Votre compagnie de carte de crédit vous contacte pour vous demander si vous avez acheté quelque chose auprès d'un détaillant que vous n'avez pas l'habitude de fréquenter ou que vous avez dépensé plus que d'habitude. Un humain n'a pas identifié la transaction atypique. Un ordinateur, équipé d'algorithmes avancés, a marqué l'achat potentiellement frauduleux et déclenché l'enquête.

Des chercheurs du Goddard Space Flight Center de la NASA à Greenbelt, Maryland, pense que les scientifiques et les ingénieurs pourraient bénéficier de la même technologie, souvent appelé apprentissage automatique ou réseaux de neurones.

Considéré comme un sous-ensemble de l'intelligence artificielle, l'apprentissage automatique et les réseaux de neurones sont actuellement à l'avant-garde. Au lieu de programmer un ordinateur pour effectuer toutes les tâches qu'il doit faire, la philosophie derrière l'apprentissage automatique est d'équiper les processeurs informatiques terrestres ou spatiaux d'algorithmes qui, comme les humains, apprendre des données, trouver et reconnaître des modèles et des tendances, mais plus vite, plus précisément, et sans parti pris.

Applications étendues

« Les avantages sont nombreux et les applications sont très variées, " a déclaré Jacqueline Le Moigne, Senior Fellow et chef adjointe de la technologie Goddard, qui travaille dans l'intelligence artificielle depuis ses études supérieures en France il y a plusieurs années.

"Les scientifiques pourraient utiliser l'apprentissage automatique pour analyser les pétaoctets de données que la NASA a déjà collectées au fil des ans, extraire de nouveaux modèles et de nouvelles corrélations et conduire éventuellement à de nouvelles découvertes scientifiques, " a-t-elle dit. " Cela pourrait aussi nous aider à surveiller la santé d'un vaisseau spatial, éviter et récupérer des pannes catastrophiques, et éviter les collisions. Il pourrait même aider les ingénieurs, fournissant un large éventail de connaissances sur les missions passées, des informations dont ils auraient besoin pour concevoir de nouvelles missions. »

Avec le financement de plusieurs programmes de recherche de la NASA, y compris le Bureau de la technologie des sciences de la Terre, ou ESTO, Les ingénieurs et scientifiques de Goddard étudient certaines de ces applications individuellement ou en partenariat avec des universités et l'industrie privée. Leurs projets couvrent toute la gamme, tout, de la façon dont l'apprentissage automatique pourrait aider à faire des prévisions de récolte en temps réel ou à localiser les incendies de forêt et les inondations à l'identification des anomalies des instruments et même des sites d'atterrissage appropriés pour un engin robotique.

"Les gens entendent l'intelligence artificielle et leurs esprits se tournent instantanément vers la science-fiction avec des machines prenant le relais, mais vraiment c'est juste un autre outil dans notre boîte à outils d'analyse de données et certainement un que nous ne devrions pas négliger à cause d'idées préconçues, " dit James MacKinnon, un ingénieur informaticien Goddard qui est impliqué dans plusieurs projets impliquant l'intelligence artificielle.

Trouver des incendies

Depuis qu'il a rejoint Goddard il y a quelques années, MacKinnon est devenu l'un des champions les plus fervents de la technologie. L'un des premiers projets auxquels il s'est attaqué consistait à enseigner aux algorithmes comment identifier les incendies de forêt à l'aide d'images de télédétection collectées par le spectroradiomètre imageur à résolution modérée du vaisseau spatial Terra. Son réseau de neurones a détecté avec précision les incendies 99% du temps. Il a depuis étendu la recherche pour inclure les données recueillies par la suite de radiomètres d'imagerie infrarouge visible du Joint Polar Satellite System.

Son rêve est de déployer à terme une constellation de CubeSats, tous équipés d'algorithmes d'apprentissage automatique intégrés dans des capteurs. Avec une telle capacité, les capteurs pourraient identifier les incendies de forêt et renvoyer les données sur Terre en temps réel, fournir aux pompiers et autres des informations à jour qui pourraient améliorer considérablement les efforts de lutte contre les incendies. "La clé ici est de traiter les données à bord, non seulement pour les feux de forêt mais pour les inondations. Il y a beaucoup de choses que vous pouvez faire avec cette capacité, " il a dit.

Il développe également des techniques d'apprentissage automatique pour identifier les perturbations à événement unique dans les appareils électroniques spatiaux, ce qui peut entraîner des anomalies de données, et la compilation d'une bibliothèque de modèles informatiques d'apprentissage automatique, outils de génération de jeux de données, et des aides à la visualisation pour permettre aux autres d'utiliser plus facilement les techniques d'apprentissage automatique pour leurs missions, il a dit.

« Une grande partie de mon temps a été consacrée à convaincre les scientifiques que ce sont des méthodes valables pour analyser les quantités massives de données que nous générons, " il a dit.

Couper à travers le bruit

Le scientifique de Goddard, Matt McGill, n'a pas besoin d'être convaincu. Un expert des techniques lidar pour mesurer les nuages ​​et les minuscules particules qui composent la brume, poussière, polluants atmosphériques et fumées, McGill est en partenariat avec Slingshot Aerospace. Cette entreprise californienne développe des plates-formes qui extraient des données de nombreux types de capteurs et utilisent des algorithmes d'apprentissage automatique pour extraire des informations.

