines dans lesquelles l’intelligence artificielle est

appliquée pour me permettre de répondre à la problématique suivante : « Quelles seront les

tâches de la maitrise d’œuvre impactées par l’intelligence artificielle ? », je me suis rendu

compte que :

A court terme l’impact de l’intelligence artificielle sera dans la planification du

chantier, notamment par l’utilisation des generatives adversiale network (GAN) qui permet à

l’ordinateur de générer des milliers voire des millions possibilités46 de planification dont

l’intelligence artificielle a permis de gagner du temps et de l’argent.

Toujours à court terme, l’utilisation des GAN dans l’élaboration de plans semble être

prometteur, si pour l’instant seul des cas d’études ont été fait, l’architecte choisi au final le

plan qu’il trouve le plus pertinent47.Il se pourrait que bientôt, un simple croquis avec les

couleurs adéquates permette de dessiner rapidement un plan normé ou de faire un rendu.

Cependant, je ne peux que supposer que l’utilisation de ce type d’outil pour de la création est

la suite logique de l’utilisation du BIM ou de logiciels de conception paramétrique comme

Rhino et Grasshopper qui en fonction de paramètres que l’on édifie dans l’interface de travail,

l’outil de modélisation en sort une forme que l’on peut faire varier en fonction des paramètres

mis en place48.

A moyen terme, des tâches, comme l’administratif ou les demandes de permis /

dossiers de soumission, seront impactées par l’intelligence artificielle. A travers les cas

d’analyse comme l’IA de la banque JP MORGAN ou du domaine juridique on peut en

conclure que l’aide à la rédaction des documents administratifs pourra aussi se faire dans

l’architecture.

Mais avec l’étude de l’analyse d’imagerie médicale, si cela pourra aussi être à moyen

terme une aide à l’architecture dans les tâches de rapport de chantier, de relevé de bâtiments

existant ou de métré de plans, il s’avère que cela ne se fera que si l’administration publique

(l’état) se joint à une majorité d’acteurs de l’architecture pour développer un logiciel le

46 Comme le montre le cas déjà pratique du centre de santé de Denver (J. CAULFIELD - bbcnetwork, 2018)

47 W. Huang, H. Zheng, 2018, « Architectural Drawings Recognition and Generation through Machine

Learning » http://papers.cumincad.org/cgi-bin/works/paper/acadia18_156 [En ligne]

48 Expérience personnelle dans le cours de conception numérique donnée à la Faculté d’architecture de Liège par

Frédéric DELVAUX

61

permettant. En effet à la différence d’une banque mondiale, ou d’hôpitaux, les architectes

fonctionnent majoritairement de manière plus indépendante avec une multitude de bureaux

opérant à faible effectif49, ce qui rend difficile un apport financier conséquent pour déployer

une intelligence artificielle à court terme.

Un autre constat consiste dans les tâches sociales d’interaction humaine comme les

réunions clients et de chantier, les visites de chantier resteront l’apanage de l’architecte. Le

décisionnel restera aussi le devoir de l’architecte notamment par la responsabilité auprès de la

loi et de son client qu’il a : responsabilité décennale.

Comme le dit Stéphane LUTARD, du conseil national de l’ordre des architectes

français : « L’apport de l’intelligence artificielle ne se résume pas aux seules tâches « nobles

» de la conception. Elle constitue également un outil adapté à la conduite des tâches triviales

et répétitives, laissant l’architecte se concentrer sur la synthèse du projet. L’intelligence

artificielle viendra alors alimenter son processus créatif tout en l’accompagnant sur les

recherches préalables à la conception du projet (recherches réglementaires, techniques,

économiques…). » 50

L’Homme ne sera pas remplacé par l’intelligence artificielle, que l’on puisse se sentir

menacé ou non par son arrivée, mais elle sera une assistance pour l’architecte qui devrait

avoir un travail de synthèse entre l’Homme et la machine.

On peut dès lors se demander comment accompagner les architectes pendant leur

formation pour en plus de leur faire prendre compte les problèmes sociétaux et les enjeux

environnementaux qui s’imposent à notre pratique architecturale, leur faire accepter et les

renseigner sur l’apport d’un nouvel outil de travail…

49 Selon l’ordre des architectes français : « Les agences d'architecture restent de petite taille puisqu'elles

disposent en moyenne de moins de 2 salariés par agence (sondage IFOP pour le CNOA) » :

https://www.architectes.org/la-profession-en-chiffres-0

50 Stéphane LUTARD, « Architecture et intelligence artificielle » https://www.architectes.org/architecture-et-

intelligence-artificielle

62

9. BIBLIOGRAPHIE

Aletras, Nikolaos, Dimitrios Tsarapatsanis, Daniel Preoţiuc-Pietro, et Vasileios Lampos.

