Aller au contenu

IA et Jeux Olympiques

 Auteur : Dr Nicolas de Bufala

Tous les quatre ans, les Jeux Olympiques (JO) et Paralympiques rassemblent des milliers d’athlètes et des millions de spectateurs dans un événement gigantesque, exigeant la coordination de multiples organismes et entreprises pour garantir un déroulement harmonieux et anticiper les éventuels problèmes qui pourraient survenir.   

Mais dans le contexte des Jeux Olympique et Jeux Paralympiques de Paris 2024, quelle place peut prendre l’Intelligence Artificielle (IA) dans l’organisation et le déroulement de cette compétition sportive, et comment son influence pourrait-elle évoluer dans les années à venir avec l’avancement des technologies d’IA ? 

Dans cet article, nous allons examiner point par point les différents aspects des JO qui sont déjà, ou seront prochainement, influencés par l’IA, afin de mieux comprendre le rôle de cette technologie dans de tels événements. 

L’IA et les sports  

Les Jeux (Olympiques et Paralympiques) sont avant tout une compétition sportive de haut niveau réunissant plus de 10000 athlètes, et sûrement autant d’entraîneurs et soignants (préparateurs sportifs, kinésithérapeutes, nutritionnistes, médecins, etc…). La préparation et le suivi des sportifs contiennent de nombreuses tâches qui peuvent être aidées, ou même automatisées par l’IA.   

Par exemple, l’analyse des athlètes lors de leurs efforts physiques est une tâche nécessitant l’analyse de vidéos, et qui peut se révéler complexe à l’œil nu. Cependant, les récents avancements en portabilité des capteurs et autre dispositifs portables (souvent appelés des « wearables ») ont permis leur incorporation dans les équipements sportifs, pour suivre directement leurs mouvements, et ainsi pouvoir étudier plus en détail leurs gestes (Araujo et al.,2021). Cela permet donc à leur entraineur de corriger d’éventuels défauts dans la gesture, dans une optique de recherche du mouvement parfait, et de surcroît, une diminution des risques de blessures (Claudino et al., 2019 , Lloyd David, 2021). A l’aide de ces importantes quantités de données issues des capteurs, l’IA peut identifier les problèmes évoqués plus tôt concernant les mouvements de l’athlète, et participer à leur correction et amélioration. C’est la naissance du domaine des « sport analytics », une discipline en forte progression et rendue possible grâce à ce fort volume de données.  

L’IA peut aussi participer dans l’élaboration de programmes d’entraînements adaptés à un athlète en fonction de ses performances sur différents exercices, de ses blessures par le passé, et de son état général et ressenti. Là où ces programmes d’entraînement étaient majoritairement réalisés à travers un processus d’essai, d’erreurs, et d’intuition, l’avènement du Big Data issu des capteurs permet à l’IA de réduire les essais et erreurs, ce qui diminue aussi les risques de blessures pour l’athlète et augmente l’efficacité de son programme d’entraînement (Wang et al., 2019). Il est également possible pour l’IA de développer un programme de réhabilitation d’un athlète en utilisant les données issues des exercices physiques pour évaluer la progression de l’athlète dans la récupération de ses capacités physiques.  

L’IA pour une gestion intelligente de la foule ?  

Les événements populaires comme les jeux olympiques sont des véritables défis d’organisation, mais lorsque l’organisation d’un événement présente des problèmes, les conséquences peuvent rapidement devenir graves avec des écrasements comme dans les drames de Hillsborough en 1989, Ellis Park Stadium en 2001, ou même plus récemment Estadio Cuscatlán en 2023. Tous ces drames ont été causés par une mauvaise gestion de la foule, parfois à cause d’un mauvais suivi des entrées de spectateurs (parfois sans billets) menant donc à une surcharge dans les gradins, ou des sorties qui n’étaient pas ouvertes ayant donc empêché la foule de sortir. Ces tragédies ont généralement été identifiées comme causées par une ou plusieurs erreurs humaines.  

L’augmentation de la disponibilité, et de la qualité des caméras, ainsi que la diminution de leurs coûts, a récemment permis l’accélération de leur intégration dans les stades ou autres complexes sportifs, et à l’aide de ces caméras et d’autres capteurs intelligents, il est possible de pouvoir suivre en temps réel la situation dans un stade par exemple, pour décider de l’ouverture ou fermeture d’accès en fonction de la foule actuelle. Mais il est vrai que la quantité de caméras et autres capteurs peut dépasser la limite de ce qu’un ou plusieurs individus peut correctement surveiller et analyser. Par exemple, dans le drame du stade Estadio Cuscatlán en 2023, les vidéos de surveillance montrent un début de phénomène d’écrasement qui aurait pû être identifié plus tôt et ainsi aurait peut-être permis d’éviter cette tragédie.  

