L’OMD définit l’inspection non intrusive (INI) comme toute technologie d’imagerie ou de détection qui permet d’inspecter des marchandises sans ouvrir les moyens de transport (conteneurs ou colis), ce qui facilite le contrôle rapide des conteneurs ou des véhicules. Avec un volume d’échanges mondiaux qui devrait atteindre 86 billions (soit 86 000 milliards) de dollars des États-Unis d’ici 2035, l’utilisation accrue de l’INI est devenue un pilier incontournable des stratégies de lutte contre la fraude. L’objectif principal est d’améliorer les contrôles aux frontières tout en réduisant le besoin de recourir à des vérifications matérielles fastidieuses et en fournissant aux douaniers un outil qui leur permette de prendre des décisions éclairées.

Les administrations douanières connaissent toutes désormais les systèmes d’INI, notamment les scanners par transmission de rayons X, les systèmes d’imagerie à rayons gamma, les appareils de rétrodiffusion à rayons X et les systèmes à rayons X double énergie ou multiénergie. Cependant, analyser les images générées par ces systèmes dans des délais courts et avec une grande précision pose un énorme défi, en particulier dans les pays où le volume des échanges commerciaux est élevé ou dans ceux où tous les envois doivent être contrôlés. Une telle tâche nécessite des agents hautement qualifiés, qui soient prêts à se former en continu pour suivre le rythme des évolutions technologiques et des menaces émergentes.

Or, l’apparition et l’intégration de technologies telles que l’IA de reconnaissance d’images, les mégadonnées, l’informatique en nuage, l’apprentissage automatique et l’analyse avancée des données pourraient changer la donne. Depuis plusieurs années, les fabricants et les administrations douanières travaillent sur des algorithmes qui permettent aux machines de reconnaître des objets et qui sont communément désignés sous leur acronyme anglais « ATR », pour « automatic threat recognition » (ou reconnaissance automatique de la menace) ou « assisted target recognition » (reconnaissance assistée de la cible).

Les systèmes les plus sophistiqués peuvent analyser des images radiographiques avec une rapidité et une précision inégalées, détectant des anomalies qui pourraient échapper même à l’opérateur humain le plus expérimenté. Ces systèmes apprennent en permanence, constituant de vastes bibliothèques de modèles de menaces tout en s’adaptant aux nouvelles méthodes de dissimulation et aux nouveaux moyens cachés.

La Douane indienne a commencé à travailler sur ce volet en 2022, en créant une équipe d’analystes de risques et de développeurs au sein du Centre national de ciblage douanier (NCTC) en vue de concevoir une solution d’analyse d’images centralisée, automatisée, dynamique et indépendante des fournisseurs. En s’appuyant sur des algorithmes d’IA de pointe, la solution analyse rapidement les images radiographiques afin de relever avec précision les anomalies et les articles suspects.

Certaines étapes guidant l’intégration de l’IA dans les appareils d’INI ont été répertoriées. La première étape consiste à déterminer les priorités opérationnelles de l’administration douanière, par exemple la découverte des cas de fausse déclaration, ou la détection de moyens cachés, d’articles soumis à des restrictions, d’un objet spécifique ou d’une menace.

L’étape suivante consiste en une évaluation complète de l’infrastructure technologique existante, tant en termes de logiciels que de matériel. Il se peut que des mises à niveau technologiques soient nécessaires et que des liens manquants soient constatés entre divers points nodaux pour la transmission des données.

Vient ensuite une recherche approfondie visant à comprendre les différents modèles d’intelligence artificielle qui répondent à l’objectif et qui pourraient être intégrés dans les systèmes d’INI utilisés. Par exemple, un modèle de détection de l’hétérogénéité révèle si l’image est homogène ou non sur la base de la description des marchandises déclarées ; un modèle de détection d’objets détecte et localise un objet dans un conteneur ; et un modèle de prédiction du poids des conteneurs indique des variations de poids possibles en fonction de la densité des marchandises déclarées.

