Upgrade to Pro — share decks privately, control downloads, hide ads and more …

20210304-datadrink-ami-ia-irsn

8eada3aa8251117a617e101bb2881366?s=47 etalab-ia
March 04, 2021
25

 20210304-datadrink-ami-ia-irsn

8eada3aa8251117a617e101bb2881366?s=128

etalab-ia

March 04, 2021
Tweet

Transcript

  1. 1 Institut de Radioprotection et de Sûreté Nucléaire Développement d’un

    système d’alerte automatique pour l’aide à la surveillance des travailleurs exposés aux RI Pascale SCANFF pascale.scanff@irsn.fr Cécilia DAMON cecilia.damon@irsn.fr
  2. 2 Le contexte : rôle de l’IRSN dans la surveillance

    de l’exposition des travailleurs aux rayonnements ionisants (RI) Une mission régalienne de l’IRSN (réglementation du travail) • Gestion de SISERI • Produit les statistiques nationales de l’exposition des travailleurs aux RI et établit des bilans pour orienter l’action des pouvoirs publics dans le domaine de la radioprotection
  3. 3 La problématique • Fondements de la radioprotection des travailleurs

    s’appuient sur 2 principes : la limitation de la dose (VLEP) et l’optimisation (exposition aussi basse que raisonnablement possible) • Indépendamment des mesures de radioprotection prises par un employeur, le niveau de dose est aussi dépendant des activités menées et des métiers exercés • Pour les acteurs de terrain, difficulté à évaluer le caractère anormal d’une dose et à avoir des critères d’alerte plus fins et adaptés à la réalité de l’exposition professionnelle, que le dépassement de la VLEP
  4. 4 Le projet Pour chaque population d’acteurs de la RP,

    compléter la mise à disposition des résultats de dosimétrie faite dans SISERI, par un outil permettant : • 1/ de contextualiser les valeurs de dose observées • 2/ d’alerter grâce à la détection automatique d’anomalies Suivi des doses et comparaisons statistiques § Contextualisation (informations d’exposition et individuelles) § Intégration de la temporalité § Comparaison à des valeurs de référence (enveloppes normatives) Détection automatique d’anomalies (Machine Learning) § Suivi en temps réel § Anomalies locales, contextuelles et globales Interface graphique Système d’alertes
  5. 5 Les acteurs du projet IRSN E q u i

    p e m é t i e r S I S E R I & E q u i p e d a t a s c i e n c e / I T UTILISATEURS I n s p e c t e u r s P e r s o n n e s c o m p é t e n t e s e n r a d i o p r o t e c t i o n ( P C R ) E x p e r t s I R S N SIA PARTNERS S p é c i f i c a t i o n s f o n c t i o n n e l l e s ( c a s d ’ u s a g e P C R , i n s p e c t e u r s , e x p e r t s I R S N ) & D a t a s c i e n c e & C o n c e p t i o n e t d é v e l o p p e m e n t I H M EY Q u a l i f i c a t i o n d e s b e s o i n s e t c a s d ’ u s a g e s « e n t a n t q u e … j e v e u x … » ( a t e l i e r s u t i l i s a t e u r s ) E v a l u a t i o n d e l a s o l u t i o n
  6. 6 La méthode Besoins inspecteurs Sous besoin Mieux cibler les

    inspections Identifier les entités ayant une dosimétrie moyenne anormalement élevée en comparaison des employeurs avec la même activité Identifier les entités pour lesquelles la dosimétrie moyenne des travailleurs effectuant un certain métier est anormalement élevée en comparaison de leurs pairs … Améliorer la qualité des inspections Disposer d’une vision synthétique des dépassements de seuils réglementaires et / ou contextuels à la maille d’un employeur Disposer d’éléments statistiques de comparaison sur les entités / entreprises / services que j’inspecte … Interface dédiée (Front-end) & traitement/analyse des données (Back-end) Enveloppes de référence / Détection d’anomalies par une approche d’apprentissage statistique non supervisée PCR Inspecteurs Experts IRSN 3 Populations *Méthodes univariées (IQR, MAD, KDE, HBOS) MAD validée par des ateliers avec les experts métier IRSN *Méthodes multivariées (12 testées) Pas encore de validation par le métier et recouvrement partiel avec méthodes univariées Les utilisateurs Recueil des besoins « en tant que…je veux que » Traduction en une liste de fonctionnalités Implémentation des fonctionnalités
  7. 7 Les résultats : exemple de l’interface inspecteurs Aide au

    ciblage des employeurs à inspecter • Nombre de dépassement de la VLEP • Nombre de dépassement ramené à la période de mesure • Nombre de travailleurs ayant des doses > à leurs pairs • Nombre de travailleurs ayant des dosimètres rendus hors délai prescrit Analyse d’un employeur et possibilité de faire des focus sur ses travailleurs
  8. 8 Les résultats : exemple de l’interface inspecteurs Annotation et

    attribution de statuts à des anomalies
  9. 9 Les résultats : 3 populations d’utilisateurs ® 3 interfaces

    Dashboard Opérationnel: vision sur son périmètre de travailleurs Focus employeur: Analyse d’un employeur Focus travailleur: Analyse d’un travailleur Ciblage des employeurs: Aide au ciblage des inspections IRSN Notebooks d’exploration des données SISERI PCR Inspecteur
  10. 10 Les perspectives et enseignements • Prototypes qui vont être

    testés par des utilisateurs • Le prototype n’a pas vocation à devenir un outil per se mais les fonctionnalités développées vont être « embarquées » dans la refonte de SISERI, qui vient de débuter • Les outils d’alerte restent encore à peaufiner • Soutien à la compétence interne en datasciences et stimulation de la valorisation des données par l’IA, dynamisation du développement des méthodes de détection automatique d’anomalie dans d’autres jeux (démarrage d’autres projets en parallèle, à l’IRSN) • Objectivation de l’investissement nécessaire pour mener un projet à bien, même quand les données sont au départ déjà bien « propres »!