2016. « Predicting Judicial Decisions of the European Court of Human Rights: A

Natural Language Processing Perspective ». PeerJ Computer Science 2 (octobre): e93.

https://doi.org/10.7717/peerj-cs.93.

Allen, Bibb, Steven E. Seltzer, Curtis P. Langlotz, Keith P. Dreyer, Ronald M. Summers,

Nicholas Petrick, Danica Marinac-Dabic, et al. 2019. « A Road Map for Translational

Research on Artificial Intelligence in Medical Imaging: From the 2018 National

Institutes of Health/RSNA/ACR/The Academy Workshop ». Journal of the American

College of Radiology 16 (9): 1179‑89. https://doi.org/10.1016/j.jacr.2019.04.014.

Araque P, Barbara. 2018. « Mémoire : Architecture sensorielle - Capturer les émotions dans

l’espace ».

Barraud, Boris. 2017. « Un algorithme capable de prédire les décisions des juges : vers une

robotisation de la justice ? » Les Cahiers de la Justice N° 1 (1): 121.

https://doi.org/10.3917/cdlj.1701.0121.

Beqiri, Rron. 2016. « Architecture and Urban Planning in the age of Artificial Intelligence ».

https://futurearchitectureplatform.org/news/28/ai-architecture-intelligence/.

Borrajo, Daniel, Sriram Gopalakrishnan, et Vamsi K. Potluru. 2020. « Goal Recognition via

Model-Based and Model-Free Techniques ». ArXiv:2011.01832 [Cs], novembre.

http://arxiv.org/abs/2011.01832.

Boton, Conrad, et Daniel Forgues. 2019. « Comprendre l’impact du numérique sur la gestion

de projet en construction ». Lien social et Politiques, no 81 (février): 41‑60.

https://doi.org/10.7202/1056303ar.

Bourdaire-Mignot, Camille, et Tatiana Gründler. 2018. « Intelligence artificielle et

robotisation : la performance de l’IA au prix de la relation humaine ? » Revue des

droits de l’homme, septembre. https://doi.org/10.4000/revdh.4669.

Burdett, Carolyn. 2011. « ‘The Subjective inside Us Can Turn into the Objective Outside’:

Vernon Lee’s Psychological Aesthetics ». 19: Interdisciplinary Studies in the Long

Nineteenth Century 0 (12). https://doi.org/10.16995/ntn.610.

Caulfield, John. 2018. « Tech Report 5.0: AI Arrives ». https://www.bdcnetwork.com/tech-

report-50-ai-arrives.

CCTV Video News Agency. 2018. AI Excels Human Doctors in Neuroimaging Recognition

Contest in Beijing. https://www.youtube.com/watch?v=qmHL6T9_NAs.

Chaillou, Stanislas. 2019. « AI & Architecture ». https://towardsdatascience.com/ai-

architecture-f9d78c6958e0.

Charlet, Jean. 2018. « Intelligence artificielle et santé Des algorithmes au service de la

63

médecine ». https://www.inserm.fr/dossier/intelligence-artificielle-et-sante/.

CIMA. 1988. Intelligence artificielle et CAO en BTP. Hermes.

Cohen, Naftali, Tucker Balch, et Manuela Veloso. 2019. « The Effect of Visual Design in

Image Classification ». ArXiv:1907.09567 [Cs, q-Fin], août.

http://arxiv.org/abs/1907.09567.

« Comparing the Performance of Artificial Intelligence to Human Lawyers in the Review of

Standard Business Contracts ». 2018. LawGeex.

https://images.law.com/contrib/content/uploads/documents/397/5408/lawgeex.pdf.

Conneau, Alexis, Holger Schwenk, Loïc Barrault, et Yann Lecun. 2017. « Very Deep

Convolutional Networks for Text Classification ». In Proceedings of the 15th

Conference of the European Chapter of the Association for Computational

Linguistics: Volume 1, Long Papers, 1107‑16. Valencia, Spain: Association for

Computational Linguistics. https://doi.org/10.18653/v1/E17-1104.

Davenport, Thomas, et Randy Bean. 2019. « AI At JPMorgan Chase—Breadth, Depth And

Change ». Forbes (blog). https://www.forbes.com/sites/tomdavenport/2019/11/12/ai-

at-jpmorgan-chasebreadth-depth-and-change/?sh=1f4d28a110bb.

DE ROSSI ANDRADE, Giulia. s. d. 2020 « les défis de l’utilisation de l’intelligence

artificielle dans le système judiciaire brésilien ».

http://ojs.imodev.org/index.php/RIDDN, 6: 75 à 87.

De Sanctis, Fausto Martin. 2021. « Artificial Intelligence and Innovation in Brazilian

Justice ». International Annals of Criminology 59 (1): 1‑10.

https://doi.org/10.1017/cri.2021.4.

