Skip to main content

Sélections de la rédaction

Série de billets de blogue sur l’intelligence artificielle géospatiale (IAG)

Published Date

Trois révolutions industrielles se sont produites au cours des 260 dernières années. L’invention du moteur à vapeur a mené à la première révolution, et l’électricité était la base de la production de masse de la deuxième révolution. L’électronique et les technologies de l’information ont dominé la production automatisée, marquant ainsi la troisième révolution. Avec l’essor et l’utilisation généralisée de l’Internet des objets et de l’intelligence artificielle étroite, dont l’IAG, nous entrons actuellement dans la quatrième révolution. En tant que spécialistes des systèmes d’information géographique (SIG), il est possible que nous ayons de la difficulté à comprendre et à bien utiliser l’IAG. La question que nous devons nous poser est simple : comment pouvons-nous nous préparer à exploiter l’IAG alors qu’elle continue d’évoluer? Voici la première partie d’une série de 21 billets de blogue qui vous permettra de vous préparer à cette technologie.

L’essor de l’IAG

L’intelligence artificielle géospatiale (IAG) réunit les systèmes d’information géographique (SIG) de technologie appliquée et les outils d’intelligence artificielle (IA) en une seule discipline complexe, qui existe d’ailleurs depuis près de deux décennies. Toutefois, son nom, qui décrit l’union de ces technologies de l’information, est relativement nouveau. De multiples facteurs ont contribué à la récente création de la discipline de l’IAG, qui attire beaucoup d’attention de nos jours. En voici certains :

  1. l’amélioration du matériel informatique et graphique (c’est-à-dire, amélioration de la robustesse des unités centrales, des unités de traitement graphiques et, récemment, des unités de traitement de tenseur);
  2. une augmentation de l’utilisation de l’infonuagique en grappe et une simplification de l’accès à cette technologie (par exemple, AWS, Azure et NVIDIA);
  3. les progrès réalisés en apprentissage profond depuis le début des années 2010;
  4. l’amélioration et la flexibilité des logiciels SIG (c’est-à-dire, migration d’ArcMap vers ArcGIS Pro, ArcGIS Enterprise et ArcGIS Online);
  5. une augmentation de la documentation sur les algorithmes d’apprentissage automatique et d’apprentissage profond (par exemple, TensorFlow et Pyro);
  6. l’augmentation exponentielle de la collecte de données et de leur accessibilité (≥ 80 % de toutes les données sont géoréférencées);
  7. l’augmentation de l’espace de stockage pour les bases de données à un coût moindre.

En raison de ces facteurs, on prévoit que l’industrie de l’IAG connaîtra une croissance importante (un taux de croissance annuel composé d’environ 16 % ou 550 milliards de dollars US d’ici 2025) dans un avenir proche. Ainsi, la demande en outils et en techniques d’IAG continuera de croître dans tous les secteurs de l’information spatiale, y compris l’éducation et la recherche.

Le risque associé à l’utilisation de l’IAG

Comme toutes les autres technologies, le succès de l’émergence de l’IAG repose grandement sur les connaissances de ses utilisateurs. Imaginons un utilisateur de SIG qui manque de connaissances conceptuelles sur les concepts d’apprentissage automatique et d’apprentissage profond et qui applique les outils d’IAG sans même en comprendre les concepts de base. Il risque de commettre des erreurs dans la mise en œuvre des outils ou dans l’interprétation des résultats. Après une telle utilisation approximative des concepts et des méthodes complexes de l’IAG, de nombreux utilisateurs potentiels pourraient la considérer comme un type d’analyse de données risqué, voire d’une approche « boîte noire ».

Prenons par exemple un spécialiste qui utilise l’IAG afin de déterminer l’itinéraire le plus sûr et le moins susceptible de comprendre des dispositifs explosifs de circonstance pour un convoi humanitaire de ravitaillement. Ce spécialiste, qui effectue l’analyse et qui prend la décision, a la vie des conducteurs du convoi et du personnel de soutien entre les mains. La conclusion de ce scénario de vie ou de mort dépend essentiellement de la qualité et de la quantité des données accessibles ainsi que des connaissances du spécialiste. Bien entendu, il s’agit d’un cas extrême, car le problème est difficile à résoudre, et l’utilisation de l’IA dans la prise de décisions ne garantit pas une précision parfaite. D’un autre côté, rien n’indique que l’IA se révélerait inutile. En fait, les systèmes d’IA actuels sont beaucoup plus efficaces pour optimiser des tâches précises que des humains dans un même processus de prise de décisions difficiles. La partie risquée consiste à déterminer si la machine d’analyse basée sur l’IA est en mesure de généraliser le processus et d’interpréter seule les résultats, c’est-à-dire sans intervention humaine. C’est pourquoi les systèmes d’IA d’aujourd’hui reposent encore beaucoup sur ce que l’on appelle l’intelligence artificielle étroite, qui requiert une intervention humaine. Dans les dernières parties de cette série de billets de blogue, nous examinerons en détail les concepts fondamentaux de l’optimisation et de la généralisation ainsi que les types d’IA qui, selon nous, pourraient servir à appliquer le concept (comme celle mentionnée ci-dessus).