L’utilisation d’IA pour surveiller et alerter en temps réel à l’aide des caméras pourrait permettre d’éviter ce genre de catastrophe (Singh et al.,2021), mais elle permet aussi d’identifier de nombreux autres événements parfois compliqués à voir pour un opérateur chargé de surveiller de dizaines de caméras : comme des départs de feu (comme dans le drame du stade de Bradford en Angleterre, en 1985), d’altercation entre supporters d’équipes opposées, ou même des problèmes plus individuels comme des malaises de spectateurs. Lors de ces événements, l’IA peut identifier rapidement la nature de l’événement, alerter une personne chargée de surveiller ces caméras, et peut-être même contacter directement les équipes adaptées pour la situation (police, pompiers, sécurité, médecin, etc…).  

La place de l’IA dans la planification d’évènement et dans leur déroulement  

Un événement tel que les Jeux Olympiques rassemble un nombre important de personnes qui peuvent aussi être des participants (athlètes, entraîneurs et autres métiers de supports) que des acteurs directs (sécurité, animation, restaurateurs, hôtes et hôtesses, etc…), mais aussi de simples spectateurs. De plus, la forte dimension internationale de l’événement fait que la barrière de la langue est un problème très important à gérer pour une bonne coopération entre toutes ces personnes. Mais les outils de traduction instantanée se sont beaucoup développés et peuvent permettre une communication en simultané (Daminov, 2023).   

L’IA est aussi un puissant assistant dans la planification des événements en prenant en compte différentes contraintes : localisation, infrastructures nécessaires, moyens humains, et conditions optimales pour les épreuves sportives (par exemple : éviter de faire un marathon à 12h quand la température est maximale en été). Il est compliqué pour un simple individu de réussir à coordonner 329 épreuves dans 28 disciplines olympiques, ayant chacune leurs contraintes, sans arriver sur des problèmes de planification.  

A l’aide des données issues des jeux précédent (à l’exception des jeux de Tokyo en 2021 pour cause de conditions particulières avec le COVID-19), il est aussi possible d’estimer l’affluence des épreuves ainsi que des autres lieux comme les fan-zones, pour éviter la surpopulation et de possibles drames comme évoqués précédemment. Grâce à cette estimation, il est possible de mieux anticiper les besoins en transport et infrastructures pour les différents événements qui auront lieu durant les JO.  

Pour les spectateurs, il est presque impossible de réussir à suivre toutes les épreuves en même temps, mais l’IA peut personnaliser un fil d’actualités liées aux JO en fonction des goûts d’un utilisateur (Li et al., 2022), et le conseiller sur quelles épreuves pourraient lui plaire, et comment les voir. Ce suivi en temps réel personnalisé pour chaque spectateur permet d’augmenter l’engouement et la participation de ces spectateurs dans ces JO.   

L’IA peut aussi aider les spectateurs à se déplacer durant de tels évènements avec un itinéraire optimal en fonction de l’affluence sur différentes lignes de transports, ou d’incidents sur certains axes de transport. Cet itinéraire dynamique peut ainsi permettre à tout spectateur de se rendre aux épreuves pour lesquels il a acheté un billet, même dans un environnement fortement dynamique comme le transport en commun. 

Des médias augmentés par l’IA  

Les Jeux Olympiques sont le centre d’attention du monde durant deux semaines (puis deux semaines supplémentaires avec les jeux Paralympiques), ce qui est donc un enjeu capital pour les médias qui doivent optimiser leur couverture de cet événement pour maximiser leurs audiences. L’IA peut assister les médias en permettant d’augmenter le contenu qu’ils produisent, à l’aide de statistiques intéressantes sur les participants dans les épreuves, d’analyse de moments forts, de génération automatique de contenu autour des JO, etc…   

Il est même possible pour l’IA de générer automatiquement des extraits de vidéos d’épreuves, correspondant à des moments forts (Merler et al.,2019), pour pouvoir ensuite les augmenter et diffuser sur les réseaux sociaux.  

