Ramzi Larbi, PDG de VA2CS, reconnaît le potentiel de l’IA pour détecter les cas de COVID-19 mais déplore un manque de données pour garantir la fiabilité d’un tel système.
L’intelligence artificielle a-t-elle un rôle à jouer dans la lutte contre l’épidémie COVID-19 ? Il y a quelques semaines, le groupe Alibaba vantait les mérites d’une application mobile capable de détecter en 20 secondes les personnes contaminées par le nouveau coronavirus. Un dispositif déployé dans certains hôpitaux chinois afin d’aider le personnel médical à identifier les cas.
D’autres sociétés ont vu dans l’IA, et plus particulièrement dans les modèles statistiques prédictifs, un moyen d’anticiper l’évolution de la courbe épidémique. Or, l’IA est un moteur gourmand en carburant, et ce dernier est la donnée. « Beaucoup de sociétés ont tenté de prédire l’évolution de l’épidémie en janvier notamment. À mon sens, il est très difficile de parvenir à ces prédictions tout simplement parce qu'il aurait fallu des millions de données sur le COVID-19 pour bâtir des modèles prédictifs cohérents. La preuve : certains modèles ont prédit plus de 3 000 décès survenus en France au mois de Mars », explique Ramzi Larbi, PDG de VA2CS.
Un manque de fiabilité du système
Créée en 2012, la société fournit des systèmes de détection et d’analyse du comportement des seniors en vidéo. Le système équipe 3 000 chambres d’EPHAD en Europe et a été installé chez 600 particuliers en France. En s’appuyant sur les données collectées par son système, la société a développé un algorithme de deep learning en 2018 afin d’automatiser la détection de comportements anormaux tels qu’une chute, une vitesse de déplacement réduite ou encore un degré de cambrure plus prononcé.
Sceptique sur la capacité de l’IA en tant qu’outil prédictif, le fondateur de la société croit cependant à son utilisation pour faciliter la détection des personnes qui ont contracté le COVID-19. Mais là encore, la fiabilité du dispositif pose problème. « Le scénario de la détection me semble plus crédible. Notre système s’appuie sur plusieurs critères qui permettent d’identifier une anomalie chez l’utilisateur. En ajoutant par exemple un capteur de température en complément des facteurs d’actimétrie déjà utilisés, on pourrait constater que Mme Dupont a X % de chance d’être infectée. Malheureusement, le taux de prédiction ne sera jamais de 100 % et envoyer une notification pour une probabilité de 50 % n’a pas d’intérêt », déplore-t-il.
Photo d’ouverture : Dimitri Karastelev