Dodane, Christelle, et Alessandra Del Ré. 2018. « Enfance et langage : voix, corps et

discours ». Cahiers de praxématique, no 70 (décembre).

https://doi.org/10.4000/praxematique.4742.

Ducruet, Catherine. 2019. « L’imagerie médicale à l’heure de l’intelligence artificielle ». Les

Echos (blog). https://www.lesechos.fr/industrie-services/pharmacie-sante/limagerie-

medicale-a-lheure-de-lintelligence-artificielle-1156756.

Dupuis, Olivier. 2017. « l’architecte & ses missions ».

https://www.ordredesarchitectes.be/files/documents/ODA2469-

04_2020_De%CC%81pliant_Missions_Architecte_SITE.pdf.

Fok, Wendy W., et Antoine Picon, éd. 2016. Digital Property: Open-Source Architecture.

Architectural Design. Profile, no 243. London: John Wiley & Sons.

Frimousse, Soufyane, et Jean-Marie Peretti. 2020. « Les changements organisationnels induits

par la crise de la Covid-19 ». Question(s) de management n°29 (3): 105.

https://doi.org/10.3917/qdm.203.0105.

Gramazio, Fabio, et Matthias Kohler, éd. 2014a. Made by Robots: Challenging Architecture

64

at a Larger Scale. Architectural Design Profile 229. London: Wiley., éd. 2014b. Made

by Robots: Challenging Architecture at a Larger Scale. Architectural Design Profile,

229 = [84,3] [d. Gesamtw.]. London: Wiley.

He, Kaiming, Xiangyu Zhang, Shaoqing Ren, et Jian Sun. 2015. « Deep Residual Learning

for Image Recognition ». ArXiv:1512.03385 [Cs], décembre.

http://arxiv.org/abs/1512.03385.

Ho, Dean. 2020. « Artificial Intelligence in Cancer Therapy ». Science 367 (6481): 982‑83.

https://doi.org/10.1126/science.aaz3023.

Hosny, Ahmed, Chintan Parmar, John Quackenbush, Lawrence H. Schwartz, et Hugo J. W. L.

Aerts. 2018. « Artificial Intelligence in Radiology ». Nature Reviews Cancer 18 (8):

500‑510. https://doi.org/10.1038/s41568-018-0016-5.

Huang, Weixin, et Hao Zheng. s. d. « Architectural Drawings Recognition and Generation

through Machine Learning », 10.

Huang, Zhiheng, Wei Xu, et Kai Yu. 2015. « Bidirectional LSTM-CRF Models for Sequence

Tagging ». ArXiv:1508.01991 [Cs], août. http://arxiv.org/abs/1508.01991.

« Japanese company replaces office workers with artificial intelligence ». 2017.

https://www.theguardian.com/technology/2017/jan/05/japanese-company-replaces-

office-workers-artificial-intelligence-ai-fukoku-mutual-life-insurance.

JP Morgan. 2016. « Rapport Annuel 2016 ».

https://www.jpmorganchase.com/content/dam/jpmc/jpmorgan-chase-and-co/investor-

relations/documents/2016-annualreport.pdf.

LeCun, Yann. s. d. « Les Enjeux de la Recherche en Intelligence Artificielle », 7.

Li, Xiaoxiao, et Joao Saude. 2020. « Explain Graph Neural Networks to Understand Weighted

Graph Features in Node Classification ». ArXiv:2002.00514 [Cs], février.

http://arxiv.org/abs/2002.00514.

LUTARD, Stéphane. 2020. « Architecture et intelligence artificielle ». 23 septembre 2020.

https://www.architectes.org/architecture-et-intelligence-artificielle.

Luz de Araujo, Teófilo Emídio de Campos, Fabricio Ataides Braz, Nilton Correia da Silva,

Pedro Henrique, Nilton Correia da Silva, Teofilo Emidio De Campos, et Fabricio

Ataides Braz. 2020. « VICTOR: A Dataset for Brazilian Legal Documents

Classification » Proceedings of the 12th Language Resources and Evaluation

Conference (mai): 1449‑58.

Martin, Louis, Benjamin Muller, Pedro Javier Ortiz Suárez, Yoann Dupont, Laurent Romary,

Éric de la Clergerie, Djamé Seddah, et Benoît Sagot. 2020. « CamemBERT: A Tasty

French Language Model ». In Proceedings of the 58th Annual Meeting of the

Association for Computational Linguistics, 7203‑19. Online: Association for

Computational Linguistics. https://doi.org/10.18653/v1/2020.acl-main.645.

65

Martin, Louis, Benjamin Muller, Pedro Javier Ortiz Suárez, Yoann Dupont, Laurent Romary,

Benoît Sagot, et Djamé Seddah. s. d. « Les modèles de langue contextuels

CAMEMBERT pour le français : impact de la taille et de l’hétérogénéité des données

d’entrainement », 12.

