L'Intelligence artificielle à l'IGN
Pour produire le référentiel d’occupation du sol à grande échelle tous les trois ans sur le territoire national, il est fait recours à des modèles obtenus par apprentissage profond, chargés d’analyser les images aériennes acquises par l’IGN et d’en extraire une première estimation de la couverture des sols. Celle-ci fait l’objet de traitements ultérieurs, et de croisements avec des données déjà existantes pour produire la donnée finale et mesurer l’artificialisation. D’importants volumes de données d’apprentissage (~ 2000km²) de grande qualité doivent être produits pour l’entraînement des modèles, mais ceux-ci sont sans commune mesure avec la superficie du territoire national dans son intégralité.
Un autre exemple est donné par la conception de systèmes IA traitant de données 3D. Ceux-ci sont obtenus par apprentissage profond et utilisés en production dans la chaîne de classification des nuages de points LiDAR HD.
Fort de ces premières expériences de production à grande échelle à l’aide de systèmes IA, l’Institut multiplie aujourd’hui le recours à ces techniques : évolutions de la production du RPG, cartographie des essences forestières, cartographie des vignes et des vergers…
Carte de couverture du sol par intelligence artificielle (CoSIA)
Carte de couverture du sol par intelligence artificielle (CoSIA)
Jeux de données pour la classification des nuages de points LiDAR HD
Nuage de points LiDAR HD classés (Ajaccio)
Registre parcellaire graphique (Charente)
Nouvelles alliances et stratégie d’ouverture
L’effort nécessaire à la cartographie de l’anthropocène dépasse cependant la capacité développée par l’Institut. Ainsi, l’IGN construit également de nouvelles alliances pour la description du territoire : l’IA est un axe fort de synergies public-privé au sein de la Datalliance ; l’Institut a participé au consortium AI4GEO pour le développement de solutions IA pour l’analyse d’imagerie satellite.
Par ailleurs, l’IGN veille à contribuer aux écosystèmes de la géomatique et de l’IA. Des jeux de données d’apprentissage massifs ont ainsi été ouverts dans le cadre des challenges FLAIR, compétitions scientifiques et techniques sur des problèmes de recherche pour l’analyse de l’occupation des sols par IA. Ces jeux de données sont l’objet d’une visibilité de haut niveau académique et sont réutilisés par les communautés de recherche en IA ; les méthodes produites et s’évaluant sur ces jeux de données contribuent à l’amélioration continue des processus de production de l’IGN.
L’Institut expérimente également les possibilités d’usages directs des cartes d’occupation des sols obtenues par IA (CoSIA), permettant de rendre la puissance des méthodes IA accessibles à des communautés géomatiques plus larges.
Plus largement, l’IGN est engagé dans une politique active d’ouverture de ses données, méthodes et outils relatifs à l’IA : partage des moteurs d’apprentissage, des modèles entraînés… Ce partage est porteur de retombées importantes pour l’écosystème de la description IA du territoire. Il facilite la prise en main de données aux structures complexes (LiDAR, séries temporelles d’images) et, surtout, il réduit les volumes de données d’apprentissage nécessaires au développement de nouveaux systèmes IA. Or, ce besoin en données massives constitue encore l’un des principaux déterminants de la performance et du coût de ces systèmes.
En plus de ces retombées économiques, cette politique d’ouverture sert un objectif de démocratisation de l’intelligence artificielle. Loin d’être monolithique, la conception de systèmes IA offre de nombreuses prises, susceptibles d’en modifier en profondeur les conséquences relatives à sa performance, au travail nécessaire dans leur mise en œuvre ou encore à leur empreinte écologique. La description pragmatique du contenu réel des systèmes IA contribue au débat public sur le développement et la régulation de ces techniques et infrastructures.
