L'intelligence artificielle transforme progressivement la compréhension que nous avons la planète. Après le succès des grands modèles de langage (LLM), une nouvelle génération de modèles géospatiaux fondamentaux émerge, qui apprennent non pas des corpus habituels de données des modèles d'IA traditionnels et généralistes (GPT, Mistral, Llama, Gemini,...) mais directement à partir de cartes, d'images satellites, d'informations démographiques et d'autres données géographiques. 

Contrairement aux modèles d'IA traditionnels, entraînés pour une tâche unique, les modèles géospatiaux de base apprennent des représentations riches et réutilisables de l'information géographique. Une fois entraînés, ils peuvent être adaptés à de nombreux flux de travail SIG – de la recherche de similarités et la modélisation prédictive à l'extraction de caractéristiques via une interaction en langage naturel avec les images, tout cela avec beaucoup moins de données et d'efforts d'entraînement. 

A l'occasion de la conférence des utilisateurs d'Esri cette année, Esri annonce qu'ArcGIS va inclure une nouvelle génération de modèles de fondations géospatiaux qui mettent ces fonctionnalités à la disposition des professionnels SIG via des flux de travail ArcGIS qui leur sont familiers. 

Au cœur de nombreux modèles se trouvent des représentations vectorielles (Embedings), des représentations numériques compactes qui capturent les caractéristiques essentielles d'une image, d'un lieu ou d'une autre entité géographique. Des lieux similaires produisent des représentations vectorielles statistiquement similaires, permettant des flux de travail tels que la recherche par similarité, le regroupement, la prédiction et l'extraction de données. Dans ArcGIS, ces représentations vectorielles deviennent des données SIG de premier ordre, pouvant être stockées, analysées et combinées avec des informations spatiales classiques.  

Les modèles géospatiaux fondamentaux nécessitent bien plus que des avancées en IA. Ils requièrent une compréhension approfondie des données géographiques et des processus d'analyse. En combinant des décennies d'expertise géospatiale, des jeux de données Esri de référence et la flexibilité de déploiement d'ArcGIS, Esri contribue à façonner la prochaine génération d'IA pour l'intelligence géospatiale et l'observation de la Terre. 

Les nouvelles fonctionnalités d'ArcGIS couvrent trois domaines complémentaires : les modèles d'encodage de localisation, les modèles de langage de vision géospatiale et les modèles de base de télédétection.

 

Les modèles d'encodage de localisation apprennent à représenter les lieux plutôt que des images ou des caractéristiques individuelles. Au lieu de traiter un lieu comme une simple paire de coordonnées, ils apprennent à saisir les caractéristiques géographiques, environnementales et socio-économiques qui définissent chaque lieu. 

Les représentations vectorielles produites par ces modèles fournissent une représentation numérique compacte de l'emplacement qui peut être utilisée dans de nombreux flux de travail SIG, notamment la recherche de similarités, le regroupement, la modélisation prédictive, l'interpolation et la sélection de sites. 

Esri a développé deux modèles d'encodeurs de localisation complémentaires.

Le modèle Global Location Encoder (Sentinel-2) apprend à partir d'images Sentinel-2 disponibles dans le monde entier pour produire des représentations qui capturent les caractéristiques des lieux du monde entier. 

En apprenant directement à partir d'images satellites, le modèle capture des schémas décrivant à la fois l'environnement naturel et bâti sans nécessiter de variables conçues manuellement. 

Les représentations vectorielles qui en résultent peuvent prendre en charge divers flux de travail en aval, tels que la recherche de similarités, la récupération de localisation, le regroupement, la modélisation prédictive et la détection de changements, soit directement, soit en combinaison avec les propres données géospatiales des utilisateurs. 

L' encodeur de localisation global (Sentinel-2) est disponible via ArcGIS Living Atlas en tant que package d'apprentissage profond (DLPK), permettant aux utilisateurs de générer des représentations vectorielles pour des emplacements pratiquement partout sur Terre. 

Alors que l'encodeur de localisation globale apprend à partir d'images satellites, le modèle de fondation  géodémographique d'Esri apprend à partir d'informations géodémographiques riches. 

