R&D interne : faire avancer les technologies d'IA les plus pointues

Comment s'assurer de toujours atteindre l'état de l'art lors de l'élaboration de solutions d'IA ? 

La littérature est vaste et alimentée en permanence. Il faut du temps et des moyens humains pour la parcourir afin de sélectionner le bon contenu à adapter à votre technologie. 

C'est particulièrement vrai pour un sujet aussi à la mode et complexe que l'IA, regroupant des techniques telles que le Machine Learning, le Deep Learning, mais qui peut aussi impliquer l'utilisation de GANs,  de la technologie 3D, ou des réseaux de neurones convolutifs, ...

Chez Preligens, nous menons non seulement des recherches intensives sur les doctrines de défense étrangères, mais nous fournissons un effort encore plus important pour mettre en œuvre une technologie d'IA de pointe dans nos produits afin que nos clients puissent bénéficier de solutions d'IA de haut niveau. Tout cela commence par une vaste équipe interne de R&D, dont les missions sont nombreuses : mener des recherches en amont de la production, animer la veille technologique de l'entreprise tout en gérant la connexion avec le monde universitaire, et enfin faire connaître notre expertise par le biais de publications et de vulgarisation. 

Pour une fois, nous vous emmenons de l'autre côté du rideau, là où la magie en amont opère. Plongeons dans notre R&D interne et discutons d'un projet en cours de l'équipe : la simulation d'images !

Nous l'avons déjà mentionné, l'intelligence artificielle est une affaire de données ! Mais pas n'importe quel type de données : les performances des réseaux neuronaux dépendent en fait fortement de la qualité et de la quantité des données qui leur sont fournies. 

Dans le cas des algorithmes d'identification d'objets de Preligens, les données fondamentales sont les images satellite. Fondamentalement, plus les algorithmes voient d'images et plus elles sont diverses, meilleures seront leurs performances. 

Bien que le nombre de capteurs fournissant au monde des images de la Terre ne cesse d'augmenter, il peut parfois être difficile de rassembler suffisamment de données ou de les étiqueter correctement pour couvrir des cas rares tels qu'un tout nouvel avion comme le S-70 ou le J-20, de nouveaux motifs de camouflage, ou même des objets connus dans un nouvel environnement.

La simulation est donc utilisée pour combler cette lacune et générer des images étiquetées pour entraîner ou affiner un réseau neuronal sur des données spécifiques, afin de couvrir ces cas particuliers.

L'essentiel des études de l'équipe de recherche consiste donc à trouver la manière la plus efficace de générer de telles images et de les utiliser pendant le processus de formation afin de maximiser leur efficacité. 

Voici comment cela fonctionne : 

D'une part, un ensemble d'images de fond est créé, en utilisant des images satellites réelles (en 2D) afin de mélanger tous les paysages (neige, herbe, glace, désert, ...). 

D'autre part, des modèles 3D d'objets spécifiques présentant un intérêt pour la formation sont générés. En mélangeant les données 2D et 3D, l'équipe recrée des scènes virtuelles qui seront traitées dans le pipeline de simulation. 

Ce dernier produit donc deux types de sorties : 

• une nouvelle image simulée en 2D qui contient à la fois le fond et les objets à détecter, mais dans un environnement plat,  
• un fichier d'étiquettes qui sera ensuite utilisé comme vérité terrain pour entraîner les algorithmes.

En utilisant la simulation d'images pour recréer des observables rares et précis (tels que des avions précis), l'équipe de recherche a montré que le réglage fin d'un réseau neuronal sur un mélange d'un sous-ensemble de données réelles et de données simulées centrées sur un objet problématique peut améliorer considérablement les performances du réseau, et donc les résultats de la détection. A titre d'exemple, l'utilisation de cette technique sur des modèles de drones particuliers a permis d'augmenter les performances de détection jusqu'à 27%.

Exemple d'images de fond réelles + [mq1, mq9, su70] drones simulés à des endroits plausibles.

En outre, ils ont également la capacité de recréer certaines variations météorologiques telles que la neige, la poussière ou des masques de nuages à utiliser sur n'importe quelle image comme technique d'augmentation (voir l'exemple ci-dessous), afin d'accroître la variété des scènes virtuelles disponibles pour le pipeline de simulation.

Plutôt impressionnant, non ? Et ce n'est qu'un projet parmi les nombreux autres projets de R&D en cours chez Preligens. 

Vous souhaitez en savoir plus ? Prenez contact avec nous, nous serons heureux de poursuivre la conversation !