Une fois qu’un modèle approprié a été choisi, les deux étapes principales suivantes sont la collecte et l’augmentation des données. La collecte de données consiste à rassembler un certain nombre d’images radiographiques d’objets présentant un intérêt pour la douane. Les images possèdent des caractéristiques identifiables définies en fonction de leur forme, de leur texture, de leur couleur ou de leur densité. Le processus d’augmentation des données consiste à améliorer la qualité des images à l’aide d’outils de correction et d’étiquetage. L’étiquetage des objets dans les images d’entraînement constitue une étape cruciale, car il influe directement sur la précision prédictive du modèle.

Il est difficile de trouver des images de certains objets d’intérêt. Des techniques de génération de données synthétiques peuvent être utilisées pour pallier ce problème, en particulier la projection d’images de menaces qui est un logiciel qui insère des images fictives (mais réalistes) d’objets menaçants existants dans les images d’objets réels qui sont contrôlés à l’aide de systèmes à rayons X.

La normalisation des formats d’image est essentielle pour garantir l’interopérabilité, l’intégration des systèmes au-delà des frontières et l’uniformité du matériel d’entraînement des modèles d’IA. Dans ce contexte, le format de fichier unifié (UFF) 2.0 de l’OMD, qui fournit un format de données normalisé et non propriétaire conçu pour les images et les données générées par des scanners à haute énergie, constitue une avancée significative à l’échelle mondiale.

À travers une collecte et une augmentation rigoureuses des données, il devient possible d’entraîner les modèles, de les optimiser et de les valider. Les algorithmes d’optimisation aident les réseaux neuronaux à apprendre plus rapidement et assurent leur convergence. En utilisant des optimiseurs de pointe tels que l’optimiseur Adam, en ajustant la profondeur des réseaux et en utilisant des réseaux d’ensemble, l’efficacité de l’entraînement peut être améliorée pour atteindre des performances optimales.

Une fois que le modèle a été correctement entraîné et testé au niveau de ses paramètres opérationnels, il peut être déployé avec un système de soutien complet. Le facteur humain (en l’occurrence les analystes d’images sur le terrain) joue un rôle central dans les mécanismes de suivi des performances et de rétroaction. Le modèle d’IA déployé doit faire l’objet d’une évaluation des performances, de mises à jour et d’un entraînement répété à intervalles réguliers afin d’en maintenir un rendement optimal. En outre, avec l’introduction de techniques de renforcement, une fonctionnalité d’auto-adaptation peut également être intégrée dans le modèle d’IA afin d’y injecter une boucle de rétroaction en temps réel ainsi que des paramètres auto-adaptatifs observables.

Le déploiement de tels modèles requiert également des mises à jour régulières et la création de bibliothèques. À mesure que le champ d’application de l’INI s’élargit et permet d’identifier de nouvelles classes d’objets, il convient de mettre à jour immédiatement l’entraînement du modèle et de mesurer ses performances à la lumière des nouveaux ajouts.

L’intégration de l’INI pilotée par l’IA ouvre un large éventail de capacités et de fonctionnalités au niveau de son application pratique. Chaque modèle possède ses propres traits et caractéristiques qui sont définis en fonction des objectifs de l’administration douanière. Une administration douanière doit décider en fonction de la capacité de ses scanners et de la totalité des flux commerciaux qu’elle a à traiter si elle doit contrôler toutes les marchandises ou s’il lui faut définir une couche de risques pour ne sélectionner que les marchandises à haut risque.

L’Inde utilise des critères de filtrage des marchandises basés sur le risque, selon lesquels seuls les envois sélectionnés sont marqués pour faire l’objet d’une vérification. Le NCTC met au point de manière centralisée des paramètres de sélectivité basés sur le risque pour le contrôle des marchandises[1].