Le modèle (pour l'instant destiné au terriotire américain) a été entraîné à l'aide de milliers de variables démographiques, socio-économiques, de logement et environnementales faisant autorité, notamment des données provenant du recensement américain, de l'American Community Survey, d'ensembles de données sur le logement et de sources environnementales. 

Au lieu de travailler directement avec des milliers de variables d'entrée, les utilisateurs obtiennent des représentations compactes qui préservent les relations géographiques sous-jacentes tout en simplifiant l'analyse ultérieure. 

Ces représentations géodémographiques peuvent être appliquées à un large éventail de flux de travail géospatiaux, allant de la recherche et du regroupement par similarité à l'analyse de marché, la sélection de sites, l'interpolation spatiale et la modélisation prédictive, où le contexte démographique, socio-économique ou environnemental joue un rôle important. 

Des évaluations réalisées sur de nombreuses tâches prédictives ont montré que ces représentations améliorent systématiquement les performances prédictives lorsque le contexte démographique est un facteur important, en particulier lorsqu'elles sont combinées à des variables explicatives traditionnelles. 

Les représentations géodémographiques des États-Unis, produites par ce modèle, sont publiées en tant que couche d'entités beta via ArcGIS Living Atlas. D'autres zones géographiques seront probablement couvertes dans le futur et Esri France étudie actuellement l'opportunité d'un tel modèle sur la France.

Esri a également développé GeoVLM, un modèle de langage de vision géospatiale qui apporte la puissance de l'IA multimodale à l'observation de la Terre. 

GeoVLM met la puissance de l'IA multimodale au service de l'observation de la Terre en associant l'imagerie satellitaire au langage naturel. Au lieu de créer des modèles distincts pour chaque tâche de télédétection, les utilisateurs peuvent interagir avec les images grâce à des invites vocales. 

GeoVLM peut prendre en charge un large éventail de tâches de télédétection grâce à des invites en langage naturel, notamment la détection d'objets, la classification et la segmentation de pixels, la légende d'images, le comptage d'objets, la réponse à des questions visuelles et la classification d'images ou de régions. 

Le modèle a été entraîné sur des millions de paires image-texte couvrant de multiples régions géographiques, à partir de jeux de données Esri et de jeux de données ouverts. Conçu spécifiquement pour l'observation de la Terre, il interprète les images de télédétection et non les photographies courantes. 

Le modèle Geospatial Vision Language Model sera bientôt disponible en version beta privée via le programme Early Adopter d'Esri. Vous pouvez vous inscrire ici pour demander l'accès au modèle. Il sera également publié sur ArcGIS Living Atlas sous forme de Deep Learning Packages (DLPK), permettant aux organisations d'intégrer l'IA multimodale à leurs flux de travail ArcGIS tout en conservant leurs images et leurs données au sein de leur propre infrastructure.

 

Les modèles de base de télédétection représentent une autre avancée majeure dans le domaine de l'IA géospatiale. 

Contrairement aux modèles de vision par ordinateur classiques pré-entraînés sur des photographies courantes, ces modèles sont entraînés directement sur des images satellitaires et aériennes issues de capteurs tels que Sentinel, Landsat et NAIP. De ce fait, ils constituent des points de départ plus robustes pour de nombreuses tâches d'observation de la Terre, nécessitant souvent moins de données d'entraînement étiquetées tout en offrant une précision accrue. 

Parallèlement au développement de ses propres modèles de télédétection de nouvelle génération, Esri a intégré ArcGIS à plusieurs modèles open source de télédétection de pointe. Les utilisateurs peuvent exploiter ces modèles pour générer des représentations vectorielles d'images et, le cas échéant, les affiner pour des tâches d'apprentissage profond géospatial en aval, grâce à ArcGIS Pro et à l'API arcgis.learn. 

Les modèles actuellement pris en charge sont les suivants : 

Ces intégrations permettent aux utilisateurs d'ArcGIS de tirer facilement parti des dernières avancées en matière d'IA d'observation de la Terre sans quitter leurs flux de travail SIG habituels.  

Les modèles de fondation représentent un changement majeur dans le domaine de l'IA géospatiale. Plutôt que de développer des modèles distincts et spécialisés pour chaque application, les géomaticiens peuvent partir de modèles qui intègrent déjà les informations géographiques et les adapter à une grande variété de flux de travail SIG. 

