Tout comme moi, vous avez probablement entendu parler de ChatGPT et peut-être même l'avez-vous testé durant ces congés de fin d'année. C'est pour ma part ce que j'ai fait, tout en me demandant ce qu'il pouvait apporter concrètement à un utilisateur de SIG comme vous et moi.

Tout d'abord, il convient de rappeler ce qu'est ChatGPT si vous découvrez ce nom à travers cet article. ChatGPT est un robot de discussion (chatbot) formé sur un large corpus de données textuelles à l'aide du modèle de langage GPT-3 (Generative Pre-training Transformer) développé par OpenAI (société d'IA à but non lucratif cofondée par Elon Musk et Sam Altman en 2015). Il est capable de générer des réponses de type humain aux entrées de l'utilisateur, permettant une conversation sur un large éventail de sujets. ChatGPT est conçu pour être un outil utile pour les utilisateurs qui souhaitent avoir une conversation en langage naturel avec un assistant virtuel. ChatGPT est notamment basé sur des technologies de traitement du langage naturel (NLP) et sur des techniques d'apprentissage profond (Deep Learning) pour améliorer ses capacités de compréhension du langage naturel. Il est capable de comprendre le contexte, les nuances de la langue, les références culturelles et les relations sémantiques pour générer des réponses plus naturelles et plus pertinentes.

L'arrivée de ChatGPT en novembre 2022 a fait énormément parler, et ceci bien au-delà de la sphère des experts en IA, car la qualité des échanges qu'il permet laisse entrevoir de nombreux domaines d'applications et cela devient très concret pour tout le monde. Voyons donc quelques exemples d'usages pour les géomaticiens.

1. Utiliser ChatGPT pour voir ce qu'il sait sur notre métier

Cela peut sembler basique ou évident mais savez-vous expliquer de manière très simple et concise ce que fait un(e) géomaticien(ne) ? Et bien ChatGPT à une réponse (ou plutôt plusieurs car il ne répond pas toujours la même chose pour une même question).

L'intégration des capacités d'IA et en particulier de Machine Learning est une tendance importante depuis quelques années dans l'évolution de la plateforme ArcGIS. Ces nouvelles capacités d'analyse de classification, de prédiction, de clustering ou de Deep Learning sont disponibles dans les différentes solutions ArcGIS notamment ArcGIS Enterprise, ArcGIS Online et ArcGIS Pro.

L'année 2021 aura été particulièrement riche en ce qui concerne la prise en charge des workflows d'apprentissage profond (Deep Learning) dans ArcGIS. Esri a notamment ajouté de nouveaux modèles de Deep Learning pré-entrainés, supporté de nouveaux types de données, et amélioré l'accès aux tâches et aux outils de Deep Learning. Les développeurs ont également pu tirer profit de ces nouvelles capacités de Deep Learning via la nouvelle offre SaaS "ArcGIS Platform". Ces évolutions incrémentales de 2021 ont été effectuées pour prendre en charge toutes les étapes des flux de travail de Deep Learning (préparation des données d'entrainement, apprentissage des modèles, inférence des modèles, présentation et partage des résultats,...) mais aussi pour simplifier et automatiser les tâches des analystes SIG, des développeurs et data scientists, entre autres.  

Si vous n'avez pas suivi ces évolutions, je vous propose de revenir sur les principales innovations qui ont marqué cette année 2021.

Dans son blog CodeTheMap.fr, mon collègue détaille chacune des étapes du processus de traitement pour que vous puissiez l'appliquer à votre propre cas d'usage. 

Bonne lecture !

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, 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