ArcGIS et IA : Par où commencer ? - N°3/8
Je poursuis mon tour d'horizon sur les différents points d'entrée pour l'usage de l'IA dans ArcGIS. Aujourd'hui, je vous propose d'évoquer l'utilisation de l'IA Générative à travers les modèles de type LLM.
Les modèles LLM (Large Language Models) de fondation, tels que ChatGPT, Mistral, Claude ou Gemini, offrent un support flexible et riche basé sur la rédaction de prompts en langage naturel et peuvent considérablement réduire l'effort nécessaire pour générer des données de test, construire de la documentation, élaborer des workflows d'analyse complexes ou aider à la présentation de résultats. Bien que ces outils soient assez généralistes et pas spécialisés en SIG, leurs capacités de langage naturel et de raisonnement les rendent précieux pour vous aider dans certaines tâches périphériques aux travaux purement SIG.
Voici quelques exemples de ce que vous pouvez attendre des IA Génératives généralistes dans le contexte quotidien d'un géomaticien :
- Interroger l'IA conversationnelle sur des pratiques ou des exemples d'usages des SIG dans le cadre d'un métier ou sur une problématique métiers spécifique
- Générer des résumés ou des fiches descriptives pour des catalogues de données (utile pour ArcGIS Hub ou vos catalogues de données).
- Assister la documentation de modèles, d’outils Python, ou de notebooks Jupyter en générant du texte clair et cohérent.
- Traduire des modèles de géotraitement ou des logiques Arcade en code Python.
- Expliquer et corriger des erreurs rencontrées dans un script ou une géotraitement.
- Reformuler et vulgariser des résultats d’analyses spatiales (clustering, calculs de distance, interpolation, ...).
- Proposer des approches analytiques adaptées à un besoin (ex: comment identifier les zones les plus vulnérables à la chaleur urbaine ?).
- Rédiger des analyses narratives ou des synthèses à partir de tableaux de résultats.
- Décrire automatiquement le contenu d’une couche ou d’un jeu de données à partir de ses métadonnées ou d’un échantillon d’attributs.
- Faire appel aux capacités de "vision par ordinateur" pour automatiser la description plus ou moins structurée du contenu de photos (pièces jointes par exemple).
- Générer des jeux de données de test (csv, json, geojson, gml, ...) pour démontrer ou tester un modèle de géotraitement, un script ou une méthodologie de cartographie (ex: Générer un fichier CSV avec 500 lignes contenant un nom, prénom, adresse, nombre d'enfants et revenu moyen autour de la ville de Bordeaux).
- Générer des images pour entrainer un modèle de Deep Learning (ex: Générer une image de type photographie aérienne (5cm) dans laquelle on peut voir des parcelles forestières incendiées ?).
Comment démarrer ?
- Formez-vous aux meilleures pratiques d'ingénierie des prompts (l'art de poser les bonnes questions aux IA).
- Utilisez des LLM publics pour rédiger des métadonnées, des résumés exécutifs ou des descriptions en langage clair de vos productions techniques.
- Demandez au modèle de suggérer des cas d'utilisation potentiels ou des cadrages de projet basés sur vos ensembles de données ou vos objectifs.
Considérations pratiques
- Établissez des directives claires sur les types de données pouvant être partagées en toute sécurité avec des modèles publics.
- Exigez une révision humaine pour toutes les productions partagées en externe ou officielles.
Limites et précautions
- Les LLM généralistes ne comprennent pas intrinsèquement la sémantique spatiale : ils ne remplacent pas les moteurs géographiques.
- Il y a des risques d'hallucinations ou d’erreurs sur les concepts SIG complexes.
- Importance de la sécurisation des données envoyées au LLM et du contrôle des sorties (notamment pour les environnements d’entreprise).
Modifier
0 comments :
Enregistrer un commentaire