Des ingénieurs de l’Université Johns Hopkins ont mis au point un outil d’intelligence artificielle appelé SafeTraffic Copilot, capable de prédire l’impact des modifications de la signalisation routière sur la sécurité des intersections. Grâce à ce système, il devient possible d’estimer combien d’accidents supplémentaires ou évités surviendraient si le cycle d’un feu de circulation était modifié, par exemple de 20 à 30 secondes. Cette innovation repose sur des modèles de langage à grande échelle (LLM), qui analysent des données massives — dont plus de 66 000 rapports d’accidents, des images satellites, des photographies de sites, des conditions météorologiques, des données sur les taux d’alcoolémie et les comportements des conducteurs. Le modèle, publié dans la revue Nature Communications, permet d’évaluer non seulement les facteurs individuels de risque, mais aussi leurs interactions complexes. Selon Hao "Frank" Yang, auteur principal et professeur adjoint en génie civil et systèmes à Johns Hopkins, les accidents de la route sont des événements hautement complexes, influencés par des variables multiples. SafeTraffic Copilot vise à simplifier cette complexité en offrant aux décideurs des prévisions fondées sur des données, tout en intégrant des scores de confiance qui indiquent le degré de fiabilité des prédictions. Cette fonctionnalité est cruciale pour surmonter la méfiance liée au « boîte noire » de l’IA, où les mécanismes de décision restent opaques. En 2025, la Maryland Highway Safety Office a enregistré 381 décès sur les autoroutes de l’État, un chiffre en hausse continue depuis 2013, où 466 personnes avaient perdu la vie. L’étude révèle que l’alcool et le comportement agressif des conducteurs sont les causes les plus dangereuses, responsables de trois fois plus d’accidents que les autres facteurs. Contrairement aux méthodes traditionnelles basées sur l’apprentissage automatique, qui ne peuvent pas prédire au-delà des données d’entraînement, SafeTraffic Copilot offre une capacité « quoi si » : il peut simuler les effets de scénarios nouveaux ou non vus auparavant. Le modèle s’adapte également à différents contextes géographiques et culturels. En permettant d’ajuster les prédictions à partir de simples descriptions textuelles, il peut être utilisé dans des pays comme Taïwan ou les Philippines, où les accidents impliquant des motocyclettes sont fréquents et les comportements routiers différents. Cette flexibilité ouvre la voie à une application mondiale de l’outil, tout en répondant aux besoins spécifiques des communautés locales, notamment à Baltimore et dans le Maryland. Les experts saluent cette avancée comme une étape majeure vers une sécurité routière plus proactive. L’intégration de l’IA générative dans la planification des infrastructures routières pourrait non seulement réduire les accidents, mais aussi renforcer la transparence et la confiance des décideurs face aux outils d’aide à la décision.