Avec l'introduction de l'encodeur de localisation globale, du modèle de fondation géodémographique, de GeoVLM et la prise en charge des principaux modèles de base de télédétection, ArcGIS offre une plateforme complète pour l'application des dernières avancées en intelligence artificielle géospatiale. Qu'il s'agisse de comprendre les caractéristiques des lieux, d'analyser des images ou de construire des modèles prédictifs, ces nouvelles fonctionnalités rendent les modèles de base plus accessibles à l'ensemble de la communauté SIG. 

Je profite de ce dimanche froid et parfois enneigé pour découvrir moi-même et vous présenter un tout nouvel ouvrage que je viens de recevoir. Ce livre "GeoAI: Artificial Intelligence in GIS" (en anglais) vous fera découvrir comment les organisations renforcent l’automatisation, la prédiction et l’optimisation grâce aux nouvelles capacité de GeoAI.

Depuis plusieurs années maintenant, l’IA transforme les SIG, permettant aux organisations de créer, d’enrichir et d’analyser des données géospatiales comme jamais auparavant, avec davantage de flexibilité, à plus grande échelle, plus rapidement et avec plus de précision. Un SIG augmenté par de l’IA aide chacun à prendre de meilleures décisions plus vite, qu’il s’agisse d’urbanistes, de décideurs, d’entreprises, de groupes de recherche ou de citoyens.

"GeoAI: Artificial Intelligence in GIS" explore une collection d’exemples réels illustrant comment des organisations publiques et privées, ainsi que des ONG et des associations, utilisent avec succès le GeoAI et ArcGIS pour gérer des processus, des workflows, des politiques et la communication. L’ouvrage inclut également une vue d’ensemble technologique fournissant des idées, des stratégies, des outils et des actions pour vous aider à démarrer votre propre utilisation du GeoAI.

L'ouvrage de 124 est rédigé par 3 de mes collègues travaillant sur les capacités d'IA dans le système ArcGIS :

Et voici quelques liens où vous pourrez le trouver :

Esri Press, Amazon, Barnes&Nobles

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'automatisation de workflows SIG avec des agents IA.

Les agents IA étendent la notion d'assistant IA en ne se contentant pas de répondre aux prompts des utilisateurs, mais en orchestrant activement des workflows entiers. Les agents combinent la logique de décision, l'analyse spatiale, l'accès aux données et l'intégration de systèmes pour réaliser des tâches SIG complexes du début à la fin. Contrairement aux assistants, les agents peuvent planifier, raisonner et interagir avec plusieurs services, ce qui leur permet d'agir de manière indépendante dans des paramètres définis.

Actuellement, l'implémentation d'agents IA dans ArcGIS nécessite des développements personnalisés. Dans l'année qui vient, des outils de type No-Code seront à la disposition des géomaticiens pour en configurer plus facilement.

 

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 la création d'assistants IA personnalisés pour automatiser les tâches répétitives en personnalisant les expériences.

La version d'ArcGIS Pro 3.5 révolutionne l’analyse d’images en intégrant des outils avancés comme l’analyse hyperspectrale et le radar SAR. Elle élargit la compatibilité avec de nouveaux types de données, offrant un accès à des informations plus riches et plus précises. Ces nouveautés permettent d’améliorer considérablement les capacités d’analyse géospatiale. Les flux de travail sont également, optimisés grâce à des outils de deep learning et de visualisation renforcés. Cette version d'ArcGIS Pro 3.5 transforme la manière de travailler avec les images et les données raster !

Avec cette nouvelle version, ArcGIS Pro prend en charge de nouveaux types de données, ce qui permet de tirer parti des atouts uniques de chaque source. En croisant ces informations, il est ainsi possible d'obtenir une vision plus complète et plus claire des situations analysées. Résultat : des décisions plus rapides, plus précises et basées sur des données solides. Que ce soit pour la planification stratégique ou l'intervention en temps réel, cette richesse de données devient un véritable levier d’efficacité.

