Protections passives (murs) : Un nouveau détecteur mis à disposition de nos clients en 6 semaines grâce à notre AI Factory
Tessit. Ce nom ne vous dit peut-être rien, mais c’est une ville d’Afrique, située dans la région connue des trois frontières, entre le Mali, le Burkina Faso et le Niger. Une zone au contexte géopolitique compliqué, avec sur place deux groupes de djihadistes particulièrement actifs s’en disputant le contrôle. Suivre l’évolution de cette zone stratégique et comprendre son fonctionnement, pour être en mesure de planifier dans les meilleures conditions possibles une intervention si besoin, est donc indispensable.
Parmi les outils utilisés, les forces armées s'appuient notamment sur l’une de nos solutions d’intelligence artificielle exploitant l’imagerie satellitaire optique très haute résolution (THR), pour détecter et vectoriser automatiquement un terrain. Combinant initialement deux détecteurs pour les routes et bâtiments, notre solution analyse toutes les zones d'opération, qu’elles soient urbaines, désertiques ou à faible densité, et en retire les données essentielles en quelques minutes seulement.
Afin d’apporter toujours plus de fonctionnalités clés pour les forces opérationnelles lors de la préparation de leurs missions terrain, un nouveau détecteur dédié aux protections passives (murs et murets) a été ajouté à cette solution d’IA. A réception des images annotées, il aura fallu seulement le temps d’une release (soit 6 semaines) à nos équipes de data scientist pour créer et livrer une première version opérationnelle de ce nouveau détecteur - alors que le délai moyen de mise en production d’un projet d’IA s’approche plus souvent des 8 mois. Retour sur les grandes étapes de création d’un nouveau détecteur chez Preligens.
Industrialisation, chaîne de valeur maîtrisée et experts métiers
Pour fournir le plus rapidement possible des détecteurs opérationnels et performants aux analystes du monde de la défense et du renseignement, le passage à l’échelle des processus de création d’algorithmes est primordial : il faut abstraire le plus possible chacune des étapes de création et imaginer les outils qui rendront les data scientists plus performants et plus rapides.
C’est justement cette vision industrialisée qui régit les processus de création chez Preligens, et permet à l'entreprise de diviser par 4 son temps de production.
Au cœur de l’entreprise donc, 3 équipes d’IA (Research, Engineering & Production) travaillant sur les 6 grandes étapes de développement, pouvant être assimilées aux différents postes de travail d’une chaîne de production industrielle et intégrant de A à Z la chaîne de valeur.
- Obtenir des données cohérentes et annotées
Pour créer les algorithmes les plus performants possibles, les data scientists doivent pouvoir s’appuyer sur une base de données large et fiable, avec des données annotées finement, diversifiées tout en restant homogènes et structurées. Chez Preligens, cette base de données comptabilisant à date près de 18 millions d’objets annotés (aéronefs, navires, bâtiments, murs etc) repose sur le savoir-faire de ses équipes d’annotateurs et des experts métiers issus du monde militaire.
- Préparer un ensemble de données pertinent
Une fois les images annotées récupérées, débute le vrai travail d'horloger des data scientists. Le but ici étant de créer un jeu de données le plus complet et pertinent possible pour la future phase d’apprentissage de la machine, évitant la redondance et les biais. Pour cette étape, les équipes de data scientists peuvent utiliser le large panel de composants et de tâches issus de l’état de l’art, leur permettant de sélectionner facilement les données les plus pertinentes pour le cas rencontré, les prétraiter sans avoir d’expertise SIG - Système d’information géographique (par exemple, les “tiling rasters” ou le “pansharpening”) et de créer ensuite les datasets correspondant à l’utilisation finale.
- Entraîner et essayer plusieurs modèles
Vient ensuite une phase d’ingénierie, durant laquelle les data scientists sélectionnent les composants et paramètres servant le mieux le cas d’usage final : choix de l’architecture, définition des hyperparamètres (“loss”, “optimizer”, etc), augmentation de la data (“noise addition”, “resize” etc) ou encore environnement “low code” , tout est fait pour optimiser la performance. Plusieurs centaines de combinaisons d'entraînement sont disponibles lors de cette étape clé, ce qui permet de lancer 2000 expérimentations par release and par squad, contre 50 observées avant la mise à disposition de ces outils internes.
- Définir la configuration pertinente d’un détecteur
Une fois plusieurs modèles entraînés, les data scientists de Preligens repèrent la meilleure des combinaisons lancées, et y ajoutent d’autres composants et tâches de traitement, telles que l’inférence, l’assemblage de modèles, l’enrichissement de données ou encore des transformations de géométries, afin d’optimiser le tout et d’obtenir les meilleurs résultats possibles selon le cas d’usage final.
- Packager le détecteur obtenu pour le déploiement
Après avoir obtenu les performances les plus élevées possibles, il est temps pour les data scientists de travailler avec les équipes de livraison, et de mettre en œuvre tous les composants nécessaires à un déploiement facilité chez le client. On regroupe à cette étape toutes les tâches liées au chiffrement du détecteur en lui-même, ou à sa dockerisation (créer des espaces virtuels incluant tous les éléments nécessaires au bon fonctionnement du détecteur : outils, fichiers sources etc).
- Valider le détecteur avant le déploiement
Dernière étape et non des moindres avant le déploiement chez notre client, nos équipes viennent valider et garantir la qualité et la maintenabilité du détecteur créé. Il s’agit notamment de lancer toute une série de tests, aussi bien quantitatifs que qualitatifs, ou encore de vérifier que l’utilisateur aura à sa disposition tous les metrics nécessaires pour pouvoir suivre les performances une fois que le détecteur sera déployé sur le système d’informations du client.
Une fois ces étapes franchies, le détecteur est pleinement opérationnel et fin prêt à être déployé et lancé sur les installations propriétaires des clients. Cette industrialisation de l’IA et cette maîtrise de l’entièreté de la chaîne de valeur et de création permet à Preligens d’être agile et productif, et de proposer des releases toutes les 6 semaines, dans une dynamique d’amélioration continue et d’excellence.
Quel résultat concret une fois ce nouveau détecteur livré et utilisé ?
Reprenons l’exemple de Tessit. En utilisant les détecteurs d’IA de Preligens pour analyser les images satellites de la zone, l’opérateur peut laisser de côté les actions les plus chronophages, et se concentrer sur sa vraie valeur ajoutée : l’analyse de faits. Il obtient en quelques minutes les informations essentielles de cette zone : routes, bâtiments et protections passives. De quoi lui permettre de dresser le schéma très particulier de la zone, de comprendre son activité et de repérer les postes de protection déployés aux entrées de la ville à chaque point cardinal, ainsi que le quartier général de la zone. Des informations hautement stratégiques et qui permettent de gagner un temps précieux lorsque vient le moment de planifier un déploiement de forces au sol.
Ce cas précis est la preuve s’il en fallait une que l’IA apporte une supériorité informationnelle décisive dans la préparation des missions des armées.
Curieux de découvrir plus en détails chacun de ces 6 grands postes de travail et leurs différents composants ? Stay tuned !
