Apprentissage profond géospatial à faible volume de données et à faible code
Vers une plateforme d’apprentissage profond géospatial à faible volume de données et à faible code pour les expert-e-s du domaine: une première application pour évaluer la gravité de l’impact de feux de forêt.
Fiche signalétique
- Départements participants Technique et informatique
- Institut(s) Institute for Data Applications and Security (IDAS)
- Unité(s) de recherche IDAS / Applied Machine Intelligence
- Organisation d'encouragement Autres
- Durée (prévue) 01.03.2022 - 28.02.2023
- Direction du projet Prof. Dr. Souhir Ben Souissi
- Équipe du projet Céline Hüttenmoser
- Partenaire Hasler Stiftung
- Mots-clés Géospatial, gravité de feux de forêts, apprentissage profond (deep learning), informatique
Situation
Les dernières avancées théoriques et pratiques en matière d’ingénierie des données et d’apprentissage profond ont permis aux expert-e-s du domaine (comme les scientifiques de l’environnement et les agences de gestion des urgences) de mener à bien des tâches de prédiction, de classification, de régression et de segmentation dans leurs domaines d’intérêt (par exemple l’imagerie géospatiale) à une échelle et avec une précision impossibles auparavant. Malheureusement, dans ces contextes d’application, les avantages de l’IA et de l’apprentissage profond affichent maintenant des rendements décroissants, en raison d’environnements de déploiement inappropriés ou bruyants, ainsi que du manque de données pour une utilisation spécifique au domaine.
Approche
Ce projet vise les objectifs suivants: (a) Concevoir des ensembles de données plus spécialisés qui reproduisent mieux les problèmes concrets que nous avons identifiés. (b) Expérimenter des solutions d’apprentissage profond qui tentent d’atténuer ces problèmes dans un contexte spécifique (tel que l’apprentissage profond géospatial). Enfin, (c) établir le prototype d’une solution à faible code pour déployer et ajuster facilement ce type de systèmes dans la pratique. Nous pensons que le résultat du travail que nous décrivons comme un apprentissage profond à faible volume de données et à faible code se prêtera davantage à une configuration spécialisée par des expert-e-s du domaine qui n’ont pas une formation avancée en IA ou en ingénierie des données. Dans une première application, les chercheuses et chercheurs testent leurs solutions d’apprentissage profond pour déterminer la gravité de feux de forêt à l’aide d’images satellites.