L'Intelligence Artificielle de Confiance (IA) va au-delà de la simple obtention de résultats plus précis ou pertinents dans les produits ArcGIS. Elle implique une approche holistique, priorisant la sécurité, la confidentialité, la transparence, l'équité, la fiabilité et le développement responsable. Esri reconnaît le potentiel transformateur de l'IA pour construire un avenir durable mais les avancées rapides de l'IA générative mettent en lumière le besoin de cadres de déploiement de confiance, comblant le fossé de confiance envers l'IA. Pour cela, Esri vient de publier sur le site trust.arcgis.com ce document important décrivant les principes et les engagements du leader mondial des SIG pour fournir un IA de Confiance dans ArcGIS. Je résume l'essentiel dans cet article mais je vous recommande vivement la lecture complète de ce document.

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. 

L'intelligence artificielle a fait de rapides progrès ces dernières années, égalant voire dépassant parfois la précision humaine dans des tâches telles que la vision par ordinateur (vision artificielle), le traitement du langage naturel et la traduction automatique. Le croisement de l'intelligence artificielle (IA) et des SIG crée de nombreuses opportunités qui n'étaient pas envisageables auparavant. 

   

   

L’intelligence artificielle (IA), l’apprentissage machine (Machine Learning) et l’apprentissage en profondeur (Deep Learning) nous aident, par exemple, à optimiser le rendement des cultures grâce à une agriculture de précision, à prédire la localisation de pannes sur ses équipements, à compter en temps réel un flux de piétons ou le taux d'occupation de parkings, à lutter contre la criminalité en déployant des modèles prédictifs de délinquances, ou encore en prévoyant de manière plus fiable le lieu et la date de la prochaine grande tempête et mieux s'y préparer.

     

De manière générale, l'IA est la capacité des ordinateurs à effectuer une tâche qui nécessite généralement d'imiter certaines formes de l'intelligence humaine. L'apprentissage machine est un type de moteur qui rend cela possible. Il utilise des algorithmes basés sur les données pour apprendre des données et vous fournir les réponses dont vous avez besoin. L’apprentissage en profondeur est l’un des types d’apprentissage automatique apparus au cours des dernières années. Il s’agit de réseaux de neurones profonds, inspirés du cerveau humain et vaguement ressemblants.

L'apprentissage machine est une composante essentielle de l'analyse spatiale dans les SIG (GéoIA), et ceci depuis de nombreuses années. Dans ArcGIS, ces outils et ces algorithmes ont été intégrés (pour certains depuis de nombreuses années) aux outils standards de géotraitement. Ils répondent à différentes typologies de problématiques: la classification, le clustering et la prédiction.

La Classification consiste à utiliser des algorithmes qui déterminent à quelle catégorie un objet doit être associé. Par exemple, la classification peut être utilisée pour obtenir une occupation des sols, déterminer des formes de toits ou encore reconnaître des piscines ou des panneaux solaires à partir d'une imagerie haute-résolution. Dans ArcGIS, il s'agit d'outils tels que: Maximum Likelihood Classification, Train Random Trees Classifier, Train Support Vector Machine Classifier.

  

Le Clustering répond à d'autres besoins. Il permet de regrouper les objets par proximité statistique (et par extension par proximité géographique également) à partir de grandes quantités de données en entrée. L'objectif est d'identifier les regroupements significatifs et de les séparer du bruit au sein du jeu de données. Dans ArcGIS, il s'agit d'outils tels que: Spatially Constrained Multivariate Clustering, Multivariate Clustering, Density-based Clustering, Image Segmentation, Hot Spot Analysis, Cluster and Outlier Analysis, Space Time Pattern Mining.

   

Les algorithmes de Prédiction tels que les régressions permettent peuvent être pondérés géographiquement pour utiliser la localisation des données dans les facteurs qui vous aideront à prédire. Ces méthodes fonctionnent bien dans de nombreux domaines et la qualité de leurs résultats est mesurable assez facilement. Cependant, on notera qu'elles ont besoin d’experts pour identifier les facteurs qui affectent le résultat que nous essayons de prédire. Dans ArcGIS, il s'agit d'outils tels que: Empirical Bayesian Kriging, Areal Interpolation, EBK Regression Prediction, Ordinary Least Squares Regression and Exploratory Regression, Geographically Weighted Regression.

  

  

  

Principales tâches de vision par ordinateur applicables aux SIG

Planification de la circulation et des déplacements des piétons par le comté de Cobb

Détection de piscines dans des parcelles à partir d'une orthophoto

Classification de la couverture terrestre en utilisant un modèle de Deep Learning