De nombreuses personnes, particulièrement des membres de la communauté SIG, seront attirées par le concept de l’IAG, qui a rapidement fait l’objet d’études dans les milieux techniques. D’autres chercheront simplement à appliquer les algorithmes créés sans disposer des connaissances nécessaires à leur bonne utilisation. Parmi ces personnes, seul un petit nombre comprendra réellement ce qu’elles font. De plus, dans un contexte universitaire, l’IAG ne se prête pas nécessairement bien, sur les plans conceptuel et technique, à un enseignement généralisé dans les cours de SIG. Ces facteurs peuvent facilement discréditer les utilisations potentielles de cette technologie dans la résolution de problèmes, ce qui pourrait mener à un troisième « hiver de l’IA ». Cette expression reprend l’idée d’un hiver nucléaire : le financement et l’intérêt envers une technologie diminuent pendant un certain temps, parce que les attentes sont irréalistes et les objectifs ne sont pas atteints en temps voulu. Si cette hibernation se prolonge, l’intérêt à l’égard du concept s’estompe et il finit par tomber en désuétude. Nous avons déjà connu deux hivers de l’IA, un au début des années 1970 et l’autre dans les années 1990. Afin d’éviter une troisième période d’hibernation, il est essentiel que les utilisateurs comprennent les forces, les faiblesses et les points à améliorer l’IA appliquée en géomatique. Il s’agit de l’un des principaux objectifs de la série de billets de blogue présenté ci-dessous.

La popularité actuelle du concept de l’intelligence artificielle entraîne sans aucun doute une augmentation de la demande de la part des clients, une modification des modèles d’affaires ainsi qu’une volonté accrue à faire évoluer la géomatique. Dans cette évolution, l’IAG a le potentiel de devenir une nouvelle norme d’enseignement et d’apprentissage dans les programmes d’études avancées sur les SIG, et nous devons nous préparer à cette possibilité.

La vaste portée de l’IAG

Comme la série de science-fiction The Expanse, l’IAG élargit la portée des normes en vigueur sur les SIG et deviendra une possibilité dans un avenir proche. Dans ce contexte, elle a le potentiel de modifier les pratiques et les programmes d’enseignement actuels sur la géographie et la géomatique, car il faudra bien l’intégrer aux programmes d’études modernes sur les SIG. Une chose est sûre : ce ne sera pas facile. Les universitaires devront élargir leur base de connaissances afin de bien comprendre le concept et l’utilisation de l’IAG, tout en devant assumer les coûts de calcul minimum associés à l’application de l’apprentissage profond et de l’apprentissage automatique. De leur côté, les étudiants devront à tout le moins avoir une bonne connaissance des mathématiques du secondaire, en particulier de l’algèbre linéaire (c’est-à-dire, le produit scalaire), des calculs de base et des statistiques.

En raison de toutes ces considérations, la présente série de billets de blogue vise à créer à l’intention des professeurs et des étudiants en enseignement supérieur des références pour intégrer l’IAG dans un programme d’études de premier cycle sur les SIG. La série couvre des sujets qui comprennent l’éventail des concepts d’IA nécessaires pour comprendre sa portée, les mathématiques requises et leur application en géomatique avancée. Bien qu’il existe un très grand nombre de ressources gratuites sur le web pour accéder aux concepts et les apprendre, elles sont souvent dispersées, impliquent des courbes d’apprentissage abruptes et rendent donc la compréhension difficile sans conseils avisés. Certaines ressources montrent la mise en œuvre d’IAG à l’aide d’applications SIG (p. ex., ArcGIS Pro et API pour Python), mais, trop souvent, il manque d’explications au sujet des paramètres et des processus de flux de travaux qui doivent être pris en compte pour que l’utilisation soit réussie.

Cette série de billets de blogue n’a pas pour but d’outrepasser les ressources existantes sur le web, et ne constitue en aucun cas un programme de formation complet en IAG. La vision est plutôt de compiler et de présenter des renseignements faciles à comprendre à tous les utilisateurs potentiels souhaitant comprendre et mettre en œuvre des flux de travaux IAG. Il présente donc un ensemble de lignes directrices et de plans qui visent à susciter l’encouragement et l’engagement. Plus précisément, cette série s’adresse à ceux qui utilisent actuellement ArcGIS ou qui prévoient d’utiliser le logiciel ArcGIS à des fins d’apprentissage automatique et d’apprentissage profond.