Pilotée par des algorithmes d’IA de pointe, la solution d’analyse d’images radiographiques est conçue pour analyser rapidement les images radiographiques et automatiser le processus de détection des marchandises de contrebande, des moyens cachés et des fausses déclarations par le biais des images. Cette solution d’IA a été entièrement développée en interne afin de répondre le plus efficacement possible aux risques spécifiques au contexte indien. Des modèles d’IA de sources ouvertes sont entraînés pour la classification des marchandises, la détection de l’hétérogénéité, la découverte d’objets et la prévision du poids des conteneurs afin de fournir des informations automatisées sur les risques à partir des images.

Le modèle de classification des marchandises analyse l’image, identifie les produits et propose différentes options pour leur classement dans la nomenclature indienne. Le modèle de détection d’objets va plus loin que le modèle de classification, en identifiant non seulement les articles dans le conteneur, mais aussi en localisant précisément leur emplacement exact.  À cette fin, la Douane utilise un algorithme d’apprentissage profond de source ouverte, comme YOLOv7, connu pour ses capacités de traitement en temps réel et sa grande précision dans l’identification et la localisation d’objets dans le fret conteneurisé. Le modèle prend en charge un ensemble croissant de classes d’objets, ce qui permet d’améliorer en permanence ses capacités de détection.

Le développement, l’intégration et le déploiement de ces modèles ont buté sur plusieurs problèmes, notamment l’indisponibilité des données, le coût de l’infrastructure technologique, le besoin d’aligner les modèles sur les systèmes existants pour assurer la compatibilité des données d’entrée et de sortie, l’entraînement des modèles et la formation du personnel.

La Douane indienne a relevé ces défis grâce à un cadre de collaboration effective. Différents services verticaux relevant de la Direction centrale des impôts indirects et des douanes, tels que le Centre national de ciblage douanier, la Direction générale des systèmes et de la gestion des données, le Département de la logistique et les fournisseurs techniques, ont participé activement au développement des modèles et ont fourni les données nécessaires à leur entraînement. Cette approche a permis de cloisonner les défis et de les résoudre un par un de manière efficace et rapide. La Douane travaille actuellement sur le déploiement de l’UFF sur les équipements d’INI, car pour l’instant, les images générées par les systèmes de scanographie des conteneurs sont partagées et traitées dans d’autres formats.

Un accent particulier est aussi mis sur les interactions régulières avec les douaniers sur le terrain, en vue de recueillir leurs réactions et d’instaurer un climat de confiance à leur niveau, mais également pour mesurer la performance des modèles et en améliorer la performance.

L’intégration de l’intelligence artificielle dans les systèmes d’inspection non intrusifs représente une avancée significative dans la gestion des risques douaniers. Les douaniers analysent les images en s’appuyant sur leur propre expertise, tout en recevant simultanément les résultats des modèles pilotés par l’IA. Ils décident ensuite si l’image est « suspecte » ou « non suspecte ».

Les indicateurs clés de performance montrent que la précision de la détection a été améliorée. Le taux de réussite plus élevé (mesuré en fonction de la proportion de prédictions du modèle d’IA conduisant à la découverte d’irrégularités) a non seulement contribué à lutter contre la contrebande aux frontières, mais a également optimisé l’efficacité opérationnelle des douaniers, réduit le temps d’attente et amélioré le ciblage basé sur les risques. Parmi les exemples notables de marchandises détectées aux ports maritimes indiens, citons la découverte de pétards dans des envois déclarés comme étant des « articles divers », de cosmétiques trouvés enfouis dans des vêtements, et de cigarettes dissimulées dans des envois déclarés comme contenant des désodorisants.

À mesure que la technologie évolue, l’amélioration continue, l’apprentissage adaptatif et les investissements stratégiques resteront essentiels pour exploiter pleinement le potentiel des systèmes d’INI pilotés par l’IA. La Douane indienne réitère son engagement à partager son expérience avec d’autres autorités douanières et se réjouit de pouvoir collaborer à l’avenir avec les administrations intéressées.

En savoir +
hrishikesh.utpat@gov.in
shivam.dhamanikar@gov.in
sruti.vijayakumar@gov.in

[1] https://www.cii.in/International_ResearchPDF/Trade%20Facilitation%20Report_June%202023.pdf