Dans un paysage technologique en évolution toujours plus rapide, la convergence de l’intelligence artificielle (IA) et de l’intelligence spatiale a donné naissance ces dernières années à une technologie révolutionnaire : l’intelligence artificielle géospatiale (GeoAI). En 2019, dans cet article arcOrama (un des plus lus cette année là), j'avais déjà introduit ce terme de GeoAI pour qualifier la stratégie et les premiers outils d'Esri pour intégrer l'IA aux capacités d'intelligence spatiale du système ArcGIS. Comme je l'évoque à chaque mise à jour d'ArcGIS, il y a eu tant d'évolutions et de chemin parcouru dans ce domaine ces dernières années (et ce n'est que le début) qu'il est temps de revenir en détails sur toutes ces innovations.

L'approche GeoAI est donc d'appliquer les algorithmes de l'IA aux données géospatiales, la science et la technologie pour accélérer vos flux de travail, découvrir rapidement des informations précieuses à partir de grosses volumétrie de données et résoudre des problèmes spatiaux complexes. En permettant d'analyser plus rapidement les événements, il permet aux utilisateurs de suivre le rythme de l'évolution des équipements, de leurs infrastructures, de leurs territoires et de prendre des décisions éclairées plus rapidement qu'auparavant. Grâce aux données toujours plus nombreuses et aux prévisions riches que la GeoAI peut générer à partir de modèles spatiaux, ce sont de précieux résultats qui sont désormais disponible pour vos organisation.

L’IA regroupe différentes familles de technologies dont l’apprentissage automatique (Machine Learning) et l’apprentissage profond (Deep Learning). L'apprentissage automatique consiste à entraîner un machine à apprendre des modèles à partir de données et à prédire les résultats sans recevoir d'instructions explicites pour le faire. L'apprentissage profond, un sous-ensemble de l'apprentissage automatique, utilise des structures algorithmiques appelées réseaux de neurones qui s'inspirent de la façon dont le cerveau humain fonctionne pour apprendre des modèles complexes au sein des données en  des concepts plus simples.

Avec le framework de GeoAI dont vous disposez dans ArcGIS l'apprentissage automatique peut être utilisé pour analyser des données spatiales et résoudre des problèmes spatiaux à l'aide d'algorithmes de classification, de regroupement et de prédiction et de prévision. L'apprentissage profond, quant à lui, est le plus souvent utilisé en GeoAI pour générer des données spatiales riches en automatisant l'extraction, la classification et la détection d'informations géospatiales à partir d'images, de vidéos, de nuages ​​de points ou de texte. Il peut également être utilisé pour analyser des données spatiales afin de faire des prédictions et des prévisions.

De nombreuses organisations modernisent leurs opérations en tirant parti de GeoAI pour prendre des décisions basées sur les données et prendre des mesures proactives qui répondent aux défis de leurs activités et de leurs territoires. La GeoAI dans ArcGIS prend en charge une gamme d'applications aussi diverses que la détection et la classification des changements d'occupation du sol, la prévision de la croissance urbaine, l'extraction automatique d'entités 3D à partir de Lidar ou encore l'évaluation des risques environnementaux. Il existe une variété d'algorithmes de GeoAI à votre disposition dans ArcGIS, via des modèles pré-entraînés prêts à l'emploi, via des modèles pouvant être affinés pour résoudre des problèmes spécifiques ou via des modèles personnalisés que vous construisez vous-même pour répondre à des besoins métiers eux-aussi très variés.

Ainsi donc, dès les premières semaines de l'année prochaine, j'aurai le plaisir de vous proposer sur arcOrama une longue série d'articles montrant à la fois l'installation et l'utilisation de ce framework de GeoAI dans ArcGIS, et cela à travers des exemples concrets de cas d'usage.