Les données volumineuses deviennent tellement volumineuses qu'elles glissent les liens malsains de la Terre.
Une start-up appelée Orbital Insight, qui a récemment réuni près de 9 millions de dollars de financement, utilise l’imagerie satellitaire et des techniques de calcul de pointe pour évaluer les excédents pétroliers mondiaux, prévoir les pertes de récolte avant l’année de la récolte et repérer les tendances de la vente au détail en suivant le nombre de voitures parkings à grande surface. Il devrait également être possible de former le logiciel à la détection précoce de la déforestation illégale et au suivi du changement climatique.
La société utilise des techniques d’apprentissage automatique et des réseaux informatiques imitant le cerveau humain pour repérer les tendances dans des quantités énormes de données visuelles. Facebook utilise des techniques similaires pour reconnaître les visages dans les images téléchargées et les marquer automatiquement avec vos amis. Mais au lieu de chercher des visages, Orbital Insight profite de l’abondance croissante de l’imagerie satellitaire, grâce à la montée en puissance de petits satellites peu coûteux, et enseigne à leurs réseaux de reconnaître automatiquement des éléments tels que les véhicules, le taux de construction en Chine et les ombres projetées par les réservoirs d’huile à couvercle flottant, qui changent en fonction de leur degré de remplissage.
Bien entendu, il serait impossible pour l'homme de passer au crible des images satellitaires mondiales régulièrement mises à jour. Mais avec des ordinateurs massivement parallèles et des techniques avancées de reconnaissance des formes, Orbital Insight vise à fournir des types de données qui n’étaient pas disponibles auparavant. Les estimations mondiales actuelles sur le pétrole, par exemple, datent déjà de six semaines. Avec Orbital, les rendements des cultures pourraient être analysés à la mi-saison - une information importante à avoir, qu’il s’agisse d’un haut responsable de l’Organisation des Nations Unies qui tente de devancer une crise alimentaire ou d’un commerçant de produits de base travaillant pour un fonds de couverture.
Orbital Insight n'existe pas depuis longtemps - il a été fondé fin 2013 et n'est sorti du «mode furtif» que l'année dernière. Mais le fondateur de la société, James Crawford, possède une vaste expérience dans les domaines compatibles. Ancien responsable de l'autonomie et de la robotique au centre de recherche Ames de la NASA, il a également passé deux ans en tant que directeur technique de Google Books, transformant ainsi les pages imprimées archivées en texte interrogeable.
Plusieurs sociétés, telles que Spire et Inmarsat, et même Elon Musk de Tesla, travaillent sur le matériel - concevant et lançant de nouveaux réseaux de satellites - mais M. Crawford explique que Orbital Insight se concentre plutôt sur les logiciels.
«À certains égards, je vois ce que nous faisons ici dans l’impulsion de cette société», explique Crawford, «prend beaucoup de connaissances [chez Google] sur la manière de faire du Big Data, comment appliquer [l’intelligence artificielle], comment appliquer l’apprentissage automatique à ces pipelines d’images et l’appliquer à l’espace satellite. ”
La société Crawford est peut-être l’une des rares entreprises à utiliser des techniques logicielles émergentes telles que les réseaux de neurones artificiels et l’apprentissage automatique de l’analyse par satellite. imagerie. Mais la technique qu'il utilise, également appelée apprentissage en profondeur, est en train d'exploser dans le domaine de la technologie. Des entreprises établies telles que Facebook, Google et Microsoft utilisent des techniques d'apprentissage approfondi pour des tâches telles que le marquage automatique d'images, la reconnaissance vocale améliorée et la traduction. IBM a également récemment acquis une société d’apprentissage en profondeur, appelée AlchemyAPI, pour améliorer son système informatique Watson.
Avec l’apprentissage en profondeur, des ordinateurs puissants et de multiples couches de reconnaissance de modèles en marche simultanée (d’où le "profond" dans l’apprentissage en profondeur) imitent les réseaux de neurones du cerveau humain. L’objectif est d’amener un ordinateur à «apprendre» à reconnaître des modèles ou à exécuter des tâches trop complexes et trop longues à «enseigner» à l’aide de logiciels traditionnels.
