UNIVERSITY PARK, Pennsylvanie – Dans leur Défi Impact IA 2019, Google a demandé aux organisations à but non lucratif, aux entreprises sociales et aux instituts de recherche du monde entier: « Comment utiliseriez-vous l’intelligence artificielle (IA) pour le bien social? »
«Nous avions une bonne idée qui recherchait une telle opportunité», a déclaré Chaopeng Shen, professeur agrégé de génie civil et environnemental à Penn State et chercheur principal de «deepLDB», l’un des 20 projets octroyé un financement par Google dans le défi l’année dernière. «Les glissements de terrain induits par les pluies représentent un risque énorme pour les personnes qui vivent dans les zones montagneuses, et nous avons pensé qu’il était possible d’utiliser l’IA pour mieux les prévoir.»
Dans le monde entier, les glissements de terrain causent des milliers de morts et de blessés et coûtent des milliards de dollars chaque année, selon le United States Geological Survey (USGS). Les plus fréquentes d’entre elles sont induites par les précipitations, se transformant souvent en coulées de débris rapides comme le Glissements de terrain à Montecito, Californie en 2018.
Mais Shen a déclaré que beaucoup de ces événements ne sont pas non plus signalés, ce qui complique les efforts pour les étudier et finalement les prédire.
«La plupart des informations proviennent de reportages, et il y a beaucoup d’événements manquants», a déclaré Shen. «Pour que nous puissions mieux prévoir les glissements de terrain, nous devons commencer avec une bonne base de données sur les glissements de terrain.»
De gauche à droite: Tong Qiu, Chaopeng Shen et Daniel Kifer.
Shen a noté qu’avec la disponibilité d’images satellites de Google Earth, les glissements de terrain passés peuvent être identifiés depuis l’espace. Cependant, en trouver un seul – et encore moins les milliers nécessaires pour alimenter une base de données complète – nécessite une équipe entière pour parcourir les images à la recherche de preuves d’un événement passé.
« Le premier objectif de notre travail était de produire une méthode d’intelligence artificielle pour identifier ces événements à partir des images satellites », a déclaré Shen. «Une fois que l’IA est formée – lorsqu’elle peut déterminer ce qui est un glissement de terrain et ce qui ne l’est pas – nous pouvons l’appliquer à une très grande zone, et elle trouvera automatiquement le lieu avec un événement suspect.»
Au début du projet, les co-chercheurs de Shen et Penn State, Tong Qiu, professeur agrégé de génie civil et environnemental, et Daniel Kifer, professeur d’informatique, ont reçu par l’USGS un premier ensemble de données sur les glissements de terrain induits par les précipitations. Après avoir trouvé les événements dans Google Earth, ils ont utilisé les images satellite comme exemples de formation dans le cadre d’un processus appelé «apprentissage supervisé».
«C’est essentiellement l’identification d’objet», a déclaré Shen. «En regardant l’image satellite, vous avez le sentiment qu’il y a peut-être eu un événement parce que la scène a radicalement changé. La plupart des indices visuels proviennent de la végétation. »
Au fil du temps, l’IA a commencé à reconnaître les indices qu’elle pouvait utiliser pour identifier un glissement de terrain, mais elle avait également besoin de repérer les différences par rapport aux autres événements. La forme d’une perturbation aurait pu indiquer un glissement de terrain, mais cela pouvait aussi provenir d’un incendie de forêt, d’une mine excavée ou d’un bâtiment démoli.
« Il doit être capable de différencier les signaux réels du bruit », a déclaré Shen. «Qu’est-ce qu’un glissement de terrain causé par la pluie et qu’est-ce qui ne l’est pas?»
Selon le professeur agrégé Chaopeng Shen, les glissements de terrain passés peuvent être trouvés en utilisant une seule image satellite. Cependant, avoir à la fois une image «avant» et «après» augmente la précision de l’identification.
Après un an de formation, Shen a déclaré que le modèle identifiait désormais correctement un glissement de terrain 97% du temps, mais il a souligné que d’autres exemples de formation étaient encore nécessaires. Les chercheurs ont mis en place un site Internet où les gens peuvent télécharger leurs propres images Google Earth pour aider à former le modèle.
«Si une image aérienne d’un glissement de terrain ne provient pas d’une zone sur laquelle nous nous sommes concentrés, ils peuvent nous aider à la corriger», a déclaré Shen. « Plus nous avons de données, plus le modèle sera précis. »
Selon Shen, le niveau de précision de la base de données est ce qui distingue «deepLDB», et il leur permet de commencer à passer au deuxième objectif du projet: la prédiction.
« La deuxième étape consiste à utiliser l’IA pour associer les événements de la base de données aux précipitations et à d’autres conditions locales pour essayer de prédire ce qui va se passer ensuite », a déclaré Shen. «L’aspect nouveau du projet est que nous avons une très grande précision spatiale, ce qui signifie que nous savons exactement où se trouvent ces événements. Avec ce type de précision, nous pouvons superposer les événements avec d’autres ensembles de données comme la texture et l’élévation du sol et découvrir certaines des raisons fondamentales pour lesquelles cela se produit dans une zone et pas dans l’autre. Ou pourquoi hier et pas la veille. «
Il a ajouté que le travail venait tout juste de commencer sur le modèle de prédiction et qu’ils ont travaillé avec des experts de Google AI pour trouver le meilleur moyen de créer l’IA en recherchant des modèles dans la base de données en pleine croissance.
« Les gens avec qui j’ai travaillé chez Google et leur organisation philanthropique, Google.org, veulent vraiment créer des impacts positifs dans le monde », a déclaré Shen. «J’espère que nous pourrons sauver des vies grâce à cet effort.»
