Imaginez pouvoir demander à un chatbot : « Pouvez-vous me faire une carte de classification extrêmement précise des cultures au Kenya ? » ou "Est-ce que des bâtiments s'affaissent dans ma rue ?" Et imaginez que les informations qui reviennent sont scientifiquement fondées et basées sur des données vérifiées d'observation de la Terre.
L'ESA, en collaboration avec des partenaires technologiques, travaille à faire d'un tel outil une réalité en développant des applications d'IA qui révolutionneront la recherche d'informations dans l'observation de la Terre.
L’observation de la Terre génère chaque jour d’énormes volumes de données vitales, mais il est difficile pour les humains seuls de garantir que nous obtenons la meilleure valeur de ces données. Heureusement, l'IA facilite l'interaction avec des ensembles de données aussi vastes et complexes, en identifiant les caractéristiques clés et en présentant les informations dans un format convivial.
I*STAR par exemple, une activité cofinancée par le programme ESA InCubed, a développé une plateforme qui utilise l'IA pour surveiller les événements actuels comme les tremblements de terre ou les éruptions volcaniques afin que les opérateurs de satellite puissent planifier automatiquement les prochaines acquisitions de données pour les clients.
L'outil SaferPlaces AI, également pris en charge par InCubed, crée des cartes d'inondations pour les équipes d'intervention en cas de catastrophe en fusionnant les mesures in situ avec les données satellite. SaferPlaces a joué un rôle crucial dans les efforts d'évaluation des dégâts lors des inondations de l'année dernière en Émilie-Romagne en Italie.
Au cours des dernières années, les progrès de l’IA se sont considérablement accélérés, avec l’avancée d’outils tels que ChatGPT et Gemini qui surprennent même les experts dans le domaine. Pour tirer parti de cette innovation transformatrice et saisir les opportunités offertes par cette technologie, la prochaine étape naturelle consiste à créer une enquête textuelle de type ChatGPT avec des données d'observation de la Terre.
En collaboration avec divers partenaires des domaines de l'espace, de l'informatique et de la météorologie, l'ESA développe actuellement un assistant numérique d'observation de la Terre qui comprendra les requêtes humaines et répondra avec des réponses semblables à celles des humains, connues sous le nom de capacités de langage naturel.
Il n'est cependant pas surprenant qu'il y ait un certain nombre de pièces du puzzle à compléter pour créer un tel assistant numérique, à commencer par la centrale qui le sous-tend, le modèle de base.
Les modèles d'IA fonctionnent par formation et par amélioration au fil du temps, mais dans le machine learning plus traditionnel, la machine doit être alimentée avec de grands ensembles de données qui ont été étiquetées, souvent par un humain.
Entrez dans les modèles de fondation, qui adoptent une approche très différente. Un modèle de base est un modèle d'apprentissage automatique qui s'entraîne, en grande partie sans supervision humaine, sur des sources importantes et variées de données non étiquetées. Les modèles de base sont assez généraux, mais peuvent être adaptés à des applications spécifiques.
Le résultat est un moteur d'IA flexible et puissant, et depuis leur création en 2018, les modèles de base ont contribué à une énorme transformation de l'apprentissage automatique, impactant de nombreux secteurs et la société dans son ensemble.
Le Φ-lab de l'ESA mène plusieurs initiatives en cours pour créer des modèles de base dédiés aux tâches liées à l'observation de la Terre. Ces modèles utilisent des données pour fournir des informations sur des sujets environnementaux critiques tels que les fuites de méthane et l'atténuation des événements météorologiques extrêmes.
Un projet modèle de fondation, PhilEO, a démarré début 2023 et atteint désormais sa maturité. Un cadre d'évaluation basé sur les données mondiales Copernicus Sentinel-2, et bientôt le modèle PhilEO lui-même, sont mis à la disposition de la communauté d'observation de la Terre afin de stimuler une approche collaborative, de faire progresser le développement dans le domaine et de garantir que le modèle de base dérivé est largement validé.
L'image ci-dessus montre la structure Richat, le type de fonctionnalité que le modèle PhilEO a appris à reconnaître sans supervision humaine.
Des initiatives distinctes de l'ESA s'intéressent à la partie humaine du puzzle :créer un assistant numérique qui répondra à une question en langage naturel d'un utilisateur, traitera les données appropriées via des modèles de base d'observation de la Terre et produira la réponse sous forme de texte et/ou d'images. /P>
Un jumeau numérique précurseur de la Terre a récemment démontré que son prototype d'assistant numérique peut effectuer des tâches multimodales, en recherchant parmi plusieurs archives de données telles que Sentinel-1 et 2 pour comparer des informations.
Une activité Φ-lab de l'ESA qui doit démarrer en avril explorera le traitement du langage naturel pour extraire et analyser des informations à partir de sources textuelles vérifiées d'observation de la Terre, ainsi que l'interprétation des requêtes des experts et des utilisateurs généraux. Cette activité mènera à terme à la création d'un assistant numérique entièrement fonctionnel.
"Le concept d'un assistant numérique d'observation de la Terre capable de fournir un large éventail d'informations provenant de sources variées est une perspective alléchante et, comme le montrent ces initiatives, il existe un certain nombre d'éléments fondamentaux à mettre en place pour atteindre cet objectif", commente Giuseppe Borghi, directeur du Φ-lab de l'ESA.
"Compte tenu des progrès extrêmement encourageants déjà réalisés avec PhilEO et le précurseur de l'assistant numérique, je m'attends à ce que les nouveaux projets donnent des résultats révolutionnaires dans un avenir proche."
Fourni par l'Agence spatiale européenne