Mohammadi, Mehdi, Ala Al-Fuqaha, et Jun-Seok Oh. 2018. « Path Planning in Support of

Smart Mobility Applications Using Generative Adversarial Networks ».

ArXiv:1804.08396 [Cs, Stat], avril. http://arxiv.org/abs/1804.08396.

Montagnon, Pascal. 2019. « Intelligence Artificielle : L’Ethique Au Coeur Du Débat ».

Forbes (blog). https://www.forbes.fr/technologie/intelligence-artificielle-lethique-au-

coeur-du-debat/.

Nagy, Danli, et Lorenzo Villaggi. 2020. « Generative Design for Architectural Space

Planning ». Autodesk (blog). https://www.autodesk.com/autodesk-

university/article/Generative-Design-Architectural-Space-Planning-2020.

Nerot, A., et I. Bricault. 2021. « Introduction au big data en radiologie et initiation en

autonomie à l’intelligence artificielle ». Journal d’imagerie diagnostique et

interventionnelle 4 (1): 66‑76. https://doi.org/10.1016/j.jidi.2020.05.016.

Nicoue, Paul. 2019. « Nvidia GauGAN : l’IA qui transforme des croquis en images

photoréalistes ». https://www.lense.fr/news/nvidia-gaugan-lia-qui-transforme-des-

croquis-en-images-photorealistes/.

« NVIDIA - GauGAN ». s. d. https://www.nvidia.com/en-us/research/ai-playground/.

Pacilè, Serena, January Lopez, Pauline Chone, Thomas Bertinotti, Jean Marie Grouin, et

Pierre Fillard. 2020. « Improving Breast Cancer Detection Accuracy of

Mammography with the Concurrent Use of an Artificial Intelligence Tool ».

Radiology: Artificial Intelligence 2 (6): e190208.

https://doi.org/10.1148/ryai.2020190208.

Parizel, Paul. 2018. « I’ve seen the future: a competition between physicians and AI ».

https://www.myesr.org/article/1840.

Park, Taesung, Ming-Yu Liu, Ting-Chun Wang, et Jun-Yan Zhu. 2019. « Semantic Image

Synthesis with Spatially-Adaptive Normalization ». ArXiv:1903.07291 [Cs],

novembre. http://arxiv.org/abs/1903.07291.

Picon, Antoine. 2010. Culture numérique et architecture : une introduction. Birkhauser Fr.

Ravi, Vineeth, Selim Amrouni, Andrea Stefanucci, Manuela Veloso, et Prashant Reddy. s. d.

« AI PptX: Robust Continuous Learning for Document Generation with AI Insights »,

10.

Schneider, Par Daniel K. s. d. « Modélisation de la démarche du décideur politique dans la

perspective de l’intelligence artificielle », 440.

66

« Se préparer pour l’avenir de l’informatique ». s. d. Intel (blog).

https://www.intel.fr/content/www/fr/fr/business/resources/future-of-it.html.

Teicholz, Paul. 2013. « Labor-Productivity Declines in the Construction Industry: Causes and

Remedies (Another Look) ».

https://www.aecbytes.com/viewpoint/2013/issue_67.html.

Turner, Duncan, Billy Bradley, Richard Brown, Rachel Free, Kushal Gandhi, et Charles

Kerrigan. 2018. « Banking on AI in financial services ».

https://cms.law/en/gbr/publication/banking-on-ai-in-financial-services.

VILLANI, Cédric. 2018. « Donner un sens à l’intelligence artificielle ». Pour une stratégie

nationale et européenne. https://www.dila.premier-ministre.gouv.fr/actualites/toutes-

les-actualites/innovation-donner-un-sens-a-l-intelligence-artificielle.

Vinogradoff, Luc. 2016. « L’intelligence artificielle n’est pas raciste, mais pas neutre non

plus ». Le Monde (blog). 9 septembre 2016. https://www.lemonde.fr/big-

browser/article/2016/09/09/l-intelligence-artificielle-est-elle-

raciste_4995302_4832693.html.

VITTORI, Jean-Marc. 2020. « Cette épidémie qui accélère la transition numérique ». Les

Echos (blog). https://www.lesechos.fr/idees-debats/editos-analyses/cette-epidemie-

qui-accelere-la-transition-numerique-1194534.

Wachter, Serge. 2009. « Promesses et impasses de l’architecture numérique ». Flux n° 78 (4):

24. https://doi.org/10.3917/flux.078.0024.

Wang, Xiangyu. 2012. « BIM Handbook: A Guide to Building Information Modeling for

Owners, Managers, Designers, Engineers and Contractors ». Construction Economics

and Building 12 (3): 101‑2. https://doi.org/10.5130/AJCEB.v12i3.2749.