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