Kainos et AWS aident la DVSA à utiliser le machine learning pour minimaliser la fraude et améliorer la sécurité routière

Depuis plus de 30 ans, Kainos crée des services et des plateformes de technologie numérique pour des organisations du monde entier, dans les secteurs public et privé. Kainos emploie plus de 1 400 personnes sur différents sites en Europe et en Amérique du Nord. L'entreprise est un Advanced Consulting Partner d'Amazon Web Services (AWS) dans le Réseau partenaires AWS (APN). Kainos est également un partenaire AWS du secteur public qualifié.

La vaste expérience de Kainos en matière de partenariat avec les ministères britanniques en a fait un choix naturel pour l'Agence des normes des conducteurs et des véhicules (DVSA), qui supervise les tests du ministère des transports (MOT), les testeurs et les garages. Depuis 2013, Kainos travaille avec la DVSA sur de multiples projets de transformation numérique.

Les premiers travaux avec la DVSA se sont concentrés sur le remplacement du système du MOT basé sur ordinateur central par un système basé sur le cloud. Hébergé sur le cloud AWS, ce nouveau service est plus rapide et offre une interface conviviale sur les appareils déjà accessibles aux testeurs. D'autres projets ont suivi, notamment le MOT History Check, qui permet au public de vérifier l'historique des tests MOT d'une voiture, le kilométrage enregistré et la date d'échéance des tests. Un autre projet, le service MOT Reminders, utilise AWS Lambda, une technologie sans serveur, pour envoyer des rappels de date de contrôle aux propriétaires de véhicules.

La DVSA a choisi Kainos en vue de développer un système utilisant le machine learning et l'analyse prédictive afin d'identifier la fraude et des normes inadéquates sur les sites d'essai du ministère des Transports (MOT). Grâce à sa compréhension détaillée du machine learning, Kainos a fourni un algorithme efficace, qui témoigne de l'expertise de l'entreprise pour collecter, comprendre et préparer des données, ainsi que de son expérience de la validation des résultats du modèle prédictif. Le projet était particulièrement adapté au style de travail agile de Kainos, avec des tests réguliers et un retour d'information, ce qui a rendu le processus de conception, de mise au point et de validation aussi efficace que possible.

La DVSA s'appuie sur une équipe de 266 examinateurs de véhicules (VE) pour effectuer des contrôles ponctuels, qui prennent beaucoup de temps, sur 66 000 examinateurs de véhicules dans 24 000 garages. Le choix des garages à soumettre à des contrôles ponctuels se faisait manuellement et sur papier. Le VE a attribué un score de risque qui était subjectif et basé sur les performances constatées sur une seule journée sur la base d'un examen des informations historiques et des données recueillies lors d'un contrôle ponctuel.

Kainos a travaillé avec la DVSA sur une preuve de concept pour la nouvelle solution. Les deux équipes ont examiné les données du système du MOT, et les scientifiques de données de chez Kainos ont déterminé ce qui pouvait être extrait pour être utilisé dans les modèles de données. « L'équipe de Kainos nous a montré le potentiel – où ce projet pourrait aller, et à quoi nous pourrions l'utiliser », explique Chris Price, responsable des produits de test du MOT à la DVSA. Après la présentation de Kainos, nous nous sommes dit ceci : « Ce serait un outil formidable si nous pouvions accomplir ce qu'ils nous ont montré. »

L'outil de machine learning permet à la DVSA d'identifier les modèles comportementaux anormaux des tests du MOT, de cibler efficacement les activités de contrôle et d'inspection et, en fin de compte, d'améliorer la sécurité routière en Grande-Bretagne. L'algorithme de notation du risque se concentre sur les performances individuelles des testeurs du MOT, tient compte des changements de comportement des testeurs au fil du temps et se met à jour régulièrement, ce qui permet une notation précise et actualisée du risque. Il intègre également des informations supplémentaires utiles, notamment le volume, la fréquence, la durée et le taux de réussite des tests, ainsi que les antécédents disciplinaires.

Les premiers essais ont permis de découvrir plusieurs garages à haut risque qui n'avaient pas été repérés par les méthodes précédentes. Les VE se sont rendus dans les garages pour confirmer les conclusions du modèle, et certains garages présentaient un risque suffisamment élevé pour que les VE les empêchent de faire des tests immédiatement. « L'utilisation de modèles de données sur les riches jeux de données dont nous disposions s'est avérée extrêmement puissante. Un traitement manuel de ces données n'aurait pas été possible. La confirmation de la précision des modèles nous a donné une grande confiance dans l'outil de notation des risques », a déclaré Price.

Pour cet outil, Amazon Elastic Compute Cloud (Amazon EC2) fournit une capacité de calcul redimensionnable dans le cloud en utilisant les données du MOT stockées dans Amazon Simple Storage Service (Amazon S3) et Amazon DynamoDB. « La capacité de mettre à l'échelle la puissance de calcul a largement dépassé ce que nous aurions pu accomplir dans un centre de données traditionnel sur site. Nous devons notre succès à l'infrastructure AWS sous-jacente », explique Ricky Walker, architecte principal de Kainos.

L'algorithme de modélisation dresse un tableau des performances dans le temps, en détectant les garages dont les pratiques sont médiocres. « Désormais, les VE ont accès à toutes les informations pertinentes sur une feuille de calcul de notation des risques, ce qui leur permet de savoir quels garages visiter et d'améliorer leur efficacité opérationnelle et leur prise de décision », explique M. Price. Les évaluations sont désormais objectives, et le temps nécessaire aux experts pour analyser les données avant un contrôle ponctuel a été réduit de 50 %. Les garages ont accepté le changement, car ils sont rassurés par le fait que le processus soit désormais objectif et fondé sur des données, et qu'il identifie plus précisément les garages à haut risque. Depuis sa mise en œuvre, le modèle a donné lieu à 3 200 examens de sites, dont 74 % ont abouti à une évaluation « insatisfaisante » ou « à améliorer ». Parmi ces examens de sites, 33 % des visites de garages à haut risque ont donné lieu à des mesures disciplinaires ou à des lettres d'avertissement.

L'outil de modélisation de la DVSA créé par Kainos a été nominé Projet IA & et Machine Learning de l'année 2018 par les UK IT Industry Awards. « Le succès des projets du MOT au fil des ans nourrit nos ambitions en tant qu'agence. Nous en tirons la confiance nécessaire pour continuer à essayer de nouvelles choses », a déclaré Alex Fiddes, responsable des opérations numériques de la DVSA. La collaboration entre Kainos et la DVSA se poursuit, l'innovation aussi. Le prochain projet de l'équipe consiste à prédire si un véhicule passera ou échouera son test MOT et à utiliser ces prédictions pour ajouter des données supplémentaires au système de notation du risque. « Notre longue relation avec AWS a préparé le terrain pour notre succès avec la DVSA. Grâce à AWS, nous avons découvert l'art du possible. Kainos a aidé la DVSA à repousser ses limites pour trouver les moyens les meilleurs et les plus innovants de rendre les routes britanniques plus sûres », a expliqué Darren McIlveen, responsable des livraisons pour Kainos.