Les années 2000, avec l’apport de l’intelligence artificielle, la multiplication des capteurs (IoT) et l’accroissement des puissances de calcul, ont accéléré l’évolution des outils de simulation numérique et permis la modélisation complète d’environnements complexes dans leur globalité. L’adoption du jumeau numérique irait en s’accroissant, d’après les prédictions de Markets et Markets qui prévoit une croissance annuelle de 58 % du marché mondial, estimé à 48,2 Md$ en 2026, contre 3,1 Md$ en 2020.

Par Sami Khalfaoui, Directeur de l’innovation, Talan Labs
et Laurent Cervoni, Directeur de la recherche et de l’innovation, Talan

Si cette représentation dynamique virtuelle d’un objet, d’un système ou d’un processus du monde réel a surtout essaimé dans le monde industriel et dans le bâtiment, elle pourrait montrer toute sa pertinence dans d’autres domaines. Pour autant, peut-elle s’imposer dans des secteurs où la dimension humaine prévaut, tels ceux de la santé ou de la modélisation de flux et d’interactions d’individus ?

LES JUMEAUX D’UN MONDE MANUFACTURÉ

Le jumeau numérique est une modélisation virtuelle et dynamique d’un objet ou d’un système. Le terme dynamique est essentiel car l’approche suppose une communication permanente entre le monde physique et le monde virtuel. Le modèle est alimenté en données en temps réel et, symétriquement, peut transmettre des informations à l’infrastructure physique. Ainsi, il est possible d’anticiper une action de prévention si un risque est identifié dans le modèle numérique.

Si les premiers cas d’usages sont naturellement intervenus dans l’automobile ou l’aéronautique, d’autres secteurs ont compris les bénéfices qu’ils pouvaient en tirer.

Ainsi, Nvidia a récemment mis au point une plateforme versatile (Omniverse) basée sur une technologie Pixar (Universal Scene Description) permettant une réplique virtuelle du monde réel avec les interactions associées. Les applications de l’Omniverse vont tout naturellement de l’automobile (BMW) au bâtiment (Bentley Systems l’a incluse dans sa solution iTwin).

Dans le domaine du smart building, il s’agit plus classiquement de modéliser un bâtiment et de gérer les flux d’énergie qui circulent pour garantir le bienêtre et la sécurité de ses occupants. Cette vision globale et temps réel permet d’anticiper les pannes et de passer à une maintenance prédictive.

VERS LE MONDE DE LA SANTÉ ET LES MODÈLES BIOLOGIQUES

Le monde de la santé a quant à lui su se saisir de la puissance de l’intelligence artificielle dès ses débuts (avec les systèmes experts) puis avec ses nouvelles approches d’aide au diagnostic (exploitant entre autres l’imagerie traitée par le deep learning).

De façon symétrique au domaine industriel, modéliser un hôpital ou la production de médicaments se prête évidemment parfaitement aux usages du jumeau numérique. Une étude a été réalisé sur l’utilisation du digital twin dans les Ehpad (A Novel Cloud-Based Framework for the Elderly Healthcare Services Using Digital Twin par Ying Liu, Lin Zhang et leurs co-auteurs). Grâce à l’utilisation du big data, du cloud computing et de l’IoT, il est possible de proposer des services plus précis et plus rapides pour les soins de santé des personnes âgées.

La modélisation du corps humain est infiniment plus complexe et soulève d’autres enjeux. Ainsi, par exemple, il est possible d’utiliser le numérique pour créer des jumeaux des organes de patients tels que le cœur dans le Living Heart Project (Dassault Systèmes) ou un foie (avec les technologies expérimentées par Siemens Healthineers). Si cette perspective ‒ à long terme ‒ peut inquiéter, elle permettrait pourtant de passer d’une médecine de prévention à une médecine de précision.

GÉNÉRALISER L’USAGE DES JUMEAUX NUMÉRIQUES

Comme dans d’autres domaines, la crise de la Covid-19 a permis de redécouvrir le jumeau numérique. Ainsi, en simulant virtuellement les impacts d’un traitement ou d’un vaccin avant son évaluation sur un groupe de patients, le jumeau numérique permet de faire gagner du temps à l’industrie pharmaceutique dans sa lutte contre le coronavirus.

Cependant, deux éléments sont nécessaires pour garantir son essor : une meilleure accessibilité des techniques et algorithmes et un cadre de confiance accru.

La généralisation de ces approches complexes, qui utilisent modélisation 3D, deep learning, réseaux convolutifs et modèles prédictifs, passe sans doute par une étape de standardisation et la mise à disposition d’outils en open source. Si de nombreuses briques algorithmiques existent déjà en open source, l’articulation des différents composants reste complexe à mettre en œuvre.

Par ailleurs, outil puissant d’aide à la décision, le jumeau numérique pose aussi la question de la confiance. Le modèle d’intelligence artificielle qui croise des données d’exploitation et des données internes ou externes est-il suffisamment robuste et explicable ? Accepte-t-on de modéliser son corps sous forme numérique, d’une part, pour que des décisions liées à sa santé soient suggérées par un algorithme, d’autre part ?