Des scientifiques ont réussi à envoyer une IA dans l’espace . Un modèle d’apprentissage automatique dans l’espace, à bord d’un satellite, qu’est-ce que ça donne ?
Il s’agit en effet d’une avancée qui pourrait ouvrir la voie vers une surveillance continue. Mais aussi vers une meilleure prise de décision en temps réel pour diverses applications, allant de la gestion des catastrophes à la lutte contre la déforestation.
Traitement de données satellitaires : un relayage vers la terre
Le résumé du projet a été publié le 21 juillet 2023, lors de la conférence International Geoscience and Remote Sensing Symposium (IGARSS).
Les satellites ont ici pour objectif de collecter les données, des éléments jouant un rôle capital dans de nombreux domaines. À savoir la prévision météorologique, la cartographie aérienne, ainsi que la surveillance de la déforestation. À l’heure actuelle, la majorité des satellites ne peuvent qu’obtenir des données passivement. Ils n’ont donc pas la capacité de prendre des décisions ni de détecter des changements. En conséquence, ces données doivent être envoyées sur Terre pour être traitées. Ce qui prend généralement un temps considérable, limitant ainsi la réactivité pour répondre rapidement à des événements émergents, comme des catastrophes naturelles.
IA : le premier modèle d’apprentissage automatique envoyé dans l’espace
Pour relever ce défi lié au développement de l’IA, un groupe de chercheurs, dirigé par le doctorant Vít Růžička du Département d’informatique de l’Université d’Oxford, a entrepris de former le premier modèle d’apprentissage automatique directement dans l’espace.
En 2022, l’équipe a présenté son concept avec succès lors de la mission « Dashing through the Stars« , qui avait lancé un appel à propositions de projets à réaliser à bord du satellite ION SCV004, lancé en janvier de la même année. À l’automne 2022, l’équipe a transmis le code du programme au satellite déjà en orbite.
Les chercheurs ont développé un modèle simple nommé « RaVAEn« . Ce modèle a la capacité de détecter les changements de couverture nuageuse à partir d’images aériennes directement à bord du satellite. On peut ainsi éviter la nécessité de former le modèle sur Terre. Ce modèle repose sur une approche d’apprentissage en quelques coups. L’approche consiste à entraîner le modèle avec une infime partie d’échantillons. Le principal avantage de cette méthode relève de sa capacité à compresser les données pour en faire des représentations plus petites. D’où la possibilité d’utiliser un modèle plus rapide et plus efficace.
Une seconde et demi de formation
Selon Vít Růžička, RaVAE fonctionne en plusieurs phases. Il convertit d’abord les fichiers d’image volumineux en vecteurs de 128 nombres. Lors de l’apprentissage, il apprend à conserver uniquement les valeurs informatives de ce vecteur. C’est-à-dire les données liées aux changements qu’il essaie de détecter.
À titre d’information, la partie du modèle chargée de compresser les nouvelles images, avait été entraînée au sol. L’autre partie, par contre, a bénéficié d’une formation dans l’espace, au bord d’un satellite.
Contrairement au développement classique d’un modèle d’apprentissage automatique qui nécessiterait plusieurs cycles de formation sur un cluster d’ordinateurs puissant, le petit modèle de l’équipe a terminé sa phase d’entraînement (utilisant plus de 1 300 images) en seulement environ une seconde et demie. Un gain de temps énorme comparé aux méthodes d’apprentissage traditionnelles.
IA dans l’espace : la solution à tout ?
Lors des tests sur de nouvelles données, le modèle a pu détecter automatiquement la présence de nuages en un dixième de seconde. Il a réussi à encoder et analyser une scène équivalente à une superficie d’environ 4,8 x 4,8 km2 (soit près de 450 terrains de football).
Toujours selon les chercheurs, le modèle peut accomplir différentes tâches et utiliser d’autres types de données. À Vít Růžička d’ajouter que l’objectif est maintenant de développer des modèles plus avancés ayant la capacité de différencier les changements d’intérêt, sans intervention humaine.
« La prochaine étape serait de développer des modèles pour des données plus complexes, notamment des images de satellites hyperspectraux. Cela ouvrirait la voie à la détection de fuites de méthane, avec des implications importantes pour la lutte contre le changement climatique », a-t-il ajouté.
- Partager l'article :