Dans le cadre de l'effort financé par l'ESTO, McGill fournit à Slingshot les données qu'il a recueillies avec le système de transport Cloud-Aerosol, ou CHATS, instrument, qui a pris sa retraite à la fin de l'année dernière après avoir passé 33 mois à bord de la Station spatiale internationale. Là, CATS a mesuré la structure verticale des nuages ​​et des aérosols, qui se produisent naturellement lors d'éruptions volcaniques et de tempêtes de poussière ou de manière anthropique par la combustion de pétrole, charbon, et bois. Un algorithme d'apprentissage automatique développé par Slingshot ingère ces données afin qu'il puisse apprendre et finalement commencer à reconnaître des modèles, les tendances, et des occurrences difficiles à capturer avec des algorithmes de traitement standardisés.

McGill est particulièrement intéressée à voir si les techniques d'apprentissage automatique peuvent filtrer le bruit qui est courant dans les mesures lidar. Bien que les humains éliminent déjà le bruit des données, les techniques actuelles prennent du temps et peuvent prendre des jours à mettre en œuvre, ce qui est contraire à l'objectif de diffuser des renseignements en temps réel. "L'idée est que les algorithmes, une fois formé, peut reconnaître les signaux en heures plutôt qu'en jours, ", a déclaré McGill.

Tout aussi important, au moins à McGill, est la nécessité de miniaturiser les systèmes lidar de type CATS. Alors que CATS avait à peu près la taille d'un réfrigérateur, les futurs systèmes doivent être beaucoup plus petits, capable de voler sur une constellation de SmallSats pour collecter simultanément, mesures multipoints. Cependant, à mesure que les instruments deviennent plus petits, les données peuvent potentiellement être plus bruyantes en raison des ouvertures de collecte plus petites, McGill a expliqué. « Nous devons devenir plus intelligents dans la façon dont nous analysons nos données et nous devons développer la capacité de générer de véritables produits de données en temps réel. »

Échouage des dauphins

Devenir plus intelligent dans l'analyse des données motive également l'héliophysicien Goddard Antti Pulkkinen et l'ingénieur Ron Zellar.

Il y a quelques années, Pulkkinen a commencé à enquêter pour savoir si les tempêtes solaires causaient des baleines par ailleurs en bonne santé, dauphins, et les marsouins, collectivement appelés cétacés, s'échouent le long des zones côtières du monde entier. Bien que lui et son équipe n'aient trouvé aucune corrélation, ils ont trouvé un lien entre les événements d'échouage à Cape Cod, Massachusetts, et la force du vent.

Est-il possible que des vents forts, qui se produisent pendant les mois d'hiver lorsque les dauphins sont plus susceptibles de s'échouer, remuer le phytoplancton océanique et d'autres nutriments qui nourrissent les poissons ? Les dauphins suivent-ils simplement leur source de nourriture ? "Nous ne pouvons pas supposer une relation causale, " dit Zellar, qui, lorsque vous ne travaillez pas sur ce projet, sert d'ingénieur système de mission sur les Origines, Interprétation spectrale, Identification des ressources, Security-Regolith Explorer, ou OSIRIS-REx, mission. "C'est ce que nous essayons de trouver."

Grâce au financement du Goddard Fellows Innovation Challenge, un programme qui finance le développement de technologies potentiellement révolutionnaires, l'équipe applique des techniques d'apprentissage automatique pour approfondir les données environnementales afin de voir si elles peuvent prouver une cause.

Couper le cordon ombilical

En novembre, la mission OSIRIS-REx devrait commencer une série de manœuvres complexes qui rapprochent l'engin de l'astéroïde Bennu afin qu'il puisse commencer à caractériser le corps et à prendre des images qui indiqueront le meilleur emplacement pour collecter un échantillon et le renvoyer sur Terre pour analyse . Cela nécessitera des milliers d'images haute résolution prises sous différents angles puis traitées manuellement par une équipe d'experts sur le terrain.

Les scientifiques veulent simplifier et accélérer le temps de traitement. Dans le cadre d'un effort de recherche financé par la NASA impliquant des scientifiques de Goddard, Dante Laurette, professeur à l'Université de l'Arizona et chercheur principal d'OSIRIS-REx, et Chris Adami, un expert en apprentissage automatique à la Michigan State University, une équipe étudie le potentiel des algorithmes en réseau. L'objectif est d'apprendre aux capteurs embarqués à traiter les images et à déterminer la forme et les caractéristiques d'un astéroïde, informations nécessaires pour naviguer de manière autonome dans et autour d'un astéroïde et prendre des décisions sur l'endroit où acquérir des échantillons en toute sécurité.

"Le but est de couper le cordon ombilical informatique vers la Terre, " dit Bill Cutlip, un directeur principal du développement des affaires de Goddard et membre de l'équipe. "Ce que nous essayons de faire, c'est d'entraîner un algorithme pour comprendre ce qu'il voit, imitant la façon dont le cerveau humain traite l'information."

Une telle capacité profiterait non seulement aux futures missions sur les astéroïdes, mais aussi celles vers Mars et les lunes glacées de Jupiter et Saturne, il a dit. Avec les progrès des matrices de portes ou des circuits programmables sur site qui peuvent être programmés pour effectuer une tâche spécifique et des unités de traitement graphique, le potentiel est énorme, il ajouta.