Vous trouverez ci-dessous la table des matières initiale de cette série de billets de blogue (sujette à des modifications au fil du temps) :

1re partie : Introduction à l’IAG

  1. Blogue no 1 : Série de billets de blogue sur l’intelligence artificielle géospatiale (IAG) (billet actuel)
  2. Blogue no 2 : À propos de l’IAG
    1. Qu’est-ce que l’IAG?
    2. L’histoire de l’IAG
    3. Pourquoi cet emballement?
    4. Description de la vision à long terme, sans l’emballement
  3. Blogue no 3 IA, apprentissage automatique et apprentissage profond
    1. Qu’est-ce que l’IA? Quels sont les types d’IA? (étroite, générale et forte)
    2. La différence générale entre AI, apprentissage automatique et apprentissage profond
    3. Utilisation appropriée de l’apprentissage automatique et de l’apprentissage profond
    4. Les utilisateurs de SIG doivent-ils apprendre à utiliser l’apprentissage automatique et l’apprentissage profond? Doivent-ils comprendre de quoi il s’agit?
    5. Pourquoi nous concentrer sur l’apprentissage profond plutôt que sur l’apprentissage automatique?
    6. Le lien entre l’IAG et l’apprentissage profond

2e partie : Comprendre l’apprentissage profond

  1. Blogue no 4 : Introduction à l’apprentissage profond
    1. Introduction à l’apprentissage automatique (« apprentissage machine »)
      1. Types d’algorithmes d’apprentissage automatique
    2. Différences fondamentales entre l’apprentissage automatique et l’apprentissage profond
    3. Brève histoire de l’apprentissage profond
    4. Types de méthodes d’apprentissage profond
  2. Blogue no 5 : Comment fonctionne l’apprentissage profond sur le plan conceptuel?
    1. Propagation vers l’avant
    2. Types de fonctions d’activation
    3. Fonctions de perte et de coût
    4. Descente de gradient, optimisations et taux d’apprentissage
    5. Rétropropagation
    6. Actualisation des coefficients et itération jusqu’à la convergence
  3. Blogue no 6 : Comment fonctionne l’apprentissage profond sur le plan mathématique?
    1. Que sont les tenseurs?
    2. Types de tenseurs
    3. Fonctions d’activation et de propagation vers l’avant
    4. Fonctions de perte et de coût
    5. Rétropropagation
    6. Coefficients actualisés
  4. Blogue no 7 : Pièges potentiels de l’apprentissage profond
    1. Formation, évaluation et tests
    2. Sous-apprentissage ou surapprentissage
    3. Optimisation et généralisation
    4. Fuites d’informations
    5. Éviter les pièges
      1. Méthodes de fractionnement des données [protocole d’évaluation]
      2. Vectorisation et normalisation
      3. Régularisation (L1, L2, pertes d’informations)
      4. Augmentation des données
  5. Blogue no 8 : Traduction des mathématiques de l’apprentissage profond en langage Python (NumPy + Keras)
    1. Pourquoi NumPy + Keras?
    2. Exemple de code
  6. Blogue no 9 : Conseils pour bien utiliser l’apprentissage profond
  7. Blogue no 10 : Les méthodes d’apprentissage profond dans l’écosystème des SIG
    1. Classification des images
    2. Détection d’objets
    3. Segmentation sémantique
    4. Segmentation des instances

3e partie : Apprentissage profond I dans ArcGIS

  1. Blogue no 11 : Processus moderne de flux de travaux d’apprentissage profond dans ArcGIS
    1. ArcGIS Pro + ArcGIS API pour Python
    2. Paquetages ArcGIS Pro + apprentissage profond en langage Python
      1. Keras et TensorFlow
      2. Fast.ai et PyTorch
      3. Theano
      4. CNTK
  2. Blogue no 12 : Configuration requise et directives d’installation [démo]
    1. Exigences en matière de mémoire vive, de disque SSD, d’unité centrale et de processeur graphique
    2. Installation – approche relative à l’unité centrale ou au processeur graphique
      1. NVIDIA
      2. Environnement Conda et ArcGIS Pro
  3. Blogue no 13 : Objectif : détection d’objets
    1. Que sont les réseaux de neurones convolutifs?
    2. Types d’architectures de réseaux de neurones convolutifs
    3. Description des réseaux ResNet, Inception, VGG
    4. Évolution de la détection d’objets
  4. Blogue no 14 : Apprentissage par transfert
    1. Que sont les réseaux préentraînés?
    2. Comment en choisir un?
    3. Gel et analyse fine
  5. Blogue no 15 : Single Shot Detector (SSD) avec ArcGIS Pro + ArcGIS API pour Python [démo]
  6. Blogue no 16 : Keras + ArcGIS Pro [démo]
  7. Blogue no 17 : Avenir de l’apprentissage profond II dans ArcGIS
    1. Autres méthodes d’apprentissage profond dans les SIG
    2. TensorFlow et CNTK

4e partie : Apprentissage profond en temps réel dans ArcGIS

  1. Blogue no 18 : ArcGIS Enterprise [GeoEvent, GeoAnalytics, Ops. Dashboard] + apprentissage profond
  2. Blogue no 19 : Internet des objets (IdO) + ArcGIS

5e partie : Avenir de l’apprentissage profond dans les SIG

  1. Blogue no 20 : Quelle est la prochaine « avancée » de l’apprentissage profond dans le domaine des SIG?

6e partie : Annexe des ressources

  1. Blogue no 21 : Ressources recommandées à revoir et à développer
    1. Esri Inc. [séances, documentation, liens]
    2. Conférences
    3. Articles universitaires (IAG)
    4. Livres sur l’apprentissage profond
    5. Ressources tierces

Ce billet a été écrit en anglais par Anastassios Dardas et peut être consulté ici.