L’IA peut aussi permettre d’analyser automatiquement les commentaires des utilisateurs ou lecteurs par exemple, pour repérer des axes d’amélioration potentiels pour le contenu publié, et augmenter l’expérience des utilisateurs par la suite. Mais il est aussi possible de directement personnaliser l’expérience utilisateur en personnifiant le contenu en fonction de l’utilisateur : préférences, langues, taille et type de contenu, etc… Ce contenu personnalisé serait plus efficace pour retenir l’attention de l’utilisateur, et augmenter son temps passé sur le site web, chaine TV, ou autre média.  

L’IA pour protéger l’environnement  

L’envergure des Jeux Olympiques de Paris 2024, et la quantité de touristes ayant fait le déplacement, implique un coût environnement important. L’émission de CO2 est estimée à 1,58 millions de tonnes, soit la consommation annuelle de 158 000 Français moyens environ (PresseParis2024). C’est un budget moins élevé que les JO de Londres en 2012 ou Rio en 2016, grâce à différents efforts pour mieux gérer les coûts de préparation mais aussi de déroulement des JO.  Pour autant, de nombreuses dépenses peuvent encore être réduites grâce à une gestion plus intelligente des ressources énergétiques, et des déchets issus de l’évènement.  

La gestion des déchets est une tâche capitale pour assurer le bon déroulement d’un événement sportif de grande ampleur, et éviter d’avoir des lieux jonchés de détritus à la fin de l’événement, qui pourraient ensuite terminer leur course dans la Seine. Mieux gérer les déchets ne consiste pas simplement à augmenter le nombre de poubelles et de collectes, mais d’anticiper les points stratégiques où placer les bennes en fonction des affluences attendues, des points de restauration, et des possibilités de collecte durant la journée, ou plutôt de surveiller le remplissage des poubelles en temps réel à l’aide de capteurs (Soh et al.,2019) pour une collecte optimale. Pour cela, il est intéressant d’analyser d’autres événement sportif comparables pour évaluer la quantité de déchets qu’ils génèrent, le nombre et le positionnement des points de collectes qui sont déployés, et l’efficacité au final de ce plan de collecte. Cette analyse (et la collecte) de ces données est une tâche faite à l’aide d’IA, qui peut aussi être simulée artificiellement à l’aide de simulations multi-agents (système composé d’un ensemble d’agents actifs dans un certain environnement et interagissant selon certaines règles) par exemple, pour évaluer l’efficacité d’un plan de collecte dans un environnement virtuel simulant un événement réel.  

Le tri des déchets est aussi une tâche où l’IA est de plus en plus précieuse car les spectateurs sont loin d’être parfait en tri, et beaucoup de déchets sont déposés dans le mauvais bac. Il y a donc besoin d’un autre passage pour retirer les déchets par la suite quand ce n’est pas possible automatiquement durant la chaîne de recyclage ou traitement des déchets. La vision par ordinateur a beaucoup progressé ces dernières années, et il est possible de réaliser ce second tri à l’aide d’une IA qui est entraînée sur des photos de déchets (Strollo et al.,2020, Bircanoğlu et al.,2018). Cette IA est ensuite connectée à d’autre mécanismes permettant de séparer les déchets mal triés ou identifiés, pour les diriger vers la bonne chaîne de traitement. Cette tâche autrefois humaine, manuelle, et physiquement difficile, pourrait donc être automatisée, et ainsi diminuer le coût environnemental de l’évènement car réalisée à plus grande échelle.  

Finalement, au niveau de la consommation énergétique de l’évènement, l’IA peut aider à la diminuer à l’aide d’une gestion plus intelligente des équipements dans les infrastructures (HImeur et al., 2022). La climatisation peut être modulée en fonction de l’affluence de spectateurs par zone dans le stade, de la météo du jour, et du déroulement de l’évènement. Il en est de même pour l’éclairage des infrastructures qui peut être ajusté en temps réel en fonction de la lumière naturelle, éteindre l’éclairage en absence d’individus dans des pièces annexes.  Enfin, l’IA peut prévoir la maintenance des différents équipements électriques, analyser leur performance en temps réel, et envoyer des réparateurs lorsqu’elle repère un dysfonctionnement d’un appareil électrique existant à l’aide de ses capteurs (Zhou et al.,2024).  La maintenance des équipements est optimisée en prenant en compte l’intensité de l’utilisation de l’équipement, mais aussi son état selon les diagnostiques précédents qui ont été effectués.   

L’IA agit donc ici en véritable assistant pour permettre une meilleure gestion des équipements électroniques, et ainsi, du coût énergétique de cet événement.  