En marquant manuellement les voitures dans quelques centaines de parkings et en introduisant les données dans le réseau informatique, le logiciel peut apprendre à quoi ressemble une voiture et les compter ensuite dans des milliers d'autres images. (Insight orbital, imagerie par satellite: DigitalGlobe) Les détails de l'apprentissage en profondeur sont techniques, mais au niveau de base, c'est étonnamment simple. Selon M. Crawford, lorsqu'il s'agit de mesurer les tendances de la vente au détail en fonction de l'activité des parcs de stationnement, la société demande d'abord à ses employés de marquer manuellement les voitures dans quelques centaines de parcs de stationnement avec des points rouges. «Ensuite, vous introduisez chaque voiture dans le réseau de neurones, ce qui généralise les modèles de lumière et d'obscurité, le modèle de pixels d'une voiture», explique Crawford. "Et quand [l'ordinateur] regarde une nouvelle image, ce qu'il fait est en fait assez sophistiqué, mais reste fondamentalement une correspondance de motif."
Crawford estime que, lorsqu’il évalue l’activité du commerce de détail, il est beaucoup plus efficace de déduire comment une chaîne de magasins se porte au niveau national, en mesurant l’ampleur des parcs de stationnement au fil du temps et en le comparant à celui des mêmes lots au cours des trimestres précédents, en utilisant des images plus anciennes. que de jauger la santé d'un magasin individuel.
Il admet que de nombreux détaillants ont déjà des moyens de suivre ces données pour leurs propres magasins, mais ils seraient heureux de savoir comment se portent leurs concurrents des mois avant la publication des résultats financiers. Il en irait de même pour les fonds spéculatifs, qui selon Crawford sont parmi les premiers clients de la société. Il est facile de voir comment ce type de données pourrait donner un coup de pouce aux investisseurs. Les images satellitaires sont déjà disponibles et Orbital Insight les analyse, il est donc peu probable que cela suscite des inquiétudes quant au délit d'initié.
Si le réseau commet une erreur occasionnelle, par exemple confondre une benne à ordures pour une voiture, ce n'est pas vraiment un problème, explique Crawford, car les erreurs ont tendance à s'annuler à grande échelle. Pour des choses comme les estimations du pétrole, même si elles sont en baisse de plusieurs points de pourcentage, il vaut mieux que d'attendre jusqu'à six semaines pour obtenir des données plus concrètes.
Bien que le démarrage semble axé sur la fourniture de données aux investisseurs du marché en premier lieu, les activités de la société pourraient également être utilisées à des fins plus altruistes. «Nous sommes curieux à l’avenir de l’utiliser pour détecter la déforestation et pour détecter des éléments tels que la construction de routes qui pourraient être un précurseur de la déforestation», a déclaré Crawford. «Il est également très intéressant de pouvoir analyser le manteau neigeux, l’eau et d’autres aspects du changement climatique.» Il ajoute qu’ils étudient l’agriculture du tiers monde et que l’imagerie multispectrale est un bon moyen de comment les plantes sont en bonne santé, pour prédire les mauvaises récoltes.
Bien entendu, tout aspect du Big Data intégrant également l'imagerie satellite soulève des problèmes de confidentialité. Orbital Insight ne prend pas les photos, elles accèdent et analysent les images déjà disponibles. Et comme le souligne Crawford, la réglementation américaine en vigueur concernant les satellites d'imagerie commerciaux stipule qu'il est interdit de descendre au-dessous de 20 cm par pixel. À cette résolution, la personne moyenne apparaîtrait comme quelques points. Il serait donc difficile de distinguer des personnes individuelles, sans parler de l'identité ou du sexe d'une personne.
Crawford indique qu'une grande partie des progrès à court terme des techniques d'apprentissage en profondeur impliqueront en général de simplifier et d'automatiser les modifications des algorithmes (ce qui signifie moins de marquage manuel des voitures ou des champs de maïs), afin que les entreprises puissent appliquer plus rapidement l'apprentissage automatique à de nouveaux domaines.
En ce qui concerne plus particulièrement l'avenir d'Orbital Insight, le fondateur de la société ne parle certainement pas petit. Il compare ce que l'entreprise fait à la création d'un «macroscope» qui pourrait avoir un impact sur le monde au même degré que la micrologie transformée par le microscope.
«Une grande partie de ce que nous voyons sur la Terre, qu'il s'agisse du rendement en maïs ou de la déforestation, ou des stocks de pétrole, est si importante que vous ne pouvez pas les voir avec un œil humain, car vous auriez à traiter un million d'images à la fois., ”Dit Crawford. "Cela changera en fin de compte notre façon de voir la Terre, notre façon de penser et notre façon de penser."
