“Vivre, c’est transformer en conscience une expérience aussi large que possible”disait André Malraux. Nos Intelligences Artificielles contemporaines, souvent fantasmées pour leurs capacités, sont bien loin de ces considérations.
Il ne s’agit pas ici de nier, les résultats spectaculaires obtenus depuis le tournant des années 2010, dans le domaine des algorithmes d’apprentissage ou Machine Learning, dû en partie, d’une part à la démocratisation des capacités de calcul nécessaires à ces algorithmes et d’autres part au verrou de la dimensionnalité qu’ont su, si ce n’est résoudre, au moins grandement dégripper les réseaux de neurones convolutifs (ou CNN). La libération de ces verrous a trouvé des applications pour tous et dans tous les domaines , qui plus est de manière si rapide, que les capacités nouvelles de ces outils, ainsi mis en lumière, peuvent se transformer pour certains en miroir aux alouettes. Qui n’a pas entendu ou lu depuis quelques années des récits prophétiques où les robots bientôt rêveraient.
A Geomatys, peut être en partie car un de ses fondateurs possédait un retour d’expérience notable sur ces outils manipulés durant sa thèse au milieu des années 2000, de leurs avantages et de leurs limites, nous avons dans un premier temps, regardé ce bel objet qu’étaient les réseaux de neurones convolutifs comme un prolongement de nos activités plutôt que comme un axe d’activité à part entière.
Ainsi l’avons nous mis en en œuvre très tôt pour des besoins de classification d’objet dans des d’image satellites, où à d’autres fins mais sans pour autant en faire l’alpha et l’oméga de nos activités futures. Il faut sans doute y voir ici, un hasard conjoncturel où la connaissance de l’outil nous a empêché d’adhérer à la mythologie collective se mettant en place. Ainsi avons-nous continué à consolider nos fondamentaux quant à la maîtrise de la gestion de l’information spatiale pour les grosses infrastructures de données, cet outil étant un parmi tant d’autres.
Or aujourd’hui, à la ville comme à la campagne, force est de constater qu’il y a les entreprises qui en sont et celles qui n’en sont pas. Nécessité faisant loi, nous faisons donc ici notre coming out communicationnel et présentons ci-après nos activités dans le domaine pour affirmer que oui, nous en sommes!
Aujourd’hui l’IMINT mobilise grandement les réseaux de neurones convolutifs pour automatiser très efficacement les tâches de reconnaissances d’objets dans une image, et avec force données d’apprentissage cela fonctionne très bien eu égard aux types de corrélations spatiales qu’un CNN est capable de capturer.
De nombreuses sociétés se sont donc positionnées sur ce segment d’activité. Ayant raté le premier train, nous avons donc décidé de construire nous même notre locomotive et de nous positionner sur ce que nous pensons constituer le gros du potentiel encore sous exploité du Machine Learning, et avons démarré depuis un an trois projets distincts sur chacun des domaines.
- Axe 1, l’IA a des fins de prédiction : En effet les CNN utilisés à des fins de classification automatique produisent leurs résultats sur une observation à un temps, lors de son analyse, il s’agit déjà du passé. Ils ne permettent pas nativement de combiner les informations détectées pour prévoir et corréler un futur comportement. Or, devant le flux d’information susceptible d’être détecté, un humain va les hiérarchiser et les mettre en perspective avant de prendre une décision. Les outils de machine learning, qui plus est, les architectures telles que l’apprentissage par renforcement ou les réseaux de neurones génératifs, plus complexes ont cette capacité. Un projet en cours, visant à la production automatisée de cartographie nautique complexe à partir d’information hétérogène et contradictoire, l’arbitrage étant aujourd’hui réalisé humainement nous a permis de confirmer le potentiel des architectures de réseaux de neurones complexes, sujet que nous poursuivons en parallèle pour de la production de carte de probabilité de présence de population animale en fonction des conditions environnementales.
- Axe 2, le Edge Computing : Dans certains contextes, le transit d’une image depuis son lieu d’acquisition vers son lieu de traitement n’est pas envisageable. Il convient donc, afin de minimiser le coût du message, de classifier sur place l’image pour ne transmettre que l’information déduite. Nous travaillons actuellement avec des partenaires aux tests en conditions réelles de ce genre de dispositifs.
- Axe 3 : La détection de signaux faibles implique d’explorer des masses de données conséquentes, et l’apprentissage sur ce type de signaux implique des masses de données d’autant plus conséquentes. Or dans certains cas, la centralisation des données en une infrastructure unique n’est pas réaliste soit pour des raisons de confidentialité de la donnée ou parfois plus pragmatiquement encore pour des raisons de taille d’entrepôt mobilisé. Déporter une partie du modèle d’apprentissage au plus près de la donnée et en fédérer les résultats est alors une solution que nous mettons actuellement en œuvre dans le cadre d’un projet couplant géolocalisation et données santé.
Couplé aux 15 années d’expertises de Geomatys dans le domaine de l’interopérabilité, du traitement et des infrastructures massives de données géospatiales, et de consolidations de cette expertise dans sa gamme logiciel Examind, nous oeuvrons désormais à transformer nos expériences dans le domaine du machine learning en des fonctionnalités facilement re-mobilisables pour nos client. Ce n’est pas Malraux mais ce n’est pas mal non plus.