Conclusion  

L’Intelligence Artificielle a beaucoup progressé ces dernières années, et ses performances, ainsi que sa polyvalence, lui permettent de prendre de nouveaux rôles pour aider à l’organisation, au suivi, mais aussi à l’optimisation d’un événement sportif comme les Jeux Olympiques de Paris 2024. L’utilisation de l’IA doit permettre de fluidifier le déroulement de ces événements, éviter les éventuels problèmes qui peuvent arriver, augmenter l’engouement et la participation des spectateurs, mais aussi diminuer les coûts environnementaux de ces événements sportifs. Mais l’IA doit avant tout prendre un rôle d’assistant et non de décideur, car il est impossible de prendre en compte toutes les dimensions d’un tel événement, notamment les dimensions humaines et culturelles par exemple, mais aussi pour des problèmes d’éthique : si on laisse une IA prendre une décision seule, qui est responsable en cas de problèmes ? Cette question n’a pas encore de réponse formelle et agit comme un frein important pour de nombreuses application de l’IA comme c’est le cas pour les voitures autonomes.  

Pourtant, c’est bien dans un rôle d’assistant que l’IA peut utiliser toutes ses capacités pour optimiser la planification et le déroulement de tels événements, et augmenter ainsi l’engouement qu’ils génèrent. L’avenir des prochains événements sportifs de cette envergure dépendra d’une bonne collaboration entre l’IA et ce qu’elle a encore du mal à reproduire, et qui nous caractérise : l’intelligence humaine.  

Références bibliographiques

  • Araújo, D., Couceiro, M., Seifert, L., Sarmento, H., & Davids, K. (2021). Artificial intelligence in sport performance analysis. Routledge.
  • Claudino, J. G., Capanema, D. D. O., de Souza, T. V., Serrão, J. C., Machado Pereira, A. C., & Nassis, G. P. (2019). Current approaches to the use of artificial intelligence for injury risk assessment and performance prediction in team sports: a systematic review. Sports medicine-open, 5, 1-12.
  • Lloyd, D. (2021). The future of in-field sports biomechanics: Wearables plus modelling compute real-time in vivo tissue loading to prevent and repair musculoskeletal injuries. Sports Biomechanics, 1-29.
  • Wang, J., Qiu, K., Peng, H., Fu, J., & Zhu, J. (2019, October). Ai coach: Deep human pose estimation and analysis for personalized athletic training assistance. In Proceedings of the 27th ACM international conference on multimedia (pp. 374-382).
  • Singh, U., Determe, J. F., Horlin, F., & De Doncker, P. (2021). Crowd monitoring: State-of-the-art and future directions. IETE Technical Review, 38(6), 578-594.
  • Daminov, N. K. (2023). Simultaneous translation interpreting as a modern type of translation. Academic research in educational sciences, 4(2), 77-81.
  • Li, J., Zhu, J., Bi, Q., Cai, G., Shang, L., Dong, Z., … & Liu, Q. (2022, May). MINER: Multi-interest matching network for news recommendation. In Findings of the Association for Computational Linguistics: ACL 2022 (pp. 343-352).
  • Merler, M., Ratha, N., Feris, R. S., & Smith, J. R. (2019). Diversity in faces. arXiv preprint arXiv:1901.10436.
  • Soh, Z. H. C., Husa, M. A. A. H., Abdullah, S. A. C., & Shafie, M. A. (2019, April). Smart waste collection monitoring and alert system via IoT. In 2019 IEEE 9th symposium on computer applications & industrial electronics (ISCAIE) (pp. 50-54). IEEE.
  • Strollo, E., Sansonetti, G., Mayer, M. C., Limongelli, C., & Micarelli, A. (2020). An AI-Based approach to automatic waste sorting. In HCI International 2020-Posters: 22nd International Conference, HCII 2020, Copenhagen, Denmark, July 19–24, 2020, Proceedings, Part I 22 (pp. 662-669). Springer International Publishing.
  • Bircanoğlu, C., Atay, M., Beşer, F., Genç, Ö., & Kızrak, M. A. (2018, July). RecycleNet: Intelligent waste sorting using deep neural networks. In 2018 Innovations in intelligent systems and applications (INISTA) (pp. 1-7). Ieee.
  • Himeur, Y., Elnour, M., Fadli, F., Meskin, N., Petri, I., Rezgui, Y., … & Amira, A. (2023). AI-big data analytics for building automation and management systems: a survey, actual challenges and future perspectives. Artificial Intelligence Review, 56(6), 4929-5021.
  • Zhou, X., Lin, P., Wen, Y., & Deng, R. (2024). A survey of predictive maintenance: Systems, purposes and approaches. arXiv preprint arXiv:1912.07383.